–Calcul Stochastique– Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Calcul Stochastique Yassine EL QALLI [email protected] Institut National de Statistique et d’Économie Appliquée Avril 2022 Filière Actuariat-Finance Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques 1 Pré-requis 2 Processus Stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien 3 Intégrales Stochastiques Intégrale de Steiltjes Intégrale d’Itô 4 Calcul d’Itô Processus d’Itô Lemme d’Itô Théorème de Girsanov 5 Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Références Karatzas, I. and Shreve, S.E. Brownian Motion and Stochastic Calculus. Springer-Verlag, Berlin,1991. Commentaire : Excellent ouvrage. Contient à peu près tout ce dont vous pourrez avoir besoin. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Références Øksendal, B. Stochastic Differential Equations. Springer-Verlag, Berlin, sixth edition, 1998. Commentaire : Très bon livre abordant de nombreux problèmes liés au calcul stochastique. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Références Revuz, D and Yor, M. Continuous Martingales and Brownian Motion. Springer Verlag, Berlin,corrected third edition, 2005. Commentaire : Excellent ouvrage. Un peu difficile en première lecture –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Références Comets, F., Meyre, T. Calcul stochastique et modèles de diffusions-Cours et exercices corrigés, 2e édition, Dunod,2015. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Pré-requis –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Dans cette introduction sont rassemblées quelques définitions relevantes de la théorie des probabilités. Les propriétés qui en dérivent sont aussi indispensables pour la compréhension du cours. L’espace de probabilité sur lequel on travaille est noté Ω. L’espace Ω est un espace abstrait dont les éléments sont notés ω. Un sous-ensemble de Ω est un événement. Définition Une tribu (σ-algebra en Anglais) sur Ω est une famille de parties de Ω, contenant l’ensemble vide, stable par passage au complémentaire, union dénombrable et intersection dénombrable. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Dans cette introduction sont rassemblées quelques définitions relevantes de la théorie des probabilités. Les propriétés qui en dérivent sont aussi indispensables pour la compréhension du cours. L’espace de probabilité sur lequel on travaille est noté Ω. L’espace Ω est un espace abstrait dont les éléments sont notés ω. Un sous-ensemble de Ω est un événement. Définition Une tribu (σ-algebra en Anglais) sur Ω est une famille de parties de Ω, contenant l’ensemble vide, stable par passage au complémentaire, union dénombrable et intersection dénombrable. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Définition (Mesurabilité) Soit (Ω, F) et (E, E) deux espaces mesurables. Une application f de Ω dans E est dite (F, E) mesurable si f −1 (A) ∈ F , ∀A ∈ E, où f −1 (A) = {ω ∈ Ω|f (ω) ∈ A}. Lorsqu’il n’y a pas d’ambiguı̈té sur les tribus employées, on dit simplement que f est mesurable. Une fonction f de R dans R est borélienne si elle est (BR , BR ) mesurable, où BR est la plus petite tribu contenant tous les intervalles ouverts (ou fermés, ou ouverts à droite fermés à gauche...) –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Définition (Tribu engendrée) La tribu engendrée par une famille d’ensembles A est la plus petite tribu contenant cette famille, on la note σ(A). Elle est l’intersection de toutes les tribus contenant A. Si F1 et F2 sont deux tribus, on note F1 ∨ F2 la tribu engendrée par F1 ∪ F2 . C’est la plus petite tribu contenant les deux tribus F1 et F2 . Définition La tribu engendrée par une variable aléatoire X définie sur (Ω, F) est l’ensemble des parties de Ω qui s’écrivent X −1 (A) où A ∈ BR . On note cette tribu σ(X). La tribu σ(X) est contenue dans F. C’est la plus petite tribu sur Ω rendant X mesurable. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Définition (Tribu engendrée) La tribu engendrée par une famille de variables aléatoires {Xt , t ∈ [0, T ]} est la plus petite tribu contenant les ensembles {Xt−1 (A)} pour tout t ∈ [0, T ] et A ∈ BR . On la note σ(Xt , t ≤ T ). Définition (Probabilités équivalentes) Deux probabilités P et Q définies sur le même espace (Ω, F) sont dites équivalentes si elles ont les mêmes ensembles négligeables, c’est à dire si P(A) = 0 ⇔ Q(A) = 0. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Définition (Tribu engendrée) La tribu engendrée par une famille de variables aléatoires {Xt , t ∈ [0, T ]} est la plus petite tribu contenant les ensembles {Xt−1 (A)} pour tout t ∈ [0, T ] et A ∈ BR . On la note σ(Xt , t ≤ T ). Définition (Probabilités équivalentes) Deux probabilités P et Q définies sur le même espace (Ω, F) sont dites équivalentes si elles ont les mêmes ensembles négligeables, c’est à dire si P(A) = 0 ⇔ Q(A) = 0. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Propriétés Si P et Q sont équivalentes, il existe une variable aléatoire Y , strictement positive, F-mesurable, d’espérance 1 sous P appelée densité R de Radon-Nikodym telle que dQ = Y dP ou encore Q(A) = A Y dP . Réciproquement, si Y est une v.a. strictement positive, F-mesurable, d’espérance 1 sous P , la relation EQ (Z) = EP (ZY ) définit une probabilité Q équivalente à P Exercice Soit X est une v.a. de loi N (m, σ 2 ) sous P et soit Y = exp{h(X − m) − 12 h2 σ 2 }. Soit dQ = Y dP . Montrer que sous Q, X est une v.a. de loi N (m + hσ 2 , σ 2 ). –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Définition (Convergence Presque sûre) Une suite de variables aléatoires Xn converge p.s. vers X si pour presque tout ω, Xn (ω) → X(ω) quand n → ∞. Définition (Convergence dans L2 ) p E(X 2 ). 1 On dit que X ∈ L2 (Ω) si ∥X∥2 < ∞ où ∥X∥2 = 2 Soit Xn ∈ L2 (Ω) et X ∈ L2 (Ω). La suite de variables aléatoires (Xn )n converge en moyenne quadratique (dans L2 (Ω)) vers X si (∥Xn − X∥2 )2 = E(Xn − X)2 → 0 quand n → ∞. L2 On note Xn −→X. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Définition (Convergence en probabilité) Une suite de variables aléatoires Xn converge en probabilité vers X si P ∀ϵ > 0 P(∥Xn − X∥ ≥ ϵ) → 0 quand n → ∞. On note Xn −→X. La convergence p.s. =⇒ la convergence en proba. La convergence en proba =⇒ qu’une sous-suite converge p.s. La convergence quadratique =⇒ la convergence en proba. Définition (Convergence en loi) Une suite de variables aléatoires Xn converge en loi vers X si E(Φ(Xn )) → E(Φ(X)) quand n → ∞ pour toute fonction Φ continue bornée. L On note Xn −→X. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Theorem (Théorème Central limite) Si (Xi , i ≥ 1) est une suite de v.a. équidistribuées, indépendantes, de variance finie σ 2 , alors Σn L i=1 Xi − nE(X1 ) √ −→ N (0, 1) σ n –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Soit X une v.a.r. (intégrable) définie sur (Ω, F, P) et G une sous-tribu de F. Définition (Espérance conditionnelle) L’espérance conditionnelle E(X|G) de X par rapport à G est l’unique variable aléatoire G-mesurable R R telle que A E(X|G)dP = A XdP, ∀A ∈ G. C’est aussi l’unique (à une égalité p.s. près) variable G-mesurable telle que E[E(X|G)Y ] = E(XY ) pour toute variable Y , G-mesurable bornée. On définit l’espérance conditionnelle d’une variable X (intégrable) par rapport à Y comme étant l’espérance conditionnelle de X par rapport à la tribu σ(Y ). –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Propriétés Si X est G-mesurable, E(X|G) = X. Si Y est G-mesurable, E(XY |G) = Y E(X|G). Si X est indépendante de G, E(X|G) = E(X). Si G et H sont deux tribus telles que H ⊂ G alors E(X|H) = E(E(X|H)|G) = E(E(X|G)|H). On note souvent E(E(X|H)|G) = E(X|H|G). Si (X, Y ) sont indépendantes, et ϕ une fonction borélienne bornée, E(ϕ(X, Y )|Y ) = [E(ϕ(X, y))]y=Y . –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Cette dernière égalité signifie que, pour calculer E(ϕ(X, Y )|Y ) lorsque les variables X et Y sont indépendantes, on explicite la fonction ψ telle que ψ(y) = E(ϕ(X, y)), puis on remplace y par Y pour obtenir la v.a. ψ(Y ). R Rb b On utilisera aussi la formule E a Xs ds|G = a E (Xs |G) ds dès que l’un des deux membres existe. Définition (Variance conditionnelle) On définit la variance conditionnelle par Var(X|G) = E(X 2 |G) − E(X|G)2 . –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Propriétés (Formule de Bayes) Soit P une probabilité et Q une probabilité équivalente à P définie par dQ = LdP . On peut exprimer l’espérance conditionnelle d’une variable X sous Q en fonction de l’espérance conditionnelle sous P : EQ (X|G) = –Calcul Stochastique– EP (LX|G) EP (L|G) Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Processus Stochastiques –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Définition On appelle processus stochastique à temps continu et à valeur dans un espace E muni d’une tribu E, une famille (Xt )t≥0 de variables aléatoires sur un espace de probabilité (Ω, F, P) à valeurs dans (E, E). Remarque Dans la pratique, l’indice t représente le temps. Un processus peut être vu comme une fonction aléatoire: pour un ω ∈ Ω fixé, on associe la fonction t 7→ Xt (ω), appelée “trajectoire du processus”. Un processus peut être vu comme une application de R+ × Ω vers E: (t, ω) 7→ Xt (ω). –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Définition On appelle processus stochastique à temps continu et à valeur dans un espace E muni d’une tribu E, une famille (Xt )t≥0 de variables aléatoires sur un espace de probabilité (Ω, F, P) à valeurs dans (E, E). Remarque Dans la pratique, l’indice t représente le temps. Un processus peut être vu comme une fonction aléatoire: pour un ω ∈ Ω fixé, on associe la fonction t 7→ Xt (ω), appelée “trajectoire du processus”. Un processus peut être vu comme une application de R+ × Ω vers E: (t, ω) 7→ Xt (ω). –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Filtrations et Temps d’arrêt –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Définition On appelle filtration une suite croissante de tribus indexées par le temps (Ft )t≥0 , telles que Ft représente l’information acquise au temps t. Pour un processus (Xt )t≥0 , la filtration canonique associée à X est donnée par FtX = σ (Xu ; u ≤ t). On parle d’hypothèses habituelles si - les ensembles négligeables sont contenus dans F0 , - La filtration est continue à droite au sens où Ft = ∩s>t Fs . {Gt }t≥0 est dite plus grosse que {Ft }t≥0 si Ft ⊂ Gt , ∀t. Tout espace de probabilité muni d’une filtration est dit espace filtré. On note (Ω, F, (Ft )t≥0 , P) –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Définition On appelle filtration une suite croissante de tribus indexées par le temps (Ft )t≥0 , telles que Ft représente l’information acquise au temps t. Pour un processus (Xt )t≥0 , la filtration canonique associée à X est donnée par FtX = σ (Xu ; u ≤ t). On parle d’hypothèses habituelles si - les ensembles négligeables sont contenus dans F0 , - La filtration est continue à droite au sens où Ft = ∩s>t Fs . {Gt }t≥0 est dite plus grosse que {Ft }t≥0 si Ft ⊂ Gt , ∀t. Tout espace de probabilité muni d’une filtration est dit espace filtré. On note (Ω, F, (Ft )t≥0 , P) –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Définition On appelle filtration une suite croissante de tribus indexées par le temps (Ft )t≥0 , telles que Ft représente l’information acquise au temps t. Pour un processus (Xt )t≥0 , la filtration canonique associée à X est donnée par FtX = σ (Xu ; u ≤ t). On parle d’hypothèses habituelles si - les ensembles négligeables sont contenus dans F0 , - La filtration est continue à droite au sens où Ft = ∩s>t Fs . {Gt }t≥0 est dite plus grosse que {Ft }t≥0 si Ft ⊂ Gt , ∀t. Tout espace de probabilité muni d’une filtration est dit espace filtré. On note (Ω, F, (Ft )t≥0 , P) –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien La caractéristique temporelle d’un processus stochastique ⇒ un écoulement du temps ⇒ passé, présent et futur. Dans quelle mesure un observateur d’un processus le sait à l’heure actuelle, par rapport à la façon dont il le savait à un moment donné dans le passé ou saura à un moment donné dans l’avenir. Il y a donc une raison très importante pour inclure les σ-algèbres dans l’étude des processus stochastiques; pour garder une trace de l’information. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien La caractéristique temporelle d’un processus stochastique ⇒ un écoulement du temps ⇒ passé, présent et futur. Dans quelle mesure un observateur d’un processus le sait à l’heure actuelle, par rapport à la façon dont il le savait à un moment donné dans le passé ou saura à un moment donné dans l’avenir. Il y a donc une raison très importante pour inclure les σ-algèbres dans l’étude des processus stochastiques; pour garder une trace de l’information. