Cal Sto 2

M2 - Math
ematiques Appliqu
ees
`
a l
Economie et
`
a la Finance
Universit
e Paris 1
Sp
ecialit
e : Mod
elisation et M
ethodes Math
ematiques
en

Economie et Finance
Calcul Stochastique 2
Annie Millet
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
2
1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Table des matières
1. Processus dIt o de dimension quelconque . . . . . . . . . . . . . . 1
1.1. Rappels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Variation quadratique - Crochet dune martingale locale. . . . . . 4
1.3. Processus dIt o reel. . . . . . . . . . . . . . . . . . . . . . . . 12
1.4. Processus dIt o de dimension d - Formule dIt o generale . . . . . . 13
1.4.1. Processus dIto de dimension d . . . . . . . . . . . . . . . . . 13
1.4.2. Formule dIto generale . . . . . . . . . . . . . . . . . . . . 15
1.5. Proprietes du Brownien. . . . . . . . . . . . . . . . . . . . . . 17
1.5.1. Caracterisations de Levy . . . . . . . . . . . . . . . . . . . 17
1.5.2. Proprietes de Markov . . . . . . . . . . . . . . . . . . . . . 19
1.6. Exercices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.

Equations differentielles stochastiques . . . . . . . . . . . . . . 24
2.1. Solution forte - Diffusion. . . . . . . . . . . . . . . . . . . . . 25
2.2. Solution faible. . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3. Quelques proprietes des diffusions. . . . . . . . . . . . . . . . . 33
2.3.1. Flot stochastique et Propriete de Markov . . . . . . . . . . . . 33
2.3.2. Generateur innitesimal . . . . . . . . . . . . . . . . . . . . 35
2.3.3. Theorème de comparaison . . . . . . . . . . . . . . . . . . . 38
2.4. Processus de Bessel . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5. Lien avec les EDP. . . . . . . . . . . . . . . . . . . . . . . . . 40
2.5.1. Problème parabolique . . . . . . . . . . . . . . . . . . . . . 40
2.5.2. Formule de Feynman-Kac . . . . . . . . . . . . . . . . . . . 41
2.6. Exemples en finance. . . . . . . . . . . . . . . . . . . . . . . . 44
2.6.1. Problème de Sturm-Liouville - Temps doccupation . . . . . . . . 44
2.6.2. Introduction à la formule de Black & Sholes . . . . . . . . . . . 46
2.7. Exercices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3. Theorème de Girsanov . . . . . . . . . . . . . . . . . . . . . . . 54
3.1. Changement de probabilite . . . . . . . . . . . . . . . . . . . . 54
3.2. Formule de Cameron Martin. . . . . . . . . . . . . . . . . . . . 55
3.3. Theorème de Girsanov . . . . . . . . . . . . . . . . . . . . . . 57
3.4. Condition de Novikov et generalisations . . . . . . . . . . . . . . 58
3.5. Existence de solutions faibles . . . . . . . . . . . . . . . . . . . 61
3.6. Exemples dapplication ` a des calculs desperance . . . . . . . . . . 62
3.7. Theorème de representation previsible . . . . . . . . . . . . . . 64
3.8. Exercices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4. Applications ` a la finance . . . . . . . . . . . . . . . . . . . . . . 68
4.1. Modelisation dun marche financier en temps continu . . . . . . . . 68
4.1.1. Modelisation dun marche à d actifs risques et k facteurs . . . . . . 68
4.1.2. Description des strategies . . . . . . . . . . . . . . . . . . . 69
4.1.3. Absence dopportunite darbitrage - Mesure martingale equivalente . . 70
4.1.4. Probabilite risque neutre . . . . . . . . . . . . . . . . . . . . 71
4.2. Modèle de Black & Sholes generalise . . . . . . . . . . . . . . . 73
4.2.1. Absence dopportunite darbitrage et changement de probabilite -
Prime de risque . . . . . . . . . . . . . . . . . . . . . . . 73
4.2.2. Completude du marche . . . . . . . . . . . . . . . . . . . . 76
4.2.3. Calcul du portefeuille de couverture dans le modèle de Black & Sholes 78
4.2.4. Volatilite . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.3. Modèle de Cox-Ingersoll-Ross . . . . . . . . . . . . . . . . . . 82
4.3.1. Processus de Bessel generaux . . . . . . . . . . . . . . . . . . 82
4.3.2. Modèle de Cox-Ingersoll-Ross . . . . . . . . . . . . . . . . . 84
4.3.3. Calcul du prix dun zero-coupon . . . . . . . . . . . . . . . . 85
4.4. Exercices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
1
1 Processus dIt o de dimension quelconque
Le but de ce chapitre est detendre les notions de mouvement Brownien, de processus
dIto et la formule dIto de la dimension 1 à une dimension d arbitraire.
1.1 Rappels
Nous rappelons tout dabord quelques denitions et notations du cours de Calcul Sto-
chastique 1. La ltration donne linformation dont on dispose à chaque instant t.
Denition 1.1 Soit (, T, P) un espace probabilise.
(i) Une ltration est une famille croissante (T
t
, t 0) de sous-tribus de T, cest à dire
telle que T
s
T
t
T si s t.
(ii) On dit que la ltration (T
t
) satisfait les conditions usuelles si elle est :
continue à droite, i.e., T
t
= T
t+
:=
s>t
T
s
.
complète, i.e., toutes les tribus T
t
contiennent les ensembles negligeables, ce qui revient
à demander que P(A) = 0 entrane A T
0
.
Convention. Dans toute la suite on se donne un espace probabilise ltre (, T, (T
t
, t
0), P) et on suppose que sa ltration (T
t
) satisfait les conditions habituelles. On supposera
de plus que la tribu T
0
est la completee de la tribu triviale , , ce qui entrane que les v.a.
T
0
mesurables sont presque s urement constantes. Ceci ne sera pas rappele dans les enonces.
Denition 1.2 Un processus stochastique (à valeurs dans R
d
) est une famille (X
t
, t 0)
de variables aleatoires X
t
: (, T) (R
d
, 1
d
).
(i) Le processus stochastique (X
t
) est (T
t
)-adapte si X
t
est mesurable de (, T
t
) dans
(R
d
, 1
d
) pour tout instant t 0.
(ii) Le processus stochastique (X
t
) est progressivement mesurable (ou progressif ) si pour
tout instant t 0, lapplication (s, ) X
s
() est mesurable de B([0, t])T
t
dans (R
d
, 1
d
).
(iii) Soit (X
t
) un processus stochastique. Sa ltration naturelle est (T
X
t
, t 0) o` u T
X
t
=
((X
s
, s [0, t]), ^) o` u ^ designe les ensembles negligeables. Si le processus (X
t
) est
continu à droite, sa ltration naturelle (T
X
t
) satisfait les conditions habituelles.
Theorème 1.3 Soit (X
t
) un processus stochastique à valeurs dans R
d
, adapte et continu à
droite. Alors (X
t
) est progressif.
La notion de temps darret joue un role crucial dans la theorie.
Denition 1.4 Une variable aleatoire : [0, +] est un temps darret (relativement
à la ltration (T
t
)), ou (T
t
)-temps darret, si t T
t
pour tout t 0. Si est un
temps darret relativement à (T
t
), on note
T
= A T : A t T
t
, t [0, +[.
Enn si (X
t
) est un processus (T
t
)-adapte, on note X
() = X
()
() ; si le processus (X
t
)
est continu à droite et adapte, X
1
{<+}
est T
-mesurable.
Les exemples suivants de temps darret sont importants.
26 octobre 2009 Calcul Stochastique 2 - Annie Millet
2 1 Processus dIt o de dimension quelconque
Proposition 1.5 Soit (X
t
, t 0) un processus à valeurs dans R
d
, (T
t
)-adapte et A 1
d
.
Rappelons la convention inf = +.
(i) Si A est ferme et (X
t
) est continu, D
A
= inft 0 : X
t
A est un (T
t
)-temps
darret.
(ii) Si A est un ensemble ouvert et (X
t
) est continu à droite, alors le temps datteinte
de A note T
A
= inft > 0 : X
t
A est un (T
t
+)-temps darret.
Demonstration. (i) De fa con evidente, la continuite de X
.
et le fait que A est ferme entranent
D
A
t = : inf
sQ,st
d(X
s
(), A) = 0 T
t
, o` u d(x, A) = inf
yA
d(x, y).
(ii) Pour verier T
A
t T
+
t
, il sut de verier que T
A
< t T
t
pour tout t.
De plus, si s < t et X
s
() A, la continuite à droite de X
.
() et le fait que A est ouvert
entranent quil existe ]0, t s[ tel que pour tout r [s, s + [, X
r
() A, do` u
T
A
< t =
s<t,sQ
X
s
A T
t
.
Remarquons que T
A
nest pas necessairement un (T
t
)-temps darret. 2
Les martingales jouent un role central dans la theorie ; elles ont la propriete fondamentale
constamment utilisee en nance : le processus (X
t
, t [0, T]) est complètement determine
par sa valeur X
T
à linstant terminal T.
Denition 1.6 Un processus reel (T
t
)-adapte X = (X
t
, t 0) est une (T
t
)-martingale si
E[[X
t
[] < + (autrement dit X
t
L
1
()) pour tout t 0).
E[X
t
[ T
s
] = X
s
pour tout s t.
Si X est une (T
t
)-martingale telle que E(X
2
t
) < + pour tout t 0, on dit que X est une
martingale de carre integrable.
On peut denir une martingale sans ltration prealable, en demandant que ce soit une (T
X
t
)-
martingale o` u (T
X
t
) est la tribu naturelle de X. Clairement, si X est une (T
t
)-martingale,
cest aussi une (T
X
t
)-martingale.
Enn, un processus X = (X
i
t
, i = 1, , d, t 0) à valeurs dans R
d
est une (T
t
)-martingale
si chacune de ses composantes (X
i
t
, t 0), i = 1, , d est une (T
t
)-martingale.
Rappelons quune (T
t
)-martingale (X
t
) par rapport à une ltration (T
t
) qui satisfait les
conditions habituelles admet une modication continue à droite et limitee à gauche (cadlag).
Toutes les martingales que nous considererons seront donc continues à droite. Le theorème
darret setend aux martingales continues à droite.
Theorème 1.7 (Theorème darret) Soit M une (T
t
)-martingale (continue à droite).
(i) Soit S, T des (T
t
)-temps darret bornes par une constante K, i.e., tels que S T K.
Alors M
T
est integrable et
E(M
T
[T
S
) = M
S
p.s.
(ii) Soit T un temps darret. Le processus arrete (M
T
t
, t 0) deni par
M
T
t
= M
Tt
(1.1)
est encore une (T
t
)-martingale.
Calcul Stochastique 2 - Annie Millet 26 octobre 2009
1.1 Rappels 3
Demonstration. (i) Pour tout n 1, soit S
n
() = k2
n
sur S [(k 1)2
n
, k2
n
[,
k K2
n
+ 1 et T
n
deni de fa con similaire. Alors S
n
et T
n
sont des (T
t
)-temps darret
qui ne prennent quun nombre ni de valeurs et tels que S S
n
T
n
, lim
n
S
n
= S et
lim
n
T
n
= T. Si A T
Sn
, en decoupant lensemble A suivant les valeurs prises par S
n
et en
utilisant la propriete de martingale, on voit que
_
A
M
Sn
dP =
k
_
A{Sn=k}
M
K
dP, cest à
dire que M
Sn
= E(M
K
[T
Sn
). Puisque T
Sn
T
Tn
, on a donc
E(M
Tn
[T
Sn
) = E(E(M
K
[T
Tn
)[T
Sn
) = M
Sn
.
On en deduit que pour A T
S
T
Sn
,
_
A
M
Sn
dP =
_
A
M
Tn
dP. De plus, les suites de
temps darret (S
n
, n 1) et (T
n
, n 1) etant decroissantes, le calcul precedent montre que
les suites (M
Sn
, T
Sn
) et (M
Tn
, T
Tn
) sont des martingales descendantes, donc uniformement
integrables. Puisque la martingale M est continue à droite, M
T
= lim
n
M
Tn
et M
S
=
lim
n
M
Sn
p.s. et dans L
1
. On en deduit que pour tout A T
S
,
_
A
M
S
dP =
_
A
M
T
dP,
ce qui termine la demonstration. On remarque que cette demonstration setend aisement au
cas o` u S et T sont des temps darret non bornes tels que S T si la martingale M est
uniformement integrable, donc fermee.
(ii) Si s t, il sut dappliquer la partie (i) aux temps darret s T t T t,
pour deduire que M
tT
est une (T
tT
)-martingale. Montrons que ce processus (T
t
)-adapte
integrable est encore une (T
t
)-martingale.
Soit A T
s
. De fa con evidente, AT > s T
sT
, et puisque E(M
tT
[T
sT
) = M
sT
,
_
A{T>s}
M
tT
dP =
_
A{T>s}
M
sT
dP.
De plus, sur T s, M
tT
= M
T
= M
sT
; on en deduit
_
A
M
tT
dP =
_
A
M
sT
dP, ce qui
termine la demonstration. 2
Cette proposition justie la denition suivante qui permet de localiser la notion de
martingale en introduisant une suite croissante de temps darret.
Denition 1.8 Un processus (T
t
)-adapte et continu à droite M est une (T
t
)-martingale
locale sil existe une suite croissante (
n
) de (T
t
)-temps darret telle que
n
et M
n
:=
(M
tn
, t 0) est une (T
t
)-martingale pour tout n.
Remarque 1.9 (1) Soit M une martingale locale. En remplacant la suite de temps darret
(
n
) par (
n
n) on voit que lon peut demander que chaque martingale M
n
soit uni-
formement integrable. Pour tout n 1, soit S
n
= inft 0 : [M
t
[ n. Alors S
n
est
un temps darret et si la martingale locale M est continue, on peut, en remplacant
n
par
n
n S
n
, demander que la martingale M
n
soit bornee.
(2) Meme si M est une martingale locale integrable, ce nest pas necessairement une
martingale. On pourra voir un contre-exemple dans [11], page 182.
Denition 1.10 Le processus (B
t
, t 0) est un mouvement Brownien (standard) reel - ou
unidimensionnel si les proprietes (a)-(c) sont veriees :
a) P(B
0
= 0) = 1 (le mouvement Brownien est issu de lorigine).
b) Pour 0 s t, B
t
B
s
est une variable reelle de loi gaussienne, centree de variance
(t s), notee ^(0, t s).
c) Pour tout n et 0 t
0
t
1
t
n
, les variables aleatoires B
t
0
, B
t
1
B
t
0
, ,
B
tn
B
t
n1
sont independantes.
Rappelons que les trajectoires du Brownien B sont p.s. continues, et meme Holderiennes
dordre <
1
2
, mais p.s. quelles ne sont pas derivables (ni meme des fonctions de classe
(
1
2
).
On supposera souvent que la tribu (T
t
) consideree est la tribu naturelle de B, notee (T
B
t
),
et satisfait donc le theorème darret 1.7. La propriete c) montre que pour tout 0 s < t,
laccroissement B
t
B
s
est independant de la tribu T
B
s
= ((B
u
, 0 u s), ^). Le
mouvement Brownien est donc une (T
B
t
)-martingale. Rappelons des proprietes du Brownien
qui seront dun usage constant, et pourront etre montrees à titre dexercice.
Proposition 1.11 Soit (B
t
) un Brownien. Alors
(i) (Scaling) Pour toute constante c > 0, le processus cB
t/c
2 est un mouvement Brownien
et (B
t
) est un mouvement Brownien.
(ii) (B
2
t
t, t 0) est (T
B
t
)-martingale.
(iii) Pour tout R, le processus
_
exp
_
B
t

2
t
2
_
, t 0
_
est une (T
B
t
)-martingale.
La gure suivante montre trois exemples de trajectoires de B (obtenues par simulation).
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0
5
4
3
2
1
0
1
2
3
4
5
1.2 Variation quadratique - Crochet dune martingale locale
Rappelons les notations suivantes.
Denition 1.12 Soit (, T, (T
t
, t 0), P) un espace ltre. Pour a = 1, 2 et T ]0, +]
on note :
H
a
(T
t
) =
_
h progressivement mesurable tel que pour tout t 0, E
__
t
0
[h
s
[
a
ds
_
<
_
,
H
loc
a
(T
t
) =
_
h progressivement mesurable tel que pour tout t 0,
_
t
0
[h
s
[
a
ds < p.s.
_
,
H
T
a
(T
t
) =
_
h progressivement mesurable tel que E
__
T
0
[h
s
[
a
ds
_
< +
_
.
1.2 Variation quadratique - Crochet dune martingale locale 5
En particulier soit h un processus cadlag (T
t
)-adapte ; si pour tout t > 0 on a
_
t
0
h
2
s
ds <
+ p.s., alors h H
loc
2
, si E
_
_
t
0
h
2
s
ds
_
< pour tout t, alors h H
2
(T
t
), ... Lorsque
la ltration (T
t
) est la ltration naturelle (T
B
t
) dun mouvement Brownien B, on notera
simplement H
loc
1
:= H
loc
1
(T
B
t
), H
loc
2
:= H
loc
2
(T
B
t
), ...
La propriete suivante des integrales stochastiques par rapport au mouvement Brownien
est fondamentale.
Theorème 1.13 Soit B un mouvement Brownien et (T
B
t
) sa ltration naturelle. Soit h
H
2
; alors le processus t I
t
=
_
t
0
h
s
dB
s
est une (T
B
t
)-martingale de carre integrable et à
trajectoires p.s. continues.
Soit h H
loc
2
(par exemple un processus cadlag, (T
B
t
)-adapte tel que
_
t
0
h
2
s
ds < +
p.s.) Alors lintegrale stochastique I
t
=
_
t
0
h
s
dB
s
peut etre construite comme une martingale
locale continue.
Rappelons la notion de variation satisfaite par les integrales de la borne superieure deterministes.
Denition 1.14 (i) Soit s < t et f : [s, t] R. La fonction f est à variation bornee sur
[s, t] si V
[s,t]
(f) < +, o` u
V
[s,t]
(f) := sup
_
i
[f(t
i+1
) f(t
i
)[ : s = t
0
< t
1
< < t
n
t subdivision de [s, t]
_
.
La fonction f : [0, +[ est à variation nie sur [0, +[ si elle est à variation bornee sur
tout intervalle [0, T].
(ii) Le processus (X
t
) est à variation bornee sur [s, t] (resp. à variation nie) si ses
trajectoires sont p.s. à variation bornee sur [s, t] (resp. p.s. à variation nie).
De fa con evidente, si b H
loc
1
(T
t
), le processus t I
t
=
_
t
0
b
s
ds est à variation nie ; en
eet pour tout T 0, V
[0,T]
(I)
_
T
0
[b(t)[ dt. Le comportement des integrales stochastiques
est tout autre.
Proposition 1.15 Soit (M
t
) une (T
t
)-martingale locale p.s. continue à variation nie.
Alors pour tout t la variable aleatoire M
t
est presque s urement constante (egale à M
0
).
Demonstration. Puisque M
0
est p.s. constante, en rempla cant M
t
par M
t
M
0
, on peut
supposer M
0
= 0.
(i) Fixons T et supposons que (M
t
) est une martingale continue et que sa variation
V
[0,T]
(M) est (p.s.) bornee par C. Soit = t
0
= 0 < t
1
< < t
n
= T une subdivision de
[0, T], [[ = sup
n1
i=0
[t
i+1
t
i
[ son pas et pour 0 k n 1 soit X
k
= M
t
k+1
M
t
k
. Alors
E([M
T
[
2
) = E([M
T
M
0
[
2
) =
n1
k=0
E(X
2
k
) + 2
1i<jn1
E(X
i
X
j
).
Si i < j, X
i
est T
t
i
mesurable, donc independante de X
j
et E(X
i
X
j
) = E(X
i
E(X
j
[T
t
i
)) = 0.
Donc E([M
T
[
2
) =
n
k=0
E(X
2
k
) CE
_
sup
k
[M
t
k+1
M
t
k
[
_
et par continuite des trajectoires
de M, p.s. la fonction t M
t
() est uniformement continue sur [0, T]. Quand [[ 0,
on a donc sup
k:t
k+1
t
[M
t
k+1
M
t
k
[ 0 p.s. tandis que sup
k:t
k+1
t
[M
t
k+1
M
t
k
[ C. En
appliquant le Theorème de convergence dominee, on en deduit E
_
sup
k
[M
t
k+1
M
t
k
[
_
0
quand [[ 0. On en deduit E([M
T
[
2
) = 0 ce qui entrane M
T
= 0 p.s.
(ii) Supposons que (M
t
) est une martingale p.s. continue. Pour tout n, soit
n
= inft [0, T] : V
[0,t]
(M) n T
(avec la convention inf = +). La denition de V
[0,t]
montre que cest un processus (T
t
)-
adapte, continu. La Proposition 1.5 (i) montre que (
n
) est une suite de (T
t
)-temps darret ;
de fa con evidente, (
n
) est croissante et converge vers T. Le theorème darret 1.7 montre
que le processus (M
n
t
) = (M
tn
, t 0) est une (T
t
)-martingale. De plus, par construction,
V
[0,T]
(M
n
) n p.s. Soit t [0, T] ; la partie (i) montre donc que M
tn
= 0 p.s. puis la
continuite p.s. de M permet, en faisant tendre n vers linni, den deduire que M
t
= 0 p.s.
(iii) Soit maintenant M une martingale locale continue et soit (
n
) une suite de temps
darret qui croit vers T telle que (M
tn
, t 0) est une martingale continue. Pour tout
n cette martingale est à variation bornee sur [0, T] et est donc nulle p.s. daprès (ii). On
conclut de nouveau par passage à la limite en n en utilisant la continuite p.s. de M. 2
La proposition precedente montre que le mouvement Brownien nest p.s. pas à variation
bornee sur [0, T] et que lintegrale stochastique t
_
t
0

s
dB
s
ne peut pas etre denie
par et nest pas à variation nie, sauf si elle est nulle.
La bonne notion pour les integrales stochastiques, tout comme pour le Brownien, est
celle de variation quadratique. Pour tout processus X deni sur [0, T], 0 t T et toute
subdivision = t
0
= 0 < t
1
< < t
k
= T,
T
t
(X) =
k1
i=0
[X
t
i+1
t
X
t
i
t
[
2
.
Denition 1.16 Soit X : [0, T] R un processus stochastique deni sur [0, T]. On dit
que X est de variation quadratique nie si pour tout t [0, T],
X, X)
t
= lim
||0
T
t
existe en probabilite,
cest à dire que pour toute suite (
n
) de subdivisions de [0, T] dont le pas tend vers 0, la
suite T
n
t
converge en probabilite vers une limite notee X, X)
t
.
Les deux resultats suivants donnent les rapports entre processus à variation bornee et à
variation quadratique nie.
Proposition 1.17 Soit X un processus continu à variation bornee sur [0, T]. Alors X est
de variation quadratique nulle sur [0, T].
Demonstration. Soit = 0 = t
0
< t
1
< < t
k
= T une subdivision de [0, T]. Alors
k1
i=0
[X
t
i+1
X
t
i
[
2
k1
i=0
[X
t
i+1
X
t
i
[ sup
0i<k
[X
t
i+1
X
t
i
[.
La continuite uniforme p.s. de X sur lintervalle [0, T] entrane sup
0ik1
[X
t
i+1
X
t
i
[ 0
p.s. quand [[ 0. De plus p.s.
k1
i=0
[X
t
i+1
() X
t
i
()[ V
[0,T]
(X
.
()) < +, ce qui
termine la demonstration.
On remarque dailleurs que la demonstration precedente et le Theorème de convergence
dominee entranent que si V
[0,t]
(X) C p.s. o` u C est constante, T
t
converge vers 0 dans
L
1
. 2
Le resultat suivant a ete montre dans le cours de Calcul Stochastique 1.
Theorème 1.18 Le mouvement Brownien (B
t
) est de variation quadratique nie sur tout
intervalle [0, T] et B, B)
t
= t. Plus precisement, lorsque [[ 0, E([T
t
(B) t[
2
) 0,
cest à dire que la convergence a lieu dans L
2
.
De plus, si H
loc
2
, le processus (
_
t
0

s
dB
s
, t 0) est de variation quadratique
_
t
0

2
s
ds
sur chaque intervalle [0, t].
Nous allons tout dabord le generaliser à des martingales locales continues.
Notation Soit = t
0
= 0 < t
1
< t
2
< une subdivision de [0, +[ telle que pour tout
t > 0, [0, t] ne comprend quun nombre ni de points. Par analogie avec les notations
precedentes, pour tout t > 0 (en ajoutant t à la subdivision) et pour tout processus X
notons
T
t
(X) =
i0
(X
t
i+1
t
X
t
i
t
)
2
. (1.2)
Le processus X est à variation quadratique nie si pour tout t la famille de processus T
t
(X)
converge en probabilite vers X, X)
t
quand le pas [[ de la subdivision sur [0, t] tend vers
0.
Le resultat suivant est fondamental. Il relie la variation quadratique à une martingale
associee au carre du processus.
Theorème 1.19 Soit M une (T
t
)-martingale locale continue. Alors M est de variation qua-
dratique nie et sa variation quadratique M, M)
t
est lunique processus croissant, adapte,
continu, nul en zero tel que
_
M
2
t
M, M)
t
, t 0
_
est une (T
t
) martingale locale .
De plus, pour s < t et toute suite (
n
) de subdivisions dont le pas [
n
[ tend vers 0, la suite
sup
st
T
n
s
(M) M, M)
s
converge vers 0 en probabilite.

Si de plus, M est une martingale de carre integrable (cest à dire que E(M
2
t
) < +
pour tout t), alors (M
2
t
M, M)
t
, t 0) est une (T
t
) martingale continue telle que pour
tout couple de temps darret bornes S T C,
E(M
2
T
M
2
S
[T
S
) = E([M
T
M
S
[
2
[T
S
) = E(M, M)
T
M, M)
S
[T
S
).
Demonstration. Lunicite de la decomposition decoule de la Proposition 1.15. En eet,
soit M
2
t
= Y
t
+ A
t
= Z
t
+ B
t
o` u A, B sont des processus continus à variation nie et nuls
en 0, Y, Z sont des martingales locales, continues puisque M
2
.
, A
.
et B
.
le sont. Alors la
dierence Y Z = B A est une martingale locale continue à variation nie nulle en 0,
donc est nulle daprès la Proposition 1.15.
Pour prouver lexistence, nous distinguerons plusieurs etapes. Pour alleger les notations,
nous ne ferons pas reference à la ltration pour les temps darret, martingales, ... En rem-
pla cant (M
t
) par (M
t
M
0
, t 0) qui est aussi une martingale (ou une martingale locale),
nous supposerons que M
0
= 0.
(1) On suppose que M est une martingale bornee par C. Pour toute subdivision ,
s < t, notons i et k les entiers tels que t
i
s < t
i+1
et t
k
t < t
k+1
.
Alors si i = k, la propriete de martingale de M entrane que
E
_
T
t
(M) T
s
(M)
T
s
_
= E([M
t
M
t
i
[
2
[M
s
M
t
i
[
2
[T
s
)
= E([M
t
M
s
[
2
[T
s
) = E(M
2
t
M
2
s
[T
s
).
Si i < k,
E
_
[M
t
i+1
M
t
i
[
2
[T
s
_
= E
_
[M
t
i+1
M
s
[
2
[T
s
_
+[M
s
M
t
i
[
2
.
Avec la convention
n
2
j=n
1
x
j
= 0 si n
1
> n
2
, on en deduit
E
_
T
t
(M) T
s
(M)
T
s
_
= E
_
[M
t
i+1
M
s
[
2
+
k1
j=i+1
[M
t
j+1
M
t
j
[
2
+[M
t
M
t
k
[
2
T
s
_
.
Dautre part, pour tout s a < b c < d t,
E[(M
b
M
a
)(M
d
M
c
)[T
s
] = E[(M
b
M
a
)E[M
d
M
c
[T
c
][T
s
] = 0.
En decomposant M
t
M
s
comme somme daccroissements sur les points s, t
i+1
, , t
k
, t
on obtient donc
E
_
[M
t
M
s
[
2
[T
s
_
= E
_
[M
t
i+1
M
s
[
2
+
k1
j=i+1
[M
t
j+1
M
t
j
[
2
+[M
t
M
t
k
[
2
T
s
_
,
On en deduit que
E
_
M
2
t
M
2
s
[T
s
= E
_
(M
t
M
s
)
2
[T
s
= E
_
T
t
(M) T
s
(M)[T
s
. (1.3)
Le processus (M
2
t
T
t
(M), t 0) est donc une martingale de carre integrable et E(M
2
t
) =
E(T
t
(M)) pour tout t 0.
(2) Soit M une martingale continue bornee par C. Fixons a en notons (
n
) une suite
de subdivisions de [0, a] dont le pas tend vers 0. Montrons que la suite (T
n
a
(M), n 0)
converge dans L
2
, cest à dire est de Cauchy dans L
2
.
Soit et
deux subdivisions ; notons

la subdivision obtenue en prenant lunion des
points de et
. Notons
X = T
(M) T
(M).
Puisque (M
2
t
T
t
(M) , t 0) est une martingale, X est egalement une martingale nulle
en 0 telle que (X
t
, 0 t a) est bornee. Le calcul precedent applique à X au lieu de M
montre que
E(X
2
a
) = E
_
[T
a
(M) T
a
(M)[
2
_
= E
_
T

a
(X)
_
.
De plus, T

a
(X) 2
_
T

a
_
T
(M)
_
+ T

a
_
T
(M)
_
_
.
Pour verier que la suite T
n
a
(M) est de Cauchy, il sut donc de verier que
E
_
T

a
_
T
(M))
_
_
converge vers 0 quand [[ +[
[ 0.
Soit s
k

et t
l
lunique element de tel que t
l
s
k
< s
k+1
t
l+1
. Alors
T
s
k+1
(M) T
s
k
(M) = (M
s
k+1
M
t
l
)
2
(M
s
k
M
t
l
)
2
= (M
s
k+1
M
s
k
)(M
s
k+1
+M
s
k
2M
t
l
).
On en deduit
T

a
_
T
(M)
_
T

a
(M)
_
sup
k
[M
s
k+1
+ M
s
k
2M
t
l
[
2
_
.
Puisque M est continue bornee, le theorème de convergence dominee entrane que
E
_
sup
k
[M
s
k+1
+ M
s
k
2M
t
l
[
4
_
0 quand [[ +[
[ 0.
Il sut daprès linegalite de Schwarz de prouver que E([T

a
(M)[
2
) reste bornee par une
constante, cest à dire que
sup
E([T
a
(M)[
2
) < +.
Soit une subdivision qui contient a = t
n
. Alors
[T
a
(M)[
2
=
_
n1
i=0
[M
t
i+1
M
t
i
[
2
_
2
=
n1
i=0
[M
t
i+1
M
t
i
[
4
+ 2
n2
i=0
[M
t
i+1
M
t
i
[
2
n1
j=i+1
[M
t
j+1
M
t
j
[
2
=
n1
i=0
[M
t
i+1
M
t
i
[
4
+ 2
n2
i=0
_
M
t
i+1
M
t
i
_
2
_
T
a
(M) T
t
i+1
(M)
_
.
Lequation (1.3) montre que E
_
T
a
(M)T
t
i+1
(M)[T
t
i+1
= E
_
(M
a
M
t
i+1
)
2
[T
t
i+1
. Puisque
(M
t
i+1
M
t
i
)
2
est T
t
i+1
-mesurable, on en deduit
E([T
a
(M)[
2
) =
n1
i=0
E([M
t
i+1
M
t
i
[
4
)
+ 2
n1
i=0
E
_
[M
t
i+1
M
t
i
[
2
E
_
T
a
(M) T
t
i+1
(M)[T
t
i+1
_
=
n1
i=0
E([M
t
i+1
M
t
i
[
4
) + 2
n1
i=0
E
_
[M
t
i+1
M
t
i
[
2
(M
a
M
t
i+1
)
2
E
__
sup
k
[M
t
k+1
M
t
k
[
2
+ 2 sup
k
[M
a
M
t
k
[
2
_
T
a
(M)
_
.
Puisque sup
t
[M
t
[ C et M
0
= 0, lequation (1.3) pour 0 et a entrane que E(T
a
(M)) C
2
et donc
E([T
a
(M)[
2
) 12C
2
E(T
a
(M)) 12C
4
. (1.4)
La suite (T
n
a
(M), n 1) est donc de Cauchy dans L
2
; elle converge dans L
2
(donc aussi
en probabilite) vers une limite notee M, M)
a
.
(3) Soit M une martingale continue bornee par C. Il reste à verier que le processus
M, M) a les proprietes annoncees. Soit (
n
) une suite de subdivisions dont le pas [
n
[ tend
vers 0. Pour tout m < n, le processus T
n
(M) T
m
(M) est une martingale et linegalite
de Doob entrane que
E
_
sup
0sa
[T
n
s
(M) T
m
s
(M)[
2
_
4E
_
[T
n
a
(M) T
m
a
(M)[
2
.
Soit m(k) un entier tel que pour tout m m(k), E([T
m
s
(M)T
m(k)
s
(M)[
2
) 2
k
. On peut
supposer que la suite m(k) est strictement croissante et, daprès le lemme de Borel Cantelli,
de la suite (T
n
.
(M), n 1) on peut donc extraire une sous-suite (T
m(k)
.
(M), k 1) qui
converge p.s. uniformement sur lintervalle [0, a].
Par un procede diagonal, on peut faire en sorte dextraire une nouvelle sous-suite qui
converge uniformement sur tout intervalle [0, N] pour tout entier N. La limite M, M) est
donc p.s. continue. De plus, la limite etant independante de la suite de subdivisions choisie,
on peut faire en sorte que la suite de subdivisions soit telle que
n

n+1
et que
n
n
soit dense dans [0, +[.
Alors, si s < t sont des points de
n
n
, il existe n
0
tel que s, t
n
pour tout n n
0
. On
en deduit alors de fa con evidente que T
n
s
T
n
t
pour n n
0
, do` u M, M)
s
M, M)
t
et
que le processus M, M) est croissant par continuite. Enn, en faisant tendre n vers linni
dans lequation (1.3) ecrite pour la subdivision
n
et en utilisant lintegrabilite uniforme
de la suite (T
n
t
(M), n 1) qui decoule du fait que cette suite est bornee dans L
2
daprès
(1.4), on deduit que M
2
M, M) est une martingale.
(4) Soit M une martingale locale continue et (T
n
) une suite de temps darret qui crot
p.s. vers + et telle que pour tout n le processus X(n) = M
Tn
deni par (1.1) est une
martingale continue bornee. La demonstration precedente montre quil existe un processus
croissant A(n) nul en 0 tel que pour tout n, (X(n)
2
t
A(n)
t
, t 0) est une martingale. De
plus la martingale arretee
(X(n + 1)
2
A(n + 1))
Tn
= X(n)
2
A(n + 1)
Tn
est une martingale et A(n + 1)
Tn
est un processus croissant nul en 0. Lunicite montree en
(1) permet de deduire que A(n + 1)
Tn
= A(n)
Tn
p.s. Ceci permet de denir sans ambigute
un processus croissant M, M)
t
= A(n)
t
pour tout t T
n
. Lunicite vient de lunicite sur
tout intervalle [0, T
n
].
Fixons t > 0, > 0 et > 0. La suite de temps darret (T
n
) tend vers +, donc pour n
assez grand S = T
n
est tel que P(S t) < et la martingale M
S
est bornee. La première
partie montre que lorsque le pas de la subdivision [[ tend vers 0, T
t
(M
S
) converge vers
M
S
, M
S
)
t
en probabilite. Puisque T
s
(M
S
) = T
s
(M) et M
S
, M
S
)
s
= M, M)
s
pour
s [0, S], on en deduit que pour [[ assez petit
P
_
sup
st
[T
s
(M) M, M)
s
[
_
+ P
_
sup
st
[T
s
(M
S
) M
S
, M
S
)
s
[
_
2.
(5) Supposons enn que M est une martingale est de carre integrable. Daprès linegalite
de Doob,
E( sup
0st
[M
s
[
2
) 2E([M
t
[
2
).
Dautre part, soit (T
n
) une suite de temps darret qui crot p.s. vers +et telle que pour tout
n le processus X
n
= M
Tn
est une martingale continue bornee. Pour tout t, E(M, M)
tTn
) =
E([M
tTn
[
2
) et la suite (M
tTn
, n 0) est une (T
tTn
, n 0) martingale bornee dans L
2
qui
converge dans L
2
vers M
2
t
. De plus, le theorème de convergence monotone montre que
E(M, M)
t
) = lim
n
E(M, M)
tTn
) = lim
n
E([M
tTn
[
2
).
Enn la martingale discrète (M
tTn
, n 1) est fermee par M
t
L
2
et converge dans L
2
vers
M
t
puisque
n
T
tTn
= T
t
; on a donc E(M, M)
t
) = E(M
2
t
) < +. Linegalite de Doob
montre alors que pour tout s t,
M
2
s
M, M)
s
sup
rt
M
2
r
+M, M)
r
L
1
.
Lexercice 1.4 (ii) montre que cette martingale locale continue uniformement integrable est
une martingale. Il sut dappliquer le Theorème darret 1.7 pour conclure la demonstration.
2
Le crochet de deux martingales locales continues M et N est deni par polarisation.
Theorème 1.20 Soit M et N des (T
t
)-martingales locales continues. Il existe un unique
processus continu, adapte, à variation nie M, N) nul en 0 tel que (M
t
N
t
M, N)
t
, t 0)
soit une martingale locale continue. De plus pour toute suite
n
de subdivisions de [0, t] dont
le pas tend vers 0, la suite
sup
st
t
i
n
(M
t
i+1
s
M
t
i
s
)(N
t
i+1
s
N
t
i
s
) M, N)
s
converge vers 0 en probabilite.

Demonstration. Lunicite decoule de la proposition 1.15. Pour lexistence, il sut de verier
que
M, N) =
1
4
_
M + N , M + N) M N , M N)
_
.
a les proprietes annoncees. Cest la dierence de deux processus croissants et cest donc un
processus à variation nie. 2
Denition 1.21 On dit que le processus M, N) est le crochet de M et N et que le processus
M, M) aussi note M) est le processus croissant associe à M.
Denition 1.22 Un processus X est une semi-martingale continue sil admet la decompo-
sition X
t
= X
0
+M
t
+A
t
pour tout t, o` u (M
t
) est une (T
t
)-martingale locale continue, (A
t
)
est un processus continu à variation nie, M
0
= A
0
= 0.
On deduit aisement la
Proposition 1.23 La variation quadratique dune semi-martingale continue X = X
0
+M+
A est nie et egale M, M). La decomposition de X est unique (à indistinguabilite près).
On note donc X, X) = M, M) et on dit que ce processus croissant est le crochet de X. De
meme, si X = X
0
+ M + A et Y = Y
0
+ N + B sont des semi-martingales continues (avec
les martingales locales continues M, N et les processus à variation nie A et B) on denit
le crochet de X et Y comme
X, Y ) = M, N) =
1
4
_
X + Y , X + Y ) X Y , X Y )
_
.
Demonstration. Soit X = X
0
+ M + A une semi-martingale continue. Si X admet une
autre decomposition X =

X
0
+

M +

A o` u

A est un processus à variation nie,

M est une
martingale locale continue,

M
0
=

A
0
= 0, on a

X
0
= X
0
, le processus M

M =

A A est
une martingale locale continue à variation nie, est est donc nulle p.s. daprès la Proposition
1.15.
Soit une subdivision de [0, t]. Daprès la Proposition 1.17 le processus A est à variation
quadratique nulle et pour prouver que la variation quadratique de X est celle de M, il sut
de verier que
i
(M
t
i+1
M
t
i
)(A
t
i+1
A
t
i
)
_
sup
i
[M
t
i+1
M
t
i
[
_
V ar
[0,t]
(A).
Puisque les trajectoires de M sont p. s. continues (donc uniformement continues sur [0, t])
et que V ar
[0,t]
(A) < + on deduit que p.s., le majorant tend vers 0 quand [[ 0. 2
1.3 Processus dIt o reel.
Denition 1.24 Soit (B
t
) un mouvement Brownien, (T
B
t
) sa ltration naturelle, x R,
b H
loc
1
(T
B
t
) et H
loc
2
(T
B
t
). Le processus X deni par
X
t
= x +
_
t
0
s
dB
s
+
_
t
0
b
s
ds (1.5)
est un processus dIto ; il est à trajectoires continues. Le processus b est sa derive, le processus
est le coecient de diusion et x est la condition initiale. Lequation (1.5) est souvent
egalement notee
_
dX
t
= b
t
dt +
t
dB
t
,
X
0
= x.
(1.6)
Le Theorème 1.13 montre que M
t
=
_
t
0

s
dB
s
est une (T
B
t
)-martingale locale continue.
Un processus dIto X
t
= x +
_
t
0

s
dB
s
+
_
t
0
b
s
ds est donc une semi-martingale locale conti-
nue. On dit que t
_
t
0

s
dB
s
est sa partie martingale (meme si cest seulement une
martingale locale) et que t x +
_
t
0
b
s
ds est sa partie à variation nie . La partie mar-
tingale de X est une vraie (T
B
t
)-martingale si le coecient de diusion est cadlag tel
que E
_
_
t
0

2
s
ds
_
< + pour tout t > 0, ou plus generalement si H
2
(T
B
t
). Cest une
martingale bornee dans L
2
si H
2
(T
2
t
).
Les resultats de la section precedente donnent donc immediatement quelques proprietes
importantes des processus dIto.
Corollaire 1.25 (i) Le crochet dun processus dIto X
t
= x +
_
t
0

s
dB
s
+
_
t
0
b
s
ds est deni
par X, X)
t
=
_
t
0

2
s
ds pour tout t 0.
(ii) Plus generalement, le crochet croise de deux processus dIto X
t
= x +
_
t
0

s
dB
s
+
_
t
0
b
s
ds et Y
t
= y +
_
t
0

s
dB
s
+
_
t
0
b
s
ds est celui de leurs parties martingales, soit X, Y )
t
=
_
t
0

s

s
ds.
(iii) Soit (X
t
= x +
_
t
0

s
dB
s
+
_
t
0
b
s
ds = x +
_
t
0

s
dB
s
+
_
t
0
b
s
ds, t 0) un processus
dIto, o` u b,
b H
loc
1
(T
B
t
), , H
loc
2
(T
B
t
), x, x R. Alors, x = x, b =

b ds dP p.p. et
= ds dP p.p., cest à dire que la decomposition de X est unique.
1.4 Processus dIt o de dimension d - Formule dIt o generale 13
(iv) Soit (X
t
) un processus dIto qui est une (T
B
t
)-martingale locale. Alors sa derive b
est nulle ds dP p.p.
Demonstration. (i) et (ii) sont des consequences immediates de la Proposition 1.17, du
Theorème 1.18 et de la polarisation.
(iii) La dierence D
t
=
_
t
0
(
b
s
b
s
)ds =
_
t
0
(
s

s
)dB
s
est dont un processus à variation
bornee sur [0, T] (à cause de lintegrale deterministe) et une martingale locale continue (à
cause de lintegrale stochastique et du Theorème 1.13). La Proposition 1.17 montre que la
variation quadratique de lintegrale stochastique de est nulle p.s. sur tout intervalle
[0, t], soit
_
t
0
[
s

s
[
2
ds = 0, et = ds dP p.p. sur [0, t] . On en deduit que
_
t
0
(b
s
b
s
)ds = 0 pour tout t, ce qui termine la demonstration puisque X
0
= x = x.
(iv) Le processus dIto X
t
= x+
_
t
0

s
dB
s
+
_
t
0
b
s
ds est continu. Puisque t x+
_
t
0

s
dB
s
est une (T
B
t
)-martingale locale continue, par dierence le processus t
_
t
0
b
s
ds est une
martingale locale continue et est à variation nie sur tout intervalle [0, t]. Il est donc constant
(et egal à 0) p.s. daprès la Proposition 1.15 2
1.4 Processus dIt o de dimension d - Formule dIt o generale
1.4.1 Processus dIt o de dimension d
Nous etendons tout dabord la denition du mouvement Brownien reel au cas dun
processus de dimension quelconque.
Denition 1.26 Soit
_
B
t
= (B
1
t
, B
2
t
, . . . , B
r
t
), t 0
_
un processus r-dimensionnel et (T
t
)
une ltration. On dit que B est un (T
t
)-Brownien standard r-dimensionnel si les processus
(B
i
), 1 i r sont des (T
t
)-Browniens reels independants, cest à dire : B
0
= 0 et pour
0 s t
(i) B
t
B
s
suit une loi normale ^(0, (t s)Id
r
).
(ii) laccroissement B
t
B
s
est independant de la tribu T
s
.
Quand la ltration nest pas precisee, on dit que B est un Brownien standard d-dimensionnel
si cest un mouvement Brownien pour sa ltration naturelle (T
B
t
). Si B est un Brownien
standard pour la ltration (T
t
), cest aussi un Brownien standard pour sa ltration naturelle
(T
B
t
). Le Brownien est un processus gaussien à accroissements independants.
Nous commettrons labus de notation consistant à identier un vecteur (x
1
, , x
r
) R
r
et
la matrice colonne de ses composantes dans la base canonique. Nous noterons donc
B
t
=
_
_
_
B
1
t
.
.
.
B
r
t
_
_
_
.
Nous generalisons de meme la notion de processus dIto. Notons M(d, r) lensemble des
matrices d r à d lignes et r colonnes. On dit quun processus X = (X
i
j
(t) : 1 i d, 1
j r, t 0) à valeurs dans M(d, k) appartient à H
loc
1
(T
t
) (resp. H
loc
2
(T
t
), H
2
2
(T
t
), H
2
(T
t
))
si chaque composante X
i
k
est un processus reel qui appartient à H
loc
1
(T
t
) (resp. H
loc
2
(T
t
),
H
2
2
(T
t
), H
2
(T
t
)).
Denition 1.27 Soit B un (T
t
)-Brownien standard de dimension r, = (
i
k
: 1 i
d, 1 k r) : [0, +[ M(d, r) H
loc
2
, b = (b
1
, , b
d
) : [0, +[ R
d
H
loc
1
,
et x = (x
1
, , x
d
) R
d
. Le processus (X
t
) à valeurs dans R
d
est un processus dIto de
condition initiale x, de coecient de diusion et de coecient de derive b si pour tout
i = 1, , d,
X
i
t
= x
i
+
r
k=1
_
t
0
i
k
(s)dB
k
s
+
_
t
0
b
i
(s)ds. (1.7)
En notation matricielle, si on commet labus de notation qui consiste à identier un vecteur
x = (x
1
, , x
d
) de R
d
et la matrice colonne de ses coecients dans la base canonique,
lequation (1.7) peut secrire
X
t
= x +
_
t
0
(s)dB
s
+
_
t
0
b(s)ds,
o` u on note
X
t
=
_
_
_
X
1
t
.
.
.
X
d
t
_
_
_
, x =
_
_
_
x
1
.
.
.
x
d
_
_
_
, (s) =
_
_
_
1
1
(s)
1
r
(s)
.
.
.
.
.
.
.
.
.
d
1
(d)
d
r
(s)
_
_
_
, b(s) =
_
_
_
b
1
(s)
.
.
.
b
d
(s)
_
_
_
.
Considerons les processus dIto unidimensionnels
t
= x +
r
k=1
_
t
0
k
(s)dB
k
s
+
_
t
0
b(s)ds et

t
= x +
r
k=1

j
(s)dB
k
s
+
_
t
0
b(s)ds,
pour b,
b H
loc
1
et
k
,
k
H
loc
2
. Alors le processus
_
t
0
b(s)ds est continu à variation nie,
tandis que le processus
r
k=1
_
t
0

k
(s)dB
k
s
est une martingale locale continue comme somme
de martingales locales continues. Les processus et

sont donc des semi-martingales. Pour
trouver leurs crochets, on remarque tout dabord que pour chaque indice k = 1, , r, le
processus
_
_
t
0

k
(s)dB
k
s
_
t
0
[
k
(s)[
2
ds , t 0
_
est une (T
t
)-martingale locale.
Soit k ,= l ; supposons dabord que les processus
k
et
l
sont etages, cest à dire
k
=
n1
i=0
i
k
1
]t
i
,t
i+1
]
et
l
=
n
i=1
i
l
1
]t
i
,t
i+1
]
, t
0
= 0 < t
1
< et
i
k
,
j
l
T
t
i
-mesurables.
Soit s < t ; sans perte de generalite, on peut supposer que les instants s et t sont ajoutes à
la liste des t
i
, avec s = t
I
et t = t
n
. Alors,
E
__
t
0
k
(u)dB
k
u
_
t
0
l
(u)dB
l
u
T
s
_
=
n1
i=0
n1
j=0
E
_
i
k

j
l
[B
k
t
i+1
B
k
t
i
][B
l
t
j+1
B
l
t
j
]
T
s
_
=
_
s
0
k
(u)dB
k
u
_
s
0
l
(u)dB
l
u
.
En eet lindependance de T
t
i
, B
k
t
i+1
B
k
t
i
et B
l
t
i+1
B
l
t
i
, entrane par exemple que :
si I i = j, puisque E[(B
k
t
i+1
B
k
t
i
)(B
l
t
i+1
B
l
t
i
)[T
t
i
) = E[(B
k
t
i+1
B
k
t
i
)(B
l
t
i+1
B
l
t
i
)] = 0,
on en deduit E(
i
k
i
l
E[(B
k
t
i+1
B
k
t
i
)(B
l
t
i+1
B
l
t
i
)[T
t
i
)
T
t
I
) = 0.
1.4 Processus dIt o de dimension d - Formule dIt o generale 15
Lindependance de (B
l
t
j+1
B
l
t
j
et de T
t
j
entrane :
si i < I j,
i
k
(B
k
t
i+1
B
k
t
i
)E(
j
l
E(B
l
t
j+1
B
l
t
j
[T
t
j
)[T
t
I
) = 0,
si I i < j, E(
i
k
(B
k
t
i+1
B
k
t
i
)
j
l
E(B
l
t
j+1
B
l
t
j
[T
t
j
)
T
t
I
) = 0,
Cette propriete setend ensuite à des processus
k
et
l
de H
2
2
(T
t
) pour lesquels on deduit
que
_
k=1
_
t
0
k
(s)dB
k
s
k=1
_
t
0
[
k
(s)[
2
ds , t 0
_
est une (T
t
)-martingale. Par localisation, on montre enn que ce processus est une (T
t
)-
martingale locale si on sait seulement que les processus
k
, 1 k r appartiennent à
H
loc
2
(T
t
).
Le crochet des processus et

est donc celui de leurs parties martingales
m
t
=
r
k=1
_
t
0

k
(s)dB
k
s
, et m
t
=
r
k=1
_
t
0

k
(s)dB
k
s
soit
,

)
t
= m, m)
t
=
_
t
0
r
k=1
k
(s)
k
(s)ds.
Le crochet de la martingale locale m est egal à celui de , soit
, )
t
= m, m)
t
=
_
t
0
r
k=1
[
k
(s)[
2
ds =
_
t
0
|(s)|
2
ds,
o` u |(s)| designe la norme euclidienne dans R
r
du vecteur (
1
(s), ,
r
(s)).
1.4.2 Formule dIt o generale
Les resultats de la section precedente sont resumes dans la
Proposition 1.28 Soit (B
t
) un (T
t
)-Brownien standard à valeurs dans R
r
, (X
t
) un pro-
cessus dIto à valeurs dans R
d
de la forme (1.7). Alors X est à trajectoires continues. Pour
chaque i = 1, , d, le processus (
_
t
0
b
i
(s)ds, t 0) est continu à variation nie (cest à dire
que chacune de ses composantes est à variation nie), nul en 0. Le processus
_
t
0
(s)dB
s
est
une martingale locale continue (cest à dire que chacune de ses composantes est une mar-
tingale locale continue) nulle en 0. La decomposition est unique. Le crochet des composantes
X
i
et X
j
, 1 i, j d est
X
i
, X
j
)
t
=
_
t
0
r
k=1
i
k
(s)
j
k
(s)ds.
La formule dIto, montree pour un processus dIto reel dans le cours de Calcul Stochas-
tique 1, se generalise immediatement à des processus dIto multidimensionnels. Rappelons
la tout dabord en dimension 1 sous sa forme la plus simple.
Theorème 1.29 Soit X
t
= x+
_
t
0
(s)dB
s
+
_
t
0
b(s)ds, o` u x R, (B
t
) est un (T
t
)-Brownien,
b H
loc
1
, H
loc
2
. Soit f : R R une fonction de classe (
2
. Alors pour tout t 0,
f(X
t
) = f(x) +
_
t
0
f
(X
s
)dX
s
+
1
2
f
(X
s
)dX, X)
s
(1.8)
= f(x) +
_
t
0
f
(X
s
)(s)dB
s
+
_
t
0
_
f
(X
s
)b(X
s
) +
1
2
f
(X
s
)
2
(s)
_
ds.
On peut donc formellement poser
df(X
t
) = f
(X
t
)dX
t
+
1
2
f
(X
t
)dX, X)
t
o` u X, X)
t
=
_
t
0
2
(s)ds.
La formule dIto admet la version suivante en dimension quelconque, dont la demons-
tration similaire à celle en dimension 1, est omise. Notons A
la transposee de la matrice
A.
Theorème 1.30 Soit B un (T
t
)-Brownien standard de dimension r, un processus à va-
leurs dans M(d, r) qui appartient à H
loc
2
(T
t
), b un processus à valeurs dans R
d
qui appartient
à H
loc
1
(T
t
) et x R
d
. Notons X
t
= x +
_
t
0
(s)dB
s
+
_
t
0
b
s
ds le processus dIto deni par
les equations (1.7) pour tout i = 1, , d et soit f : R
d
R une fonction de classe (
2
.
Alors si on note a(s) = (s)(s)
la matrice d d denie par a

i,j
(s) =
r
k=1
i
k
(s)
j
k
(s)
pour i, j 1, , d, on a :
f(X
t
) = f(x) +
_
t
0
d
i=1
f
x
i
(X
s
)dX
i
s
+
1
2
_
t
0
d
i,j=1
2
f
x
i
x
j
(X
s
)dX
i
, X
j
)
s
(1.9)
= f(x) +
_
t
0
k
j=1
d
i=1
f
x
i
(X
s
)
i
j
dB
j
s
+
_
t
0
d
i=1
f
x
i
(X
s
)b
i
(s)ds
+
1
2
_
t
0
d
i,j=1
2
f
x
i
x
j
(X
s
)a
i,j
(s)ds. (1.10)
Notons

2
f
x
2
la matrice carree symetrique
_

2
f
x
i
x
j
, 1 i, j d
_
, (, ) le produit scalaire
dans R
d
et
f
x
la matrice colonne dont les composantes sont les derivees partielles
f
x
i
. On
peut alors ecrire formellement la formule dIto
df(X
t
) =
_
f
x
(X
t
), dX
t
_
+
1
2
Trace
_
(t)
(t)
2
f
x
2
(X
t
)
_
dt.
Si la fonction f depend aussi du temps, on a la seconde version de la formule dIto.
Theorème 1.31 Soit B un (T
t
)-Brownien standard de dimension r, un processus à va-
leurs dans M(d, r) qui appartient à H
loc
2
(T
t
), b un processus à valeurs dans R
d
qui appartient
à H
loc
1
(T
t
) et x R
d
. Notons X
t
= x +
_
t
0
(s)dB
s
+
_
t
0
b
s
ds le processus dIto deni par les
equations (1.7) pour tout i = 1, , d et soit f : [0, +[R
d
R une fonction de classe
(
1,2
, cest à dire de classe (
1
par rapport à la première variable t et de classe (
2
par rapport
à la seconde variable x. Alors si a(s) = (s)(s)
, on a :
f(t, X
t
) = f(0, x) +
_
t
0
f
t
(s, X
s
)ds +
_
t
0
d
i=1
f
x
i
(s, X
s
)dX
i
s
+
1
2
_
t
0
d
i,j=1
2
f
x
i
x
j
(s, X
s
)dX
i
, X
j
)
s
ds (1.11)
= f(0, x) +
_
t
0
r
k=1
d
i=1
f
x
i
(s, X
s
)
i
k
(s)dB
k
s
+
_
t
0
_
f
t
(s, X
s
) +
d
i=1
f
x
i
(s, X
s
)b
i
(s) +
1
2
d
i,j=1
2
f
x
i
x
j
(s, X
s
)a
i,j
(s)
_
ds.
1.5 Proprietes du Brownien. 17
De nouveau, lequation (1.11) peut secrire de fa con compacte sous la forme
df(t, X
t
) =
f
t
(t, X
t
)dt +
_
f
x
(t, X
t
), dX
t
_
+
1
2
Trace
_
(t)
(t)
2
f
x
2
(t, X
t
)
_
dt.
Un cas particulier très simple de cette formule est le resultat suivant qui est une formule
dintegration par parties . On la montrera comme exercice.
Si f : [0, +[R est de classe (
1
et (B
t
) est un Brownien standard unidimensionnel,
_
t
0
f(s)dB
s
= f(t)B
t
_
t
0
B
s
f
(s)ds.
La formule dIto permet de montrer que si B est un Brownien standard unidimensionnel
et si X est un processus (T
B
t
)-adapte, p [1+[ et T > 0 sont tels que E
_
_
T
0
[X
s
[
2p
ds
_
<
+, alors
E
_
_
T
0
X
s
dB
s
2p
_
[p(2p 1)]
p
T
p1
E
__
T
0
[X
s
[
2p
ds
_
(1.12)
On pourra montrer cette inegalite très utile dans lexercice 1.8. Le resultat suivant renforce
la conclusion. Lune des inegalites est montree dans lexercice 1.8.
Theorème 1.32 (Theorème de Burkholder-Davies-Gundy) Pour tout p [1, +[ il existe
des constantes universelles k
p
> 0 et K
p
> 0 (qui ne dependent que de p) telles que toute
(T
t
)- martingale continue M de carre integrable et pour tout T > 0,
k
p
E (M)
p
T
) E
_
sup
0sT
[M
s
[
2p
_
K
p
E (M)
p
T
) . (1.13)
1.5 Proprietes du Brownien.
1.5.1 Caracterisations de Levy
Remarquons que si B est un Brownien standard d-dimensionnel, pour tout i, j = 1, , d
les processus (B
i
t
, t 0) et (B
i
t
B
j
t

i,j
t , t 0) sont des (T
B
t
)-martingales (avec
i,j
= 0
pour i ,= j et
i,i
= 1). La demonstration est faite dans lexercice 1.7 Nous allons montrer
que ces proprietes caracterisent le Brownien, ce qui sera fondamental pour traiter des chan-
gements de probabilite. Notons (u, v) le produit scalaire des vecteurs u, v R
d
et |u| la
norme euclidienne de u,
Theorème 1.33 (Caracterisation de Paul Levy) Soit X = (X
t
= (X
1
t
, , X
d
t
), t 0) un
processus (T
t
)-adapte à valeurs dans R
d
.
(i) On suppose pour tout u R
d
, les processus X et t exp [(u, X
t
) |u|
2
t/2] sont des
(T
t
)-martingales. Alors, X est un (T
t
)-Brownien standard de dimension d.
(ii) On suppose que le processus deni pour j = 1, , d par M
j
t
= X
j
t
X
j
0
est une
(T
t
)-martingale locale continue nulle en 0 (M
i
0
= 0 pour tout i) et que les crochets de M
i
et M
j
sont
M
i
M
j
)
t
=
i,j
t. (1.14)
Alors M est un (T
t
)-Brownien standard de dimension d.
Demonstration. (i) Il faut montrer que pour 0 s < t, le vecteur aleatoire X
t
X
s
suit
une loi ^(0, (t s)Id) et est independant de T
s
.
Soit Z un vecteur gaussien de loi ^(0, (t s)Id). Puisque la fonction caracteristique
caracterise la loi, il sut de verier que pour tout u R
d
E
_
e
i(u,XtXs)
[T
s
_
= E
_
e
i(u,Z)
_
= e
u
2
(ts)
2
. (1.15)
En eet, supposons que (1.15) est vraie et notons (x) = e
i(u,x)
; pour tout A T
s
on a E[1
A
(X
t
X
s
)] = P(A)E[(Z)]. On en deduit que pour toute fonction borelienne
bornee f : R
d
R et tout A T
s
, on a E
_
1
A
f(X
t
X
s
)
= P(A)E[f(Z)]. Ceci prouve

lindependance de X
t
X
s
de la tribu T
s
et montre egalement que la loi de X
t
X
s
est
egale à celle de Z.
Pour prouver (1.15), xons tout dabord v R
d
. Par hypothèse, si 0 s < t,
E
_
exp
_
(X
t
X
s
, v)
_
[ T
s
= exp
_
(X
s
, v) +
|v|
2
t
2
_
E
_
exp
_
(X
t
, v)
|v|
2
t
2
_

T
s
_
= exp
_
|v|
2
(t s)
2
_
.
Un argument de recurrence nie (reposant sur le caractère analytique des deux membres de
(1.15) comme fonction de lune de variables v
k
C, les autres composantes de v etant xees
dans R ou C) montre que lequation precedente setend du cas v R
d
au cas v C
d
. Cette
egalite appliquee au vecteur v dont les composantes sont v
k
= iu
k
montre (1.15).
(ii) Nous ne montrerons cette caracterisation que dans le cas o` u (X
t
) est un processus
dIto, cest à dire X
t
= X
0
+
_
t
0
H(s)dB
s
avec H H
loc
2
. Le cas general necessite une notion
dintegrale stochastique plus generale que celle par rapport au Brownien presentee en Calcul
Stochastique 1. Pour tout j = 1, , d et t > 0, le crochet de X
j
à linstant t est donne par
X
j
, X
j
)
t
= t =
r
k=1
_
t
0
[H
j
k
(s)[
2
ds, ce qui entrane que
r
k=1
[H
j
k
(s)[
2
= 1 p.s. pour presque
tout s. De plus, si j ,= l, pour tout t > 0, le crochet X
j
, X
l
)
t
=
_
t
0
r
k=1
H
j
k
(s)H
l
k
(s) ds = 0,
ce qui entrane que
r
k=1
H
j
k
(s)H
l
k
(s) = 0 p.s. pour presque tout s. On en deduit que H H
2
2
et que (X
t
, 0 t T) est une martingale. De plus, les egalites precedentes montrent que
les vecteurs (H
j
(s), 1 j d) forment une famille orthonormee (donc libre) de R
r
, ce
qui entrane d r. Pour tout A T
s
et R
d
, soit f(t) = E
_
1
A
exp [i(, M
t
M
s
)]
_
.
Daprès la partie (i), il sut de montrer que f(t) = P(A) exp
_
2
(t s)
. En appliquant
la formule dIto separement à la partie reelle et à la partie imaginaire de la fonction x =
(x
1
, x
d
) exp
_
i
d
j=1
j
x
j
_
, on deduit que pour s < t,
e
i(,Mt)
= e
i(,Ms)
+ i
d
j=1
r
k=1
j
_
t
s
e
i(,Mu)
H
j
k
(u)dB
k
u
j,l=1
r
k=1
l
2
_
t
s
e
i(,Mu)
H
j
k
(s)H
l
k
(u)du,
ce qui entrane
e
i(,MtMs)
= 1 +i
d
j=1
r
k=1
j
_
t
s
e
i(,MuMs)
H
j
k
(u)dB
k
u

d
j=1
[
j
[
2
2
_
t
s
e
i(,MuMs)
du.
Les integrales stochastiques (
_
t
s
e
i(,MuMs)
H
j
k
(u)dB
k
u
, t s) sont des martingales pour tout
j = 1, , d et k = 1, , r, et sont independantes de T
s
. En utilisant le theorème de Fubini,
on en deduit
f(t) = P(A)
||
2
2
E
_
1
A
_
t
s
e
i(,MuMs)
du
_
= P(A)
||
2
2
_
t
s
f(u)du.
Puisque f
(t) =
2
2
f(t) pour t s et que f(s) = P(A), nous avons etabli que pour tout
t s, f(t) = P(A) exp(
2
(t s)). 2
1.5.2 Proprietes de Markov
Une propriete fondamentale du Brownien est la propriete de Markov, qui traduit le fait
que ce qui se passe après linstant t (cest à dire dans le futur à linstant t) ne depend pas
de toute la tribu T
t
des evènements du passe , mais seulement de letat B
t
à linstant t.
Decrivons tout dabord le passage dun instant s à un instant t s.
Denition 1.34 Une probabilite de transition sur R
d
est une application : R
d
1
d
[0, 1] telle que