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien La caractéristique temporelle d’un processus stochastique ⇒ un écoulement du temps ⇒ passé, présent et futur. Dans quelle mesure un observateur d’un processus le sait à l’heure actuelle, par rapport à la façon dont il le savait à un moment donné dans le passé ou saura à un moment donné dans l’avenir. Il y a donc une raison très importante pour inclure les σ-algèbres dans l’étude des processus stochastiques; pour garder une trace de l’information. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Définition Soit (Xt )t≥0 un processus défini sur l’espace (Ω, F, (Ft )t≥0 , P) . Le processus X est dit adapté si, pour tout t ≥ 0, la variable Xt est Ft -mesurable. On dit que deux processus X et Y sont indistinguable si Xt = Yt p.s. ∀t (les trajectoires de X et Y coı̈ncident). On dit que X est une modification de Y . loi Deux processus sont égaux en loi X = Y si pour tout (t1 , t2 , . . . , tn ) et loi pour tout n on a (Xt1 , Xt2 , . . . , Xtn ) = (Yt1 , Yt2 , . . . , Ytn ). –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Définition On appelle temps d’arrêt par rapport à la filtration (Ft )t≥0 une variable + aléatoire τ à valeur dans R = R+ ∪ {+∞} telle que, pour tout t ≥ 0, l’ensemble {τ ≤ t} ∈ Ft . Définition La tribu associé à un temps d’arrêt τ est définie par Fτ := {A ∈ F ; pour tout t ≥ 0, A ∩ {τ ≤ t} ∈ Ft } –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Proposition 1 Si τ est un temps d’arrêt, alors τ est Fτ -mesurable. 2 Si τ et ν sont deux temps d’arrêt tels que τ ≤ ν, alors Fτ ⊆ Fν . 3 Si τ et ν sont deux temps d’arrêt, alors τ ∧ ν est un temps d’arrêt. En particulier si ν = t est un temps déterministe, alors τ ∧ t est aussi temps d’arrêt. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Exercice 1 Soit τ un temps d’arrêt. Montrer que Fτ est une tribu. 2 Soit τ un temps d’arrêt et X une v.a. Fτ -mesurable, vérifiant X ≥ τ . Montrer que X est un temps d’arrêt. 3 Soit τ un temps d’arrêt. Montrer que le processus Xt = 1(0,τ ] (t) est adapté. Exercice (Temps d’atteinte) Soit (Xt )t≥0 un processus adapté continu, à valeurs réelles et a un nombre réel. Montrer que τa = inf{t ≥ 0, Xt ≥ a} est un temps d’arrêt. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Figure: Temps d’atteinte du MB avec a = 1.0 et τ1.0 ≈ 5.8 –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Martingales –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Le nom martingale est synonyme de jeu équitable, c’est-à-dire d’un jeu où le gain que l’on peut espérer faire en tout temps ultérieur est égal à la somme gagnée au moment présent. Les martingales, ainsi que leurs variantes les sousmartingales et les surmartingales, jouissent de nombreuses propriétés qui les rendent très utiles dans l’étude de processus stochastiques plus généraux. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Définition (Martingales à temps discret) Soit un processus adapté (Xn , Fn )n∈N tel que Xn est intégrable pour tout n, i.e., E|Xn | < ∞. On dit que le processus est (i) une martingale, si pour tous 0 ≤ m ≤ n, (ii) E(Xn |Fm ) = Xm , p.s. une sur-martingale, si pour tous 0 ≤ m ≤ n, (iii) E(Xn |Fm ) ≤ Xm , p.s. une sous-martingale, si pour tous 0 ≤ m ≤ n, E(Xn |Fm ) ≥ Xm , p.s. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Remarque Il suffit de vérifier la définition précédente pour tous n et m = n − 1. En effet, si m < n, E(Xn − Xm |Fm ) = = E(Xn − Xn−1 + Xn−1 − Xn−2 + . . . + Xm+1 − Xm |Fm ) n X E(Xk − Xk−1 |Fm ) k=m+1 = n X E(E(Xk − Xk−1 |Fk−1 )|Fm ) k=m+1 (resp, ≤ 0, ≥ 0). –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Exemples 1 Supposons que Xn représente l’évolution aléatoire de la fortune d’un joueur. Dans ce cas, la propriété de martingale exprime le fait que le jeu est équitable en moyenne, en ce sens où le joueur ne peut accroı̂tre ou diminuer son espérance de gain (Xn+1 − Xn ), à l’aide des informations précédentes E(Xn+1 − Xn |Fn ) = 0. On remarquera dans ce cas que la fortune moyenne du joueur reste constante E(Xn ) = E(X0 ) pour tout 0 ≤ n ≤ k 2 Soit Z une variable aléatoire intégrable sur (Ω, F, P, {Fn }n∈N ). Posons Xn = E(Z|Fn ), n ∈ N. Alors (Xn , Fn )n∈N est une martingale. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Définition Soit (Ω, F, {Ft }t≥0 , P) un espace probabilisé filtré. Une martingale par rapport à la filtration {Ft }t≥0 est un processus stochastique (Mt )t≥0 tel que 1 E(|Mt |) < ∞ pour tout t ≥ 0. 2 M est adapté à la filtration {Ft }t≥0 . E Mt Fs = Ms pour tout s ≤ t. 3 Si la dernière condition est remplacée par E[Mt Fs ] ≤ Ms , on dit que M est une surmartingale, et si elle est remplacée par E[Mt Fs ] ≥ Ms , on dit que c’est une sousmartingale. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Définition (Définition équivalente) Une martingale est un processus (Mt )t>0 à valeurs dans R, qui n’a tendance ni à croı̂tre ni à décroı̂tre, tel que ∀ t ≤ u, E[Mu Ft ] = Mt . Exemple Soit X une v.a. à valeurs réelles telle que X ∈ L1 . Posons pour tout t ≥ 0, Mt = E[X|Ft ]. Alors, le processus (Mt )t≥0 est une martingale. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Remarque Si (Xt , t ≤ T ) est une martingale, le processus est complètement déterminé par sa valeur terminale Xt = E(XT |Ft ). Cette dernière propriété est d’un usage très fréquent en finance. Définition On dit qu’un processus {Zt , t ≥ 0} (à valeurs réelles) est un processus à accroissements indépendants par rapport la filtration {Ft }t≥0 si Z est adapté et si, pour tous 0 ≤ s < t, Zt − Zs est indépendant de la tribu Fs . –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Exemple Si Z est un processus à accroissements indépendants par rapport la filtration {Ft }t≥0 , alors si Zt ∈ L1 pour tout t ≥ 0, Xt = Zt − E(Zt ) est une martingale; Proposition Soit {Xt , t ≥ 0} une martingale (respectivement une sous-martingale) et soit f : R → R+ une fonction convexe (resp. une fonction convexe croissante). Supposons aussi que E[f (Xt )] < ∞ pour tout t ≥ 0. Alors, {f (Xt), t ≥ 0} est une sous-martingale. En particulier, Si {Xt , t ≥ 0} est une martingale alors {|Xt |, t ≥ 0} est une