(i) pour tout x R
d
, lapplication A 1
d
(x, A) est une probabilite.
(ii) pour tout A 1
d
, x R
d
(x, A) est mesurable de (R
d
, 1
d
) dans ([0, 1], B([0, 1]).
Une fonction de transition sur R
d
est une famille (P
s,t
, 0 s < t) de probabilites de transi-
tion telle que si s < t < v lequation de Chapman-Kolmogorov soit satisfaite :
_
P
s,t
(x, dy)P
t,v
(y, A) = P
s,v
(x, A) , A 1
d
, x R
d
. (1.16)
Pour toute fonction f : R
d
R borelienne positive (ou bornee) on note
P
s,t
f(x) =
_
R
d
f(y) P
s,t
(x, dy).
Si la fonction de transition P
s,t
ne depend que de t s, on dit quelle homogène et dans ce
cas, si on note P
t
= P
0,t
, lequation (1.16) secrit
P
s+t
(x, A) =
_
P
s
(x, dy)P
t
(y, A).
Pour toute fonction f : R
d
R borelienne positive (ou bornee), on a P
s+t
f(x) = P
t
_
P
s
f(x)
_
et on dit que (P
t
) est un semi-groupe.
Lequation (1.16) est naturelle. En eet, si X est un processus et (x, A) R
d
1
d
P
s,t
(x, A) est une probabilite de transition tels que pour tout A 1
d
et s < t,
P(X
t
A[(X
u
, u s)) = P
s,t
(X
s
, A) =
_
1
A
(y) P
s,t
(x, dy) p.s.,
on en deduit E(f(X
t
)[(X
u
, u s)) =
_
R
d
f(y)P
s,t
(X
s
, dy) pour toute fonction borelienne
f : R
d
R positive (ou bornee). Pour s < t < v, A 1
d
et f(y) = P
t,v
(y, A), on en deduit
P
s,v
(X
s
, A) = P(X
v
A[(X
u
, u s))
= E
_
P(X
v
A[(X
u
, u t) [ (X
u
, u s)
= E
_
f(X
t
)[(X
u
, u s)
=
_
P
s,t
(X
s
, dy)P
t,v
(y, A).
Ces notions permettent de formuler precisement la propriete de Markov faible .
Denition 1.35 (1) Un processus (X
t
, t 0) à valeurs dans R
d
et adapte à la ltration
(T
t
) est un processus de Markov pour cette ltration si pour toute fonction borelienne bornee
f : R
d
R,
E
_
f(X
t
) [ T
s
) = E
_
f(X
t
) [ X
s
) pour tout s t. (1.17)
(2) Un processus (X
t
, t 0) à valeurs dans R
d
et adapte à la ltration (T
t
) est un processus
de Markov pour cette ltration de fonction de transition P
s,t
si pour toute fonction borelienne
bornee f : R
d
R,
E
_
f(X
t
) [ T
s
= P
s,t
f(X
s
) :=
_
R
d
P
s,t
(X
s
, dy)f(y). (1.18)
On dit que le processus de Markov est homogène si sa fonction de transition est homogène.
Nous allons montrer que le mouvement Brownien est un processus de Markov homogène
de semi-groupe de transition P
h
deni pour s 0, h > 0, x R
d
et A 1
d
par :
P
h
(x, A) = P(B
s+h
A[B
s
= x) =
1
(2h)
d
2
_
A
exp
_
|y x|
2
2h
_
dy,
cest à dire que P
h
(x, dy) est la loi dun vecteur gaussien ^(x, hId).
Theorème 1.36 (Propriete de Markov simple) Soit (B
t
) un mouvement Brownien standard
d-dimensionnel et f : R
d
R une fonction borelienne bornee. Alors pour tout s t,
E[f(B
t
) [ T
B
s
] = E[f(B
t
) [ B
s
] =
1
(2(t s))
d
2
_
R
d
f(y) exp
_
|y B
s
|
2
2(t s)
_
dy.
Demonstration. La demonstration repose sur le lemme suivant :
Lemme 1.37 Soit T une tribu et ( une sous-tribu de T, X : (, () (E
1
, c
1
) une
application (-mesurable et Y : (, T) (E
2
, c
2
) une application T-mesurable independante
de (. Alors, pour toute fonction : (E
1
E
2
, c
1
c
2
) (R, 1) bornee,
E((X, Y )[() = (X), o` u : (E
1
, c
1
) (R, 1) est denie par (x) = E[(x, Y )].
Demonstration du Lemme Pour toute application mesurable V : (, T) (E, c),
notons P
(V )
la mesure image de P par V . Daprès la denition de P
(Y )
et le Theorème de
Fubini, est telle que (x) =
_
E
2
(x, y)dP
(Y )
(y) et est bornee, mesurable de (E
1
, c
1
) dans
(R, 1). De plus, si Z : (, () (R, 1) est (-mesurable bornee, lindependance de Y et
(X, Z) et le theorème de Fubini entranent
E
_
(X, Y )Z
=
_ _
(x, y) z dP
(X,Z)
(x, z) dP
(Y )
(y)
=
_ __
(x, y)dP
(Y )
(dy)
_
z dP
(X,Z)
(x, z)
=
_
(x) zdP
(X,Z)
(x, z) = E
_
(X)Z
,
ce qui termine la demonstration. 2
Soit s < t ; appliquons le lemme precedent avec E
1
= E
2
= R
d
, ( = T
s
, T = T
t
, X = B
s
et Y = B
t
B
s
. Nous en deduisons que pour toute fonction borelienne bornee f : R
d
R,
E
_
f(B
t
)[T
s
= (B
s
) o` u (x) = E
_
f(x + B
t
B
s
)
. Un calcul similaire avec ( = (B

s
) et
T = T
t
pour les memes variables aleatoires X = B
s
et Y = B
t
B
s
permet de conclure
E
_
f(B
t
)[B
s
= (B
s
). La loi de B
t
B
s
etant gaussienne ^(0, (t s)Id), ceci termine la
demonstration. 2
Corollaire 1.38 Soit un (T
t
)-temps darret ni presque s urement et B un (T
t
)-Brownien
standard de dimension d. Alors le processus (M
t
= B
+t
B
, t 0) est un (T
+t
, t 0)-
Brownien standard independant de T
.
Demonstration. Supposons tout dabord que C p.s. et notons (
t
= T
+t
pour tout
t 0. Alors ((
t
) est une ltration et le Theorème darret 1.7 montre que si (X
t
) est une
(T
t
)-martingale et si on note Y
t
= X
+t
, Y
t
est integrable et pour s < t, E(Y
t
[(
s
) =
E(X
+t
[T
+s
) = X
+s
= Y
s
, cest à dire que (Y
t
) est une ((
t
)-martingale.
Il faut montrer que si 0 s < t, le vecteur aleatoire M
t
M
s
suit une loi ^(0, (t
s)Id) et est independant de (
s
. Un argument utilise dans la demonstration du theorème
de caracterisation du Brownien de Paul Levy montre quil sut de verier que pour tout
u R
d
lequation (1.15) est satisfaite.
Fixons u R
d
et notons f(x) = e
i(u,x)
pour tout x R
d
. Alors [f[ = 1 et en decomposant
f en partie reelle et partie imaginaire, la propriete de Markov et la denition du Brownien
montrent
E(exp(i(u, B
t
)[T
s
) = E(exp(i(u, B
t
)[B
s
) = exp(i(u, B
s
)) exp
_
(t s)|u|
2
2
_
.
On en deduit que le processus X
t
= exp
_
i(u, B
t
) + t|u|
2
/2) est une (T
t
)-martingale, et
daprès la remarque precedente, que (Y
t
= X
+t
, t 0) est une ((
t
)-martingale. Pour tout
s t, on a donc
E
_
Y
t
Y
0
(
s
_
=
E(Y
t
[(
s
)
Y
0
=
Y
s
Y
0
,
ce qui prouve que
_
Yt
Y
0
= exp(i(u, M
t
) +t|u|
2
/2), t 0
_
est une ((
t
)-martingale. Donc pour
s t,
E
_
e
i(u,MtMs)
(
s
_
= E
_
e
i(u,Mt)+
tu
2
2
(
s
_
e
i(u,Ms)
tu
2
2
= e
(ts)u
2
2
,
ce qui termine la demonstration de (1.15) lorsque est borne p.s.
Soit un temps darret presque s urement ni ; pour conclure, il sut decrire (1.15) pour
la suite de temps darret n et de faire tendre n vers +. 2.
On en deduit une propriete similaire à la propriete de Markov simple (Theorème 1.36)
en rempla cant les temps xes par des temps darret.
Theorème 1.39 (Propriete de Markov forte) Soit B un (T
t
)-Brownien standard à valeurs
dans R
d
et un (T
B
t
)-temps darret ni presque s urement ; alors pour tout t > 0,
E[f(B
+t
) [ T
] = E[f(B
+t
) [ B
] =
1
(2t)
d
2
_
R
d
f(y) exp
_
|y B
|
2
2t
_
dy. (1.19)
Demonstration. Le lemme 1.37 applique à X = B
, Y = B
+t
B
, ( = T
(ou bien
( = (X
)), T = T
t+
et le Corollaire 1.38 montrent que, puisque (B
+t
B
, t 0) est un
Brownien independant de T
, la propriete de Markov forte (1.19) est satisfaite. 2

1.6 Exercices
Exercice 1.1 Montrer quune martingale locale M arretee est encore une martingale locale.
Exercice 1.2 Soit (M
t
) un processus cadlag (T
t
)-adapte. Montrer que cest une (T
t
)-
martingale si et seulement si pour tout temps darret borne T, M
T
L
1
et E(M
T
) = E(M
0
).
Exercice 1.3 Soit (X
t
, 0 t T) une (T
t
)-surmartingale, cest à dire que si 0 s t T,
X
s
E(X
t
[T
s
), telle que E(X
T
) = E(X
0
). Montrer que (X
t
) est une martingale.
Exercice 1.4 Soit (M
t
) une (T
t
)-martingale locale. Monter que
(i) Si M
t
est positive, cest une surmartingale.
(ii) Sil existe Y L
1
telle que [M
t
[ Y p.s., alors (M
t
) est une martingale.
Exercice 1.5 Soit B un mouvement Brownien reel et (T
B
t
) sa ltration naturelle.
(i) Caracteriser les valeurs de R telles que le processus deni par I
t
=
_
t
0
[B
s
[
dB
s
est une (T
B
t
)-martingale.
(ii) En admettant que, si on note (t) =
_
2 ln(ln(1/t)) pour 0 < t <
1
e
, limsup
t0
Bt
(t)
=
+1 et liminf
t0
Bt
(t)
= 1, caracteriser les valeurs de telles que le processus I precedent
est une (T
B
t
)-martingale locale.
Exercice 1.6 Soit B un (T
t
)-Brownien, X
t
= x+
_
t
0

s
dB
s
+
_
t
0
b
s
ds et

X
t
= x+
_
t
0
(s)dB
s
+
_
t
0
b
s
ds des processus dIto. Recrire X
t
Y
t
comme une semi-martingale.
Exercice 1.7 Soit (B
1
t
, , B
r
t
) un Brownien standard de dimension r.
1. Soit X et Y des variables aleatoires reelles, ( une sous-tribu de T telle que les tribus
(X), (Y ) et ( sont independantes. Montrer que E(XY [() = E(X)E(Y ) p.s.
2. En deduire que pour s < t, lorsque i ,= j on a E(B
i
t
B
j
t
T
s
) = B
i
s
B
j
s
.
3. En deduire que B
i
, B
j
)
t
=
i,j
t.
4. Montrer que pour tout u = (u
1
, , u
r
) R
r
,
E
_
e
(u,Bt)
1
2
u
2
t
T
s
_
= e
(u,Bs)
1
2
u
2
s
.
t
) un processus (T
t
)-adapte et T > 0 tel que E
_
_
T
0
[X
s
[
2p
ds
_
< +
pour p [1, +[.
1. En appliquant la formule dIto à M
t
=
_
t
0
X
s
dB
s
, montrer quil existe une suite crois-
sante (T
n
) de temps darret qui tendent vers + tels que
E(M
2p
TTn
) = p(2p 1)E
__
T
0
[M
tTn
[
2(p1)
X
2
tTn
dt
_
.
2. La fonction t E([M
tTn
[
2p
) est-elle monotone ? En deduire que
E([M
TTn
[
2p
) [p(2p 1)]
p
T
p1
E
__
TTn
0
[X
s
[
2p
ds
_
puis que
E([M
T
[
2p
) [p(2p 1)]
p
T
p1
E
__
T
0
[X
s
[
2p
ds
_
.
1.6 Exercices 23
3. En appliquant linegalite de Doob, montrer quil existe une constante K
p
que lon
explicitera telle que
E
_
sup
0sT
[M
t
[
2p
_
K
p
E
__
T
0
[X
s
[
2p
ds
_
.
t
) un processus (T
t
)-adapte continu, positif tel que X
0
= 0, (A
t
) un
processus croissant continu (T
t
)-adapte tel que pour tout temps darret T, E(X
T
) E(A
T
).
Pour tout t 0, on note V
t
= sup
0st
X
s
.
1. Montrer que pour tout temps darret T et tout > 0, P(V
T
)
1
E(A
T
). (On
pourra utiliser
= inft 0 : X
t
et T
n
= T n
.)
2. Montrer que pour tout temps darret T, et tout > 0, > 0, si S = inft 0 : A
t

, P(V
T
, A
T
) P(V
TS
)
1
E( A
T
).
3. Soit F : [0, +[ [0, [ une fonction derivable, strictement croissante telle que
F(0) = 0 et pour tout x > 0, u
F
(u)
u
1
[x,+[
(u) L
1
(), o` u designe la mesure de
Lebesgue. Notons G :]0, +[]0, +[ la fonction denie par
G(x) = 2F(x) + x
_
+
x
F
(u)
u
du.
(a) Montrer que G
(x) = F
(x) +
_
+
x
F
(u)
u
du.
(b) Montrer que
E(F(V
T
)) =
_
+
0
P(V
T
u)F
(u)du
_
+
0
2P(A
T
u)F
(u)du +
_
+
0
1
u
E
_
A
T
1
{A
T
u}
_
F
(u)du
E(G(A
T
)).
En deduire que si p ]0, 1[, pour tout temps darret T, E(V
p
T
)
2p
1p
E(A
p
T
).
24 2

Equations differentielles stochastiques
2

Ces processus, qui generalisent les equations dierentielles ordinaires, sont fondamentaux
en nance. Ils modelisent le prix dactifs nanciers.
Rappelons quune equation dierentielle ordinaire (EDO) sur [0, +[R est du type
y
t
= f(t, y
t
) et y
0
= y, (2.1)
o` u y : [0, +[ R est la fonction inconnue et f : [0, +[R R est une fonction
donnee. Letude mathematique des equations dierentielles ordinaires est dune importance
considerable pour les applications notamment en physique. En general, il est impossible de
donner une solution explicite à une EDO. On peut cependant chercher à savoir sil existe
une solution et si elle est unique. Un critère est le :
Theorème 2.1 (Theorème de Cauchy-Lipschitz) Supposons quil existe une constante K >
0 telle que pour tout t [0, +[, x, y R :
_
[f(t, x) f(t, y)[ K[x y[ (condition de Lipschitz globale),
[f(t, x)[ K(1 +[x[) (condition de croissance lineaire).
Alors lEDO (2.1) a une solution unique denie sur [0, +[.
La condition de Lipschitz globale est assez naturelle pour que la solution soit denie sur
tout [0, +[. Si on considère par exemple y
0
= 1 et f(t, y) = y
2
, alors on voit facilement que
lunique solution de lequation (2.1) correspondante est y
t
= 1/(1 t), et que cette solution
explose en t = 1.
Une equation dierentielle stochastique (EDS) est une perturbation de (2.1) avec un
terme aleatoire modelisant un bruit autour du phenomène deterministe decrit par (2.1).
La perturbation la plus simple est lajout dun Brownien. Ceci modelise le fait que sur des
intervalles de temps disjoints, les perturbations sont la somme de très nombreuses petites
variables aleatoires independantes de meme loi (qui, daprès le theorème central limite,
convenablement renormalisee suit une loi proche dune loi gaussienne). 0n considère
donc lequation dY
t
= f(t, Y
t
)dt +dB
t
et Y
0
= y, soit, sous forme integrale (la seule qui ait
un sens mathematique, puisque le Brownien nest pas derivable) :
Y
t
= y +
_
t
0
f(s, Y
s
)ds + B
t
pour tout t 0. On a coutume dutiliser des majuscules pour les solutions dEDS et des
minuscules pour les solutions dEDO.
La trajectoire y de lEDO (2.1) est regulière et deterministe. La presence du Brownien
entrane que pour petit , la trajectoire de lEDS precedente, non derivable, est proche
de celle de (2.1), en oscillant aleatoirement autour. Mais quand est grand, cette trajectoire
na plus rien à voir avec celle de (2.1).
La gure suivante montre les trajectoires sur [0, 2] de la solution de lEDO
y
t
= y
t
, et y
0
= 5
2.1 Solution forte - Diffusion. 25
(cest à dire y
t
= 5e
t
) et des EDS
Y
t
= 5
_
t
0
Y
s
ds + B
t
avec = 0.4 et = 2 obtenues par simulation.
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
2
1
0
1
2
3
4
5
6
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
2
1
0
1
2
3
4
5
6
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
2
1
0
1
2
3
4
5
6
2.1 Solution forte - Diffusion.
Dans la suite, nous etudierons donc des

Equations Dierentielles Stochastiques (EDS),
dont la denition precise est la suivante.
On se donne de nouveau une ltration (T
t
) continue à droite et formee de tribus
complètes (mais on ne suppose pas necessairement que T
0
est la tribu des ensembles negligeables),
un (T
t
)-Brownien B à valeurs dans R
r
, une variable aleatoire à valeurs dans R
d
independante
de T
B
s
= (B
s
, s 0), des fonctions boreliennes
: [0, +[R
d
M(d, r) R
dr
et b : [0, +[R
d
.
On appelle

Equation Dierentielle Stochastique (EDS) de condition initiale , de coecient
de diusion et de coecient de derive b un processus X tel que pour tout t 0,
X
t
= +
_
t
0
(s, X
s
)dB
s
+
_
t
0
b(s, X
s
)ds. (2.2)
Lequation (2.2) sera aussi notee
_
dX
t
= (t, X
t
)dB
t
+ b(s, X
s
)ds,
X
0
= .
On sinteresse tout dabord à lexistence et lunicite de solutions au sens fort.
26 2

Denition 2.2 Soit B un Brownien donne, une variable aleatoire independante de la
tribu (B
s
, s 0) et soit (T
t
) la ltration denie par les tribus T
t
qui sont pour tout t 0
les completees de ((B
s
, 0 s t), ()). Une solution forte de (2.2) est un processus
(X
t
) à trajectoires presque s urement continues tel que
(i) (X
t
) est adapte à la ltration (T
t
),
(ii) X
0
= p.s.
(iii) Pour tout i = 1, , d,
_
t
0
_
[b
i
(s, X
s
)[ +
r
k=1
[
i
k
(s, X
s
)[
2
ds < + p.s.
(iv) Pour tout t 0, et tout i = 1, , d,
X
i
t
= X
i
0
+
r
k=1
_
t
0
i
k
(s, X
s
)dB
k
s
+
_
t
0
b
i
(s, X
s
)ds.
Le theorème suivant est fondamental ; il donne des conditions susantes dexistence
et dunicite dune solution forte de (2.2), calquees sur celles de lexistence de la solution
dEDO (2.1). On note [.[ la norme euclidienne sur R
d
ou R
dr
. Les conditions suivantes sur
les coecients repliquent celles imposees pour resoudre une EDO.
Denition 2.3 Soit T > 0. Une fonction : [0, T] R
d
R
N
satisfait
(i) La condition de Lipschitz globale sur [0, T] sil existe une constante C > 0 telle que
[(t, x) (t, y)[ C[x y[ , t [0, T], x, y R
d
. (2.3)
(ii) La condition globale de restriction sur la croissance sur [0, T] sil existe C > 0 telle
que
[(t, x)[ C(1 +[x[) , t [0, T], x, y R
d
. (2.4)
Lorsque la fonction est denie sur [0, +[R
d
et que les conditions (2.3) et (2.4) sont
veriees sur chaque intervalle [0, T], on dit que verie les conditions globales de Lipschitz
et de restriction sur la croissance.
On remarque immediatement, que si est globalement Lipschitzienne, la condition (2.4)
de restriction sur la croissance est une consequence immediate de
sup
t0
[(t, 0)[ < +.
La demonstration du theorème suivant dexistence et dunicite repose sur le lemme de Gron-
wall.
Lemme 2.4 (Lemme de Gronwall) Soit f : [0, T] [0, M] une fonction borelienne positive
bornee, a et b 0 des constantes reelles telles que pour tout t [0, T]
f(t) a +
_
t
0
bf(s)ds.
Alors pour tout t [0, T], f(t) a e
bt
.
Demonstration. Il sut diterer la majoration sous lintegrale. On en deduit pour tout n 1
f(t) a + b
_
t
0
_
a + b
_
s
0
f(u) du
_
ds
a + abt + b
2
_
0ust
f(u) du ds
a + abt + b
2
_
0ust
_
a + b
_
u
0
f(v) dv
_
du ds
a + abt + ab
2
_
0ust
du ds + b
3
_
t
0
_
s
0
_
u
0
f(v) dv du ds
a + abt + a
b
2
t
2
2!
+ + a
b
n
t
n
n!
+ M
b
n+1
t
n+1
(n + 1)!
,
o` u dans la dernière integrale on a majore la fonction f par M. La dernière majoration de f
donne f(t) a e
bt
par passage à la limite en n. 2
On peut cependant aaiblir les hypothèses en ne demandant quune hypothèse de Lip-
schitz locale de ceux-ci, mais en gardant une restriction sur la croissance globale.
Denition 2.5 La fonction satisfait la condition de Lipschitz locale sur [0, T] par rapport
à la variable spatiale x si pour tout n 1 il existe K
n
> 0 tel que pour tout t [0, T] et
x, y R
d
:
[(t, x) (t, y)[ K
n
[x y[ pour [x[ n et [y[ n. (2.5)
Si est denie sur [0, +[ et satisfait la condition de Lipschitz locale (2.5) sur chaque
intervalle [0, T] avec une suite de constantes K
n
qui ne depend pas de T, on dit quelle est
localement Lipschitzienne.
Theorème 2.6 (Theorème dexistence et dunicite forte) Soit et b des coecients qui sa-
tisfont sur [0, +[ les conditions globales de Lipschitz (2.3) et de restriction sur la croissance
(2.4). Alors, si B est un Brownien standard de dimension r, pour toute variable aleatoire
X
0
de carre integrable et independante de (B
s
, s 0) il existe une unique solution forte de
lEDS
X
t
= X
0
+
_
t
0
(s, X
s
)dB
s
+
_
t
0
b(s, X
s
)ds p.s. , t 0. (2.6)
Cette solution forte X de (2.6), adaptee à la ltration (T
t
) o` u T
t
est la tribu completee de
(X
0
, (B
s
, 0 s t)), est continue. De plus, il existe une constante

C(C, T) telle que pour
tout t 0 :
E
_
sup
0st
[X
s
[
2
_

C(C, T)e
C(C,T)t
[1 + E([X
0
[
2
)]. (2.7)
Si la condition initiale X
0
L
p
, 2 p < +, il existe une constante

C(C, T, p) telle que
E
_
sup
0tT
[X
t
[
p
_
<

C(C, T, p)[1 +E([X
0
[
p
)]. (2.8)
Demonstration. Fixons un instant T > 0 quelconque et prouvons lexistence et lunicite de
la solution forte sur lintervalle [0, T].
28 2

Unicite Nous supposons ici seulement la condition (2.5). Soit X et

X des solutions fortes
(donc continues) de (2.6). Pour tout n 0, soit
n
= inft 0 : [X
t
[ n,
n
= inft
0 : [

X
t
[ n et T
n
=
n

n
. Alors, T
n
p.s. De plus,
X
tTn

X
tTn
=
_
tTn
0
_
(s, X
s
) (s,

X
s
)
dB
s
+
_
tTn
0
_
b(s, X
s
) b(s,

X
s
ds.
Lisometrie des integrales stochastiques et linegalite de Schwarz entranent que si pour toute
matrice de type d r on note ||
2
=
d
i=1
r
k=1
[
i
k
[
2
, on a tout t [0, T
n
],
E([X
tTn

X
tTn
[
2
) 2E
_
_
d
i=1
k=1
_
tTn
0
[
i
k
(s, X
s
)
i
k
(s,

X
s
)] dB
k
s
2
_
_
+ 2E
_
_
tTn
0
[b(s, X
s
) b(s,

X
s
)] ds
2
_
2E
_
tTn
0
|(s, X
s
) (s,

X
s
)|
2
ds + 2tE
_
tTn
0
[b(s, X
s
) b(s,

X
s
)[
2
ds
2(T + 1)K
2
n
_
t
0
E
_
[X
sTn

X
sTn
[
2
_
ds.
Le Lemme de Gronwall applique à la fonction continue f(t) = E([X
tTn

X
tTn
[
2
) permet
de conclure que les processus X
tTn
et

X
tTn
sont indistinguables. En faisant tendre n vers
linni, on en deduit que X et

X sont egalement indistinguables.
Existence An de mettre les idees en evidence et de simplier les notations, nous suppo-
serons r = d = 1.
On construit une solution comme pour les EDO par iteration de Picard. Soit X
(n)
une
suite de processus denis par :
X
(0)
t
= X
0
, t [0, T],
X
(n+1)
t
= X
0
+
_
t
0
(X
(n)
s
)dB
s
+
_
t
0
b(X
(n)
s
)ds, n 0, t [0, T]. (2.9)
(i) Montrons par recurrence que pour tout entier n 0,
sup
0tT
E([X
(n)
t
[
2
) < +. (2.10)
En utilisant la restriction sur la croissance (2.4), on en deduira que les processus X
(n)
sont
bien denis puisque b(t, X
(n)
t
) H
T
1
(T
t
) et (t, X
(n)
t
) H
T
2
(T
t
). Puisque X
0
L
2
, (2.10)
est vraie pour n = 0. Supposons que (2.10) est vraie pour n et montrons que cette propriete
est vraie pour n + 1. Pour tout t [0, T], linegalite de Schwarz, lisometrie dans L
2
des
integrales stochastiques, la condition (2.4) et le theorème de Fubini entranent
E([X
(n+1)
t
[
2
) 3
_
E([X
0
[
2
) + T
_
t
0
E([b(s, X
(n)
s
)[
2
)ds +
_
t
0
E([(s, X
(n)
s
)[
2
)ds
_
3
_
E([X
0
[
2
) + 3(T + 1) C
2
_
t
0
_
1 + E([X
(n)
s
[
2
ds
_
,
ce qui prouve (2.10).
(ii) Pour tout n 1,
sup
n1
sup
t[0,T]
E([X
(n)
t
[
2
) K[1 + E([X
0
[
2
)]e
Ct
. (2.11)
En eet, pour tout t [0, T], la partie (i) montre que E([X
(1)
t
[
2
) C[1 + E([X
0
[
2
)], tandis
que pour tout n 1,
E([X
(n+1)
t
[
2
) C[1 + E([X
0
[
2
)] + C
_
t
0
E([X
(n)
s
[
2
)ds.
En iterant cette inegalite, on en deduit par recurrence sur n que pour tout n 1 et t [0, T],
E([X
(n+1)
t
[
2
) C[1 + E([X
0
[
2
)]
_
1 + Ct +
(Ct)
2
2!
+ +
(Ct)
n
n!
_
,
ce qui termine la demonstration de (2.11).
(iii) Montrons que la suite (X
(n)
) converge p.s. uniformement sur [0, T] vers un processus
X continu, (T
t
)-adapte X tel que (2.7) soit vraie. Pour tout n 1, notons
X
(n+1)
t
X
(n)
t
= A
n
t
+ M
n
t
,
o` u
A
n
t
=
_
t
0
_
b(s, X
(n)
s
) b(s, X
(n1)
s
)
ds , M
n
t
=
_
t
0
_
(s, X
(n)
s
) (s, X
(n1)
s
)
dB
s
.
Alors, E(sup
0st
[X
(n+1)
s
X
(n)
s
[
2
) 2E
_
sup
0st
[A
n
s
[
2
_
+ 2E
_
sup
0st
[M
n
s
[
2
_
.
Linegalite de Schwarz et (2.3) entranent pour tout r [0, t],
[A
n
t
[
2
t
_
t
0
[b(s, X
(n)
s
) b(s, X
(n1)
s
)[
2
ds CT
_
t
0
[X
(n)
s
X
(n1)
s
[
2
ds
De plus, linegalite (2.11) montre que le processus s (s, X
(n)
s
) (s, X
(n1)
s
) appartient
à H
T
2
(T
t
). En eet, (2.3) montre que
E
__
t
0
(s, X
(n)
s
) (s, X
(n1)
s
)
2
ds
_
C
2
_
t
0
E([X
(n)
s
X
(n1)
s
[
2
)ds
2C
2
_
t
0
_
E([X
(n)
s
[
2
) + E([X
(n1)
s
[
2
ds < +.
Linegalite de Doob appliquee à la martingale continue (M
n
t
, t 0), puis (2.3) montrent que
E
_
sup
0st
[M
n
s
[
2
_
4
_
t
0
E([(s, X
(n)
s
) (s, X
(n1)
s
)[
2
)ds
4C
2
_
t
0
E([X
(n)
s
) X
(n1)
s
)[
2
)ds.
30 2

Les deux inegalites precedentes entranent pour L := L(T) = 2C(T + 4C),
E
_
sup
0st
[X
(n+1)
s
X
(n)
s
[
2
_
L
_
t
0
E([X
(n)
s
) X
(n1)
s
)[
2
ds,
et en iterant cette inegalite, on montre par recurrence sur n que
E
_
sup
0st
[X
(n+1)
s
X
(n)
s
[
2
_

C
(Lt)
n
n!
o` u

C = sup
0tT
E([X
(1)
t
X
0
[
2
) < +.
Linegalite de Markov montre alors que si A
n
=
_
sup
0sT
[X
(n+1)
s
X
(n)
s
[
1
2
n
_
,
P (A
n
) 2
2n
E
_
sup
0sT
[X
(n+1)
s
X
(n)
s
[
2
_

C
(4Lt)
n
n!
.
Le Lemme de Borel Cantelli permet de conclure que P(limsup A
n
) = 0, cest à dire que
pour presque tout , il existe un entier N() tel que sup
0sT
[X
(n+1)
s
() X
(n)
s
()[
2
1
2
n
pour tout n N(). La suite X
(n)
t
() = X
(0)
t
() +
n1
k=0
_
X
(k+1)
t
() X
(k)
t
()
est donc
uniformement convergente vers la limite X
t
(). En posant X = 0 sur lensemble negligeable
hors duquel la convergence est vraie, on a ainsi construit un processus X qui est (p.s.)
continu, (T
t
) adapte comme limite p.s. dune suite de processus (T
t
)-adaptes (on rappelle
que les tribus T
t
sont complètes). Enn,
E
_
sup
0tT
[X
(n)
t
[
2
_
2E([X
0
[
2
) + 2
n1
k=0
E
_
sup
0tT
[X
(k+1)
t
X
(k)
t
[
2
_
2E([X
0
[
2
) + 2

C
n1
k=0
(4Lt)
k
k!
2E([X
0
[
2
) + 2

Ce
4LT
.
Le lemme de Fatou permet den deduire que E
_
sup
0tT
[X
t
[
2
_
2E([X
0
[
2
) + 2

Ce
4LT
, ce
qui prouve (2.7).
(iv) Montrons enn que pour tout t [0, T], la suite X
(n)
t
converge dans L
2
vers X
t
, et
que le processus X satisfait (2.6). pour tout x > 0, la formule de Stirling n!
2n
n+
1
2
e
n
montre que pour m assez grand,
k=m
_
x
k
k!
_1
2
C(x)m
1
. Pour tout t [0, T] et n > m,
|X
(n)
t
X
(m)
t
|
2

n1
k=m
|X
(k+1)
t
X
(k)
t
|
2

+
k=m
_
C
(4Lt)
k
k!
_
1
2
0
quand m +. La suite X
(n)
t
est donc de Cauchy dans L
2
; elle converge dans L
2
vers une
variable aleatoire Y
t
de carre integrable. Elle admet une sous-suite qui converge p.s. vers Y
t
et on a donc Y
t
= X
t
p.s.
De plus, (2.7) et la restriction sur la croissance montrent que les processus s b(s, X
s
)
et s (s, X
s
) appartiennent respectivement à H
T
1
(T
s
) et H
T
2
(T
s
). Le theorème de Fubini
montre que
E
_
T
0
[X
(n)
t
X
(m)
t
[
2
dt

C
_
T
0
_
+
k=m
_
(4Lt)
k
k!
_
1
2
_
2
dt 0 quand m +.
Le lemme de Fatou et la condition de Lipschitz (2.3) montrent que pour tout m,
E
__
T
0
[X
t
X
(m)
t
[
2
dt
_
liminf
n
E
__
T
0
[X
(n)
t
X
(m)
t
[
2
dt
_
0
quand m . Linegalite de Schwarz et la condition de Lipschitz (2.3) montrent alors
que
_
t
0
b(s, X
(n)
s
)ds converge dans L
2
vers
_
t
0
b(s, X
s
)ds, tandis que lisometrie des integrales
stochastiques prouve que
_
t
0
(s, X
(n)
s
)dB
s
converge dans L
2
vers
_
t
0
(s, X
s
)dB
s
. On en
deduit que X satisfait (2.6) en prenant la limite dans L
2
de lequation (2.9).
Enn, si lon renforce lintegrabilite de la condition initiale, la demonstration precedente
dans laquelle on remplace lisometrie de lintegrale dans L
2
par linegalite de Burkholder-
Davies-Gundy (1.13) permet de montrer (2.8). 2
Exemple 2.7 (Brownien geometrique) Soit et b des nombres reels, S
0
un nombre reel
strictement positif. Le Brownien geometrique est la solution de lEDS
S
t
= S
0
+
_
t
0
S
s
dB
s
+
_
t
0
bS
s
ds.
Le Theorème 2.6 montre que cette EDS a une unique solution forte, puisque les coecients
(t, x) = x et b(t, x) = bx satisfont clairement les conditions globales de Lipschitz et de
restriction sur la croissance. Pour tout t 0, notons
X
t
= S
0
exp
_
B
t
+
_
b

2
2
_
t
_
. (2.12)
En appliquant la formule dIto à la fonction f(t, x) = S
0
exp[x +(b

2
2
)t] et au Brownien
B, puisque
f
t
(t, x) = (b

2
2
)f(t, x),
f
x
(t, x) = f(t, x),

2
f
x
2
(t, x) =
2
f(t, x), f(t, B
t
) = X
t
et f(0, B
0
) = S
0
, on deduit que
X
t
= S
0
+
_
t
0
_
b

2
2
_
X
s
ds +
_
t
0
X
s
dB
s
+
1
2
_
t
0
2
X
s
ds = S
0
+
_
t
0
X
s
dB
s
+
_
t
0
bX
s
ds,
cest à dire que X est solution de (2.12). Lunicite de la solution forte entrane que X = S.
On en deduit que S
t
> 0 pour tout t 0 p.s. En appliquant de nouveau la formule dIto
à la fonction g(x) = ln(x) et à S
t
, on voit que si on avait postule que le processus S ne
prenait p.s. que des valeurs positives (ce que nous venons de verier) on aurait trouve pour
Y
t
= ln(S
t
),
Y
t
= Y
0
+
_
t
0
S
s
S
s
dB
s
+
_
t
0
b
S
s
S
s
ds
1
2
_
t
0
2
S
2
s
S
2
s
ds = Y
0
+ B
t
+
_
b

2
2
_
t,
cest à dire que la forme (2.12) de la solution etait naturelle . Lexercice 2.4 generalisera
cette observation à une EDS lineaire plus generale. De plus, la loi de ln(S
t
) ln(S
0
) est
gaussienne ^((b

2
2
)t,
2
t), cest à dire que S
t
suit une loi log-normale. La gure suivante
montre la simulation de trajectoires du Brownien geometrique sur [0, 1] avec = 0.5 (resp.
= 2), b = 2 et S
0
= 1.
32 2