sous-martingale, –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Exercice 1 Montrer que si M est une martingale et A est un processus croissant adapté (As ≤ At , ∀s ≤ t) alors M − A est une surmartingale 2 On suppose que Z est un Processus à Accroissements Indépendants (PAI) par rapport à Ft . Si Z ∈ L1 , alors Z̃t = Zt − E(Zt ) , t ≥ 0, est une martingale. Si Z ∈ L2 , alors Xt = Z̃t − E(Z̃t ) , t ≥ 0, est une martingale. si pour θ ∈ R, E[eθZt ] < ∞ pour tout t ≥ 0, alors eθZt Xt = E[e θZt ] est une martingale –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Theorem (Théorème d’arrêt de Doob) Si M est une Ft -martingale continue et si S et T sont deux temps d’arrêt tels que S ≤ T ≤ K, où K est une constante finie, alors MT est intégrable et E(MT |FS ) = MS . Ce résultat s’étend à tous les temps d’arrêt si la martingale est uniformément intégrable (supt E | Xt | 1(|Xt |>α) → 0 quand α → ∞). Corollaire Si T est un temps d’arrêt et M une Ft -martingale, le processus Z défini par Zt = Mt∧T est une Ft -martingale. En particulier, E(Mt∧T ) = E(M0 ). –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Mouvement Brownien –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien En 1828, Robert Brown a observé que de petites particules de pollen en suspension dans l’eau sont perpétuellement en mouvement irréguliers. Historiquement, le mouvement Brownien se voulait une tentative pour modéliser ce phénomène. Delsaux (1877) explique les changements incessants de direction de trajectoire par les chocs entre les particules de pollen et les molécules d’eau. Bachelier (1900) met en évidence le caractère ”Markovien” du mouvement Brownien, en vue d’étudier les cours de la Bourse. Einstein (1905) détermine la densité de transition du mouvement Brownien par l’intermédiaire de l’équation de la chaleur et relie ainsi le mouvement Brownien et les équations aux dérivées partielles de type parabolique. Smoluchowski (1905) décrit le mouvement Brownien comme une limite de promenades aléatoires. Norbert Wiener (1923) réalise la première étude mathématique rigoureuse et donne une démonstration de l’existence du Brownien. Et c’est pourquoi ce processus est aussi connu sous le nom de processus de Wiener. Samuelson “corrige” Bachelier en 1965 en prenant l’exponentielle du mouvement brownien comme modèle standard pour caractériser le rendement des cours; et la formule de Black-Scholes en 1973 révolutionne le domaine de la finance. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien En 1828, Robert Brown a observé que de petites particules de pollen en suspension dans l’eau sont perpétuellement en mouvement irréguliers. Historiquement, le mouvement Brownien se voulait une tentative pour modéliser ce phénomène. Delsaux (1877) explique les changements incessants de direction de trajectoire par les chocs entre les particules de pollen et les molécules d’eau. Bachelier (1900) met en évidence le caractère ”Markovien” du mouvement Brownien, en vue d’étudier les cours de la Bourse. Einstein (1905) détermine la densité de transition du mouvement Brownien par l’intermédiaire de l’équation de la chaleur et relie ainsi le mouvement Brownien et les équations aux dérivées partielles de type parabolique. Smoluchowski (1905) décrit le mouvement Brownien comme une limite de promenades aléatoires. Norbert Wiener (1923) réalise la première étude mathématique rigoureuse et donne une démonstration de l’existence du Brownien. Et c’est pourquoi ce processus est aussi connu sous le nom de processus de Wiener. Samuelson “corrige” Bachelier en 1965 en prenant l’exponentielle du mouvement brownien comme modèle standard pour caractériser le rendement des cours; et la formule de Black-Scholes en 1973 révolutionne le domaine de la finance. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien En 1828, Robert Brown a observé que de petites particules de pollen en suspension dans l’eau sont perpétuellement en mouvement irréguliers. Historiquement, le mouvement Brownien se voulait une tentative pour modéliser ce phénomène. Delsaux (1877) explique les changements incessants de direction de trajectoire par les chocs entre les particules de pollen et les molécules d’eau. Bachelier (1900) met en évidence le caractère ”Markovien” du mouvement Brownien, en vue d’étudier les cours de la Bourse. Einstein (1905) détermine la densité de transition du mouvement Brownien par l’intermédiaire de l’équation de la chaleur et relie ainsi le mouvement Brownien et les équations aux dérivées partielles de type parabolique. Smoluchowski (1905) décrit le mouvement Brownien comme une limite de promenades aléatoires. Norbert Wiener (1923) réalise la première étude mathématique rigoureuse et donne une démonstration de l’existence du Brownien. Et c’est pourquoi ce processus est aussi connu sous le nom de processus de Wiener. Samuelson “corrige” Bachelier en 1965 en prenant l’exponentielle du mouvement brownien comme modèle standard pour caractériser le rendement des cours; et la formule de Black-Scholes en 1973 révolutionne le domaine de la finance. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien En 1828, Robert Brown a observé que de petites particules de pollen en suspension dans l’eau sont perpétuellement en mouvement irréguliers. Historiquement, le mouvement Brownien se voulait une tentative pour modéliser ce phénomène. Delsaux (1877) explique les changements incessants de direction de trajectoire par les chocs entre les particules de pollen et les molécules d’eau. Bachelier (1900) met en évidence le caractère ”Markovien” du mouvement Brownien, en vue d’étudier les cours de la Bourse. Einstein (1905) détermine la densité de transition du mouvement Brownien par l’intermédiaire de l’équation de la chaleur et relie ainsi le mouvement Brownien et les équations aux dérivées partielles de type parabolique. Smoluchowski (1905) décrit le mouvement Brownien comme une limite de promenades aléatoires. Norbert Wiener (1923) réalise la première étude mathématique rigoureuse et donne une démonstration de l’existence du Brownien. Et c’est pourquoi ce processus est aussi connu sous le nom de processus de Wiener. Samuelson “corrige” Bachelier en 1965 en prenant l’exponentielle du mouvement brownien comme modèle standard pour caractériser le rendement des cours; et la formule de Black-Scholes en 1973 révolutionne le domaine de la finance. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien En 1828, Robert Brown a observé que de petites particules de pollen en suspension dans l’eau sont perpétuellement en mouvement irréguliers. Historiquement, le mouvement Brownien se voulait une tentative pour modéliser ce phénomène. Delsaux (1877) explique les changements incessants de direction de trajectoire par les chocs entre les particules de pollen et les molécules d’eau. Bachelier (1900) met en évidence le caractère ”Markovien” du mouvement Brownien, en vue d’étudier les cours de la Bourse. Einstein (1905) détermine la densité de transition du mouvement Brownien par l’intermédiaire de l’équation de la chaleur et relie ainsi le mouvement Brownien et les équations aux dérivées partielles de type parabolique. Smoluchowski (1905) décrit le mouvement Brownien comme une limite de promenades aléatoires. Norbert Wiener (1923) réalise la première étude mathématique rigoureuse et donne une démonstration de l’existence du Brownien. Et c’est pourquoi ce processus est aussi connu sous le nom de processus de Wiener. Samuelson “corrige” Bachelier en 1965 en prenant l’exponentielle du mouvement brownien comme modèle standard pour caractériser le rendement des cours; et la formule de Black-Scholes en 1973 révolutionne le domaine de la finance. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien En 1828, Robert Brown a observé que de petites particules de pollen en suspension dans l’eau sont perpétuellement en mouvement irréguliers. Historiquement, le mouvement Brownien se voulait une tentative pour modéliser ce phénomène. Delsaux (1877) explique les changements incessants de direction de trajectoire par les chocs entre les particules de pollen et les molécules d’eau. Bachelier (1900) met en évidence le caractère ”Markovien” du mouvement Brownien, en vue d’étudier les cours de la Bourse. Einstein (1905) détermine la densité de transition du mouvement Brownien par l’intermédiaire de l’équation de la chaleur et relie ainsi le mouvement Brownien et les équations aux dérivées partielles de type parabolique. Smoluchowski (1905) décrit le mouvement Brownien comme une limite de promenades aléatoires. Norbert Wiener (1923) réalise la première étude mathématique rigoureuse et donne une démonstration de l’existence du Brownien. Et c’est pourquoi ce processus est aussi connu sous le nom de processus de Wiener. Samuelson “corrige” Bachelier en 1965 en prenant l’exponentielle du mouvement brownien comme modèle standard pour caractériser le rendement des cours; et la formule de Black-Scholes en 1973 révolutionne le domaine de la finance. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien En 1828, Robert Brown a observé que de petites particules de pollen en suspension dans l’eau sont perpétuellement en mouvement irréguliers. Historiquement, le mouvement Brownien se voulait une tentative pour modéliser ce phénomène. Delsaux (1877) explique les changements incessants de direction de trajectoire par les chocs entre les particules de pollen et les molécules d’eau. Bachelier (1900) met en évidence le caractère ”Markovien” du mouvement Brownien, en vue d’étudier les cours de la Bourse. Einstein (1905) détermine la densité de transition du mouvement Brownien par l’intermédiaire de l’équation de la chaleur et relie ainsi le mouvement Brownien et les équations aux dérivées partielles de type parabolique. Smoluchowski (1905) décrit le mouvement Brownien comme une limite de promenades aléatoires. Norbert Wiener (1923) réalise la première étude mathématique rigoureuse et donne une démonstration de l’existence du Brownien. Et c’est pourquoi ce processus est aussi connu sous le nom de processus de Wiener. Samuelson “corrige” Bachelier en 1965 en prenant l’exponentielle du mouvement brownien comme modèle standard pour caractériser le rendement des cours; et la formule de Black-Scholes en 1973 révolutionne le domaine de la finance. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien On se donne un espace (Ω, F, P ) et un processus (Bt )t≥0 sur cet espace. Définition Le processus (Bt )t≥0 est un mouvement Brownien (standard) si : 1 B0 = 0 (le mouvement Brownien est issu de l’origine). 2 Les trajectoires t 7→ Bt sont presque sûrement continues. 3 ∀s, t ≥ 0 tels que s < t,la variable réelle Bt − Bs est de loi Gaussienne centrée de variance (t − s), c.à.d. Bt − Bs ∼ N (0, (t − s)). 4 Le processus (Bt )t≥0 est à accroissements indépendants : ∀s < t, Bt − Bs est indépendant de FsB = σ(Bu ; u ≤ s). –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Propriétés Soit B un mouvement Brownien. 1 ∀s < t, Bt − Bs ∼ N (0, t − s) et Cov(Bt , Bs ) = t ∧ s. 2 ∀s > 0, le processus {Bt−s − Bs : t ≥ 0} est un mouvement Brownien indépendant de FtB . 3 Le processus {−Bt : t ≥ 0} est un mouvement Brownien. 4 ∀c > 0, le processus {cBt/c2 : t ≥ 0} est un mouvement Brownien. 5 Le processus {Xt := tB1/t : t ≥ 0} avec X0 = 0 est un mouvement Brownien. 6 La trajectoire du mouvement Brownien n’est différentiable en aucun point. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Propriétés Soit B un mouvement Brownien. 1 ∀s < t, Bt − Bs ∼ N (0, t − s) et Cov(Bt , Bs ) = t ∧ s. 2 ∀s > 0, le processus {Bt−s − Bs : t ≥ 0} est un mouvement Brownien indépendant de FtB . 3 Le processus {−Bt : t ≥ 0} est un mouvement Brownien. 4 ∀c > 0, le processus {cBt/c2 : t ≥ 0} est un mouvement Brownien. 5 Le processus {Xt := tB1/t : t ≥ 0} avec X0 = 0 est un mouvement Brownien. 6 La trajectoire du mouvement Brownien n’est différentiable en aucun point. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Propriétés Soit B un mouvement Brownien. 1 ∀s < t, Bt − Bs ∼ N (0, t − s) et Cov(Bt , Bs ) = t ∧ s. 2 ∀s > 0, le processus {Bt−s − Bs : t ≥ 0} est un mouvement Brownien indépendant de FtB . 3 Le processus {−Bt : t ≥ 0} est un mouvement Brownien. 4 ∀c > 0, le processus {cBt/c2 : t ≥ 0} est un mouvement Brownien. 5 Le processus {Xt := tB1/t : t ≥ 0} avec X0 = 0 est un mouvement Brownien. 6 La trajectoire du mouvement Brownien n’est différentiable en aucun point. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Propriétés Soit B un mouvement Brownien. 1 ∀s < t, Bt − Bs ∼ N (0, t − s) et Cov(Bt , Bs ) = t ∧ s. 2 ∀s > 0, le processus {Bt−s − Bs : t ≥ 0} est un mouvement Brownien indépendant de FtB . 3 Le processus {−Bt : t ≥ 0} est un mouvement Brownien. 4 ∀c > 0, le processus {cBt/c2 : t ≥ 0} est un mouvement Brownien. 5 Le processus {Xt := tB1/t : t ≥ 0} avec X0 = 0 est un mouvement Brownien. 6 La trajectoire du mouvement Brownien n’est différentiable en aucun point. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Propriétés Soit B un mouvement Brownien. 1 ∀s < t, Bt − Bs ∼ N (0, t − s) et Cov(Bt , Bs ) = t ∧ s. 2 ∀s > 0, le processus {Bt−s − Bs : t ≥ 0} est un mouvement Brownien indépendant de FtB . 3 Le processus {−Bt : t ≥ 0} est un mouvement Brownien. 4 ∀c > 0, le processus {cBt/c2 : t ≥ 0} est un mouvement Brownien. 5 Le processus {Xt := tB1/t : t ≥ 0} avec X0 = 0 est un mouvement Brownien. 6 La trajectoire du mouvement Brownien n’est différentiable en aucun point. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Propriétés Soit B un mouvement Brownien. 1 ∀s < t, Bt − Bs ∼ N (0, t − s) et Cov(Bt , Bs ) = t ∧ s. 2 ∀s > 0, le processus {Bt−s − Bs : t ≥ 0} est un mouvement Brownien indépendant de FtB . 3 Le processus {−Bt : t ≥ 0} est un mouvement Brownien. 4 ∀c > 0, le processus {cBt/c2 : t ≥ 0} est un mouvement Brownien. 5 Le processus {Xt := tB1/t : t ≥ 0} avec X0 = 0 est un mouvement Brownien. 6 La trajectoire du mouvement Brownien n’est différentiable en aucun point. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Proposition Si B est un mouvement Brownien alors le processus B est une martingale et le processus (Bt2 − t, t ≥ 0) est aussi une martingale. Réciproquement, si X est un processus continu tel que X et (Xt2 − t, t ≥ 0) sont des martingales, alors X est un mouvement Brownien. Soit B 1 et B 2 deux MB indépendants, alors le produit B 1 B 2 est une martingale. Si les trajectoires d’un processus B sont des fonctions réelles continues, gaussienne centrée de covariance E(Bt Bs ) = t ∧ s alors B est un mouvement brownien. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Proposition Si B est un mouvement Brownien alors le processus B est une martingale et le processus (Bt2 − t, t ≥ 0) est aussi une martingale. Réciproquement, si X est un processus continu tel que X et (Xt2 − t, t ≥ 0) sont des martingales, alors X est un mouvement Brownien. Soit B 1 et B 2 deux MB indépendants, alors le produit B 1 B 2 est une martingale. Si les trajectoires d’un processus B sont des fonctions réelles continues, gaussienne centrée de covariance E(Bt Bs ) = t ∧ s alors B est un mouvement brownien. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Figure: Trajectoires de Bt2 − t, Bt2 et t –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Proposition Soit B un mouvement Brownien, alors pour tout réel λ , le processus 1 exp(λBt − λ2 t), t ≥ 0 2 est une martingale. Réciproquement, si X est un processus continu tel que {exp(λXt − 21 λ2 t), t ≥ 0} est une martingale, pour tout λ réel, alors le processus X est un mouvement brownien. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Figure: Trajectoire de exp(λBt − 12 λ2 t) avec λ = 0.2 –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Proposition (Temps d’atteinte) Soit (Bt , t ≥ 0) un mouvement Brownien et a un nombre réel. Soit τa = inf{t ≥ 0, Bt = a}. Alors τa est un temps d’arrêt fini p.s. De plus pour tout λ ≥ 0 on a E(exp(−λτa )) = exp(−|a|2λ). Par exemple le temps de défaut d’une compagnie et le temps d’exercice d’une option américaine sont des temps d’arrêt. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Figure: Temps d’atteinte du MB avec a = 1.0 et τ1.0 ≈ 5.8 –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Pour simuler la valeur de Bt on exploite les propriétés des incréments et on décompose Bt comme suit : Pour un pas ∆t on écrit Bt = B∆t + (B2∆t − B∆t ) + (B3∆t − B2∆t ) + . . . + (Bt − Bt−∆t ) (Algorithme pour simuler les trajectoires du MB) choisir ∆t T t0 = 0 ; n = ent ∆t pour j = 1 à n tj = tj−1 + ∆t générer Zj ∼ N (0, 1)√ Btj = Btj−1 + Zj × ∆t J ++ –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Sous Matlab On peut générer les trajectoires du Mouvement Brownien via le code suivant 1 2 3 4 5 6 T =1; % temps final N =2550; % nombre de pas de temps dt=T/N; %le pas de temps W= zeros (N+1 ,1);% ici sera stockée la trajectoire W (1) =0; % valeur initiale rng(1);%initializes the Mersenne Twister generator using ... a seed of 1. 7 8 9 10 11 12 for jj =2: N+1 W(jj)=W(jj -1) + end close all; plot (W); –Calcul Stochastique– randn (1 ,1)* sqrt (dt); Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Filtrations et Temps d’arrêt Martingales Mouvement Brownien Figure: Une trajectoire du mouvement Brownien –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô Intégrales Stochastiques –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô Définition Soit T > 0. Un processus stochastique A : Ω × [0, T ] → R tel que A0 = 0 est dit à variation finie si P-p.s. pour tout t ∈ [0, T ], ) ( n X Ati − Ati−1 < +∞ |A|t := sup i=1 le sup porte sur toutes les subdivisions 0 = t0 < t1 < ... < tn = t de [0, t]. |A|t est appelé variation de A sur [0, t] et le processus (|A|t )t est appelé la variation totale de A. |A| est positif croissant. Si lim |A|t < ∞, alors A est dit à t→T variation finie. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô Théorème Il existe une correspondance bijective entre les mesures aléatoires de Radon µ sur [0, ∞[ et les processus continus à droite et à variation finie. Cette bijection est définie par At = µ ([0, t]) . –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô Intégrale de Steiltjes –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô Soit f et gR deux fonctions réelles continues sur [0, +∞[. Nous voulons donner t un sens à 0 f (s)dg(s) comme limite de somme de Riemann: i.e., pour quelle classe de fonctions f et g peut on avoir Z t X f (s)dg(s) = lim f (tj ) (g(tj+1 ) − g(tj )) 0 n→∞ πn où πn := {0 = t0 < t1 < ... < tn = t} une subdivision quelconque de taille n + 1 de [0, t]. Remarque L’intégrale de Riemann correspond à g(t) = t. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô Nous allons maintenant caractériser les fonctions P g pour lesquelles nous avons : pour toute fonction f continue bornée, Sn (f ) = πn f (tj )(g(tj+1 ) − g(tj )) converge. Théorème Soit f une fonction continue et g une fonction à variation bornée. L’intégrale de Stieltjes de f par rapport à g est donnée par la limite suivante: X lim f (tj ) (g(tj+1 ) − g(tj )) n→∞ qui existe et elle est notée –Calcul Stochastique– Rt 0 πn f (s)dg(s). Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô Nous donnons ci-dessous quelques formules connues dans le cas déterministe et qui s’étendent aisément aux processus à variation finie. Proposition (Formule d’intégration par partie) Soient (Ht )t≥0 et (Gt )t≥0 deux processus continus et à variations finie, alors pour tout t, Z t Z t Ht Gt = H0 G0 + Hs dGs + Gs dHs . 0 –Calcul Stochastique– 0 Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô Proposition (Formule de changement de variable) Soient (At )t≥0 un processus continu et à variation finie et F une fonction de classe C 1 . Alors, le processus (F (At ))t≥0 est à variation finie et Z F (At ) = F (A0 ) + t F ′ (As )dAs . 0 –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô Intégrale d’Itô –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô L’intégrale stochastique en pratique On se place sur un intervalle de temps [0, T ] et on se donne une subdivision 0 = t1 < . . . ≤ tn = T de cet intervalle. On considère que le cours d’un actif financier à t ∈ {t1 , . . . , tn } est donné par Bt (modèle de Bachelier). On considère un trader qui met en place la stratégie suivante Il achète f (ti ) actifs à ti au prix Bti . Il les revend à ti+1 au prix Bti+1 . Il réalise ainsi sur la période [ti , ti+1 ] le bénéfice f (ti )(Bti+1 − Bti ). Sur [0, T ] le bénéfice est donc donné par n−1 X f (ti )(Bti+1 − Bti ) i=0 RT Si le trading s’opère en temps continu, le bénéfice devient 0 f (s)dBs . Ceci se généralise au cas où le cours de l’actif est donné par un processus d’Itô (St )t∈[0,T ] et au cas où la fonction f est un processus stochastique. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô Le problème est que les trajectoires du MB ne sont pas différentiable, et ne sont pas à variations bornées. En effet, si f est à variations bornées, toutes les quantités n X |f (xi ) − f (xi−1 )| , x0 < x1 < ... < xn et n ∈ N∗ i=1 sont bornées par la même quantité M . Pour fixer les idées, travaillons sur [0, 1] et notons V la variation totale du mouvement Brownien B sur ce segment. Par définition, pour n ∈ N∗ arbitraire, V ≥ n X n 1 X V ≥ √ |ξi | ; n i=1 –Calcul Stochastique– B i − B i−1 n i=1 n ξi sont des v.a indépendantes ∼ N (0, 1). Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô Comme les |ξi | ont une espérance E strictement positive, la loi des grands P nombres affirme que, pour n suffisamment grand, n |ξi | est plus grand que i=1 √ nE/2. On en tire que V est plus grand que E n/2 donc, en faisant tendre n vers l’infini, V est infini presque-sûrement. Donc il est impossible de définir l’intégrale stochastique trajectoire par trajectoire pour tout processus continu. Si H est un processus stochastique continu, à ω fixé, on ne peut pas donner un sens à l’expression Rt H (ω)dB s s (ω). 0 –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô Construction de l’intégrale stochastique de Itô –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô On se donne un espace (Ω, F, P) et un mouvement Brownien B sur cet espace. On désigne par Ft = σ(Bs , s ≤ t) la filtration naturelle du mouvement Brownien. La construction est due à Itô (1942-1944) dans le cas du MB et a été généralisée au cas d’une martingale de carré intégrable par Kunita et Watanabe (1967). Tout d’abord, décrivons la classe des processus pour laquelle l’intégrale stochastique sera définie . On note par P(T ) la classe des processus continus h : [0, T ] × Ω −→ R (s, ω) 7−→ h(s, ω) tels que 1 2 (s, ω) 7→ h(s, ω) est B × Fs -mesurable. RT h est Fs -adapté et E 0 |h(s)|2 ds < ∞. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô Nous allons construire l’intégrale de Itô d’un élément de P(T ) par rapport à un mouvement Brownien. Cas des processus élémentaires: On dit qu’un processus H est étagé (ou élémentaire) s’il existe une suite de réels tj : 0 = t0 < t1 < ... < tn = T et une suite de variables aléatoires hj telles que hj soit Ftj -mesurable, appartienne à L2 (Ω) et que Hs = hj pour tout s ∈]tj ; tj+1 ], soit n−1 X Hs = hj 1]tj ,tj+1 ] (s). j=0 On définit alors T Z Hs dBs := 0 –Calcul Stochastique– n−1 X hj Btj+1 − Btj j=0 Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô et pour tout t ∈ [0, T ], t Z Hs dBs := 0 n−1 X hj Bt∧tj+1 − Bt∧tj . (1) j=0 R T La variable aléatoire 0 Hs dBs (ω) est donnée par Pn−1 j=0 hj (ω) Btj+1 (ω) − Btj (ω) –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô Lemme Soient H et G deux processus élémentaires bornés de P(T ). Alors, 1 Z 2 T t Z 0 Gs dBs . 0 Hs dBs pour toute constante c ∈ R. 0 Z T Z Hs dBs E 0 –Calcul Stochastique– t t Z (cHs )dBs = c 0 4 Z Hs dBs + 0 t Z 3 (2) 0 t Z (Hs + Gs )dBs = Hs2 ds. =E 0 2 T Z Hs dBs E T Gs dBs 0 T Z Hs Gs ds. =E 0 Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô Lemme (suite) 1 Le processus (Mt )t = 2 R t 0 Hs dBs t est une Ft -martingale à trajectoires continues. h i2 R Rt t 2 − H ds est une Le processus (Nt )t = H dB s s s 0 0 t Ft -martingale. 3 Si H est déterministe alors –Calcul Stochastique– Rt 0 Hs dBs ∼ N (0, Rt 0 Hs2 ds) Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô Cas général: L’idée d’Itô pour définir l’intégrale stochastique d’un élément H de P(T ) est de trouver une suite de processus élémentaires H n approchant H dans L2 , c.à.d., Z T lim E (Hs − Hsn )2 ds = 0. n→∞ 0 L’isométrie (2) nous permet alors d’affirmer que la limite suivante existe dans L2 : Z T Z T L2 Hs dBs . Hsn dBs −→ 0 n→∞ 0 C’est par définition l’intégrale d’Itô de H par rapport au Mouvement Brownien B. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô Remarque La formule d’isometrie est aussi vraie pour les éléments de P(T ): i.e., 2 T Z ∀ H ∈ P(T ), Hs dBs E 0 Z =E T Hs2 ds. (3) 0 Ainsi, toutes les propriétés du Lemme précédent restent encore vraies. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô Remarque Additivité: Pour 0 ≤ s < u < t ≤ T , Z t Z u Z Hv dBv = Hv dBv + s s –Calcul Stochastique– Hv dBv u Pour un temps d’arrêt τ ≤ T , Z τ Z Hs dBs = 0 t T Hs 1{s≤τ } dBs . 