0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
2
1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
2
1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
2.2 Solution faible.
Dans de nombreuses applications, il est plus naturel lors de la modelisation de se donner
uniquement les coecients b(t, x) et (t, x), ainsi que la loi de X
0
, mais pas lespace proba-
bilise ni le mouvement brownien B. On cherche alors le couple (B, X) qui satisfait (2.6), ce
qui donne la notion suivante.
Denition 2.8 Une solution faible de lequation
dX
t
= (t, X
t
)dB
t
+ b(t, X
t
)dt (2.13)
est un triplet
_
(, T, (T
t
), P), B, X
_
o` u
(i) (, T, P) est un espace probabilise muni dune ltration (T
t
) continue à droite et
complète.
(ii) (B
t
) est un (T
t
)-Brownien de dimension r et (X
t
) est un processus (T
t
)-adapte,
continu, de dimension d tels que les proprietes (iii) et (iv) de la denition 2.2 soient satis-
faites.
La loi de X
0
est appelee la loi initiale. On nexige plus que la ltration (T
t
) soit la plus
petite ltration qui rend mesurable B et X
0
, et la solution X
t
à linstant t nest donc plus
une fonction mesurable de la trajectoire (B
s
, s t) et de X
0
. Cependant, puisque B est un
(T
t
)-Brownien et que X est (T
t
)-adapte, X
t
est independant de la trajectoire de B après
linstant t, cest à dire des accroissements (B
r
B
t
, r t).
2.3 Quelques proprietes des diffusions. 33
Une solution forte est clairement une solution faible, mais la reciproque est fausse, comme
le montre lexemple suivant. Lexistence dune solution faible peut en eet etre montree sous
des conditions plus generales sur les coecients.
Exemple 2.9 (
Equation de Tanaka) Notons sign(x) = 1 si x 0 et sign(x) = 1 si

x < 0. Alors lEDS
X
t
=
_
t
0
sign(X
s
)dB
s
(2.14)
admet une solution faible, mais pas de solution forte.
Si
_
, T, (T
t
), B, X
_
est une solution faible, le processus X est une martingale continue
de variation quadratique X, X)
t
=
_
t
0
sign(X
s
)
2
ds = t et daprès la caracterisation du
Brownien de P. Levy (Theorème 1.33), X est un (T
t
)-Brownien. On en deduit immediate-
ment la construction dune solution faible.
Soit (X
t
) un Brownien et (T
t
) sa ltration naturelle. Pour tout t 0 soit B
t
=
_
t
0
sign(X
s
)dX
s
. Le processus (B
t
) est une (T
t
)-martingale continue, de variation quadra-
tique B, B)
t
= t. La caracterisation du Brownien de P. Levy montre donc que B est un
(T
t
)-Brownien. De plus, dB
t
= sign(X
t
)dX
t
, cest à dire que dX
t
= sign(X
t
)dB
t
.
Sur lespace probabilise (, T, (T
t
), P), le couple (B, X) est donc une solution faible de
(2.14). On voit dailleurs que sur le meme espace probabilise, (B, X) est egalement une
solution faible de (2.14), qui ne peut donc avoir une unique solution trajectorielle mais
au mieux une unique solution en loi .
Labsence de solution forte sera admise.
Denition 2.10 On dit quil y a unicite en loi de la solution de (2.13) si deux solutions
faibles
_
(, T, (T
t
), P), B, X
_
et
_
(
,

T, (

T
t
),

P),

B,

X
_
ont la meme loi, cest à dire que
pour tout n 1 et tout 0 t
1
< t
2
< < t
n
, les lois des vecteurs (X
t
1
, , X
tn
) et
(

X
t
1
, ,

X
tn
) sont egales.
Le raisonnement precedent montre que pour lequation de Tanaka (2.14), il y a unicite en
loi puisque nous avons montre que toute solution faible est un Brownien.
On remarque par ailleurs que si les coecients et b satisfont les conditions (2.3)
et (2.4), le Theorème 2.6 montre lexistence et lunicite forte de la solution de (2.6). Il
y a aussi unicite en loi de la solution forte ou de la solution faible de (2.13). En eet,
soit
_
(, T, (T
t
), P), B, X
_
et
_
(
,

F, (

T
t
),

P),

B,

X
_
deux solutions faibles et soit Y et

Y
deux solutions fortes continues de (2.6) denies respectivement sur les espaces probabilises
_
, T, (T
t
), P), B
_
et
_
,

F, (

T
t
),

P),

B
_
. Le Theorème 2.6 permet de conclure que lon a
X
t
= Y
t
pour tout t 0 P p.s. (cest à dire, quen utilisant la continuite des trajectoires
on a un ensemble negligeable construit à partir des instants rationnels en dehors duquel les
trajectoires concident). De meme

X
t
=

Y
t
pour tout t 0

P p.s. Pour prouver lunicite
faible, il sut donc de prouver que les lois de X et

X sont egales. En reprenant les schemas
diteration de Picard (2.9) pour X et

X, on verie que pour tout n 0, les lois des processus
continus (B
t
, X
(n)
t
) et (

B
t
,

X
(n)
t
) sont egales.
2.3 Quelques proprietes des diffusions.
2.3.1 Flot stochastique et Propriete de Markov
Soit et b des coecients qui satisfont les conditions globales de Lipschitz (2.3) et
de restriction sur la croissance (2.4). En reprenant la demonstration du Theorème 2.6, on
34 2

montre que pour tout s 0 et pour tout x R
d
, il existe une unique solution trajectorielle
(X
s,x
t
, t s) de lEDS (2.6) qui part de x en linstant s, cest à dire denie pour t s par
X
s,x
t
= x +
_
t
s
(u, X
s,x
u
)dB
u
+
_
t
s
b(u, X
u
)du. (2.15)
Alors X
0,x
= X(x) est la solution forte de (2.6) avec X
0
= x, cest à dire
X
t
(x) = x +
_
t
0
(s, X
s
(x))dB
s
+
_
t
0
b(s, X
s
(x))ds (2.16)
et on a montre E(sup
0tT
[X
t
(x)[
2
) < +.
On a tout dabord le resultat suivant de ot.
Theorème 2.11 (Propriete de ot stochastique) Pour tout 0 s t, X
t
(x) = X
s,Xs(x)
t
p.s.
Demonstration. Soit t s ; alors par (2.16) on a :
X
t
(x) = X
s
(x) +
_
t
s
(u, X
u
(x))dB
u
+
_
t
s
b(u, X
u
(x))du,
tandis que par (2.15) on a :
X
s,Xs(x)
t
= X
s
(x) +
_
t
s
(u, X
s,Xs(x)
u
)dB
u
+
_
t
s
b(u, X
s,Xs(x)
u
)du.
Ceci montre que les processus (X
t
(x), t s) et (X
s,Xs(x)
t
, t s) sont indistinguables par
unicite forte de lEDS dont ils sont solution. 2
Cette propriete de ot stochastique permet de montrer la propriete de Markov faible .
Theorème 2.12 (Propriete de Markov) Soit (X
t
(x), t 0) la solution forte de lEDS (2.6)
avec X
0
= x. Alors (X
t
(x), t 0) est un processus de Markov pour la ltration naturelle
(T
B
t
) du Brownien. Plus precisement, pour toute fonction f : R
d
R borelienne positive
(ou bornee), 0 s, t,
E[f(X
s+t
(x))[T
B
s
] = E[f(X
s+t
(x))[X
s
(x)] =
t
(X
s
(x)),
o` u
t
(y) = E[f(X
s,y
s+t
)].
Demonstration. Le processus (X
s,y
s+t
, t 0) est lunique solution forte de lEDS (2.6) avec
comme condition initiale y, comme coecients (t, x) (s+t, x) et (t, x) b(s+t, x) et le
Brownien

B deni par

B
t
= B
s+t
B
s
. Cest une fonction mesurable (y,

B) et il est donc
independant de (T
u
, 0 u s). On en deduit que X
s+t
(x) = X
s,Xs(x)
s+t
est egal à (X
s
(x),

B).
Puisque X
s
(x) et

B sont independants, le Lemme 1.37 montre alors que pour toute fonction
f mesurable bornee, E(f(X
s+t
(x)[T
B
s
) =
t
(X
s
(x)) o` u
t
(y) = E[f(y,

B)] = E[f(X
s,y
s+t
)].
Lorsquon conditionne par X
s
(x), un raisonnement similaire base sur lindependance de

B
et de X
s
(x) montre aussi que E(f(X
s+t
(x))[X
s
(x)) =
t
(X
s
(x)) ; 2
Lorsque les coecients sont homogènes, cest à dire ne dependent pas du temps, on peut
ecrire la propriete de Markov sous une forme plus precise (homogène) et on a la propriete
de Markov forte. En eet, dans ce cas, puisque le processus deni par

B
t
= B
s+t
B
s
est un (T
s+t
, t 0)-Brownien, on en deduit que les variables aleatoires X
s,y
s+t
et X
t
(y)
ont la meme loi et la fonction
t
(y) utilisee dans la propriete de Markov peut secrire
t
(y) = E[f(X
s,y
s+t
)] = E[f(X
t
(y))] = P
t
f(y). De plus, on a le
Theorème 2.13 (Propriete de Markov homogène - Propriete de Markov forte)
Soit
i
k
: R
d
R et b
i
: R
d
R, 1 i d, 1 k r des coecients independants du
temps tels quil existe C > 0 pour lequel pour tout i = 1, , d et k = 1, , r :
[
i
k
(x)
i
k
(y)[ +[b
i
(x) b
i
(y)[ C[x y[, (2.17)
Notons X(x) la solution forte de lEDS homogène
X
t
= X
0
+
_
t
0
(X
s
)dB
s
+
_
t
0
b(X
s
)ds (2.18)
qui correspond au cas X
0
= x. Cest un processus de Markov fort homogène, cest à dire
que pour tout (T
B
t
)-temps darret ni presque s urement et pour toute fonction borelienne
positive (ou bornee) f : R
d
R,
E[f(X
+t
(x))[T
] = E[f(X
+t
(x))[X
(x)] = P
t
f(X
(x)),
o` u P
t
(x) = E[f(X
t
(x))].
Remarquons que dans le cas homogène, la condition de Lipschitz (2.17) entrane immedia-
tement un analogue de la restriction sur la croissance
[
i
k
(x)[ +[b
i
(x)[ C(1 +[x[). (2.19)
Dans le cas general (in-homogène), on montre de fa con similaire que le processus espace-
temps est fortement Markovien, cest à dire que si f : [0, +[R
d
R est borelienne
positive, alors pour tout temps darret ni presque s urement, si
t
(s, x) = E[f(s + t, X
s,x
t
)]
on a :
E[f( + t, X
+t
(x))[T
] = E[f( + t, X
+t
(x))[X
(x)] =
t
(, X
(x)).
2.3.2 Generateur infinitesimal
Convention : Dans toute cette section, nous considerons des coecients et b qui satisfont
les conditions (2.3) et (2.4) dans le cas general, ou bien les conditions du Theorème 2.13
dans le cas homogène et que la condition initiale X
0
est constante.
Notons (
n,p
([0, +[R
d
) lensemble des fonctions u : [0, +[R
d
R de classe (
n
par
rapport à la variable t [0, [ et de classe (
p
par rapport à la variable x R
d
.
Denition 2.14 Lorsque X est la solution de lEDS homogène (2.18), si on note a =
,
le generateur innitesimal de X est loperateur dierentiel A deni pour u (
2
(R
d
) par
Au(x) =
d
i=1
b
i
(x)
u
x
i
(x) +
1
2
d
i,j=1
a
i,j
(x)

2
u
x
i
x
j
(x) . (2.20)
36 2

Ainsi, le generateur du mouvement Brownien sur R
r
(qui correspond au cas d = r,
i
k
(x) =
i,k
do` u a(x) = Id
r
) est
1
2
, o` u est le Laplacien deni sur (
2
(R
r
). Le generateur
dun Brownien geometrique (reel) X
t
= x +
_
t
0
X
s
dB
s
+
_
t
0
bX
s
ds est loperateur deni sur
(
2
(R) par A = b x

x
+
1
2

2
x
2
2
x
2
.
Lorsque la diusion nest pas homogène, le generateur innitesimal depend du temps.
Denition 2.15 Si a(t, x) = (t, x)
(t, x) designe la matrice carree symetrique d d de

type positif denie par a
i,j
(t, x) =
r
k=1
i
k
(t, x)
j
k
(t, x), le generateur innitesimal de la
diusion (X
t
, t 0) denie par (2.6) est loperateur dierentiel deni sur (
1,2
([0, +[R
d
)
par :
A
t
u(x) =
d
i=1
b
i
(t, x)
u
x
i
(t, x) +
1
2
d
i,j=1
a
i,j
(t, x)

2
u
x
i
x
j
(t, x) . (2.21)
La formule dIto montre donc que si f : [0, +[R
d
R est de classe (
1,2
et si X est
solution de (2.6), alors
df(t, X
t
) = (t, X
t
)
f
x
(t, X
t
)dB
t
+
_
f
t
(t, X
t
) + A
t
f(t, X
t
)
_
dt. (2.22)
On en deduit le
Theorème 2.16 Soit et b des coecients qui satisfont les conditions globales de Lipschitz
(2.3) et de restriction sur la croissance (2.4), X
0
R
d
et X la solution forte de (2.6).
Pour toute fonction f : [0, +[R
d
R appartenant à (
1,2
et telle que
f
x
i
est bornee
pour tout i = 1, , d, le processus (M
t
) deni par
M
t
= f(t, X
t
)
_
t
0
_
f
s
+ A
s
_
(s, X
s
) ds (2.23)
est une (T
B
t
)-martingale et pour tout temps darret p.s. borne, la formule de Dynkin est
vraie :
E[f(, X
)] = f(0, X
0
) + E
__

0
_
f
s
+ A
s
_
(s, X
s
)ds
_
.
Demonstration. La propriete de martingale de M est une consequence immediate de (2.22),
du Theorème 1.13, de la propriete (2.7) et de la restriction sur la croissance de , qui
montrent que le processus s (s, X
s
)
f
x
(s, X
s
) H
2
.
Le Theorème darret 1.7 montre alors que si est p.s. borne, M
0
= E(M
) puisque
la tribu T
B
0
est la tribu completee de la tribu triviale. Les derivees partielles de f par
rapport à x etant bornees, on en deduit que [f(s, X
s
) f(s, X
0
)[ est majoree par une
combinaison lineaire des composantes X
i
s
, et daprès (2.7), pour tout K > 0, la variable
aleatoire sup
sK
[f(s, X
s
) f(s, X
0
)[ est de carre integrable. De plus, par continuite de f,
sup
sK
[f(s, X
0
)[ < +. Pour tout temps darret borne, la variable aleatoire f(, X
) est
donc integrable, ce qui termine la demonstration. 2
Grace à la propriete (2.8), on peut aaiblir les hypothèses sur le controle des derivees par-
tielles de f dans les theorèmes precedents. En eet, si
f
x
i
(t, x) est à croissance polynomiale
en x uniformement en t, cest à dire sil existe un exposant a
i
> 0 tel que
sup
t
f
x
i
(t, x)
C(1 +[x[
a
i
),
alors la restriction sur la croissance des coecients
i
k
(t, x) et le fait que la condition initiale
soit constante (donc dans tous les espaces L
p
, 1 p < +) entranent que pour tout k, il
existe une constante C et un exposant b
i,k
> 0 tels que pour tout t > 0
E
_
t
0
f
x
i
(s, X
s
)
i
k
(s, X
s
)
2
ds C
_
1 + sup
0st
E([X
s
[
b
i,k
)
_
< +.
Une croissance polynomiale de toutes les derivees partielles
f
x
i
(t, x) permet donc de conclure
que les integrales stochastiques dans la formule dIto de f(t, X
t
) sont des martingales conti-
nues (de carre integrable).
En appliquant le theorème 2.16 avec d = r = 1, on deduit immediatement que si f (
1,2
a une derivee partielle
f
x
bornee (ou à croissance polynomiale) et si
f
t
(t, x) + A
t
f(t, x) =
f
t
(t, x) + b(t, x)
f
x
(t, x) +
1
2
(t, x)
2
2
f
x
2
(t, x) = 0,
alors f(t, X
t
) est une vraie (T
B
t
)- martingale
De meme, si
f
t
(t, x) + A
t
f(t, x) = rf(t, x),
alors le processus e
rt
f(t, X
t
) est une (T
B
t
)-martingale. Le coecient r est appele coecient
dactualisation. En particulier, si f(T, x) = h(x), on a f(t, X
t
) = e
r(tT)
E[h(X
T
)[T
B
t
]. Ceci
sera fort utile en nance, comme on le verra dans les chapitres suivants. On peut generaliser
cette propriete de martingale pour un coecient dactualisation non constant.
Theorème 2.17 Soit et b des fonctions qui satisfont les conditions globales de Lipschitz
et de restriction sur la croissance (2.3) et (2.4), B un mouvement Brownien standard de
dimension r, X
t
la solution de lequation dierentielle stochastique :
X
t
= x +
_
t
0
(s, X
s
) dB
s
+
_
t
0
b(s, X
s
) ds (2.24)
et A
t
son generateur innitesimal. Alors pour toute fonction continue minoree : [0, T]
R
d
[m, +[ et toute fonction f : [0, T] R
d
R
d
de classe (
1
et t et de classe (
2
en x
telle que les derivees partielles
f
x
i
de f sont à croissance polynomiale, le processus
M
t
(f) = e
R
t
0
(s,Xs) ds
f(t, X
t
) f(0, X
0
)
_
t
0
e
R
s
0
(u,Xu) du
_
f
s
+ A
s
f f
_
(s, X
s
) ds
est une martingale pour la ltration
_
T
B
t
).
Demonstration : La formule dIto pour un produit entrane que
d
_
e
R
t
0
(s,Xs) ds
f(t, X
t
)
_
= (t, X
t
) e
R
t
0
(s,Xs) ds
f(t, X
t
) dt
+e
R
t
0
(s,Xs) ds
d
_
f(t, X
t
)
_
.
38 2

La formule dIto pour f(t, X
t
) permet alors decrire :
e
R
t
0
(s,Xs) ds
f(t, X
t
) = f(0, X
0
)
+
_
t
0
e
R
s
0
(u,Xu) du
_
f
s
+ A
s
f f
_
(s, X
s
) ds
+
d
i=1
r
k=1
_
t
0
e
R
s
0
(u,Xu) du
f
x
i
(s, X
s
)
i
k
(s, X
s
) dB
k
s
.
La fonction etant minoree, on montre alors comme dans le theorème precedent que les pro-
cessus
_
t
0
exp
_
_
s
0
(u, X
u
) du
_
f
x
i
(s, X
s
)
i
k
(s, X
s
) dB
k
s
sont des martingales, ce qui conclut
la demonstration. 2
Dans le cas de diusions homogènes, loperateur dierentiel deni par (2.20) est bien le
generateur innitesimal du processus de Markov homogène.
Theorème 2.18 Le generateur innitesimal A de la diusion homogène X(x) solution de
(2.18) avec la condition initiale x est bien son generateur en tant que processus de Markov
homogène, cest à dire que pour toute fonction f de classe (
2
dont les derivees partielles
dordre 1 et 2 sont bornees,
Af(x) = lim
t0
1
t
[P
t
f(x) f(x)] = lim
t0
1
t
[E(f(X
t
(x)) f(x)].
Demonstration. Daprès le Theorème 2.16, pour tout t 0,
E[f(X
t
(x))] = f(x) +
_
t
0
E
_
Af(X
s
(x)
_
ds.
Les trajectoires de X etant presque s urement continues, celles de Af(X
s
) le sont egalement.
On en deduit que t
_
t
0
Af(X
s
(x))ds est P presque s urement derivable en 0 et que sa
derivee vaut Af(X
0
(x)) = Af(x).
De plus, les derivees partielles de f etant bornees par K > 0, la restriction sur la
croissance des coecients montre que
[Af(x)[ K
i
[b
i
(x)[ +
i,j,k
K[
i
k
(x)
j
k
(x)[ C(1 +[x[
2
).
La propriete (2.7) montre alors que pour tout t > 0,
sup
0st
[Af(X
s
)[ C
_
1 + sup
0st
[X
s
[
2
_
L
1
.
Le theorème de convergence dominee permet de conclure. 2
2.3.3 Theorème de comparaison
Le theorème suivant permet de comparer presque s urement des solutions dEDS unidi-
mensionnelles avec le meme coecient de diusion, mais des conditions initiales et coe-
cients de derive qui satisfont des inegalites similaires. Il savère souvent extremement utile
en pratique. La preuve, qui utilise des arguments semblables à ceux de lunicite trajectorielle
vus precedemment, peut etre trouvee dans [7].
2.4 Processus de Bessel 39
Theorème 2.19 (Theorème de comparaison) Soit (B
t
, t 0) un mouvement brownien
reel, b
1
, b
2
et des fonctions globalement lipschitziennes de R dans R, x
1
x
2
des nombres
reels. Pour i = 1, 2, on considère les EDS
X
i
t
= x
i
+
_
t
0
b
i
(X
i
s
) ds +
_
t
0
(X
i
s
) dB
s
Supposons que b
1
(x) b
2
(x) pour tout x R. Alors X
1
t
X
2
t
p.s. pour tout t 0.
2.4 Processus de Bessel
Dans la pratique, le theorème dexistence et dunicite de solutions dEDS sous les condi-
tions usuelles sur les coecients (conditions globales de Lipschitz et de restriction sur la
croissance) est parfois insusant pour ce qui concerne le coecient de diusion. On peut
notablement ameliorer ce theorème dans le cas reel.
Theorème 2.20 (Yamada-Watanabe) Soit d = r = 1. Supposons que b et sont à crois-
sance lineaire, cest à dire satisfont la condition de restriction sur la croissance globale (2.4),
que b verie la condition de Lipschitz globale (2.3) et que
[(t, x) (t, y)[ ([x y[) , t 0, x, y R,
o` u :]0, +[]0, +[ est une fonction borelienne strictement croissante telle que (0) = 0
et
_

0
dz
2
(z)
= +
pour tout > 0. Alors si X
0
= x R, il y a unicite forte pour lequation (2.6).
Une classe très importante dEDS dont lunicite forte est montree en appliquant le
theorème precedent est la suivante :
X
t
= x + 2
_
t
0
_
X
s
dB
s
+ t (2.25)
o` u B est un Brownien reel et x, > 0. En eet, [
x

y[
_
[x y[ et le theorème
de Yamada-Watanabe applique avec la fonction (x) =

x montre que (2.25) admet une
unique solution forte. De plus, on peut montrer que cette solution est toujours positive et
denie sur [0, +[. Cependant, le theorème 2.6 naurait pas permis dobtenir ce resultat,
car (x) =

x nest pas lipschitzienne en zero. Le processus X est un processus de Bessel
carre de dimension .
Nous allons relier le processus de Bessel au Brownien. Soit n > 1 et B = (B
1
, B
2
, . . . , B
n
)
un mouvement Brownien n-dimensionnel. Soit X le processus deni par X
t
= [[B
t
[[ ; alors
X
2
t
=
n
i=1
(B
i
t
)
2
et la formule dIto montre que dX
2
t
=
n
i=1
2B
i
t
dB
i
t
+ ndt.
En notant (x, y) le produit scalaire des vecteurs x et y, on voit que le processus deni par
d
t
=
1
X
t
(B
t
, dB
t
) =
1
[[B
t
[[
n
i=1
B
i
t
dB
i
t
,
0
= 0,
40 2

est une martingale continue de carre integrable et la formule dIto montre que (
2
t
t, t 0)
est une martingale. La caracterisation de Paul Levy entrane que est un mouvement
brownien. Legalite d(X
2
t
) = 2(B
t
, dB
t
) + ndt secrit
d(X
2
t
) = 2X
t
d
t
+ ndt .
Ainsi, en posant V
t
= X
2
t
on obtient que V est solution dune EDS du type (2.25)
dV
t
= 2
_
V
t
d
t
+ ndt ,
o` u est un mouvement brownien. Puisque X
t
> 0 p.s., une nouvelle application de la
formule dIto montre que
dX
t
= d
t
+
n 1
2
dt
X
t
o` u est un mouvement Brownien.
On dit que X est un processus de Bessel (BES) de dimension n, et que V est un processus
de Bessel carre (BESQ). Les processus de Bessel seront generalises et utilises en Finance
dans le modèle de Cox-Ingersoll-Ross decrit dans le dernier chapitre.
2.5 Lien avec les EDP
2.5.1 Problème parabolique
Notons /
n,p
([0, T] R
d
) lensemble des fonctions u : [0, T] R
d
R qui sont de classe
(
n
par rapport à la variable t [0, T], de classe (
p
d
et
dont les derivees partielles sont à croissance polynomiale, cest à dire telles quil existe des
constantes C > 0 et des entiers k tels que chaque derivee partielle v de u satisfasse linegalite
[v(t, x)[ C (1 + [x[
k
). On note /
p
(R
d
) lensemble des fonctions u : R
d
R de classe (
p
d
dont les derivees partielles sont à croissance polynomiale.
Lexemple le plus simple dEDP parabolique liee à un processus stochastique est lequation
de la chaleur en dimension 1, cest à dire
u
t
(t, x) =

2
2
2
u
x
2
(t, x) , (t, x) ]0, +[R, (2.26)
o` u > 0 et o` u la condition initiale u(0, x) = f(x) est donnee par une fonction f : R R
borelienne à croissance polynomiale. Pour t > 0, notons p(t; x, .) la densite de x + B
t
o` u
(B
t
, t 0) est un mouvement Brownien standard à valeurs reelles, cest à dire la fonction
p(t; x, y) =
1
2 t
e
(xy)
2
2
2
t
.
Un calcul facile montre que
p
t
=

2
2
2
p
x
2
. Notons
u(t, x) = E
_
f(x + B
t
)
_
pour tout t 0 ; alors u(0, x) = f(x). De plus, pour t > 0, u(t, x) =
_
+
p(t; x, y) f(y) dy
et la croissance polynomiale de f entrane que lon peut appliquer le theorème de derivation
sous le signe integral. Pour tout couple dentiers positifs m et n on a donc
n+m
t
m
x
n
u(t, x) =
_
+
n+m
t
m
x
n
p(t; x, y) f(y) dy ;
2.5 Lien avec les EDP 41
la fonction denie par u(t, x) = E[f(x+ B
t
)] satisfait donc lEDP
u
t
(t, x) =

2
2
2
u
x
2
(t, x) sur
]0, +[R et appartient à /
1,2
([, +[R) pour tout > 0. Reste à verier le comporte-
ment asymptotique de u(t, y) quand (t, y) (0, x). De nouveau, puisque f est à croissance
polynomiale, si cette fonction est de plus continue, le theorème de convergence dominee
entrane que pour tout x R,
lim
(t,y)(0,x)
u(t, y) = f(x) .
On a ainsi prouve que lequation (2.26) de condition initiale f continue à croissance
polynomiale a une solution; reste à prouver lunicite de la solution de (2.26) pour la condi-
tion initiale, ce qui donnera une interpretation probabiliste à la solution de cette EDP. De
nouveau, on peut montrer lunicite de la solution de (2.26) de fa con probabiliste.
Theorème 2.21 Soit u une fonction de classe (
1,2
sur ]0, T] R qui satisfait lequation
de la chaleur (2.26), telle que sup
0<tT
[u(t, x)[ soit à croissance polynomiale en x et telle pour
tout x R, lim
(t,y)(0,x)
u(t, y) = 0. Alors, u(t, x) = 0 sur ]0, T] R.
On peut aussi considerer le problème similaire à celui de lequation (2.26) sur lintervalle
de temps [0, T] en renversant le temps et imposant une condition nale donnee par une
fonction f continue :
_
v
t
(t, x) +

2
2
2
v
x
2
(t, x) = 0 pour (t, x) [0, T[R,
v(T, x) = f(x) pour x R,
(2.27)
dont une solution continue v /
1,2
([0, T[R
d
) est
v(t, x) = E
_
f(x + (B
T
B
t
))
= E
_
f(x + B
Tt
)
pour (t, x) [0, T[R.

On etend ces proprietes du Brownien B aux diusions, ce qui donne une interpretation
probabiliste dune EDP parabolique liee au generateur innitesimal A
t
deni par (2.21).
Theorème 2.22 Soit et b des coecients satisfaisant les conditions (2.3) et (2.4), f une
fonction continue et (X
s,x
t
, t s) la solution de (2.15).
Alors une fonction v continue sur [0, T] R
d
telle que v /
1,2
([0, T[R
d
) est solution
du problème de Cauchy si :
_
v
t
(t, x) + A
t
v(t, x) = pour (t, x) [0, T[R
d
,
v(T, x) = f(x) pour x R
d
,
(2.28)
La fonction v admet la representation stochastique :
v(t, x) = E
_
f(X
t,x
T
)
(2.29)
2.5.2 Formule de Feynman-Kac
On sinteresse à une EDP un peu plus generale que le problème de Cauchy (2.28) etudie
dans la section precedente. Soit et b des coecients qui satisfont les conditions globales
de Lipschitz et de restriction sur la croissance (2.3) et (2.4), et pour tout t [0, T[, soit X
t,x
s
le processus solution de
X
t,x
s
= x +
_
s
t
(u, X
t,x
u
)dB
u
+
_
s
t
b(u, X
t,x
u
)du , s [t, T]. (2.30)
42 2

Denition 2.23 Soit A
t
le generateur innitesimal deni sur /
1,2
([0, T] R
d
) par (2.21).
Soit m un nombre reel, f : R
d
R, g : [0, T] R
d
R
d
et : [0, T] R
d
[m, +[
des fonctions continues. La fonction v /
1,2
([0, T[R
d
) satisfait le problème de Cauchy
doperateur A
t
, de potentiel , de Lagrangien g et de condition terminale f si cest une
fonction continue sur [0, T] R
d
et si
_
v
t
(t, x) + A
t
v(t, x) (t, x) v(t, x) + g(t, x) = 0 pour (t, x) [0, T[R
d
,
d
.
(2.31)
Etudions dabord le cas g = 0, cest à dire seulement lexistence dun coecient dactua-
lisation aleatoire .
Theorème 2.24 (Theorème de Feynman-Kac) Soit et b des fonctions satisfaisant les
conditions globales de Lipschitz et de restriction sur la croissance (2.3) et (2.4), f, des
fonctions satisfaisant les conditions de la denition 2.23. Supposons que f /
0
(R
d
). Pour
tout t [0, T[ et x R
d
, notons (X
t,x
s
, s [t, T]) le processus solution de (2.30) et (T
t
= T
B
t
)
la ltration naturelle du Brownien B. Alors une solution v du problème de Cauchy
_
v
t
(t, x) + A
t
v(t, x) (t, x) v(t, x) = 0 pour (t, x) [0, T[R
d
,
d
.
admet la representation stochastique :
v(t, x) = E
_
f(X
t,x
T
)e
R
T
t
(s,X
t,x
s
) ds
_
. (2.32)
De plus, si (X
t
= X
0,x
t
, t [0, T]) est la diusion solution de (2.2), alors pour tout t [0, T],
v(t, X
t
) = E
_
e
R
T
t
(s,Xs) ds
f(X
T
)
T
t
_
. (2.33)
Demonstration. La formule dIto montre que si v resout le problème de Cauchy (2.31) avec
g = 0, le processus :
M
t,x
s
= e
R
s
t
(u,X
t,x
u
) du
v(s, X
t,x
s
) , s [t, T]
est une (T
t
)-martingale, ce qui entrane que M
t,x
t
= E
_
M
t,x
T
[ T
t
_
. La propriete de martingale
de (M
0,x
s
, s [0, T]) et la condition terminale v(T, x) = f(x) montrent alors (2.33).
Remarquons que de meme, la condition terminale entrane que
v(t, x) = v(t, X
t,x
t
) = E
_
e
R
T
t
(u,X
t,x
u
) du
f(X
t,x
T
)
T
t
_
.
Pour prouver (2.32), xons (t, x) [0, T[R
d
et notons
n
= infs t , [X
t,x
s
[ n. La for-
mule dIto et le theorème darret pour les martingales entranent que v(t, x) = E(M
t,x
Tn
) =
2
i=1
T
i
n
, avec :
T
1
n
(t, x) = E
_
v(
n
, X
t,x
n
) e
R
n
t
(s,X
t,x
s
) ds
1
{nT}
_
,
T
2
n
(t, x) = E
_
v(T, X
t,x
T
) e
R
T
0
(s,X
t,x
s
) ds
1
{n>T}
_
.
2.5 Lien avec les EDP 43
Une generalisation immediate de (2.8) basee sur le lemme de Gronwall et linegalite de
Burkholder montre que pour tout p [1, +[, E(sup
tsT
[X
t,x
s
[
p
) C
p
(1 +[x[
p
). Il existe
K > 0 tel que le terme [T
1
n
(t, x)[ est domine par Cn
K
P(
n
T). Pour tout p [1, +[,
P(
n
T) C
p
n
p
E
_
sup
tsT
[X
t,x
s
[
p
_
C
p
n
p
.
Choisissant p > K nous obtenons T
1
n
(t, x) 0 quand n +. Le theorème de convergence
dominee entrane que lorsque n +,
T
2
n
(t, x) E
_
f(X
t,x
T
) e
R
T
0
(s,X
t,x
s
) ds
_
,
ce qui termine la demonstration. 2
Nous verrons dans lexercice 2.6 que le problème de Cauchy (2.31) admet comme solution
v(t, x) = E
_
f(X
t,x
T
)e
R
T
t
(s,X
t,x
s
) ds
+
_
T
t
g(s, X
t,x
s
) e
R
s
t
(u,X
t,x
u
) du
ds
_
. (2.34)
On deduit immediatement du Theorème de Feynman Kac le resultat suivant. Soit r > 0
et f : R
d
R une fonction continue à croissance polynomiale. Alors si v continue sur
[0, T] R
d
et v /
1,2
([0, T[R
d
) est solution du problème de Cauchy
_
v
t
(t, x) + A
t
v(t, x) = r v(t, x) pour (t, x) [0, T[R
d
,
d
,
alors v(t, x) = E
_
e
r(Tt)
f(X
t,x
T
)
_
.
Ces liens entre diusions et EDP peuvent etre vus de deux facons.
Dune part en petite dimension on peut utiliser des methodes numeriques dEDP (dif-
ferences nies ou elements nis) an de resoudre numeriquement lEDP (il faut encore des
conditions pour quelle ait une solution unique) et en deduire une information sur lesperance
dune fonction du processus.
Mais les methodes numeriques, ecaces en petite dimension, deviennent très diciles
à implementer en grande dimension. Par contre, les methodes de Monte-Carlo ou de quasi
Monte Carlo permettent dapproximer lesperance dune variable aleatoire ou dun processus
en une famille nie dinstants t et detats x. On peut se servir de linterpretation de la solution
v(t, x) de lEDP (sous reserve quelle soit unique) comme une esperance pour ecrire cette
fonction au point (t, x) à laide de lesperance dune diusion. Par un schema dEuler de pas
T/n, on sait approximer la trajectoire de la diusion par celle dun processus très simple et
très rapide à simuler. La vitesse de convergence forte , qui donne une majoration de la
norme uniforme de la dierence des trajectoires, est en 1/
n. Si on sinteresse seulement à
lesperance dune fonction de la diusion en un instant T, la vitesse de convergence faible
du schema est en 1/n. Lesperance de la fonction du processus approximant à linstant T
est elle-meme approximee par une moyenne daprès la loi forte des grands nombres. Le
theorème de la limite centrale montre alors que si on dispose de N realisations, la vitesse
de convergence de la moyenne vers lesperance est en
1
N
. Simuler une approximation de
la diusion par un schema dEuler est très simple et linconvenient est plutot le nombre de
simulations quil faut utiliser pour avoir une approximation raisonnable . Cette methode
est donc lente , mais insensible à la dimension .
44 2

2.6 Exemples en finance
Nous presentons ici deux exemples dEDS importants en nance. Le modèle de Black &
Sholes sera presente de fa con beaucoup plus approfondie dans le dernier chapitre.
2.6.1 Problème de Sturm-Liouville - Temps doccupation
Nous venons de voir comment les diusions permettent de resoudre explicitement cer-
taines EDP. Les memes techniques peuvent etre aussi employees pour letude de certaines
EDO du deuxième ordre. On sinteresse par exemple au problème suivant, dit de Sturm-
Liouville :
( + k)f =
f
2
+ g (2.35)
o` u > 0, k : R R
+
est une fonction continue et g : R R une fonction continue telle
que :
_
R
[g(x + y)[e
|y|
2
dy < +
pour tout x R. Alors, si B est un Brownien standard issu de 0 et f /
2
, pour tout
t > 0, le lien entre generateur innitesimal et martingale decrit dans le theorème 2.17 avec
(t, y) = + k(x + y) montre que le processus
f(x+B
t
) e
R
t
0
+k(x+Bs)ds
f(x)
_
t
0
e
R
s
0
+k(x+Bu)du
_
1
2
f
(x + B
s
)
_
+ k(x + B
s
)
_
f(x + B
s
)
_
ds
est une (T
B
t
)-martingale. On en deduit que si f est une solution bornee de (2.35),
E
_
f(x + B
t
) e
R
t
0
+k(x+Bs)ds
_
f(x) = E
__
t
0
e
R
s
0
+k(x+Bu)du
g(x + B
s
)ds
_
.
Lorsque t +, ceci entrane :
f(x) = E
__

0
g(x + B
t
) exp
_
t
_
t
0
k(x + B
s
)ds
_
dt
_
.
Cette fonction est lunique solution bornee de classe (
2
de (2.35).
Ce resultat donne en particulier la transformee de Laplace de la variable aleatoire
g(B
t
) exp
_
_
t
0
k(B
s
)ds
_
pour toute fonction g et donc par inversion la loi du couple
_
B
t
,
_
t
0
k(B
s
)ds
_
.
Ce couple est très important en Finance, puisquil permet de pricer certaines options
exotiques avec temps doccupation. La formule de Feynman-Kac permet aussi de calculer la
densite de la variable aleatoire
A
+
t
=
_
t
0
1
[0,[
(B
s
) ds
2.6 Exemples en finance 45
qui represente le temps doccupation de [0, +[ par le Brownien. En eet, si on pose k(x) =
1
[0,+[
(x) et g(x) = 1, en approximant k par une suite de fonctions continues on en deduit
que pour , > 0 la fonction
f(x) = E
__

0
exp
_
t
_
t
0
1
[0,)
(x + B
s
)ds
_
dt
_
est solution de lEDO
_
f(x) = 1 f(x) +
f
(x)
2
si x > 0,
f(x) = 1 +
f
(x)
2
si x < 0.
Lunique solution bornee et continue de cette EDO est donnee par :
f(x) =
_
Ae
x
2(+)
+
1
+
si x > 0,
Be
x
2
+
1
si x < 0.
En imposant la continuite de f et f
en zero, on trouve
A =
1
_
( + )
1
( + )
et B =
1
_
( + )
,
ce qui entrane
_

0
e
t
E
_
e
A
+
t
_
dt = f(0) =
1
_
( + )
.
Puisque (
1
2
) =

, le theorème de Fubini et un changement de variables montrent que
_

0
e
t
__
t
0
du
e
u
u(tu)
_
dt =
1
_
+
0
e
(+)u
u
du
1
_
+
u
e
(tu)
t u
dt
=
1
+
1
.
Puisque la transformee de Laplace caracterise la loi, on en deduit que pour tout > 0,
E[e
A
+
t
] =
_
t
0
e
u 1
u(tu)
du, puis que la densite de A
+
t
est la fonction h denie par
h(u) =
1
_
u(t u)
1
]0,t[
(u).
La fonction de repartition de cette loi est denie pour tout ]0, t[ par :
P
_
A
+
t

_
=
_

0
du
_
u(t u)
=
_
/t
0
ds
_
s(1 s)
=
2
Arcsin
_
t
.
La loi de A
+
t
est appelee loi de larcsinus. On remarque enn que pour ]0, t[,
P
_
A
+
t

_
= P
_
tA
+
1

_
,
ce qui montre que les variables A
+
t
et tA
+
1
ont meme loi. On aurait pu aussi obtenir ce
resultat directement par scaling du Brownien.
46 2

2.6.2 Introduction ` a la formule de Black & Sholes
Nous presentons sommairement cet exemple fondamental, qui sera repris de fa con plus
systematique dans le dernier chapitre. On considère un marche nancier comportant un
actif dit sans risque de taux constant r, tel que S
0
0
= 1, donc de prix à linstant t donne par
S
0
t
= e
rt
(soit dS
0
t
= rS
0
t
dt) et un actif risque dont le prix S
t
à linstant t verie
S
t
= S
0
exp
_
B
t
+ (b
2
/2)t
_
. (2.36)
Cest le Brownien geometrique vu dans lexemple 2.7, solution de lEDS lineaire
dS
t
= S
t
dB
t
+ b S
t
dt ,
o` u S
0
> 0, B est un mouvement brownien et b, R. On remarque que ce processus garde
des valeurs strictement positives et quà chaque instant t > 0, E(S
t
) = S
0
e
bt
. Le processus
S
t
croit donc en moyenne comme un actif sans risque de rendement constant b. De plus,
E(S
2
t
) = S
2
0
e
2bt+
2
t
E
_
e
2Bt
(2)
2
2
t
_
= S
2
0
e
2bt+
2
t
,
ce qui entrane que V ar(S
t
) = S
2
0
e
2bt
_
e
2
t
1
_
. Le coecient est appele la volatilite et
mesure la sensibilite à lalea, cest à dire le risque de lactif. Cest lui qui permet de quantier
les ecarts entre S
t
et son esperance. On remarque facilement en utilisant lexpression explicite
de S
t
que pour tout > 0 qui modelise un intervalle de temps (par exemple un jour), la
suite
_
ln
_
S
(j+1)
S
j
_
, j 0
_
est une suite independante equidistribuee de variables aleatoires
gaussiennes ^
_
(b

2
2
) ,
,
_
et il est donc facile de tester la validite du modèle sur des
donnees reelles. On constate dailleurs que ce modèle rend mal compte de la realite. Un
developpement limite de ln(1 + u) permet dapproximer ln
_
S
(j+1)
S
j
_
, par
S
(j+1)
S
j
S
j
an de
tester le caractère i.i.d. gaussien des rendements successifs observes.
Pour quun investisseur ayant une aversion au risque prefère un actif risque à un actif
sans risque, il faut bien s ur que son rendement espere b soit superieur à r et la dierence
b r est une prime de risque . Plus la volatilite est grande, plus lactif est risque et
dans ce cas, plus la valeur de b doit etre grande pour que linvestisseur prefère S
t
à lactif
sans risque S
0
t
.
On xe un horizon T > 0 et on souhaite donner le prix dun actif nancier qui versera
h(S
T
) à la date T. Le cas dun call Europeen de maturite T et de strike K correspond au
cas h(x) = (x K)
+
.
On procède par duplication (hedging) : on forme un portefeuille qui comprend
t
parts
de lactif sans risque S
0
t
(le montant de la richesse investie dans cet actif à la date t est donc
t
e
rt
) et de
t
parts de lactif risque S
t
.
On suppose que le marche est sans friction, cest à dire quil ny a pas de co ut de
transaction (dachat ou de vente des actifs), que lon peut vendre à decouvert (cest à dire
que les coecients
t
et
t
peuvent etre negatifs), que les actifs sont indeniment divisibles
(
t
et
t
sont à valeurs reelles) et que le trading se fait en continu (cest à dire que
t
et
t
peuvent varier à chaque instant t).
On veut trouver un portefeuille auto-nan cant (cest à dire ne necessitant pas de
mise de fonds autre quà la date 0), qui ne verse pas de dividende (duquel on ne retire pas
2.6 Exemples en finance 47
de largent avant la date T) et de valeur terminale h(S
T
). La valeur de ce portefeuille à la
date t est
V
t
=
t
S
0
t
+
t
S
t
.
La condition dautonancement se formalise par
dV
t
=
t
dS
0
t
+
t
dS
t
,
soit
dV
t
=
t
rS
0
t
dt +
t
[bS
t
dt + S
t
dB
t
] =
t
S
t
dB
t
+
_
rV
t
+
t
S
t
(b r)
dt.
La valeur initiale du portefeuille sera la valeur de lactif nancier. On suppose que la
valeur V
t
du portefeuille à la date t est une fonction deterministe du temps et de la valeur
de lactif risque, soit V
t
= V (t, S
t
). En utilisant la formule dIto, on calcule
dV
t
=
_
V
t
(t, S
t
) + b S
t
V
x
(t, S
t
) +

2
S
2
t
2
2
V
x
2
(t, S
t
)
_
dt +
_
S
t
V
x
(t, S
t
)
_
dB
t
.
En utilisant la condition dautonancement et en identiant les parties martingales on ob-
tient (parce que S
t
> 0 pour tout t)
t
S
t
= S
t
V
x
(t, S
t
) soit
t
=
V
x
(t, S
t
) ,
ce qui entrane alors en identiant les parties à variation nie
rS
t
V
x
(t, S
t
) +
V
t
(t, S
t
) +

2
S
2
t
2
2
V
x
2
(t, S
t
) rV (t, S
t
) = 0 ,
avec pour condition terminale V (T, S
T
) = h(S
T
). Comme S
t
est une variable aleatoire
qui peut prendre toutes les valeurs de ]0, +[, on en deduit que V satisfait lEDP sur
[0, +[[0, +[ :
rx
V
x
(t, x) +
V
t
(t, x) +

2
x
2
2
2
V
x
2
(t, x) rV (t, x) = 0 , (2.37)
avec pour condition terminale V (T, x) = h(x). On notera que le coecient b a disparu.
Nous allons resoudre cette EDP dans le cas dun call europeen, cest à dire pour une
condition terminale h(x) = (x K)
+
, avec > 0. On note C la valeur du portefeuille dans
ce cas particulier, Les details des calculs sont laisses en exercice (cf. Exercice 2.5). Nous
verrons au chapitre suivant une fa con plus rapide et moins technique de les retrouver.
Les resultats precedents entranent que C satisfait lequation (2.37)
C
t
(t, x) + rx
C
x
(t, x) +

2
x
2
2
2
C
x
2
(t, x) = rC(t, x) ,
avec C(T, x) = (xK)
+
. La formule de Feynman-Kac (2.32) appliquee à la fonction f(x) =
(xK)
+
et à (s, x) = r montre que la valeur du call europeen à linstant t, est donnee par
C(t, x) = E
_
e
r(tT)
(
S
t,x
T
K)
+
_
, (2.38)
48 2

avec
S
t,x
T
= xe
(B
T
Bt)+
_
r
2
2
_
(Tt)
solution de lEDS d
S
t,x
s
=
S
t,x
s
dW
s
+ b
S
t,x
s
ds pour s t et

S
t,x
t
= x.
Puisque B
T
B
t
suit une loi gaussienne ^(0, T t), on peut calculer explicitement
C(t, x). Pour tout a R, notons
F(a) =
1
2
_
a
x
2
2
dx
la fonction de repartition dune loi gaussienne ^(0, 1). La solution de lequation (2.38) est
donnee par la formule suivante de Black & Sholes
C(t, x) = xF(d
1
) Ke
r(Tt)
F(d
2
),
avec les notations
d
1
=
1
T t
_
ln
_
xe
r(Tt)
/K
_
+
1
2
2
(T t)
_
et d
2
= d
1
T t. (2.39)
La quantite
t
=
C
x
(t,

S
t
) = F(d
1
),
qui represente le nombre de parts de lactif sous-jacent utilisees pour repliquer loption sap-
pelle le Delta de loption et represente aussi la sensibilite du prix de loption par rapport au
prix du sous-jacent. Le couple (C(t, S
t
)
t
S
t
,
t
) represente le portefeuille de couverture.
Dautre part, le theorème de Feynman-Kac 2.24 applique au cas (s, x) = r et f(x) =
(x K)
+
montre en appliquant lequation (2.33) que si

S
s
= S
0,x
s
est la solution de d
S
t
=
S
t
dB
t
+ r
S
t
dt,
C(t,

S
t
) = e
(Tt)
E
_
(
S
T
K)
+
[T
t
_
(2.40)
Lexpression (2.38) permet egalement de retrouver le Delta de loption de fa con dierente.
Dans le cas t = 0, on a
C(0, x) = E
_
e
rT
(xM
T
e
rT
K)
+
)
,
avec la notation

S
t
= xM
t
e
rt
et o` u M
t
=
e
St
S
0
t
= xe
Bt
2
2
t
pour t 0 est une martingale. En
derivant par rapport à x sous lesperance, on retrouve
C
x
(0, x) = E
_
M
T
1
{xM
T
e
rT
K}
= F(d
1
),
o` u d
1
est la constante precedente.
2.7 Exercices 49
2.7 Exercices
Exercice 2.1 Le but de cet exercice est de proposer deux generalisations du Lemme de
Gronwall.
(i) Soit f : [0, T] R une fonction continue. Supposons quil existe une constante b > 0
et une fonction a : [0, T] R positive integrable telle que pour tout t [0, T],
0 f(t) a(t) + b
_
t
0
f(s)ds. (2.41)
Alors f(t) a(t) + b
_
t
0
a(s)e
b(ts)
ds pour tout t [0, T].
(ii) Soit f : [0, T] R une fonction borelienne bornee. Supposons quil existe une
constante a > 0 et une fonction integrable positive b : [0, T] R telle que 0 f(t)
a +
_
t
0
b(s)f(s)ds. Montrer que si H(t) =
_
t
0
b(s)ds, f(t) ae
H(t)
pour tout t [0, T].
Exercice 2.2 Processus dOrnstein-Uhlenbeck Soit X
0
, et b des constantes reelles,
(B
t
) un Brownien standard de dimension 1, X le processus solution de lequation de Langevin
X
t
= X
0
+ B
t
b
_
t
0
X
s
ds.
1. Montrer que si X
1
et X
2
sont solutions de lequation de Langevin, X
1
= X
2
.
2. Soit Y
t
= e
bt
_
X
0
+
_
t
0
e
bs
dB
s
_
. Montrer que
Y
t
= e
bt
_
X
0
b
_
t
0
e
bs
B
s
ds
_
+ B
t
.
En appliquant le theorème de Fubini, en deduire que
b
_
t
0
Y
s
ds = X
0
_
1 e
bt
_
+ b
_
t
0
e
b(tu)
B
u
du = X
0
Y
t
+ B
t
.
En deduire que lunique solution de lequation de Langevin est
X
t
= e
bt
_
X
0
+
_
t
0
e
bs
dB
s
_
.
3. Montrer que pour tout t, la loi de X
t
est gaussienne ^
_
X
0
e
bt
,

2
2b
(1 e
2bt
)
_
. Pour
tout s < t, calculer Cov(X
s
, X
t
).
Exercice 2.3 Processus de Vasicek On generalise le processus precedent en ajoutant
une constante dans le terme de derive
dY
t
= dB
t
+ a(b Y
t
)dt.
Cette EDS a ete etudiee pour modeliser levolution des taux dinteret dun marche nancier
et est appelee mean-reversing car si a et b sont positifs, le processus Y
t
tend vers b (en
un sens à preciser).
1. Montrer que X
t
= Y
t
b est solution de lequation de Langevin.
50 2

2. On suppose que X
0
est une constante. En deduire une expression explicite de Y
t
, puis
la loi de E(Y
t
) et Cov(Y
s
, Y
t
) pour 0 s t.
3. On suppose que X
0
suit une loi gaussienne ^(m,
2
0
) et est independante de (B
t
). Re-
prendre la question precedente et calculer la loi du vecteur (Y
s
, Y
t
) pour
0 s < t, lesperance de Y
t
et la covariance de Y
s
et Y
t
. Si Y
0
> 0, Le processus
Y
t
garde-t-il des valeurs positives ?
Pour 0 t T, calculer E
_
exp
_
_
T
t
Y
u
du
_
T
B
t
_
.
t
) un (T
t
)-Brownien standard de dimension r, (
k
(s), s 0) et
(b(s), s 0) des processus reels progressivement mesurables denis pour k = 1, , r,
et M une constante reelle telle que sup
0tT
(|(s)|
2
+[b(s)[) M p.s. Pour tout X
0
R
on veut resoudre explicitement lEDS lineaire suivante (à coecients non constants)
X
t
= X
0
+
_
t
0
(s)X
s
dB
s
+
_
t
0
b(s)X
s
ds. (2.42)
1. On suppose quil existe une constante reelle M telle que sup
0tT
(|(s)|
2
+[b(s)[) M
p.s. En reprenant la demonstration du Theorème 2.6 montrer que (2.42) a une unique
solution telle que sup
0tT
E([X
t
[
2
) < +. Sous quelles conditions supplementaires
ce processus satisfait-il la propriete de Markov ?
2. On suppose que (S
t
) est un processus dIto (continu) à valeurs strictement positives
tels que si dS
t
=
k
j=1
H
k
(s)dB
k
s
+H
0
(s)ds et si on note
j
(t) =
H
j
(t)
S
i
t
pour j = 1, , k
et b(t) =
H
0
(t)
S
i
(t)
, on a
_
T
0
(|(s)|
2
+ [b(s)[)ds < + p.s. Comparer ces hypothèses à
celles de la question precedente.
3. On suppose que les hypothèses de lune des questions precedentes sont satisfaites. Soit
Y
t
= exp
_
_
t
0
(s)dB
s
+
_
t
0
_
b(s) +
1
2
|(s)|
2
_
ds
_
.
Calculer dY
t
puis d(X
t
Y
t
) et en deduire que
X
t
= X
0
exp
__
t
0
(s)dB
s
+
_
t
0
_
b(s)
1
2
|(s)|
2
_
ds
_
. (2.43)
Exercice 2.5 Le but de cet exercice est de donner une première methode pour trouver
lequation (2.39) du modèle de Black & Sholes.
1. Montrer que la solution de lequation de Black & Sholes (2.37) est
C
t
(t, x) + rx
C
x
(t, x) +

2
x
2
2
2
C
x
2
(t, x) = rC(t, x)
avec C(T, x) = (x K)
+
.
2. Montrer que la valeur du call europeen à linstant t, est donnee par (2.38)
C(t, x) = E
_
e
r(tT)
(
S
t,x
T
K)
+
_
,
o` u

S
t,x
T
= xe
(B
T
Bt)+
_
r
2
2
_
(Tt)
.
2.7 Exercices 51
3. Montrer que que si G ^(0, 1), =
T t > 0 et =
_
r

2
2
_
(T t),
E
_
e
r(Tt)
(
S
t,x
T
K)
+
_
= xe
r(Tt)
E
_
e
G+
1
{G+ln(K/x)}
Ke
r(Tt)
P (G+ ln(K/x)) .
4. Notons F(x) =
1
2
_
x
e
u
2
/2
du la fonction de repartition dune variable aleatoire
G gaussienne ^(0, 1). Montrer que pour tout > 0, R, K > 0 et x > 0,
P
_
G+ ln(K/x)
_
= F
_
ln(x/K) +
_
et
E
_
e
G+
1
{G+>ln(K/x)}
_
= e
+
2
2
F
_
+
ln(x/K) +
_
5. Montrer la formule (2.39).
Exercice 2.6 Le but de lexercice est de generaliser la formule de Feynman-Kac montree
dans le Theorème 2.24 en prouvant (2.34).
Soit et b des fonctions satisfaisant les conditions (2.3) et (2.4), f, g, des fonctions satis-
faisant les conditions de la denition 2.23. Supposons que f /
0
(R
d
) et que sup
0tT
[g(t, x)[
est à croissance polynomiale. Pour tout t [0, T[ et x R
d
, notons (X
t,x
s
, s [t, T]) le pro-
cessus solution de (2.30) et (T
t
= T
B
t
) la ltration naturelle du Brownien B. Alors une
solution v du problème de Cauchy (2.31)
_
v
t
(t, x) + A
t
v(t, x) (t, x) v(t, x) + g(t, x) = 0 pour (t, x) [0, T[R
d
,
d
.
admet la representation stochastique :
v(t, x) = E
_
f(X
t,x
T
)e
R
T
t
(s,X
t,x
s
) ds
+
_
T
t
g(s, X
t,x
s
) e
R
s
t
(u,X
t,x
u
) du
ds
_
.
Les cinq exercices suivants etudient de fa con systematique la solution de lEDS
dX
t
= (X
t
+ a)dB
t
+ (X
t
+ b)dt , X
0
= x.
Exercice 2.7 Preliminaire
Soit a, , b, des constantes reelles positives et x R. On considère lEDS
dX
t
= (X
t
+ a)dB
t
+ (X
t
+ b)dt , X
0
= x. (2.44)
1. Montrer que (2.44) admet une unique solution forte.
2. On note m(t) = E(X
t
) et M(t) = E(X
2
t
).
(a) Montrer que m(t) est la solution de dEDO
y
y = b , y(0) = x. (2.45)
Resoudre cette EDO.
52 2

(b)

Ecrire X
2
t
comme processus dIto en utilisant la formule dIto pour la solution
X
t
de (2.44). Montrer que lintegrale stochastique est une martingale de carre
integrable.
(c) En deduire que si on note m(t) la solution de (2.45), M(t) est la solution de
lEDO
y
(2 +
2
)y = 2(b + a)m+ a
2
, y(0) = x
2
.
Resoudre cette EDO.
Exercice 2.8 Premier cas particulier a = b = 0
Soit (Y
t
) la solution de (2.44) avec a = b = 0 et x = 1.
1. Montrer que Y
t
= e
Bt+
2
2
t
.
2. Montrer que si 0, (Y
t
) est une (T
t
)-sous-martingale. A quelle condition sur le
processus (Y
t
) est-il une martingale ?
3. Soit (Z
t
) le processus dIto deni par
Z
t
= x + a
_
t
0
Y
1
s
dB
s
+ (b a)
_
t
0
Y
1
s
ds.
Montrer que ce processus est bien deni et calculer Y, Z)
t
. En deduire que la solution
(X
t
) de (2.44) peut secrire X
t
= Y
t
Z
t
.
Exercice 2.9 Second cas particulier = b = 0
On note (X
t
) la solution de lEDS
dX
t
= adB
t
+ X
t
dt , X
0
= x. (2.46)
1. Montrer que lunique solution de (2.46) est
X
t
= e
t
_
x + a
_
t
0
e
s
dB
s
_
.
(On pourra soit utiliser lexercice precedent, soit poser Y
t
= e
t
X
t
et resoudre
lequation veriee par Y .)
2. Montrer que pour tout choix dinstants t
1
< t
2
< < t
d
, le vecteur = (X
t
1
, X
t
d
)
est gaussien. Calculer E() et la matrice de covariance de .
3. Pour tout t 0, on note I
t
=
_
t
0
X
s
ds. Montrer que pour tout choix dinstants
t
1
< t
2
< < t
d
, le vecteur (I
t
1
, I
t
d
) est gaussien. Calculer E(e
It
) pour tout t 0.
4. Calculer E(X
t
[T
s
) et V ar(X
t
[T
s
) pour tout 0 < s < t.
5. Soit (X
t
) la solution de (2.46) et une fonction de classe (
2
.

Ecrire la formule dIto
pour Z
t
= (X
t
). En deduire que si (x) =
_
x
0
exp
_
y
2
a
2
_
dy,
Z
t
= a
_
t
0
exp
_
B
2
s
a
2
_
dB
s
.
Le processus (Z
t
) est-il une martingale de carre integrable ?
2.7 Exercices 53
6. Fixons R. Calculer
(t, y) = E
_
e
X
2
t
_
.
Pour t > 0 xe, etudier la (T
t
)-martingale
_
E(e
X
2
t
[T
s
), 0 s t
_
. Montrer que
est solution dune equation aux derivees partielles que lon explicitera. Soit (t, x) =
ln((t, x)). Montrer que
(t, x) = x
2
a(t) + b(t) avec a
(t) = a(t)(2 + a
2
a(t)), et b
(t) = a
2
a(t).
Exercice 2.10 Troisième cas particulier b = = 0
Soit (X
t
dX
t
= (X
t
+ a)dB
t
, X
0
= x ,=
a
. (2.47)
Soit h la fonction denie par
h(y) =
1
ln
a + y
a + x
pour y ,=
a
.
1. Soit Y
t
= h(X
t
). Quelle est lequation veriee par Y
t
?
2. En deduire que la solution de (2.47) est
X
t
=
_
x +
a
_
exp
_
2
2
t + B
t
_
.
Exercice 2.11 Quatrième cas particulier b = 1 et a = 0
Soit (X
t
) la solution de (2.44) dans le cas b = 1 et a = 0. On note Y
t
= e
t
X
t
.
Quelle est lequation satisfaite par Y
t
? Calculer E(X
t
) et V ar(X
t
).
54 3 Theorème de Girsanov
3 Theorème de Girsanov
Avec la formule dIto, le theorème de Girsanov est loutil fondamental du calcul stochas-
tique. Il decrit comment changer de fa con absolument continue la loi de certains processus.
Plus precisement, on considère un processus (X
t
, t 0) deni sur un espace probabilise
ltre (, T, (T
t
), P), dont la loi sous P peut etre delicate à etudier. On perturbe la
probabilite P en la multipliant par une (T
t
)-martingale exponentielle. On obtient alors une
nouvelle probabilite Q, sous laquelle le processus X suit une autre loi, plus simple à etudier.
On etudie cette loi sous la probabilite Q et on revient à la probabilite P avec la martingale
exponentielle. Les applications de cette methode sont multiples, aussi bien en nance que
pour letude du mouvement brownien.
Convention Dans tout ce chapitre, nous serons amenes à utiliser simultanement plusieurs
probabilites sur un espace mesurable (, T). Si P designe une telle probabilite, nous note-
rons E
P
(X) =
_
XdP lesperance dune variable aleatoire positive ou P-integrable X, et de
meme E
P
(X[ () lesperance conditionnelle de X par rapport à la sous-tribu ( de T sous la
probabilite P.
3.1 Changement de probabilite
Soit (, T, P) un espace probabilise et L une v.a. T-mesurable positive telle que E
P
(L) =
1, cest à dire desperance 1 sous P. On denit une nouvelle probabilite Q sur T de densite
L par rapport à P en posant Q(A) = E
P
(L1
A
) pour tout A T ; on note dQ = LdP.
Alors une variable aleatoire X est Q integrable si et seulement si LX est P-integrable ; si
X est positive ou Q-integrable, E
Q
(X) = E
P
(LX). De plus, Q est absolument continue par
rapport à P, cest à dire que pour tout A T, P(A) = 0 entrane Q(A) = 0. Si L > 0 P
p.s., alors P est absolument continue par rapport à Q, ce qui entrane que les probabilites P
et Q sont equivalentes, et la probabilite P a pour densite
1
L
par rapport à Q.
Lemme 3.1 Soit (, T, (T
t
), P) un espace probabilise ltre, T > 0. Soit L
T
une variable
aleatoire T
T
-mesurable positive ou nulle telle que E
P
(L
T
) = 1. Pour tout t [0, T], soit
L
t
= E
P
(L
T
[ T
t
).
(i) Pour tout t < T, si on note dQ[
Ft
(resp. dP[
Ft
) la restriction de Q (resp. P) à T
t
,
on a
dQ[
Ft
= L
t
dP[
Ft
.
(ii) Soit (M
t
, t 0) un processus. Cest une (T
t
, t [0, T])-martingale (resp. une (T
t
, t
[0, T])-martingale locale) sous Q si et seulement si le processus (L
t
M
t
, t [0, T]) est une
(T
t
, t [0, T])-martingale (resp. une (T
t
, t [0, T])-martingale locale) sous P.
(iii) Si L
T
> 0 P p.s., les probabilites P et Q sont equivalentes, pour tout t [0, T],
L
t
> 0 P (ou Q) presque s urement, (
1
Lt
, 0 t T) est une (T
t
, 0 t T) martingale
sous Q et si Z est T
t
mesurable et positive ou bien Q-integrable, pour tout s [0, t],
E
Q
(Z [ T
s
) =
E
P
(ZL
t
[ T
s
)
L
s
=
E
P
(ZL
t
[ T
s
)
E
P
(L
t
[ T
s
)
.
Demonstration. La ltration (T
t
, t [0, T]) etant xee, les martingales considerees (sous les
probabilites P ou Q) le seront toujours par rapport à cette ltration sans que ce soit precise.
(i) Pour tout t < T et tout A T
t
on a
Q(A) = E
P
(L
T
1
A
) = E
P
(E
P
[L
T
[ T
t
] 1
A
) = E
P
(L
t
1
A
) .
3.2 Formule de Cameron Martin 55
(ii) Supposons que (M
t
, t [0, T]) est une Q-martingale. Pour tout s t T et tout
A T
s
on a
E
P
(L
t
M
t
1
A
) = E
Q
(M
t
1
A
) = E
Q
(M
s
1
A
) = E
P
(L
s
M
s
1
A
)
et lon en deduit que (L
t
M
t
, t [0, T]) est une P-martingale. La reciproque se demontre de
fa con similaire. Si M est une martingale locale sous Q, la suite croissante de temps darret
n
telle que (M
nt
, t [0, T]) est une (T
t
)-martingale sous Q fait de (M
nt
L
nt
, t
[0, T]) une (T
t
)-martingale sous P.
(iii) Puisque L
T
> 0, la mesure P est absolument continue par rapport à Q de densite
1
L
T
sur T
T
. Pour tout t [0, T], la variable aleatoire
1
Lt
: [0, +] est positive telle que
E
Q
(1/L
t
) = E
P
(L
t
/L
t
) = 1. On a donc
1
Lt
< + Q p.s., soit L
t
> 0 Q (et P) p.s.
Soit Z L
1
(Q) une variable aleatoire T
t
-mesurable. Alors, pour s t, L
1
s
E
P
(ZL
t
[T
s
)
est T
s
-mesurable et pour tout A T
s
,
E
Q
(Z1
A
) = E
P
(Z1
A
L
t
) = E
P
(1
A
E
P
(ZL
t
[ T
s
)) = E
Q
(1
A
L
1
s
E
P
(ZL
t
[ T
s
)),
donc E
Q
(Z[T
s
) = L
1
s
E
P
(ZL
t
[T
s
) Q p.s. (ou P p.s.). Le raisonnement est similaire si Z 0
est T
t
mesurable.
Montrons que pour tout t [0, T], L
1
t
= E
Q
(L
1
T
[ T
t
) Qp.s. Soit Z une variable aleatoire
T
t
-mesurable et bornee ; alors Z L
1
t
est T
t
mesurable et
E
Q
(ZL
1
t
) = E
P
(ZL
1
t
L
t
) = E
P
(Z) = E
Q
(ZL
1
T
).
Puisque L
1
t
est T
t
-mesurable, L
1
t
= E
Q
(L
1
T
[T
t
) Q p.s. 2
3.2 Formule de Cameron Martin
Presentons tout dabord lidee principale en dimension nie. Soit X
1
, . . . , X
n
des variables
gaussiennes centrees reduites independantes, construites sur un meme espace probabilise
(, T, P). Pour tout (
1
, . . . ,
n
) R
n
on a
E
P
_
exp
_
n
i=1
i
X
i
__
=
n
i=1
E
P
[exp (
i
X
i
)] = exp
_
1
2
n
i=1
2
i
_
,
ce qui entrane
E
P
(L) = 1 o` u L = exp
_
n
i=1
_
i
X
i

2
i
2
_
_
.
Ainsi, on peut denir une nouvelle probabilite Q sur (, T) en posant dQ = LdP, cest à
dire
Q(A) = E
P
(L1
A
) =
_
A
L()dP()
pour tout A T. Le lemme 3.1 montre que Q est bien une probabilite equivalente à P
sur (, T), cest à dire que P(A) = 0 si et seulement si Q(A) = 0 pour tout A T. La
variable L designe la densite de Q par rapport à P.
On cherche maintenant à savoir quelle est la loi du n-uple (X
1
, . . . , X
n
) sous cette nouvelle
probabilite Q. Pour cela on ecrit pour tout borelien A 1
n
,
Q
_
(X
1
, , X
n
) A
_
=
_
1
{(X
1
, ,Xn)A}
e
P
n
i=1
i
X
i
2
i
2
dP
= (2)
n/2
_
A
e
P
n
i=1
i
x
i
2
i
2
P
n
i=1
x
2
i
2
dx
1
dx
n
= (2)
n/2
_
A
e
1
2
P
n
i=1
(x
i
i
)
2
dx
1
dx
n
et lon en deduit que si = (
1
, . . . ,
n
) : sous Q, (X
1
, . . . , X
n
) est un vecteur gaussien
^(, Id), cest à dire que :
sous Q, (X
1
, , X
n
) (
1
,
2
, ,
n
) est un vecteur gaussien ^(0, Id).
La formule de Cameron-Martin obeit au meme principe de changement de probabilite,
sauf que celui-ci a lieu sur lespace des fonctions continues et donc en dimension innie.
On se donne un Brownien standard (B
t
, t 0) sur (, T, P) et (T
B
t
, t 0) sa ltration
naturelle (completee). Pour tout m R, on sait que le processus
t L
m
t
= exp
_
mB
t

m
2
t
2
_
est une (T
B
t
)-martingale positive.
Remarquons dejà lanalogie entre cette martingale L
m
et la variable L denie plus haut.
On xe alors un horizon T > 0 et on construit une nouvelle probabilite Q
m
T
sur
_
, T
B
T
_
en
posant : Q
m
T
(A) = E
P
(L
m
T
1
A
) . La formule de Cameron-Martin specie alors la loi de B
sous Q
m
T
.
Theorème 3.2 (Formule de Cameron-Martin) Soit B un Brownien standard et m R.
Avec les notations precedentes, le processus deni par (

B
t
= B
t
mt, 0 t T) est un
(T
B
t
, 0 t T) Brownien sous la probabilite Q
m
T
, .
Demonstration. Remarquons dabord que les tribus T
B
t
et T
B
t
sont egales pour tout t
[0, T]. Fixons R et considerons le processus Z
t
= exp
_

B
t

2
t/2
_
. Pour tout
0 s t T et tout A T
B
s
, on a :
E
Q
_
Z
t
1
A
_
= E
P
_
Z
t
L
t
1
A
_
= E
P
_
exp
_

B
t

2
t
2
+ mB
t

m
2
t
2
_
1
A
_
= E
P
_
exp
_
B
t
mt

2
t
2
+ mB
t

m
2
t
2
_
1
A
_
= E
P
_
exp
_
( + m)B
t

( + m)
2
t
2
_
1
A
_
Puisque B est un Brownien sous P, le processus
_
exp
_
( + m)B
t

(+m)
2
t
2
_
, t [0, T]
_
est une (T
B
t
)-martingale sous P. On en deduit que pour tout A T
B
s
,
E
Q
_
Z
t
1
A
_
= E
P
_
exp
_
( + m)B
s
( + m)
2
s
2
_
1
A
_
= E
P
_
Z
s
L
s
1
A
_
= E
Q
_
Z
s
1
A
_
.
3.3 Theorème de Girsanov 57
On en deduit que E
Q
_
Z
t
1
A
_
= E
Q
_
Z
s
1
A
_
, do` u E
Q
_
Z
t
[ T
B
s
_
= Z
s
Q p.s. pour
tout s t T. Pour tout R, le processus Z
est donc une (T

B
t
)-martingale sous la
probabilite Q et le theorème de caracterisation de Paul Levy 1.33 permet de conclure que
B est un (T
B
t
, 0 t T)-Brownien sous Q. 2
3.3 Theorème de Girsanov
Le but de cette section est detendre le theorème de Cameron-Martin en translatant la
trajectoire Brownienne à linstant t par lintegrale dun processus non-constant Ce theorème
est dune très grande importance pratique.
Theorème 3.3 Soit (B
t
, t 0) un Brownien standard d-dimensionnel sur (, T, P), et
(T
B
t
, t 0) sa ltration naturelle completee. Soit T > 0, ((t), 0 t T) un processus
d-dimensionnel appartenant à H
T
2
et pour tout t [0, T], soit
L
t
= exp
_
_
t
0
d
i=1
i
(s)dB
i
s
1
2
_
t
0
|
s
|
2
ds
_
. (3.1)
Alors, si E
P
(L
T
) = 1, le processus (L
t
, 0 t T) est une (T
B
t
)-martingale, et
Q(d) = L
T
()P(d) est une probabilite equivalente à Q
Le processus W = (W
i
t
, 0 t T, i = 1, , d) deni par
W
i
t
= B
i
t

_
t
0
i
(s) ds est un (T
B
t
) -mouvement brownien sous Q.
Demonstration. Pour degager les idees, nous ne ferons la demonstration quen dimension
d = 1. Soit = (
s
) H
2
2
et (L
t
, 0 t T) le processus deni par (3.1). Alors L
t
= e
Xt
> 0
o` u X
t
=
_
t
0

s
dB
s
1
2
_
t
0

2
s
ds est un processus dIto. La formule dIto montre que sous P,
dL
t
= L
t
dX
t
+
1
2
L
t
2
t
dt = L
t
t
dB
t
.
On en deduit que sous P, (L
t
, t [0, T]) est une martingale locale positive, donc une sur-
martingale (cf. Exercice 1.4). On a donc pour 0 t T, L
t
E
P
(L
T
[T
B
t
). De plus,
E
P
(L
T
) = E
P
(L
0
) = 1 = E
P
(L
t
) pour tout t [0, T] et (L
t
, 0 t T) est donc une
(T
B
t
Daprès la caracterisation de Paul Levy (Theorème 1.33 (ii)), puisque W
0
= 0, pour
montrer que W est un (T
B
t
, 0 t T)-Brownien sous Q, il sut de montrer que sous Q
(W
t
, 0 t T) et (W
2
t
t, 0 t T) sont des (T
B
t
)-martingales locales continues. En
appliquant le Lemme 3.1, cela revient à prouver que les processus (L
t
W
t
, 0 t T) et
(L
t
(W
2
t
t), 0 t T) sont des (T
B
t
)-martingales locales continues sous P.
En appliquant la formule dIto au produit et le fait que sous P,
dW
t
= dB
t

t
dt,
on obtient sous P,
d(L
t
W
t
) = L
t
dW
t
+ W
t
dL
t
+ dL, W)
t
= L
t
dB
t
L
t
t
dt + W
t
t
L
t
dB
t
+ L
t
t
dt = (1 +
t
W
t
)L
t
dB
t
.
On en deduit que (L
t
W
t
, 0 t T) est bien une (T
B
t
, 0 t T)-martingale locale continue
sous P. De plus, la formule dIto entrane que si Y
t
= W
2
t
t, sous P,
dY
t
= 2W
t
dW
t
+
1
2
2dW, W)
t
dt = 2W
t
dB
t
2W
t
t
dt + dt dt = 2W
t
dB
t
2W
t
t
dt.
En appliquant de nouveau la formule dIto au produit, on deduit que sous P
d(L
t
Y
t
) = L
t
dY
t
+ Y
t
dL
t
+ dL, Y )
t
= 2L
t
W
t
dB
t
2L
t
W
t
t
dt + Y
t
L
t
t
dB
t
+ 2W
t
L
t
t
dt = L
t
(2W
t
+ Y
t
t
)dB
t
.
Le processus
_
(W
2
t
t)L
t
, 0 t T
_
est donc bien une (T
B
t
)-martingale locale continue
sous P. 2
Le lemme 3.1 et le theorème 3.3 montrent que P secrit en fonction de Q sous la forme
dP = L
1
T
dQ. En transformant lintegrale stochastique par rapport à B en une integrale
stochastique par rapport à W
t
= B
t

_
t
0

s
ds, on obtient
L
1
t
= exp
_
_
t
0
s
dB
s
+
1
2
_
t
0
2
s
ds
_
= exp
_
_
t
0
s
dW
s
1
2
_
t
0
2
s
ds
_
,
o` u il est clair que la dernière exponentielle dintegrale stochastique par rapport au processus
W, qui est un Brownien sous Q, est une (T
B
t
, 0 t T)-martingale sous Q.
On utilise souvent le theorème de Girsanov de la fa con suivante. On dispose dun pro-
cessus H
T
2
, on pour tout t [0, T] note Z
t
=
_
t
0

s
dB
s
et L
t
= exp
_
Z
t

1
2
Z, Z)
t
_
. On
suppose que E(L
T
) = 1 et on note Q la probabilite dont la restriction à T
t
est L
t
pour tout
t [0, T]. On a dautre part un processus H H
loc
2
et M
t
=
_
t
0
H
s
dB
s
une (T
t
)-martingale lo-
cale continue sous P, de crochet M, M)
t
=
_
t
0
|H
s
|
2
ds. Alors le processus N
t
= M
t
M, Z)
t
est sous Q une (T
t
)-martingale locale continue de crochet N, N)
t
= M, M)
t
(sous P ou Q,
puisque les crochets etant la variation quadratique des processus et les probabilites P et Q
etant equivalentes, les crochets sont les memes sous ces deux probabilites).
En eet, pour montrer cette propriete, daprès le lemme 3.1, il sut de verier que sous
P, le processus L
t
N
t
= L
t
(M
t
M, Z)
t
) est une (T
t
)-martingale locale, ce qui decoule
facilement de la formule dIto.
3.4 Condition de Novikov et generalisations
Le resultat suivant sera très utile dans le chapitre suivant. Il introduit une martin-
gale locale de forme exponentielle et donne des conditions susantes pour que ce soit une
martingale. Cette martingale exponentielle est à la base dun changement de probabilite
fondamental en nance.
Soit H
loc
2
(T
B
t
) un processus cadlag, (T
B
t
)-adapte, tel que
_
t
0

2
s
ds < + p.s. pour
tout t > 0 et Z
0
une constante. Par la formule dIto, on demontre que lunique solution de
lEDS
Z
t
= Z
0
+
_
t
0
s
Z
s
dB
s
(3.2)
est
Z
t
= Z
0
exp
__
t
0
s
dB
s
1
2
_
t
0
2
s
ds
_
.
3.4 Condition de Novikov et generalisations 59
Le processus Z est appele lexponentielle de Doleans-Dade de B. Daprès (3.2), cest
une martingale locale. Le critère suivant permet de savoir quand lexponentielle de Doleans-
Dade est une martingale. Il est formule dans un cadre multidimensionnel et on pourra lire
sa demonstration dans [7], p. 200.
Theorème 3.4 (Condition de Novikov) Supposons que B est un (T
t
) Brownien standard
de dimension d, (
t
) un processus à valeurs dans R
d
, (T
t
)-adapte tel que
E
_
exp
_
1
2
_
T
0
|
s
|
2
ds
__
< .
Si pour tout t [0, T] on note
Z
t
() = exp
_
d
i=1
_
t
0
i
s
dB
i
s
1
2
_
t
0
|
s
|
2
ds
_
,
le processus t Z
t
() est une (T
t
, 0 t T)-martingale uniformement integrable.
Quand la condition de Novikov nest pas satisfaite, Z
t
() est une martingale locale posi-
tive, donc une surmartingale, et E(Z
t
()) E(Z
s
()) Z
0
() pour tout t s 0. Il
faut remarquer que, meme si la martingale locale (Z
t
()) est uniformement integrable, ce
nest pas necessairement une martingale. Par contre, si la famille de variables aleatoires
Z
(), temps darret est uniformement integrable, alors (Z

t
()) est une martingale uni-
formement integrable.
On dispose de critères alternatifs à la condition de Novikov en dimension 1. On pourra
lire la demonstration dans [6].
Proposition 3.5 Soit B un Brownien standard à valeurs dans R
d
, H
T
2
un processus à
valeurs dans R
d
tel quil existe des instants 0 = t
0
< t
1
< t
N
= T pour lesquels pour tout
n 1, , N,
E
P
_
1
2
_
tn
t
n1
|
s
|
2
ds
_
< +. (3.3)
Alors si pour t [0, T] on pose L
t
= e
R
t
0
sdBs
1
2
R
t
0
s
2
ds
, on a E
P
(L
T
) = 1 et le processus
(L
t
, t [0, T]) est une (T
t
)-martingale.
Demonstration. Pour tout n 1, , N, notons (n)
t
=
t
1
[t
n1
,tn[
(t). La condition de
Novikov est satisfaite par (n) et le Theorème 3.4 montre que si on note
L
t
((n)) = exp
__
t
0
(n)
s
dB
s
1
2
_
t
0
|(n)
s
|
2
ds
_
,
on a
E
P
_
L
tn
((n))[T
t
n1
= L
t
n1
((n)) = 1.
On montre par recurrence sur n N que E
P
(L
tn
) = 1. En eet, pour tout n 1, , N
E
P
(L
tn
) = E
P
_
L
t
n1
E
P
_
L
tn
((n))[T
t
n1
_
= E
P
(L
t
n1
).
Puisque t
N
= T, on en deduit que E
P
(L
T
) = 1, ce qui entrane la propriete de martingale
de (L
t
) comme on la vu dans le debut de la demonstration du Theorème de Girsanov (le
processus (L
t
) est une martingale locale positive, donc une surmartingale, dont lesperance
est constante). 2
Le resultat suivant generalise le theorème de Novikov 3.4 pour des coecient de derive
qui sont fonction du Brownien. Il sut dans ce cas dimposer une restriction sur la croissance
du coecient b(t, x).
Proposition 3.6 (Benes) Soit B un Brownien standard de dimension d, T > 0 et b :
[0, T] R
d
une fonction borelienne telle quil existe une constante K pour laquelle pour
tout x R
d
,
sup
t[0,T]
|b(t, x)| K(1 +|x|).
Alors si L
t
= exp
_
_
t
0
b(s, B
s
)dB
s
1
2
_
t
0
|b(s, B
s
)[
2
ds
_
, on a E(L
T
) = 1 et (L
t
, 0 t T)
est une (T
t
)-martingale.
Demonstration. Soit N et pour n 0, , N, t
n
=
T
N
. Pour tout n 1, , N,
_
tn
t
n1
|b(s, B
s
)|
2
ds 2K
2
T
N
_
1 + sup
0sT
|B
s
|
2
_
.
Pour toute constante c > 0, la convexite de la fonction x exp[c(1 + |x|
2
)] entrane que
Y
t
= exp
_
c(1 + |B
t
|
2
)
est une sous martingale et pour C assez petit (tel que CT <
1
2
)
E
P
_
e
C(1+B
T
2
)
< +. Linegalite de Doob montre alors que

E
P
_
e
C(1+sup
0tT
Bt
2
)
_
= E
P
_
sup
0tT
_
e
C
2
(1+B
2
t
)
_
2
_
4 E
P
_
e
C(1+B
T
2
)
_
< +.
La proposition 3.5 permet de conclure en choisissant des instants t
n
tels que t = t
n
t
n1
=
2C <
1
T
. 2
Exemple 3.7 Le choix b(t, x) = x et legalite B
2
t
= 2
_
t
0
B
s
dB
s
+t (qui decoule immedia-
tement de la formule dIto) montrent que daprès la Proposition 3.6 le processus
t exp
_
B
2
t
t
2

2
2
_
t
0
B
2
s
ds
_
est une (T
B
t
)-martingale.
Le resultat suivant generalise le precedent à des coecients de derive qui sont fonc-
tion dun processus plus general. Il faut par controler la restriction sur la croissance et les
accroissements.
Proposition 3.8 (Critère de Kazamaki) Si le processus (
t
) est une martingale locale telle
que le processus t e
1
2
t
est une sous-martingale uniformement integrable, alors lexponen-
tielle de Doleans-Dade Z
t
() = exp
_
_
t
0

s
dB
s
1
2
_
t
0

2
s
ds
_
est une martingale uniformement
integrable.
3.5 Existence de solutions faibles 61
Proposition 3.9 (Critère de non explosion) Soit T > 0,
t
= b(t, B
s
) o` u b : [0, +[R
R est une fonction telle quil existe une constante K telle que
_
[b(t, x) b(t, y)[ K[x y[ , x, y R , t 0,
sup
tT
[b(t, 0)[ K.
Alors le processus (Z
t
, t [0, T]) deni par
Z
t
() = exp
__
t
0
b(s, B
s
)dB
s
1
2
_
t
0
b(s, B
s
)
2
ds
_
est une (T
t
)-martingale. De facon plus generale, le processus t Z
t
() est une (T
t
)-
martingale dès que lEDS
dX
t
= dB
t
+ b(t, X
t
)dt , X
0
= 0
a une unique solution faible sur tout lintervalle [0, +[ (ce quon appelle sans explosion).
3.5 Existence de solutions faibles
Le theorème de Girsanov permet de montrer lexistence dune solution faible à des EDS
qui nadmettent pas forcement de solution forte. Cest une generalisation de la condition de
Novikov qui permet de faire le changement de probabilite.
Proposition 3.10 Soit B un Brownien standard à valeurs dans R
d
, T > 0 et b : [0, T]
R
d
une fonction borelienne telle quil existe une constante K pour laquelle pour tout x R
d
sup
t[0,T]
|b(t, x)| K(1 +|x|). (3.4)
Alors pour tout x R
d
, lEDS
X
t
= x + B
t
+
_
t
0
b(s, X
s
)ds , 0 t T (3.5)
admet une solution faible sur lintervalle [0, T]. De plus, si (
(i)
, T
(i)
, (T
(i)
t
), P
(i)
, B
(i)
, X
(i)
),
i = 1, 2 sont deux solutions faibles telles que P
(i)
_
_
T
0
|b(t, X
(i)
t
)|
2
dt < +
_
= 1, les couples
(B
(i)
, X
(i)
) ont la meme loi sur leurs espaces respectifs.
Demonstration. Pour prouver lexistence dune solution faible, soit (, T, (T
t
), P) un espace
ltre et un Brownien B pour la ltration (T
t
). Les conditions de restriction sur la croissance
imposees à b et la Proposition 3.6 montrent que pour tout x R
d
, le processus
Z
t
= exp
_
d
i=1
_
t
0
b
i
(s, x + B
s
)dB
i
s
1
2
_
t
0
|b(s, x + B
s
)|
2
ds
_
, 0 t T,
est une vraie martingale sous P. On en deduit que la mesure Q de densite Z
T
par rapport
à P est une probabilite et que le processus
W
t
= B
t

_
t
0
b(s, x + B
s
)ds , 0 t T,
est un Brownien sous Q tel que W
0
= 0. Ceci revient à ecrire que sous Q, le processus
X
t
= x + B
t
satisfait X
t
= x + W
t
+
_
t
0
b(s, X
s
)ds, et que (X, W, Q) est une solution faible
de (3.5) avec la ltration de depart.
On pourra lire la demonstration de lunicite dans [7], page 304. 2
3.6 Exemples dapplication ` a des calculs desperance
Le theorème de Girsanov permet de calculer simplement les esperances de fonctionnelles
du Brownien. Nous traiterons trois exemples.
1) Pour calculer
E
P
_
B
t
exp
__
T
0
s
dB
s
1
2
_
T
0
2
s
ds
__
,
pour t < T, et o` u est une fonction deterministe qui appartient à L
2
([0, T]), introduisons la
densite L
T
= exp
_
_
T
0

s
dB
s
1
2
_
T
0

2
s
ds
_
, puis la probabilite Q de densite L
T
par rapport
à P sur T
B
T
. Alors, sous P, la propriete de martingale de L
t
= exp
_
_
t
0

s
dB
s
1
2
_
t
0

2
s
ds
_
pour la ltration naturelle du Brownien et le theorème de Girsanov montrent que si W
t
=
B
t

_
t
0

s
ds,
E
P
(B
t
L
T
) = E
P
(B
t
L
t
) = E
Q
(B
t
) = E
Q
_
W
t
+
_
t
0
s
ds
_
=
_
t
0
s
ds.
Dans le cas particulier = 1, on en deduit E
P
_
B
t
e
Bt
_
= t e
t
2
(ce que lon peut bien s ur
retrouver en utilisant directement la loi de B
t
).
2) Reprenons le calcul du call fait dans la section 2.6.2. Rappelons quil nous faut calculer
C(t, x) = E
_
e
r(tT)
(
S
t,x
T
K)
+
_
,
avec

S
t,x
T
= xe
(B
T
Bt)+
_
r
2
2
_
(Tt)
. La loi de B
T
B
t
est egale à celle de B
Tt
, donc
C(t, x) = E
P
_
e
r(tT)
_
xe
B
Tt
+
_
r
2
2
_
(Tt)
K
_
+
_
= E
P
_
xe
B
Tt
2
2
(Tt)
1
{xe
B
Tt
+(r
2
2
)(Tt)
>K}
_
Ke
r(tT)
P
_
xe
B
Tt
+(r
2
2
)(Tt)
> K
_
.
Introduisons la densite de probabilite
L
Tt
= exp
__
Tt
0
dB
s
1
2
_
Tt
0
2
ds
_
= exp
_
B
Tt

1
2
2
(T t)
_
.
Alors si Q designe la probabilite de densite L
Tt
par rapport à P, W
s
= B
s
s est un
(T
B
s
)-Brownien sous Q. De plus en ecrivant B
s
= W
s
+ s, on en deduit
E
P
_
_
xL
Tt
1
(
xe
B
Tt
+
(
r
2
2
)
(Tt)
>K
)
_
_
= xQ
_
W
Tt
+
_
r +

2
2
_
(T t) > ln(K/x)
_
.
Lautre terme à calculer est similaire, puisquil secrit
Ke
r(Tt)
P
_
B
Tt
+
_
r

2
2
_
(T t) > ln(K/x)
_
.
3.6 Exemples dapplication ` a des calculs desperance 63
On en deduit immediatement lexpression de C(t, x) trouvee dans la section 2.6.2 à laide
de la fonction de repartition F de la gaussienne centree reduite et des reels d
1
et d
2
,
C(t, x) = xF(d
1
) Ke
r(Tt)
F(d
2
),
d
1
=
1
T t
_
ln
_
xe
r(Tt)
K
_
+
1
2
2
(T t)
_
et d
2
= d
1

T t ;
le lien entre d
1
et d
2
est evident.
Remarquons dailleurs une formule importante sur la dualite call-put. Le put dual de C
est deni pour t [0, T] par
P(t, x) = E
_
e
r(tT)
_
K

S
t,x
T
_
+
_
.
Clairement,
C(t, x) P(t, x) = e
r(tT)
_
E(
S
t,x
T
) K
_
= x K e
r(Tt)
.
Il est souvent plus judicieux de calculer le put (par simulation en utilisant une methode de
Monte-Carlo car sa variance est inferieure à celle du call, ce qui ameliore la precision pour
un nombre de simulations xe), puis den deduire le call grace à la formule de dualite. On
pourra trouver directement la valeur du put en appliquant le theorème de Girsanov par une
technique similaire à celle utilisee pour evaluer le call.
Dans ce modèle, si on rapporte le prix de lactif risque à linstant t à celui de lactif sans
risque, cest à dire si on etudie
S
t
= e
rt
S
t
= e
Bt+
br
2
2
t
,
le Theorème de Girsanov montre que si =
br
, à chaque instant T > 0 en choisissant la

probabilite Q de densite
L
T
= exp
_
B
T

2
2
T
_
par rapport à P, le processus (W
t
= B
t
+ t, 0 t T) est une (T
t
, 0 t T)-martingale
sous Q et pour t T on a

S
t
= exp(W
t

2
2
t). Ceci entrane que sous Q, (
S
t
, 0 t T)
est une (T
t
, 0 t T)-martingale. On dit que cette probabilite Q est la probabilite risque
neutre.
3) Enn, pour calculer
I = E
P
_
(B
T
)e
2
2
R
T
0
B
2
s
ds
_
,
on introduit pour t [0, T]
L
t
= exp
_
_
t
0
B
s
dB
s

2
2
_
t
0
B
2
s
ds
_
.
Le critère de de Benes (Proposition 3.6) ou de non-explosion (Proposition 3.9) applique à
la fonction b(s, x) = x montre que (L
t
, 0 t T) est une (T
t
)-martingale. De plus, la
formule dIto (Exemple 3.7) montre que
_
t
0
B
s
dB
s
=
1
2
(B
2
t
t), cest à dire que
L
t
= exp
_
B
2
t
t
2

2
2
_
t
0
B
2
s
ds
_
.
De plus sous Q, W
t
= B
t
+
_
t
0
B
s
ds est un Brownien, cest à dire que sous Q,
B
t
= W
t

_
t
0
B
s
ds
est un processus dOrnstein-Uhlenbeck. Daprès lexercice 2.2, sous Q la variable aleatoire
B
t
= e
t
_
t
0
e
s
dB
s
et suit une donc loi gaussienne ^
_
0,
1
2
(1 e
2t
)
_
. De plus
I = E
P
_
L
T
e
B
2
T
T
2
(B
T
)
_
= E
Q
_
B
2
T
T
2
(B
T
)
_
,
et cette dernière integrale se calcule de fa con explicite à laide de la densite de la gaussienne
B
T
sous Q.
3.7 Theorème de representation previsible
Dans toute cette section, B est un Brownien standard et (T
B
t
) est sa ltration naturelle
(completee). Cette hypothèse est cruciale. Nous ne manipulerons quune probabilite P et
noterons E lesperance sous P. Nous allons verier que dans ce cas, toute (T
B
t
)-martingale
locale continue nulle en 0 peut etre ecrite comme lintegrale stochastique dun processus de
H
loc
2
.
Montrons tout dabord une propriete de representation des variables aleatoires T
T
-
mesurables de carre integrable pour P.
Nous commen cons par montrer un lemme technique sur une famille de variable aleatoires
dense dans L
2
(T
B
T
), qui explique comment la mesurabilite par rapport à la tribu T
B
T
est
utilisee.
Lemme 3.11 Pour tout T > 0, la famille de variables aleatoires (B
t
1
, , B
tn
) : 0 <
t
1
< t
n
T, (
0
est dense dans L
2
(T
B
T
).
Demonstration. Soit (t
k
, k N) la suite des elements de Q[0, T] et pour tout n 1, soit B
n
la tribu engendree par les variables aleatoires B
t
k
, 1 k n. La suite (B
n
) est une ltration
et la tribu B
= (B
t
i
, i 1) est egale à T
B
T
. De plus, pour tout X L
2
(T
B
T
), la suite de
variables aleatoires X
n
= E(X[ B
n
), n 1 est une martingale qui converge vers X p.s. et
dans L
2
. Par denition de B
n
, chaque variable aleatoire X
n
est de la forme g
n
(B
t
1
, , B
tn
),
avec une fonction g
n
borelienne. Enn, pour tout > 0, la variable aleatoire g
n
(B
t
1
, , B
tn
)
peut etre approchee dans L
2
(dP) à près par une variable aleatoire
n
(B
t
1
, , B
tn
) avec
une fonction
n
de classe (
à support compact. 2
Theorème 3.12 Soit Z une variable aleatoire T
B
T
-mesurable de carre integrable. Il existe
un unique processus (H
t
, 0 t T) appartenant à H
T
2
et tel que
Z = E(Z) +
_
T
0
H
s
dB
s
. (3.6)
Demonstration. Lunicite de H vient de lunicite du processus dIto Z
t
= E(Z[T
B
t
) = E(Z)+
_
t
0
H
s
dB
s
pour 0 t T (qui est une martingale si H H
T
2
).
Pour prouver lexistence, nous procederons en trois etapes.
3.7 Theorème de representation previsible 65
(i) Notons H =
_
T
0
H
s
dB
s
: H H
T
2
. Cest un sous-espace vectoriel de L
2
(T
B
T
), ses
elements sont desperance nulle et il est isometrique ` a lensemble H
T
2
qui est ferme pour la
norme L
2
([0, T] ) et la mesure d dP. H est donc un sous-espace ferme de L
2
(T
B
T
).
Pour tout Z L
2
(T
B
T
), notons
_
T
0
H
s
dB
s
la projection orthogonale de Z E(Z) sur H.
Alors,
Z = E(Z) +
_
T
0
H
s
dB
s
+

Z,
o` u

Z est une variable aleatoire de carre integrable, centree et orthogonale à H.
(ii) Montrons que

Z est orthogonale à lensemble
c =
_
exp
__
T
0
f(s)dB
s
_
T
0
1
2
f(s)
2
ds
_
: f L
2
([0, T])
_
.
Soit f L
2
([0, T]) ; alors
_
T
0
f(s)dB
s
est une variable aleatoire gaussienne ^(0,
_
T
0
f(s)
2
ds)
et la variable aleatoire X = exp
_
_
T
0
f(s)dB
s
1
2
_
T
0
f(s)
2
ds
_
est une densite de Girsanov
desperance egale à 1 (on remarque que la condition de Novikov est satisfaite). Il sut de
montrer que si X c, X 1 H. Soit X c et pour tout t [0, T], soit
t
=
_
t
0
f(s)dB
s
1
2
_
t
0
f(s)
2
ds , et M
t
= exp(
t
).
Alors, X = M
T
= exp(
T
).
La formule dIto montre que la martingale exponentielle M est solution de lEDS dM
t
=
M
t
d
t
+
1
2
M
t
f(t)
2
dt = M
t
f(t)dB
t
. On en deduit que
X = M
T
= 1 +
_
T
0
M
t
f(t)dB
t
et il reste donc à prouver que t M
t
f(t) H
T
2
. Le theorème de Fubini entrane
E
__
T
0
M
2
t
f(t)
2
dt
_
=
_
T
0
E(M
2
t
)f(t)
2
dt
=
_
T
0
E
_
e
R
t
0
2f(s)dBs
1
2
R
t
0
4f(s)
2
ds
_
e
R
t
0
f(s)
2
ds
f(t)
2
dt
=
_
T
0
e
R
t
0
f(s)
2
ds
f(t)
2
dt.
Si |f|
2
2
=
_
T
0
f(s)
2
ds, on en deduit que E
_
_
T
0
M
2
t
f(t)
2
dt
_
|f|
2
2
exp(|f|
2
2
) < +.
(iii) Il reste à montrer que toute variable aleatoire Y orthogonale à c est nulle p.s., cest
à dire que lespace vectoriel engendre par c est dense dans L
2
(T
B
T
).
Soit X L
2
(T
B
T
) tel que pour tout Y c, E(XY ) = 0. Alors, pour toute fonction f
L
2
([0, T]), E
_
X exp
_
_
T
0
f(s)dB
s
__
= 0. Considerons une subdivision t
0
= 0 < t
1
< <
t
n
T et soit f =
n
j=1
a
j
1
]t
j1
,t
j
]
une fonction etagee. Pour tout choix de la subdivision et
des constantes b
j
= a
j
a
j+1
pour j < n et b
n
= a
n
, on en deduit que
(b) = E
_
X exp
_
n
j=1
b
j
B
t
j
__
= 0, b R
n
.
Par prolongement analytique, on en deduit que (b) = 0 pour tout b C
n
.
Soit une fonction de classe (
à support compact et

sa transformee de Fourier
denie par

(y) =
_
R
n
(x) exp[i(x, y)]dx. La formule dinversion de Fourier montre alors
que (x) = (2)
n
_
R
n
(y) exp[i(x, y)]dy. On en deduit en appliquant le theorème de

Fubini
E[X(B
t
1
, , B
tn
)] = (2)
n
_
R
n
(y)E
_
X()e
i[y
1
Bt
1
()++ynBtn
()]
_
dy
= (2)
n
_
R
n
(y)(iy)dy = 0.
Le lemme 3.11 termine la demonstration. 2
Le theorème suivant est très important en nance. Il permet de trouver des portefeuilles
de couverture.
Theorème 3.13 (Theorème de representation des martingales Browniennes) Soit B un
Brownien standard, (T
B
t
) sa ltration naturelle, M une (T
B
t
)-martingale locale. Alors il
existe x R et H
loc
2
tels que
M
t
= x +
_
t
0
s
dB
s
.
Si M est une vraie (T
B
t
)-martingale de carre integrable, alors H
2
.
Demonstration. Supposons que M est une martingale de carre integrable et que M
0
= 0.
Fixons T > 0 ; daprès le Theorème 3.12, il existe un processus (
T
t
, 0 t T) H
T
2
tel que M
T
=
_
T
0

T
t
dB
t
p.s. Lunicite montre que si T < T
, les processus
T
et
T
sont
egaux dt dP-p.p. sur [0, T] . On peut donc denir presque partout un processus en
posant H
t
= H
T
t
pour 0 t T. On en deduit que
.
1
[0,T]
(.) appartient à H
T
2
et que
M
T
=
_
T
0

s
dB
s
.
Le resultat sur les (T
B
t
)-martingales locales est admis ; on remarquera que dans ce cas,
ces martingales locales sont automatiquement continues. 2
Signalons enn que dans certains cas, la formule de Clark-Ocone - voir [9] - donne une
representation explicite du processus .
3.8 Exercices
Exercice 3.1 Soit B un Brownien de dimension 1, et des constantes positives. On veut
calculer
I = E
_
B
2
t

2
2
_
t
0
B
2
s
ds
_
.
1. Montrer que le processus deni par
L
t
= exp
_
2
(B
2
t
t)

2
2
_
t
0
B
2
s
ds
_
est une (T
t
3.8 Exercices 67
2. Soit Q la probabilite denie par dQ
|Ft
= L
t
dP
|Ft
. Montrer que sous la probabilite Q,
B
t
= W
t

_
t
0
B
s
ds o` u W est un Brownien.
3. En deduire que
I = E
Q
_
exp(B
2
t
+

2
(B
2
t
t))
_
.
En utilisant lexercice 2.2, en deduire que I =
_
cosh(t) +
2
sinh(t)
_
1
2
.
4. En deduire que pour tout R,
E
P
_
exp
_
_
t
0
B
2
s
ds
__
=
_
cosh(
2t)
_
1
2
.
Exercice 3.2 Soit (h
t
) et (H
t
) des processus (T
t
)-adaptes de dimension r et B un (T
t
)-
Brownien de dimension r. Notons M
t
=
r
k=1
_
t
0
h
k
s
dB
k
s
et N
t
=
r
k=1
_
t
0
H
k
s
dB
k
s
. On
suppose que h satisfait la condition de Novikov et on note Q la probabilite de densite
exp
_
M
t

1
2
M)
t
_
sur T
t
. Montrer que le processus (N
t
M, N)
t
) est une (T
t
)-martingale
sous Q.
Exercice 3.3 Soit , et des constantes reelles.
1. Calculer E
_
_
t
0
e
Bs
ds
_
, puis E
_
e
Bt
_
t
0
e
Bs
ds
_
.
2. Soit A(t, ) =
_
t
0
e
Bs+s
ds. En utilisant le theorème de Girsanov, montrer que le calcul
de E(A(t, )) se ramène au cas = 0. Peut-on calculer directement E(A(t, )) ?
t
) un Brownien de dimension 1, , et des fonctions deterministes
bornees de R dans R. On suppose que ne sannule pas et on note b(t) =
_
t
0
(s)ds. On
note enn (r
t
) le processus solution de lEDS
dr
t
= (t) dB
t
+ [(t) (t) r
t
] dt , r
0
R.
1. Montrer que
r
t
= e
b(t)
_
r
0
+
_
t
0
(u)e
b(u)
dB
u
+
_
t
0
(u)e
b(u)
du
_
.
2. Calculer E(r
t
) et Cov(r
s
, r
t
) pour 0 s t.
3. Soit (s) =
(s)
(s)
; on suppose que est bornee et on note
L
t
= exp
__
t
0
(s)dB
s
1
2
_
t
0
(s)
2
ds
_
.
On note Q
1
la mesure sur T
t
de densite L
t
par rapport à P et W
1
t
= B
t

_
t
0
(s)ds.
Montrer que (r
t
e
b(t)
, t 0) est une (T
t
)- martingale sous Q
1
.
4. Soit (Z
t
) la solution de lEDS dZ
t
= Z
t
(t)
(t)
L
t
dW
1
t
et Z
0
= 1. Notons Q
2
la probabilite
sur T
t
de densite Z
t
par rapport à P. Montrer que (r
t
) est une (T
t
)-martingale sous
Q
2
.
68 4 Applications ` a la finance
4 Applications ` a la finance
Conventions de notations
Soit (, T, P) un espace probabilise, (B
t
, 0 t T) un Brownien standard de dimension
k, (T
t
, 0 t T) sa ltration naturelle completee.
4.1 Modelisation dun marche financier en temps continu
Reprenons de fa con plus generale le modèle decrit dans la section 2.6.2.
4.1.1 Modelisation dun marche ` a d actifs risques et k facteurs
On considère un marche nancier sur lequel les actifs sont negocies en temps continu.
Certains de ces actifs dits risques sont aleatoires et decrits à laide dun Brownien standard
k-dimensionnel B.
Le marche comprend d + 1 actifs de base (S
i
t
, 0 i d, t 0) et de leurs produits
derives. On suppose quaucun de ces actifs ne verse de dividende, quil ny a pas de co ut
de transaction, que lon peut acheter et vendre en temps continu et que les actifs sont
indeniment divisibles (leur valeur est un nombre reel). On suppose enn quà chaque instant
la valeur de lactif i, soit S
i
t
, est un processus dIto construit à partir de B et à valeurs
p.s. strictement positives. On note S
t
= (S
0
t
, , S
d
t
) pour tout t 0. Tous les resultats
setendraient au cas de semi-martingales continues presque s urement positives.
Exemple 4.1 Modèle de Black & Sholes Par exemple dans le modèle de Black & Sholes
de la section 2.6.2, lactif S
0
est sans risque tel que dS
0
t
= rS
0
dt et S
0
0
= 1, cest à dire que
S
0
t
= e
rt
. On dispose aussi dun actif risque qui est un Brownien geometrique solution de
lEDS dS
1
t
= S
1
t
dB
t
+ bS
1
t
dt. On sait que si S
1
0
> 0, S
1
t
> 0 p.s. pour tout t 0.
On verra dans la suite un modèle de Black & Sholes generalise dans lequel lactif sans
risque a un taux dinteret r
t
H
loc
1
, cest à dire toujours avec S
0
0
= 1, que S
0
t
= exp
_
_
t
0
r
s
ds
_
et les d actifs risques S
i
, 1 i d sont des processus dIto generaux à valeurs stricte-
ment positives On appelle alors volatilite stochastique de lactif S
i
à linstant t le quotient
(
i
j
(t), 1 j k) entre le coecient de diusion et le cours S
i
t
et on note de meme b
i
(t) le
rapport entre le coecient de derive et le cours, cest à dire que pour tout i = 1, , d,
dS
i
t
=
k
j=1
i
j
(s)S
i
s
dB
j
s
+ b
i
(s)S
i
s
ds.
Denition 4.2 Un numeraire est un actif dont le cours est processus dIto (S
t
) tel que
S
t
> 0 p.s. pour tout t.
On prend lactif S
0
du modèle de Black & Sholes generalise comme numeraire avec 1
comme unite monetaire à la date 0, cest à dire S
0
0
= 1. A la date t > 0, on rapporte la valeur
des actifs à S
0
t
= exp
_
_
t
0
r
s
ds
_
, ce qui revient à comparer leurs performances à celles de
lactif sans risque en les comparant à 1. Un autre actif X
t
vaut, dans cette nouvelle unite
X
t
=
X
t
S
0
t
= X
t
exp
_
_
t
0
r
s
ds
_
.
4.1 Modelisation dun marche financier en temps continu 69
On dispose egalement dactifs contingents ou derives dont levolution des prix
depend de celle des actifs de base S
i
, 0 i d. Plus precisement, on se donne à une date
T > 0 appelee maturite de lactif sa valeur qui peut dependre de toutes les trajectoires
des actifs de base (S
i
t
, i = 0, , d, 0 t T). La valeur de lactif à linstant T est donc
une variable aleatoire T
T
-mesurable. Pour un call europeen dans le cas du modèle de Black
& Sholes, on a = (S
1
T
K)
+
.
On cherche à dupliquer lactif contingent . On dispose dune somme initiale qui est
à chaque instant repartie entre les divers actifs de base sans adjonction ni retrait dargent,
de telle sorte quà la date T, la somme des placements faits sur ces actifs soit egale à . Le
but est de trouver linvestissement initial et la fa con de repartir à chaque instant la somme
dont on dispose entre les divers actifs pour quà la date T linvestissement global sur les
d + 1 actifs soit .
4.1.2 Description des strategies
Formalisons cette duplication par la denition suivante.
Denition 4.3 Une strategie est un processus =
_
(
0
s
, ,
d
s
), s [0, T]) tel que chaque
composante
i
soit (T
t
)-progressivement mesurable et
_
t
0

i
s
dS
i
s
existe pour tout i = 0, , d.
Dans le cas du modèle de Black & Sholes à deux actifs à coecients constants, puisque
les processus S
0
et S
1
sont à trajectoires continues, donc p.s. bornees sur [0, T], il suf-
t donc dimposer que les coecients
0
H
loc
1
et
1
H
loc
2
. En eet, dans ce cas les
integrales deterministes
_
t
0

0
s
e
rs
ds,
_
t
0

1
s
bS
1
s
ds et lintegrale stochastique
_
t
0

1
s
S
1
s
dB
s
se-
ront bien denies.
Rappelons les hypothèses faites sur le marche (decrites dans la section 2.6.2) :
Il ny a aucun co ut de transaction pour lachat et la vente de titres.
On permet la vente à decouvert sans limite, cest à dire que les
i
t
peuvent prendre des
valeurs negatives et ne sont pas minores.
Les actifs sont indeniment divisibles, cest à dire que lon peut acheter un vendre
une proportion arbitraire dun titre ; les processus
i
peuvent donc prendre toutes les
valeurs reelles.
Le trading se fait en temps continu, cest à dire que lon peut acheter ou vendre à
chaque instant reel t [0, T].
La valeur du portefeuille V
t
associe à la strategie à linstant t est
V
t
= (
t
, S
t
) =
d
i=0
i
t
S
i
t
. (4.1)
Le fait quon najoute ni retire de largent est modelise par la denition suivante :
Denition 4.4 Une strategie est autonancee (ou le portefeuille V

associe est auto-
nance) si pour tout t [0, T], V

t
= V

0
+
d
i=0
_
t
0

i
s
dS
i
s
p.s.
Les changements de valeur du portefeuille viennent dont uniquement de la repartition des
placements entre les divers actifs de base et des changements de valeur de ces actifs.
Nous serons amenes dans la suite à changer de numeraire an que les processus qui
modelisent le prix des actifs de base ainsi actualises aient des proprietes de martingale. Le
resultat suivant montre que le caractère autonance nest pas aecte par un tel changement.
Proposition 4.5 Soit (X
t
, t [0, T]) un numeraire,
S
i
t
Xt
le prix à linstant t de lactif ac-
tualise après changement de numeraire. Si la strategie est autonancee, le portefeuille
actualise après changement de numeraire
V

t
Xt
reste autonance.
Demonstration. Puisque X est un processus dIto strictement positif, Y =
1
X
est egalement
un processus dIto strictement positif et la formule dIt o entrane que pour tout i = 0, , d,
d
_
S
i
t
X
t
_
= d(S
i
t
Y
t
) = S
i
t
dY
t
+ Y
t
dS
i
t
+ dS
i
, Y )
t
.
Si le processus V
est autonance, dV

t
=
d
i=0
i
t
dS
i
t
p.s. et V

est un processus dIto. On
en deduit en appliquant de nouveau la formule dIto
d
_
V
t
X
t
_
= V

t
dY
t
+ Y
t
dV
t
+ dV
, Y )
t
=
d
i=0
_
i
t
S
i
t
dY
t
+ Y
t
i
t
dS
i
t
+
i
t
dS
i
, Y )
t
=
d
i=0
i
t
d
_
S
i
t
X
t
_
. 2
La notion suivante est egalement conservee par un changement de numeraire.
Denition 4.6 Une strategie est à richesse positive si elle et autonancee et si pour tout
t [0, T], V
t
0 p.s.
Si on actualise avec comme numeraire lactif non risque S
0
, les prix actualises des actifs
de base sont

S
t
= (1,

S
1
t
, ,

S
d
t
). Ce sont de nouveaux processus dIto et un portefeuille est
autonance si et seulement si après actualisation
d
t
=
d
i=1
i
t
d
S
i
t
, t [0, T].
On en deduit quun portefeuille autonance est entièrement determine par sa valeur initiale
V
0
et les quantites investies sur les actifs risques (
i
t
, i = 1, , d, t [0, T]). En eet,
d
S
0
t
= 0,

V

0
= V

0
,
t
= V
0
+
d
i=1
_
t
0
i
s
d
S
i
s
et
0
t
peut etre deduit par

V
t
=
0
t
+
d
i=1
i
t
S
i
t
.
Puisque après actualisation lactif non risque est constant, cest une martingale (triviale).
On souhaiterait transformer les autres actifs en martingales. Le chapitre precedent a montre
que ceci etait possible au prix dun changement de probabilite qui peut annuler le terme de
derive.
4.1.3 Absence dopportunite darbitrage - Mesure martingale equivalente
Ceci amène à la denition suivante de strategie admissible.
Denition 4.7 (i) On appelle mesure martingale equivalente une probabilite Q equivalente
à P telle que sous Q les prix actualises

S
i
, i = 1, , d sont des (T
t
)-martingales. Plus
precisement, on suppose quil existe un Brownien W sous Q tel que d
S
i
t
=
k
j=1
H
i
j
(t)dW
j
t
.
(ii) Soit Q une mesure martingale equivalente. On dit que la strategie est Q-admissible
si elle est autonancee et si (
V

t
, 0 t T) est une (T
t
, 0 t T) martingale sous Q.
4.1 Modelisation dun marche financier en temps continu 71
La notion suivante est fondamentale ; elle traduit que le marche fonctionne correctement
et quil ny a pas de free lunch , cest à dire de moyen de gagner une somme strictement
positive à linstant T en nayant rien investi au depart. Cest la notion inverse (possibilite
de free lunch ) qui est decrite dans la denition suivante :
Denition 4.8 (Opportunite darbitrage) Une strategie autonancee est appelee possibi-
lite darbitrage si
(i) V
0
= 0 et V

T
0 p.s.
(ii) P(V
T
> 0) > 0.
Un marche sain doit avoir la propriete dabsence dopportunite darbitrage, notee
AOA. Deux probabilites equivalentes ayant les memes ensembles negligeables, dans la deni-
tion dopportunite darbitrage, on peut remplacer P par une mesure martingale equivalente
Q.
Le resultat suivant montre que lexistence dune mesure martingale equivalente Q exclut
lopportunite darbitrage quand on se restreint aux strategies Q-admissibles ou bien à ri-
chesse positive. Dans le cas du modèle de Black & Sholes nous verrons quil y a equivalence
entre cette dernière propriete et AOA.
Theorème 4.9 Sil existe une mesure martingale equivalente Q, alors :
(i) il y a absence dopportunite darbitrage parmi les strategies qui sont Q-admissibles.
(ii) il y a absence dopportunite darbitrage parmi les strategies à richesse positive.
Demonstration.
(i) Soit une strategie admissible. Alors V
0
=

V

0
= E
Q
(
V

T
[ T
0
) = E
Q
(
V

T
). Si

V

T
0,
Q p.s. et si P(V
T
> 0) > 0, on en deduit que P(
T
> 0) > 0, puis que Q(
V

T
> 0) > 0
puisque P et Q sont equivalentes. On a donc E
Q
(
V

T
) > 0, ce qui exclut V
0
= 0.
(ii) Soit une strategie à richesse positive ; si on note d
S
i
t
=
k
j=1
H
i
j
(t)dW
j
t
pour
t [0, T], o` u (W
t
, 0 t T) est un Q Brownien standard de dimension k, alors pour
tout t [0, T], d
t
=
d
i=1
k
j=1
i
t
H
i
j
(t)dW
j
t
Q p.s. On en deduit que

V

est une (T
t
)-
martingale locale positive sous Q; cest donc une surmartingale (cf. Exercice 1.4 (i)). On
a donc pour tout t [0, T], E
Q
(
V

t
[T
0
)

V

0
= V

0
Q p.s. Donc si est une possibilite
darbitrage, E
Q
(
T
) 0. Dautre part, puisque

V

T
0 P p.s., donc Q p.s puisque P et Q
sont equivalentes, on en deduit

V
T
= 0 Q p.s., donc P p.s., ce qui fournit une contradiction.
2
Il faut prendre garde à une diculte propre au temps continu : lexistence dune mesure
martingale equivalente nentrane pas labsence dopportunite darbitrage sans restriction
sur les strategies. En eet, si Z est une variable aleatoire T
B
T
-mesurable de carre integrable
centree (non identiquement nulle), le theorème 3.12 montre quil existe H H
T
2
(sous Q)
telle que Z =
_
T
0
H
t
dW
s
. On peut en deduire dans le modèle de Black & Sholes une strategie
autonancee = (
0
t
,
1
t
) telle que

V
0
= 0 et

V
T
= Z.
4.1.4 Probabilite risque neutre
Dans toute cette section, on suppose quil existe une mesure martingale Q
equivalente à P.
Denition 4.10 On dit quun actif donne par sa valeur à linstant terminal T par une
variable aleatoire T
T
-mesurable est Q-duplicable sil existe une strategie Q-admissible
telle que est la valeur terminale du portefeuille associe, cest à dire si = V
T
Q presque
s urement. On dit alors que la strategie duplique lactif à linstant T, ou est duplicante .
Ceci veut dire intuitivement que le portefeuille duplique lactif dans tous les etats du
monde cest à dire pour P (ou Q) presque tout .
On montrera à titre dexercice que si un actif est duplicable à linstant T il le reste après
changement de numeraire avec la meme strategie.
Le resultat suivant montre que la valeur du portefeuille à tout instant t T est
independante de la strategie duplicante (mais peut dependre de Q).
Theorème 4.11 Soit T > 0, un actif derive (une variable aleatoire T
T
-mesurable) Q-
duplicable. Alors si est une strategie duplicante et V

le portefeuille associe, pour tout
instant t [0, T], V

t
= S
0
t
E
Q
(
V

T
[T
T
) (Q ou P p.s.) est independant de la strategie dupli-
cante. On lappelle le prix de loption à linstant t.
Demonstration. Pour tout t [0, T],

V
t
= E
Q
(
T
[T
t
), cest à dire que Q p.s.
V

t
= S
0
t
E
Q
_

S
0
T
T
t
_
,
est independant de la strategie . 2
De fa con evidente, si une strategie Q-admissible duplique un actif 0, elle est à
richesse positive. Cependant, une strategie à richesse positive ne determine pas de fa con
unique le prix du produit derive. En eet Harrison et Pliska ont montre quil existe une
strategie à richesse positive telle que V

0
= 1 et V

T
= 0 ; cette strategie est parfois
appeles strategie suicide. Clairement, si est une strategie qui duplique , + duplique
egalement .
En revenant au modèle de Black & Sholes, nous avons vu à la n du chapitre precedent
que si =
br
, la probabilite Q de densite exp(B

T

2
2
T) par rapport à P telle que sous
Q (
S
t
= e
rt
S
t
, t 0) est une Q-martingale et le calcul precedent montre que sous Q, si
est une variable aleatoire T
T
-mesurable,
V

t
= e
r(Tt)
E
Q
([T
t
) = e
rt
E
Q
(e
rT
[T
t
).
Sous Q, lactualisation de lesperance conditionnelle E
Q
([T
t
) se fait à laide du facteur
exponentiel exp(r(T t)), cest à dire avec le coecient dactualisation r. Les coecients
de la diusion S ont disparu de cette formule, comme si les investisseurs etaient neutres par
rapport au risque. On appelle Q la probabilite risque neutre. La probabilite P de depart
est appelee probabilite reelle , historique ou objective .
Le problème qui subsiste est la possibilite de dupliquer un actif.
Denition 4.12 (i) On dit que le marche est complet si tout actif est duplicable.
(ii) Soit Q une mesure martingale equivalente. On dit que le marche est Q-complet si
pour toute variable aleatoire T
T
-mesurable telle que

S
0
T
L
1
(Q), lactif de valeur terminale
est Q-duplicable.
Remarquons que par absence dopportunite darbitrage, on a naturellement unicite de
la mesure martingale equivalente Q telle que le marche est Q-complet.
4.2 Modèle de Black & Sholes generalise 73
Theorème 4.13 Supposons que le marche est complet. Notons Q
1
et Q
2
sont deux mar-
tingales mesures equivalentes telles que le marche soit Q
i
-complet, i = 1, 2. Alors on a
Q
1
[
F
T
= Q
2
[
F
T
.
Demonstration. Soit A T
T
. Alors 1
A
L
1
(Q) et S
0
T
1
A
est T
T
-mesurable ; cest la valeur
terminale dune strategie Q
i
-admissible
i
, i = 1, 2. On en deduit
V

i
0
=

V

i
0
= E
Q
i
(
i
T
) = E
Q
i
_
S
0
T
1
A
S
0
T
_
= Q
i
(A).
Daprès le Theorème 4.11, la valeur du portefeuille duplicant est independante de la strategie ;
à linstant 0 ceci traduit une absence dopportunite darbitrage. On en deduit que V

1
0
=
V

2
0
, et donc Q
1
(A) = Q
2
(A). 2
4.2 Modèle de Black & Sholes generalise
Nous generalisons tout dabord le modèle de Black & Sholes à un seul actif risque que
nous avons decrit dans les chapitres precedents et montrons que dans ce cas plus general il
existe egalement une mesure martingale equivalente Q dès quil y a absence dopportunite
darbitrage.
De plus, nous donnons des conditions susantes pour que le marche soit Q-complet et
calculerons la strategie de couverture dune option, cest à dire la strategie duplicante et
la valeur de loption à chaque instant.
Soit r un processus dans H
loc
1
et S
0
t
= exp
_
_
t
0
r
s
ds
_
.
On dispose dautre part de d actifs risques S
i
, i = 1, , d qui sont des processus dIto de
la forme
S
i
t
= S
i
0
+
k
j=1
_
t
0
i
j
(s)S
i
s
dB
k
s
+
_
t
0
b
i
(s)S
i
(s)ds , (4.2)
o` u B est un Brownien standard de dimension k, les processus (
i
j
(s), 0 s T) et (b
i
(s), 0
s T) sont progressivement mesurables et tels quil existe une constante M > 0 telle que
sup
0tT
(|(t)| +|b(t)|) M. Alors daprès lexercice 2.4 pour tout i = 1, , d,
S
i
t
= exp
__
t
0
i
(s)dB
s
+
_
t
0
(b
i
(s)
1
2
|
i
(s)|
2
)ds
_
(4.3)
:= exp
_
k
j=1
_
t
0
i
j
(s)dB
j
s
+
_
t
0
_
b
i
(s)
1
2
k
j=1
[
i
j
(s)[
2
_
ds
_
.
De plus, lequation (4.3) est aussi veriee si les S
i
sont des processus dIto (donc continus)
tels que dS
i
t
=
k
j=1
H
i
k
(s)dB
k
s
+H
i
0
(s)ds et tels que si on note
i
k
(t) =
H
i
k
(t)
S
i
t
pour i = 1, , d
et b
i
(t) =
H
i
0
(t)
S
i
(t)
,
_
T
0
(|(s)|
2
+|b(s)|)ds < + p.s.
4.2.1 Absence dopportunite darbitrage et changement de probabilite - Prime de
risque
Nous avons vu dans la section precedente que lexistence dune mesure martingale equiva-
lente Q entrane labsence dopportunite darbitrage parmi les strategies à richesse positive.
Montrons la reciproque dans ce modèle.
Supposons quil y a absence dopportunite darbitrage parmi les strategies à richesse
positive.
Pla cons-nous dabord dans le cas particulier k = 1 et d = 2 an de degager la no-
tion de prime de risque attachee à un facteur. Dans ce cas, un portefeuille autonance est
entièrement determine par sa valeur initiale V

0
et les quantites
i
t
, i 1, 2, t [0, T]
investies à chaque instant sur les deux actifs risques. Pour tout t [0, T], notons
1
t
=
2
t
S
2
t
et
2
t
=
1
t
S
1
t
. La continuite de S
i
et les proprietes de
i
montrent que les integrales
_
t
0

i
s
dS
i
s
sont bien denies et (
1
t
,
2
t
) est donc une strategie autonancee. Pour tout t [0, T],
S
0
t
= exp(
_
t
0
r
s
ds), et
d
S
i
t
= d
_
e
R
t
0
rsds
S
i
t
_
=
i
t
S
i
t
dB
t
+ (b
i
t
r
t
)
S
i
t
dt,
ce qui entrane (grace à la simplication des coecients de dB
t
)
d
t
=
2
t
S
2
t
d
S
1
t

1
t
S
1
t
d
S
2
t
= e
R
t
0
rsds
S
1
t
S
2
t
[
2
t
(b
1
t
r
t
)
1
t
(b
2
t
r
t
)]dt.
Ce portefeuille est donc sans risque et labsence dopportunite darbitrage montre que son
rendement est egal à r
t
, cest à dire nul quand les prix sont actualises par changement de
numeraire. En eet, notons (t) = e
R
t
0
rsds
S
1
t
S
2
t
[
2
t
(b
1
t
r
t
)
1
t
(b
2
t
r
t
)], et supposons quil
existe un ensemble A [0, T] tel que d P(A) > 0 et (t)() ,= 0 sur A. Notons s(t)
le signe de (t) lorsque (t) ,= 0 et posons pour i = 1, 2,
i
(t) = s(t)
i
(t) sur A et
i
(t) = 0 sur A
c
.
Alors la strategie = (
1
,
2
) est telle que
d
t
= [(t)[dt surA, d
t
= 0 surA
c
.
La strategie est une opportunite darbitrage et on en deduit donc que
b
1
t
rt
1
t
=
b
2
t
rt
2
t
.
Ce quotient note
t
sera appele prix du marche du risque B
t
à la date t. Il quantie
larbitrage qui est fait à linstant t entre de rendement et le risque dans la constitution du
portefeuille.
Revenons au modèle general. Pour tout t [0, T], la matrice (t) denit une application
lineaire aussi notee (t) : R
k
R
d
de matrice (t) dans la base canonique, cest à dire
telle que pour tout x = (x
1
, , x
k
) R
k
et tout i = 1, , d, ((t)x)
i
=
k
j=1
i
j
(t)x
j
. On
cherche un vecteur
t
= (
1
t
, ,
k
t
) tel que pour tout i = 1, , d, b
i
(t)r
t
=
k
j=1
i
j
(t)
k
t
,
cest à dire que
j
t
est la prime de risque du Brownien B
j
t
à linstant t. En identiant un
vecteur de R
k
à la matrice colonne de ses composantes dans la base canonique, et en notant
1 = (1, , 1) R
d
, ceci revient à resoudre lequation
b(t) r
t
1 = (t)
t
.
Le theorème suivant montre lexistence du vecteur des primes de risque de marche .
Theorème 4.14 Supposons quil y a absence dopportunite darbitrage parmi les strategies
à richesse positive. Alors il existe : [0, T] R
k
progressivement mesurable tel que
pour tout t [0, T], b(t) r
t
1 = (t)
t
.
Demonstration. Montrons que le vecteur b(t) r
t
1 Im ((t)). Nous admettrons alors que

le choix de peut etre fait de fa con progressivement mesurable.
Ceci revient à prouver que b(t) r
t
1 est orthogonal à tout vecteur du noyau de lap-

plication lineaire adjointe de (t) : R
k
R
d
notee
(t) : R
d
R
k
, denie pour tout
y R
k
et tout z R
d
, ((t)y, z)
R
d = (y,
(t)z)
R
k et associee à la matrice transposee de
(t). En eet, Im((t) = Ker (
(t))
. Linclusion Im ((t)) Ker (
(t))
est evidente
par la denition de ladjoint : pour tout y R
k
et tout z Ker (
(t)) R
d
, ((t)y, z)
R
d =
(y,
(t)z)
R
k = 0. De plus les relations classiques entre dimension des noyau, image des appli-
cations lineaires et de lorthogonal dun sous-espace vectoriel montrent que dim Im ((t))
kdim Ker (
(t)) = dim Im (
(t)). En echangeant les roles de
(t) et de (t) = (
(t))
,
on en deduit que dim Im (
(t)) dim Im (t)), do` u dim Im (t)) = dim Im
(t)) =
dim Ker(
(t))
, soit Im ((t)) = Ker (
(t))
daprès linclusion precedente.

Puisque les prix des actifs de base sont strictement positifs, pour tout vecteur x R
d
le
processus : [0, T] R
d
deni pour i = 1, , d par
i
t
=
x
i
S
i
t
permet de construite une
strategie autonancee. En eet la condition dautonancement permet den deduire
0
t
et
les conditions dexistence des integrales
_
t
0

i
s
dS
i
s
sont bien satisfaites. On a donc x = (S)
t
,
o` u on denit le vecteur (S)
t
par (S)
i
t
=
i
t
S
i
t
.
Supposons quil existe un ensemble A [0, T] tel que (dt dP)(A) > 0 et pour tout
(t, ) A,
(t)
(S)
t
= 0 et
_
(S)
t
, b(t) r
t
1
_
,= 0.
On construit alors une nouvelle strategie autonancee et posant
t
= 0 sur A
c
,
t
= s
t
t
o` u s
t
= signe
_
(S)
t
(b(t) r
t
1)
sur A.
Pour presque tout (t, ) A, pour tout j,
d
i=1
i
t
S
i
t
i
j
(t) = 0 et
d
V

t
= e
R
t
0
rsds
s
t
k
j=1
_
d
i=1
i
t
S
i
t
i
j
(t)
_
dB
j
(t) +
d
i=1
e
R
t
0
rsds
i
t
s
t
S
i
t
(b
i
(t) r
t
)dt
=
i=1
S
i
t
i
t
(b
i
(t) r
t
)
dt,
tandis que d
V

t
= 0 presque partout sur A
c
. On en deduit une strategie non risquee telle
que sur un ensemble de probabilite non nulle,
_
T
0
d
s
ds > 0, ce qui revient à dire que est
une opportunite darbitrage.
Puisque il y a absence dopportunite darbitrage, tout vecteur x de R
d
que lon peut
ecrire x = (S)
t
, du noyau de (t)
est orthogonal à b(t) r

t
1. On en deduit que le vecteur

b(t) r
t
1 appartient à lorthogonal du noyau de (t)
, cest à dire à limage de (t). 2

Le theorème suivant montre enn que si le vecteur de primes de risque a des proprietes
supplementaires, il existe une mesure martingale equivalente decrite explicitement à laide de
. Ceci generalise ce qui a ete observe dans le modèle de Black & Sholes. En eet dans ce cas
la prime de risque est telle que = b r, cest à dire que =
br
et la probabilite risque
neutre Q a ete construite à partir de la martingale exponentielle L
t
= exp
_
B
t

2
2
t
_
.
Theorème 4.15 Supposons quil existe un vecteur de prime de risque : [0, T] R
k
,
cest à dire un processus progressivement mesurable tel que b(t) r
t
1 = (t)
t
et que :
(i) H
loc
2
(R
k
).
(ii) Pour tout t [0, T], si on pose L
t
= exp
_
_
t
0

s
dB
s
1
2
_
t
0
|
s
|
2
ds
_
on a
E(L
T
) = 1 et pour tout i = 1, , d, E
P
_
L
T
e
R
T
0

i
s
(dBs+sds)
1
2
R
T
0

i
(s)
2
ds
_
< +.
Alors la probabilite Q denie par dQ[
F
T
= L
T
dP[
F
T
est une mesure martingale equivalente
à P, cest à dire que les prix actualises (
S
i
t
) sont des (T
t
)-martingales sous Q.
Remarque 4.16 Les hypothèses de convergence des integrales de la condition (ii) sont
satisfaites dès que les processus et
i
sont bornes, ou bien plus generalement si
E
P
_
e
1
2
R
T
0
((s)
2
+
i
(s)
2
)ds
_
< +.
En eet, dans ce cas les deux martingales locales sont des martingales exponentielles.
Demonstration. Il sut dappliquer le theorème de Girsanov. La probabilite Qest equivalente
à P et le processus deni pour j = 1, , k et t [0, T] par
W
j
t
= B
j
t
+
_
t
0
j
s
ds
est une Q-martingale ; de plus sous Q,
d
S
i
t
=

S
i
t
i
(t)dB
t
+

S
i
t
[b
i
(t) r
t
]dt =

S
i
t
i
(t)dW
t
.
De plus la seconde condition dintegrabilite montre que la condition de Novikov (Theorème
3.4) est satisfaite et assure que le processus
_
exp
_
_
t
0

i
s
dW
s
1
2
_
t
0
|
i
(s)|
2
ds
_
, t [0, T]
_
est une Q-martingale ; ceci termine la demonstration grace à la forme explicite de

S
i
t
(sous
Q) à laide de W montree dans lexercice 2.4. 2
4.2.2 Completude du marche
On se place sous les hypothèses du Theorème 4.15 : on note Q la probabilite
de densite L
T
par rapport à P, telle que sous Q les processus (
S
i
t
, 0 t T) sont
des (T
t
, 0 t T)-martingales.
Soit une variable aleatoire T
T
-mesurable Q integrable après changement de numeraire.
On veut montrer que lactif de valeur terminale est duplicable. Ceci necessite une hypothèse
de rang sur la matrice de diusion . Rappelons que pour tout t, la matrice (t) est
associee à une application lineaire de R
k
dans R
d
dadjointe (t)
: R
d
R
k
dont la
matrice dans les bases canoniques est la transposee (t)
de la matrice de diusion (t). L

application lineaire (t)
est surjective si et seulement si le rang de cette matrice (qui est

aussi celui de la matrice (t)) est egal à k.
Theorème 4.17 Soit Q la mesure martingale equivalente du Theorème 4.15. Le marche
est Q-complet si et seulement si pour tout t [0, T], le rang de (t) est Q (ou P) presque
s urement egal à k.
Demonstration. Soit une variable aleatoire T
T
-mesurable telle que

S
0
T
L
1
(Q). On veut
trouver une strategie autonancee Q-admissible telle que V

T
= . Daprès la section
precedente, si une telle strategie existe, on a sous Q pour tout t [0, T], daprès la propriete
de Q-martingale et dautonancement :
V

t
= E
Q
_

S
0
T
T
t
_
= V

0
+
d
i=1
_
t
0
i
s
S
i
s
i
s
dW
s
.
Le processus M
t
= E
Q
_

S
0
T
T
t
_
est une (T
W
t
)-martingale sous Q. Le processus netant
pas deterministe, la ltration (T
W
t
) est incluse dans (T
B
t
), sans lui etre egale.
Daprès le Lemme 3.1 le produit (L
t
M
t
) est une (T
B
t
, 0 t T)-martingale locale sous
P. Le theorème de representation (Theorème 3.13) entrane lexistence dun unique processus
H H
loc
2
(pour la ltration (T
B
t
)) tel que sous P, M
t
L
t
= M
0
+
_
t
0
H
s
dB
s
, cest à dire que
sous Q, d(M
t
L
t
) = H
t
dW
t
H
t
t
dt = H
t
(dW
t
t
dt) .
Puisque L
1
t
= exp
_
_
t
0

s
dW
s
1
2
_
t
0
|
s
|
2
ds
_
,
sous Q, dL
1
t
=
t
L
1
t
dW
t
.
La formule dIto montre alors que sous Q :
dM
t
= d[(ML)
t
L
1
t
]
= H
t
L
1
t
(dW
t
t
dt) + M
t
L
t
t
L
1
t
dW
t
+ dML, L
1
)
t
=
_
M
t
t
+
H
t
L
t
_
dW
t
.
Si on note K
t
= M
t
t
+
Ht
Lt
, on en deduit un processus K progressivement mesurable tel
que sous Q, M
t
= M
0
+
_
t
0
K
s
dW
s
. Il reste enn par identication de la decomposition de
M
t
comme processus dIto à trouver
i
t
, i = 1, , d tels que pour tout t [0, T] et tout
j = 1, , k, K
j
t
=
d
i=1
i
t
S
i
t
i
j
(t). Sous forme matricielle, cela revient à trouver le vecteur
(
i
t
, 1 i d) tel que
(t)
_
_
_
1
t
S
1
t
.
.
.
d
t
S
d
t
_
_
_
=
_
_
_
1
1
(t)
d
1
(t)
.
.
.
.
.
.
.
.
.
1
k
(t)
d
k
(t)
_
_
_
_
_
_
1
t
S
1
t
.
.
.
d
t
S
d
t
_
_
_
=
_
_
_
K
1
t
.
.
.
K
k
t
_
_
_
.
Si le marche est Q-complet, cette equation doit etre resolue Q p.s. pour tous les seconds
membres K (avec assez dintegrabilite et de mesurabilite), ce qui entrane que la matrice
(t)
doit etre de rang k p.s., et que (t) doit aussi etre de rang k Q p.s.
Reciproquement, si (t) est Q p.s. de rang k, alors (t)
est Q p.s. surjective et lequation

admet Q p.s. une solution
i
t
, i = 1, , d. Pour satisfaire lautonancement (après actua-
lisation), on en deduit
0
t
= M
t

d
i=1
i
t
S
i
t
Q p.s. La strategie = (
i
, 0 i d) est
donc autonancee, de valeur

V

t
egale à M
t
à linstant t. Puisque (
t
, 0 t T) est une
(T
B
t
)-martingale sous Q, la strategie est admissible et puisque Q p.s. V
T
= M
T
S
0
T
=
E
Q
([T
T
) = , elle duplique . 2
Remarquons que labsence dopportunite darbitrage et lexistence de primes de risque
donnent lexistence dune mesure martingale equivalente Q (par le theorème de Girsanov)
et la Q-completude du marche sous des conditions sur le rang de (t). Le theorème 4.13
montre alors lunicite de la mesure martingale equivalente.
La condition imposant à (t) detre de rang k montre quon doit avoir d k, cest à
dire quil y ait assez dactifs pour dupliquer les k sources dalea B
j
, 1 j k. Remarquons
enn que si k = d et si pour presque tout (t, ) [0, T] (t) est inversible, on a,
t
= (t)
1
[b(t)r
t
1]. Donc, si la matrice (t, ) est presque s urement bornee et si (t)(t)
est strictement elliptique, cest à dire quil existe des constantes 0 < m < M telles que pour
tout y R
k
, m|y|
2
y
(t)
(t)y M|y|
2
, et si les coecients b
i
(t) sont bornes presque
partout, les conditions du Theorème 4.15 sont satisfaites.
Dès que le marche est complet et quil y a absence dopportunite darbitrage, le prix
de tout actif derive est determine de fa con unique ; cet actif est redondant et son prix est
independant de lattitude des investisseurs à legard du risque.
4.2.3 Calcul du portefeuille de couverture dans le modèle de Black & Sholes
Rappelons que dans ce modèle on dispose dun actif sans risque S
0
t
= exp(rt) de
taux constant r > 0 et dun actif risque S
t
modelise par un Brownien geometrique S
t
=
S
0
e
Bt+
2
2
t
, solution de lEDS lineaire dS
t
= S
t
(dB
t
+bdt) o` u B est un Brownien stan-
dard unidimensionnel et > 0. On note (T
t
) la tribu naturelle de B. En collectant les calculs
faits precedemment et les resultats generaux montres sur les marches nanciers, nous avons
les proprietes suivantes :
Après changement de numeraire, si

S
t
= S
t
e
rt
, on a d
S
t
=
S
t
+

S
t
(b r)dt. Si on note
=
br
et Q la probabilite de densite L
T
= exp
_
B
T

2
2
_
par rapport à P sur T
T
, le
processus (W
t
= B
t
+ t, 0 t T) est une (T
t
, 0 t T)-martingale sous Q telle que
d
S
t
=
S
t
dW
t
. La probabilite Q est donc une mesure martingale equivalente, et sous Q, le
processus

S est la martingale exponentielle
S
t
= S
0
exp
_
W
t

2
t
2
_
. (4.4)
Il y a donc absence dopportunite darbitrage parmi les strategies à richesse positive. Puisque
> 0, le marche est complet et la mesure martingale Qest unique. De plus, pour tout T
T
tel que Z L
1
(Q), le prix actualise à linstant t de lactif versant la somme à linstant
terminal T est e
r(Tt)
E
Q
([T
t
). La probabilite Q est la probabilite risque neutre.
On sait quil est possible à chaque instant de trouver un portefeuille autonance dactifs
de base (lactif non risque S
0
et le sous-jacent S) qui à chaque instant t [0, T] a le meme
prix que loption. Le vendeur de loption doit constituer ce portefeuille appele portefeuille de
couverture de loption. A linstant terminal, ce portefeuille vaudra exactement , la somme
que le vendeur sest engage à payer.
Le portefeuille est theoriquement ajuste à chaque instant, sans tenir compte des va-
riations du cours du sous-jacent S. Il correspond à des transactions faites en continu et
sans frais, adjonction ni retrait dargent. La quantite dactif risque dans le portefeuille de
couverture est appele le Delta.
En realite, les transactions sont discrètes et les co uts de transaction limitent le nombre
dajustements (appeles hedges ). Le vendeur prend donc concrètement un risque. Plus
il fait de hedges, plus son portefeuille est proche de loption, mais plus il paye de co uts de
transaction.
Evaluation de couverture versant la somme h(S

T
) à linstant T
Cette option ne depend que de la valeur terminale (cest le cas dun call ou dun put)
mais pas de toute la trajectoire (S
t
, t [0, T]).
Si h(S
T
) est Q-integrable, lactif est duplicable par une strategie Q-admissible. Si W
t
=
B
t
+ t, (W
t
, t [0, T]) est un Brownien sous Q et lequation (4.4) montre que le prix de
loption à linstant t est
E
Q
_
e
r(Tt)
h(S
T
)[T
t
_
avec S
T
= S
t
exp
_
(W
T
W
t
) +
_
r

2
2
_
(T t)
_
.
La variable aleatoire S
t
est T
t
-mesurable et W
T
W
t
est independante de T
t
. La propriete
de Markov montre que ce prix secrit V (t, S
t
) o` u
V (t, x) = E
Q
_
e
r(Tt)
h
_
xe
Y +
2
2
(Tt)
__
o` u Y ^(0, T t).
On a montre dans la section 2.6.2 que la fonction V (t, x) est solution de lequation de
Feynman-Kac
_
V
t
(t, x) +L
t
V (t, x) = rV (t, x), (t, x) [0, T] R
V (T, x) = h(x)
,
o` u L
t
f(t, x) = rx
f
x
(t, x) +

2
2
x
2
2
f
x
2
(t, x).
Le prix en 0 est V (0, S
0
) = E
Q
_
e
rT
h
_
S
0
e
N(0,T)+
2
2
T
__
.
Il reste à calculer le portefeuille de couverture, cest à dire les quantites
0
t
dactif sans
risque et
t
=
1
t
dactif risque qui constituent à linstant t la strategie autonancee qui
duplique loption. Ce portefeuille est entièrement determine par le prix de loption à linstant
0 (valeur initiale du portefeuille) et le , cest à dire le processus (
t
). Nous avons vu
dans la section 2.6.2 que lunicite de la decomposition dun processus dIto et la condition
dautonancement entranent que
t
=
V
x
(t, S
t
). (4.5)
On voit que lEDP parabolique satisfaite par V (t, x) ne depend pas de b. Le delta
t
mesure la sensibilite du prix de loption aux variations du cours du sous-jacent S
t
; cest la
part du portefeuille investi sur lactif risque. Cette couverture est reajustee en temps discret.
Si
t
varie beaucoup, on doit modier souvent la composition du portefeuille et la sensibilite
du delta au cours du sous-jacent est mesuree par le gamma deni par
t
=

2
V
x
2
(t, S
t
). (4.6)
Calcul du delta Supposons que h (
2
est à croissance polynomiale ainsi que ses derivees
dordre 1 et 2. Nous ne ferons les calculs explicites quà linstant 0. Les formules à linstant
t sont similaires en rempla cant T par T t et S
0
par S
t
.
Notons
f(x, ) = e
rT
h
_
xe
W
T
+(r
2
2
)T
_
.
On a V (0, x) = E
Q
(f(x, )). Pour calculer
0
, il sut dintervertir la derivation par rapport
à x et lesperance sous Q. Daprès les resultats classiques de theorie de la mesure, il sut
que pour Q-presque tout , lapplication x f(x, ) soit de classe (
1
, et quil existe une
variable aleatoire g L
1
(Q) telle que pour tout x
0
et tout x dans un voisinage de x
0
,
f
x
(x, )
g() pour Q presque tout .

Puisque h
est à croissance polynomiale, si x reste borne, on majore bien

f
x
(x, ) = e
W
T
2
2
T
h
_
xe
W
T
+
h
r
2
2
i
T
_
par une variable aleatoire integrable independante de x dans une boule donnee. On en deduit
donc
0
=
V
x
(t, S
0
) = E
Q
_
e
W
T
2
2
T
h
(S
T
)
_
.
Un calcul similaire donne
t
=
V
x
(t, S
t
) = E
Q
_
e
W
Tt
2
2
(Tt)
h
(S
Tt
)
_
.
Si h
est de signe constant (cest à dire h est monotone), le signe de

0
est celui de h
.
Un nouveau changement de probabilite permet de trouver une expression legèrement plus
simple du delta.
Soit

Q la probabilite de densite exp(W
T

2
2
T) par rapport à Q. Alors le processus deni
par

W
t
= W
t
t pour 0 t T est un (T
B
t
, 0 t T)-Brownien sous

Q. De plus
0
= E
Q
_
h
_
S
0
e

W
T
+(r+
2
2
)T
_
.
Calcul du gamma Un raisonnement similaire permet de deriver de nouveau sous le signe
somme, ce qui donne
0
=

2
V
x
2
(t, S
0
) = E
Q
_
e
W
Tt
2
2
(Tt)
h
(S
Tt
)
_
.
Le second changement de probabilite montre que
0
= E
Q
_
h
_
S
0
e

W
T
+(r+
2
2
)T
_
.
Lorsque h est convexe, le gamma est donc positif.
Prix dun call de maturite T et dexercice K
On applique les resultats precedents au cas o` u h(x) = (x K)
+
. Sous la probabilite Q,
S est solution de lEDS d
S
t
=
S
t
dW
t
+
_
r

2
2
_
dt. Les calculs de la valeur du call ont
ete faits dans la section 2.6.2. La formule (2.38) montre que valeur du call à linstant t est
donne par (2.38). Pour tout x > 0 la formule (2.39) montre que si F(a) =
1
2
_
a
x
2
2
dx,
C(0, x) = E
Q
_
e
rT
(
S
T
K)
+
_
= S
0
F(d
1
) Ke
rT
F(d
2
),
o` u
d
1
=
1
T
_
ln
_
S
0
K
_
+
_
r +

2
2
_
T
_
d
2
= d
1
T =
1
T
_
ln
_
S
0
K
_
+
_
r

2
2
_
T
_
.
En rempla cant S
0
par S
t
et T par T t, on veriera en exercice que lon peut recrire
lequation (2.39) sous la forme
C(0, x) = S
t
F(d
1
(t, S
t
)) Ke
r(Tt)
F(d
2
),
avec
d
1
(t, y) =
1
T t
_
ln
_
y
K
_
+
_
r +

2
2
_
(T t)
_
,
d
2
(t, y) = d
1
(t, y)
T t =
1
T
_
ln
_
y
K
_
+
_
r

2
2
_
(T t)
_
.
La fonction h(y) = (y K)
+
est derivable en tout y ,= K et lensemble des tels que
xe
W
T
+(r
2
2
)T
() = K est negligeable. De plus, dy-presque partout h
(y) = 1
]K,+[
(y). Le
raisonnement precedent de derivation sous lintegrale par rapport à Q montre quen utilisant
la probabilite

Q
0
= E
Q
_
1
]K,+[
(S
0
e

W
T
+(r+
2
2
)T
_
_
,
cest à dire, puisque

W est un Brownien sous

Q,
0
=

Q
_

W
T
ln
_
S
0
K
+
_
r +

2
2
)T
___
= F(d
1
(0, S
0
)).
Un calcul similaire montre que
t
= F(d
1
(t, S
t
)), cest à dire que la forme du prix fournit
la composition du portefeuille de couverture :
C
t
=
t
S
t
+
0
t
e
rt
, o` u
0
t
= Ke
rT
F(d
2
(t, S
t
)) 0.
4.2.4 Volatilite
Les formules precedentes du prix et du delta dependent dun paramètre du sous-jacent
S qui nest pas directement observable : sa volatilite . Le coecient de derive b a en eet
disparu des formules de C
t
et
t
.
On dispose classiquement de deux fa cons destimer .
Volatilite historique On cherche à estimer à partir des observations passees du cours.
On regarde les donnees (S
ih
, 0 i n) à des instants multiples dun intervalle de temps de
base (par exemple un jour). Pour tout i = 1, , n, les variables aleatoires X
i
= ln
_
S
ih
S
(i1)h
_
sont independantes de meme loi gaussienne ^
__
b

2
2
_
h,
2
h
_
. Lestimateur classique de
la variance dun n-echantillon dont on ignore lesperance donne lestimateur suivant, qui est
un estimateur sans biais de
2
(car
1
h
2
n
i=1
(X
i

X
n
)
2
est un
2
n1
) :
1
h (n 1)
n
i=1
(X
i

X
n
)
2
o` u

X
n
=
1
n
n
i=1
X
i
.
Souvent on prend une taille dechantillon qui correspond au temps de vie qui reste pour
loption.
Volatilite implicite
On observe que le prix du call est une fonction continue strictement croissante de . En
observant les prix de puts et calls sur le marche avec diverses dates de maturite et diverses
valeurs de lexercice K, on recherche en inversant la formule.
Concrètement, il y a de nombreux actifs qui donnent des volatilites dierentes. La va-
riation de K donne une forme de smile , cest à dire que les options sur de petites
ou grandes valeurs de K sont plus chères et ont une volatilite implicite plus elevee.
Deux facteurs expliquent en partie ce phenomène : dune part le modèle nest pas pertinent
(surtout dans laspect dune volatilite constante) et il ny a que peu de transactions sur des
options dont les prix dexercice sont extremes.
Les traders raisonnent plus en termes de volatilite et de smile de volatilite, et se servent
du modèle de Black & Sholes comme dune traduction entre prix et volatilite implicite.
Les modèles qui permettent de prendre en compte les smile de volatilite sont ceux o` u la
volatilite
t
est stochastique et depend du temps. Un modèle à volatilite non constante mais
deterministe ne sut pas.
Divers modèles sont utilises :
Modèle de Hull & White On dispose de deux Browniens independants B et W. Le cours
du sous-jacent S
t
est modelise par lEDS dirigee par B de coecient de diusion
t
S
t
et de
coecient de derive b
t
S
t
. La volatilite
t
est aleatoire et son carre V
t
est solution dune EDS
lineaire dirigee par W de coecient de diusion s
t
V
t
et de derive m
t
V
t
, ce qui conduit au
système
_
dS
t
= S
t
(
t
dB
t
+ b
t
dt),
dV
t
= V
t
(s
t
dW
t
+ m
t
dt), o` u V
t
=
2
t
.
Dans ce cas, le prix du call peut etre exprime en fonction de celui du modèle de Black &
Sholes.
Modèle de Dupire La volatilite est une fonction (t, S
t
) avec 0 < (t, S
t
) . Il y a
existence et unicite de la solution de lEDS, mais pas de formule explicite.
Modèles à sauts De nombreux modèles recents font appel à des equations dierentielles
stochastiques dirigees par un processus de Levy (à la place du Brownien B) an de rendre
compte des discontinuites des trajectoires du prix des actifs en fonction du temps. Ces
modèles ne seront pas abordes ici.
4.3 Modèle de Cox-Ingersoll-Ross
Une classe importante de modèles stochastiques (plus recents que le modèle de Black &
Sholes) utilises en nance est liee au processus de Bessel.
4.3.1 Processus de Bessel generaux
Nous avons introduit des processus de Bessel dans le Chapitre 2. Nous allons maintenant
denir les processus de Bessel generaux.
Soit B un mouvement Brownien. En utilisant linegalite [
x

y[
_
[x y[, le
theorème de Yamada-Watanabe 2.20 montre que pour 0 et 0, lequation
dZ
t
= dt + 2
_
[Z
t
[ dB
t
, Z
0
= ,
a une unique solution forte. Cette solution est un processus de Bessel carre de dimension ,
que lon designe par BESQ
. En particulier, si = 0 et = 0, la solution Z 0 est lunique

4.3 Modèle de Cox-Ingersoll-Ross 83
solution. En utilisant le theorème de comparaison 2.19, si 0
et si et
sont des
processus de Bessel carre de dimension et
partant du meme point, alors 0

t

t
p.s.
Dans le cas > 2, le processus de Bessel carre BESQ
partant de natteint jamais 0.

Si 0 < < 2, le processus atteint 0 en un temps ni. Si = 0 le processus reste en 0 dès
quil atteint ce point.
Denition 4.18 (BESQ
) Pour tout 0 et 0, lunique solution forte de lEDS
t
= + t + 2
_
t
0
s
dB
s
est un processus de Bessel carre de dimension , partant de et est note BESQ
.
Denition 4.19 (BES
) Soit un BESQ
partant de . Le processus R =

est un
processus de Bessel de dimension , partant de a =

et est note BES
.
Denition 4.20 Le nombre = (/2) 1 (soit = 2( + 1)) est lindice du processus de
Bessel et un processus de Bessel dindice est note BES
()
.
En appliquant la formule dIto, on voit que pour > 0 et > 2, un BES
est solution de
R
t
= + B
t
+
1
2
_
t
0
1
R
s
ds . (4.7)
Les fonctions de Bessel modiees I
et K
solutions de
x
2
u
(x) + xu
(x) (x
2
+
2
)u(x) = 0
sont donnees par :
I
(z) =
_
z
2
_
n=0
z
2n
2
2n
n! ( + n + 1)
K
(z) =
(I
(z) I
(z))
2 sin z
.
Les probabilites de transition q
()
t
dun BESQ
()
sont
q
()
t
(x, y) =
1
2t
_
y
x
_
/2
exp
_
x + y
2t
_
I
xy
t
) (4.8)
et le processus de Bessel dindice a une probabilite de transition p
()
t
donnee par
p
()
t
(x, y) =
y
t
_
y
x
_
exp(
x
2
+ y
2
2t
)I
_
xy
t
_
, (4.9)
Les processus de Bessel sont utilises dans le modèle suivant de Cox-Ingersoll-Ross.
4.3.2 Modèle de Cox-Ingersoll-Ross
Pour modeliser des taux, Cox-Ingersoll-Ross etudient lequation suivante
dr
t
= k( r
t
)dt +
r
t
dB
t
(4.10)
Le theorème dexistence de Yamada-Watanabe (Theorème 2.20) montre que (4.10) a une
unique solution; cest un processus positif pour k 0, mais il nest pas possible den
obtenir une formule explicite. Soit r
x
le processus solution de (4.10) avec r
x
0
= x.
Le changement de temps A(t) =
2
t/4 reduit letude de (4.10) au cas = 2. En eet, si
Z
t
= r
2
t/4
, alors
dZ
t
= k
( Z
t
) dt + 2
_
Z
t
dB
t
,
avec k
= k
2
/4 et o` u B est un mouvement Brownien.
Le processus de CIR solution de lequation (4.10) est un BESQ change de temps : en eet,
r
t
= e
kt
2
4k
(e
kt
1)
_
,
o` u ((s), s 0) est un BESQ
(), avec =
4k
2
.
On peut montrer que, si T
x
0
:= inft 0 : r
x
t
= 0 et 2k
2
alors P(T
x
0
= ) = 1. Si
0 2k <
2
et k > 0 alors P(T
x
0
< ) = 1 et si k < 0 on a P(T
x
0
< ) ]0, 1[. (Cela se
fait au moyen du theorème de comparaison)
Cependant, on peut calculer lesperance de la v.a. r
t
au moyen de legalite
E(r
t
) = r
0
+ k(t
_
t
0
E(r
s
)ds),
en admettant que lintegrale stochastique est une martingale, ce qui est le cas. On calcule
sans dicultes supplementaires lesperance conditionnelle, en utilisant le caractère Marko-
vien :
Theorème 4.21 Soit r le processus veriant
dr
t
= k( r
t
)dt +
r
t
dB
t
.
Lesperance conditionnelle et la variance conditionnelle sont donnees par
E(r
t
[T
s
) = r
s
e
k(ts)
+ (1 e
k(ts)
),
Var(r
t
[T
s
) = r
s
2
(e
k(ts)
e
2k(ts)
)
k
+

2
(1 e
k(ts)
)
2
2k
.
Demonstration. Par denition, on a pour s t
r
t
= r
s
+ k
_
t
s
( r
u
)du +
_
t
s
r
u
dB
u
,
et en appliquant la formule dIto
r
2
t
= r
2
s
+ 2k
_
t
s
( r
u
)r
u
du + 2
_
t
s
(r
u
)
3/2
dB
u
+
2
_
t
s
r
u
du
= r
2
s
+ (2k +
2
)
_
t
s
r
u
du 2k
_
t
s
r
2
u
du + 2
_
t
s
(r
u
)
3/2
dB
u
.
4.3 Modèle de Cox-Ingersoll-Ross 85
En admettant que les integrales stochastiques qui interviennent dans les egalites ci-dessus
sont desperance nulle, on obtient, pour s = 0
E(r
t
) = r
0
+ k
_
t
_
t
0
E(r
u
)du
_
,
et
E(r
2
t
) = r
2
0
+ (2k +
2
)
_
t
0
E(r
u
)du 2k
_
t
0
E(r
2
u
)du.
Soit (t) = E(r
t
). En resolvant lequation (t) = r
0
+ k(t
_
t
0
(u)du), cest à dire
lequation dierentielle
(t) = k( (t)) et (0) = r

0
, on obtient
(t) = E[r
t
] = + (r
0
)e
kt
.
De la meme fa con, on introduit (t) = E(r
2
t
) et en resolvant
(t) = (2k+
2
)(t)2k(t),
on calcule
Var [r
t
] =

2
k
(1 e
kt
)
_
r
0
e
kt
+

2
(1 e
kt
)
_
.
Lesperance et la variance conditionnelle de r sobtiennent grace à la propriete de Markov :
E(r
t
[T
s
) = + (r
s
)e
k(ts)
= r
s
e
k(ts)
+ (1 e
k(ts)
),
Var(r
t
[T
s
) = r
s
2
(e
k(ts)
e
2k(ts)
)
k
+

2
(1 e
k(ts)
)
2
2k
.
2
Nous allons calculer E
_
e
R
T
t
ru du
T
t
_
.
4.3.3 Calcul du prix dun zero-coupon
Proposition 4.22 Soit
dr
t
= a(b r
t
)dt +
r
t
dB
t
.
Alors
E
_
e
R
T
t
ru du
T
t
_
= G(t, r
t
),
avec
G(t, x) = (T t) exp[x(T t)],
(s) =
2(e
s
1)
( + a)(e
s
1) + 2
, (s) =
_
2e
(+a)
s
2
( + a)(e
s
1) + 2
_
2ab
2
,
2
= a
2
+ 2
2
.
Demonstration. Soit (r
x,t
s
, s t) la solution de
dr
x,t
s
= a(b r
x,t
s
)ds +
_
r
x,t
s
dB
s
, r
x,t
t
= x
et pour tout s t soit
R
t
s
= exp
_
_
s
t
r
x,t
u
du
_
.
La propriete de Markov implique quil existe G telle que
exp
_
_
s
t
r
x,t
u
du
T
t
_
= G(t, r
t
).
Nous admettrons que G est de classe C
1,2
. La formule dIto appliquee à G(s, r
x,t
s
)R
t
s
, qui est
une martingale, montre que
G(T, r
x,t
T
)R
t
T
= G(t, x) + M
T
M
t
+
_
T
t
R
t
s
_
r
x,t
s
G(s, r
x,t
s
) +
G
t
(s, r
x,t
s
) + a(b r
x,t
s
)
G
x
(s, r
x,t
s
) +
1
2
2
r
x,t
s
2
G
x
2
(s, r
x,t
s
)
_
ds,
o` u M
t
est une integrale stochastique. Par analogie avec la formule de Feynman-Kac, en
choisissant G telle que
yG(s, y) +
G
s
(s, y) + a(b y)
G
y
(s, y) +
1
2
2
y
2
G
y
2
(s, y) = 0 (4.11)
et G(T, y) = 1 pour tout y, on obtient
R
t
T
= G(t, x) + M
T
M
t
,
o` u M est une martingale. En particulier, lorsque t = 0 on obtient E
_
exp
_
_
T
0
r
s
ds
__
=
E(R
T
) = G(0, x). En se pla cant entre t et T, on obtient
E
_
e
R
T
t
r
x,t
u
du
_
= G(t, x).
Il reste à calculer la solution de lequation aux derivees partielles (4.11). Un calcul assez
long montre que
G(t, x) = (T t) exp[x(T t)],
avec
(s) =
2(e
s
1)
(+a)(e
s
1)+2
, (s) =
_
2e
(+a)
s
2
(+a)(e
s
1)+2
_2ab
2
,
2
= a
2
+ 2
2
.
2
Si lon note P(t, T) le prix du zero-coupon associe,
P(t, T) = (T t) exp[r
t
(T t)],
on montre que
P(t, T) = B(t, T) (r
t
dt + (T t, r
t
)dB
t
) ,
avec (u, r) = (u)
r.
4.4 Exercices
Exercice 4.1 Soit et b des constantes, r > 0, x R, et (S
t
) le Brownien geometrique
solution de lEDS
dS
t
= S
t
_
dB
t
+ bdt
, S
0
= x.
1.

Ecrire S
t
sous forme exponentielle.
2. On note =
br
. Soit Q la probabilite denie sur T

t
par dQ = L
t
dP o` u
L
t
= e
Bt
1
2
2
t
. Montrer que sous Q, W
t
= B
t
t est un Brownien.
4.4 Exercices 87
3. Soit

P la probabilite denie sur T
t
par d
P = Z
t
dQ o` u Z
t
= e
Wt
2
2
t
. Montrer que
dS
t
= S
t
_
d

B
t
+ (r +
2
)dt
,
o` u

B est un Brownien sous

P.
4. Soit P
0
> 0 et pour tout t 0, P
t
= P
0
e
rt
. Montrer que
_
St
Pt
, t 0
_
est une martingale
sous Q. Montrer que
_
Pt
St
, t 0
_
est une martingale sous

P.
5. Soit A et des constantes reelles, F
t
= e
t
_
_
t
0
S
u
du + xA
_
et
t
=
Fte
rt
St
.

Ecrire
lEDS satisfaite par
t
en utilisant le Brownien

B sous

P.
Exercice 4.2 Volatilite stochastique Soit B
1
et B
2
deux Browniens independants, T
t
=
(B
1
s
, B
2
s
, s t) la ltration engendree par B
1
et B
2
. Soit et des fonctions (deterministes)
bornees de [0, +[ dans R, et des fonctions (deterministes) bornees de R dans [m, +[
avec m > 0. On note S la solution de
dS
t
= S
t
_
(Y
t
)dB
1
t
+ (t)dt
, S
0
= x R,
o` u (Y
t
) est solution de lEDS
dY
t
= (Y
t
)dB
2
t
+ (t)dt , Y
0
= 1.
1. Soit un processus (T
t
) adapte borne et (Z
t
dZ
t
= Z
t
t
dB
1
t
, Z
0
= 1.
Ecrire explicitement Z
t
sous forme exponentielle.
2. Soit et des processus (T
t
)-adaptes, bornes et (L
t
) le processus deni par
L
t
= exp
__
t
0
s
dB
1
s

1
2
_
t
0
2
s
ds +
_
t
0
s
dB
2
s

1
2
_
t
0
2
s
ds
_
. (4.12)
Ecrire lEDS satisfaite par (L

t
). On note Q la probabilite denie par dQ = L
t
dP sur
T
t
.
3. Soit

B
1
t
= B
1
t

_
t
0

s
ds et (

Z
t
) la solution de lEDS d
Z
t
=

Z
t
d

B
1
t
et

Z
0
= 1, o` u est
une constante. Montrer que (L
t

Z
t
) est une (T
t
4. Montrer que

B
2
t
= B
2
t

_
t
0

s
ds est un (T
t
)-Brownien sous Q.
5. On admettra que si Q est une probabilite equivalente à P il existe et tels que la
densite de Q par rapport à P soit de la forme (4.12). Decrire lensemble des couples
(, ) correspondant à des probabilites Q telles que le processus (S
t
e
rt
, t 0) soit
une martingale sous Q. On notera Q cet ensemble de probabilites
6. Le marche nancier est-il complet ?
7. Soit X un actif duplicable au sens suivant : il existe un processus (T
t
)-adapte (V
t
) tel
quil existe un processus (
t
) borne (T
t
)-adapte pour lequel :
dV
t
= rV
t
dt +
t
_
dS
t
rS
t
dt
, et V
T
= X.
(a) Montrer que (V
t
e
rt
) est une (T
t
)-martingale sous Q pour toute probabilite Q
Q.
(b) On suppose que V
t
= v(t, S
t
, Y
t
). Montrer que v satisfait une EDP que lon
explicitera.
Exercice 4.3 Options power Soit r, , des constantes positives, x > 0. On modelise la
dynamique dun actif versant des dividendes au taux alors que le taux spot est r sous la
probabilite risque neutre par
dS
t
= S
t
_
dB
t
+ (r )dt
, S
0
= x.
1. On souhaite evaluer un actif contingent sur S versant des dividendes, cest à dire
calculer E
P
_
h(S
T
)e
r(Tt)
T
t
. En sinspirant des formules permettant de faire le calcul

dans le cas classique, quelle est la valeur de cet actif lorsque h(x) = (x
K)
+
o` u
> 0 ?
2. On suppose que = r. On note Q la probabilite qui sur T
t
a pour densite
St
x
par
rapport à P. Justier que Q est bien une probabilite. On note Z
t
=
x
2
St
. Quelle est
la dynamique de (Z
t
, t 0) sous Q. Montrer que pour toute fonction f borelienne
bornee,
1
x
E
P
_
S
T
f
_
x
2
S
T
__
= E
P
(f(S
T
)).
3. On revient au cas general. Montrer que (S
a
t
, t 0) est une martingale pour une valeur
de a que lon precisera. Monter que pour toute fonction f borelienne bornee,
E
P
[f(S
T
)] =
1
x
E
P
_
S
a
T
f
_
x
2
S
T
__
.
4. On suppose que h(x) = x
(x K)
+
. Montrer que h(S
T
) est la dierence de deux
payos correspondant à des options dachat europeennes portant sur S
+1
et S
et sur
des strikes que lon determinera.
Remerciements Ce cours remplace celui de Calcul Stochastique et Finance, Temps continu,
fait par Isabelle Nagot dans lex DEA MME de lUniversite Paris 1. Il fait suite au cours
de Calcul Stochastique fait Bernard de Meyer puis par Ciprian Tudor. Je remercie ces trois
collègues de Paris 1 de mavoir fourni leurs polycopies.
Je tiens aussi à exprimer ma gratitude à Monique Jeanblanc et à Thomas Simon, qui
mont donne la toute dernière version des notes de deux cours de calcul stochastique applique
à la nance quils ont mis au point dans des formations de M2 ` a lUniversite d
Evry.
References 89
References
[1] Comets, F., Meyre, T., Calcul stochastique et modèles de diusions, Dunod 2006.
[2] De Meyer, B., Calcul Stochastique, Polycopie du cours de lex DEA MME de lUniver-
site Paris 1, annee 2004-2005.
[3] Friedman, A., Stochastic Dierential Equations and Applications, Volume 1, Academic
Press, 1975.
[4] Jeanblanc ; M., Cours de calcul stochastique, DESS IM Evry, Septembre 2005,
http ://www.maths.univ-evry.fr/pages perso/jeanblanc/
[5] Jeanblanc, M., Simon, T., Elements de calcul stochastique, IRBID, Septembre 2005.
[6] Jeanblanc, M., Yor, M. et Chesney, M., Mathematical Methods for nancial Markets,
Springer Verlag, à paratre.
[7] Karatzas, I., Shreve, S.E., Brownian motion and Stochastic Calculus, Springer Verlag,
1991.
[8] Lamberton, D., Lapeyre., B, Introduction au calcul stochastique applique à la nance.,
Ellipses, Paris, 1991.
[9] Malliavin P., Stochastic Analysis, Springer, Berlin, 1997.
[10] Nagot, I., Calcul Stochastique et Finance, Temps continu, Polycopie du cours de lex
DEA MME de lUniversite Paris 1, annee 2004-2005.
[11] Revuz, A., Yor, M., Continuous Martingales and Brownian Motion, Springer, Berlin,
3th edition 1999.
[12] Rogers L. C. G. et Williams, D., Diusions, Markov Processes, and Martingales. Volume
1 : Foundations, Wiley, Chichester, 1994.
[13] Rogers L. C. G., Williams, D., Diusions, Markov Processes, and Martingales. Volume
2 : Ito Calculus, Wiley, Chichester, 1987.
[14] Tudor, C., Calcul Stochastique 1, Cours polycopie du Master M2 MMEF de lUniversite
Paris 1, annee 2005-2006, http ://pagesperso.aol.fr/cipriantudor/

Cal Sto 2

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Cal Sto 2

Uploaded by

Copyright:

Available Formats

M2 - Math

converge vers 0 en probabilite.

deux subdivisions ; notons

converge vers 0 en probabilite.

la matrice d d denie par a

= P(A)E[f(Z)]. Ceci prouve

[0, 1] telle que

. Un calcul similaire avec ( = (B

, la propriete de Markov forte (1.19) est satisfaite. 2

Equation de Tanaka) Notons sign(x) = 1 si x 0 et sign(x) = 1 si

(t, x) designe la matrice carree symetrique d d de

pour (t, x) [0, T[R.

est donc une (T

(), temps darret est uniformement integrable, alors (Z

< +. Linegalite de Doob montre alors que

, `a chaque instant T > 0 en choisissant la

(y) exp[i(x, y)]dy. On en deduit en appliquant le theor`eme de

, la probabilite Q de densite exp(B

1 Im ((t)). Nous admettrons alors que

1 est orthogonal `a tout vecteur du noyau de lap-

. Linclusion Im ((t)) Ker (

(t)). En echangeant les roles de

(t)) dim Im (t)), do` u dim Im (t)) = dim Im

, soit Im ((t)) = Ker (

dapr`es linclusion precedente.

est orthogonal `a b(t) r

1. On en deduit que le vecteur

1 appartient `a lorthogonal du noyau de (t)

, cest `a dire `a limage de (t). 2

de la matrice de diusion (t). L

est surjective si et seulement si le rang de cette matrice (qui est

est Q p.s. surjective et lequation

1]. Donc, si la matrice (t, ) est presque s urement bornee et si (t)(t)

Evaluation de couverture versant la somme h(S

g() pour Q presque tout .

est `a croissance polynomiale, si x reste borne, on majore bien

est de signe constant (cest `a dire h est monotone), le signe de

S est solution de lEDS d

. En particulier, si = 0 et = 0, la solution Z 0 est lunique

partant du meme point, alors 0

partant de natteint jamais 0.

) Pour tout 0 et 0, lunique solution forte de lEDS

(t) = k( (t)) et (0) = r

. Soit Q la probabilite denie sur T

Ecrire lEDS satisfaite par (L

. En sinspirant des formules permettant de faire le calcul

You might also like