0 Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô Exemple (Brownien géométrique ) Soit B un mouvement Bownien, b et σ deux constantes. Le processus Xt = X0 exp{(b − 21 σ 2 )t + σBt } est appelé Brownien géométrique. Ce processus est aussi appelé processus “log-normal”. En effet, si X0 est déterministe le processus log ln(Xt ) = ln(X0 ) + (b − 1 2 σ )t + σBt 2 suit une loi normale. Proposition Le processus Xt e−bt est une martingale. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô Ce processus est très souvent utilisé pour modéliser le prix d’un actif financier. Le rendement de l’actif entre deux dates est mesuré par la différence des logarithmes des cours et est donné par la variable gaussienne 1 ln(Xt ) − ln(Xs ) = b − σ 2 (t − s) + σ(Bt − Bs ) 2 il est facile de calculer les moments d’un Brownien géométrique E(Xt ) = X0 ebt E(Xt2 ) = X02 e(2b+σ 2 )t V ar(Xt ) = X02 e2bt (eσ –Calcul Stochastique– 2 t − 1) Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô Exemple (Vasicěk) Le modèle de Vasicěk est utilisé pour étudier l’évolution du taux d’intérêt instantané (short rate). Sa forme explicite est donnée par Z t rt = r0 e−at + b(1 − e−at ) + σe−at eas dBs 0 La forme initiale du modèle de Vasicěk est la forme différentielle suivante drt = a(b − rt )dt + σdBt Si r0 est déterministe alors rt est une variable gaussienne de moyenne 2 −2at ) r0 e−at + b(1 − e−at ) et de variance V ar(rt ) = σ (1−e 2a –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Intégrale de Steiltjes Intégrale d’Itô Remarque Puisque rt est gaussien alors il n’est pas une variable positive. Pour remédier à ce défaut majeur du modèle de vasicěk Cox-Ingersoll-Ross proposent le modèle racine carré (square root process) √ drt = a(b − rt )dt + σ rt dBt –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Calcul d’Itô –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Nous allons maintenant introduire un calcul différentiel sur ces intégrales stochastiques. On appelle ce calcul “calcul d’Itô” et l’outil essentiel en est la “formule d’Itô”. Commençons d’abord pas préciser la définition de la classe de processus pour laquelle on peut énoncer la formule d’Itô. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Processus d’Itô –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Définition (Processus d’Itô) On appelle processus d’Itô un processus (Xt )t∈[0,T ] à valeurs dans R tel que Z t Z t P − p.s. ∀ t ≤ T, Xt = ξ + Ks ds + Hs dBs , 0 0 avec: ξ est F0 mesurable. K et H sont deux processus Ft -adaptés. RT RT |Ks |ds < +∞ P-p.s. et E( 0 |Hs |2 ds) < +∞. 0 –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov On utilise souvent la forme différentielle suivante dXt = Kt dt + Ht dBt X0 = ξ (4) Le coefficient K est le drift ou la dérive, H est le coefficient de diffusion. L’écriture dXt = Kt dt + Ht dBt est unique (sous réserve que les processus K et H vérifient les conditions d’intégrabilité). Ceci signifie que si dXt = Kt dt + Ht dBt = K̃t dt + H̃t dBt alors K = K̃ et R t H = H̃. La partie ξ + 0 Ks ds est la partie à variation finie. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Remarque On R t peut définir un processus d’Itô pour des coefficients de diffusion tels que Hs ds < ∞ P-p.s. mais on perd la propriété de martingale de l’intégrale 0 stochastique. Rt Si H est un élément de P(T ) on a E(Xt ) = E(X0 ) + 0 E(Ks )ds et pour tout t≥s Z t Z s Z s E(Xt |Fs ) = X0 + Ks ds + E Ku du|Fs + Hu dBu 0 s 0 Z t = Xs + E Ku du|Fs s Si K ≡ 0 et H ∈ P(T ), X est une martingale continue. Réciproquement: sous certaines conditions, toute martingale continue s’écrit Rt ξ + 0 ϕs dBs –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Proposition Soit Z une martingale continue de carré intégrable. Alors il existe un processus croissant continu A tel que (Zt2 − At , t ≥ 0) est une martingale. Le processus A est appelé le “crochet oblique”, ou le crochet de Z. On le note très souvent At = ⟨Z, Z⟩t ou encore ⟨Z⟩t . Le crochet du Brownien est t et Rt Rt le crochet de l’intégrale stochastique Mt = 0 Hs dBs est ⟨M ⟩t = 0 Hs2 ds –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Proposition Le crochet de deux martingales continues M et N est égal à la variation quadratique de ces deux processus ⟨M, N ⟩t = lim |∆|→0 n X (Mti+1 − Mti )(Nti+1 − Nti ) i=1 pour toute subdivision 0 = t1 < . . . < tn = T dont le pas |∆| tend vers 0. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov On considère deux processus de Itô dXti = Kti dt + Hti dBt , i = 1, 2. Le crochet de X 1 et X 2 est par définition le crochet de leur partie martingale. Z · Z · Z t Hs2 dBs = Hs1 Hs2 ds. ⟨X 1 , X 2 ⟩t = Hs1 dBs , 0 0 t 0 Définition On dit que deux Browniens B 1 et B 2 sont corrélés si leur crochet est ⟨B 1 , B 2 ⟩t = ρt. On définit le crochet duR processus d’Itô X comme étant le t crochet de sa partie martingale ⟨X⟩t = 0 Hs2 ds –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Lemme d’Itô –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Théorème (Formule d’Itô) Rt Rt Soit (Xt )t∈[0,T ] un processus d’Itô Xt = X0 + 0 Ks ds + 0 Hs dBs et F une fonction deux fois continuement différentiable. Alors, nous avons Z t Z 1 t ′′ F (Xt ) = F (X0 ) + F ′ (Xs )dXs + F (Xs )d⟨X, X⟩s 2 0 0 où par définition t Z |Hs |2 ds. ⟨X, X⟩t := 0 –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Exemple Rt 1 2 0 Bs dBs = 1 2 Processus d’Itô Lemme d’Itô Théorème de Girsanov Bt2 − t . Soit X un processus d’Itô. St = exp(Xt ) est solution de l’équation 1 dSt = St dXt + Ht2 dt . 2 –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Le graphique suivant illustre de manière numérique, la nécessité d’un calcul différentiel spécifique pour leR M.B. En noir est représenté une trajectoire de Bt2 , t en vert une trajectoire de 2 0 Bs dBs calculée comme la somme Rt Pn i=0 Bti (Bti+1 − Bti ) et en rouge une trajectoire de 2 0 Bs dBs + t. On observe donc la nécessité du terme correctif. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Proposition (Formule d’intégration par partie) Soient X et Y deux processus d’Itô: Rt Rt Rt Rt Xt = X0 + 0 Ks ds + 0 Hs dBs et Yt = Y0 + 0 Ks′ ds + 0 Hs′ dBs . Alors, Z Xt Yt = X0 Y0 + avec la convention ⟨X, Y ⟩t = –Calcul Stochastique– t Z 0 Rt Hs Hs′ ds. 0 t Ys dXs + ⟨X, Y ⟩t Xs dYs + 0 Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Proposition (Formule d’Itô multidimensionnelle) Soient X 1 , X 2 , ..., X n une famille de n processus d’Itô: Z t m Z t X Xti = X0i + Ksi ds + Hsi,j dBsj 0 j=1 0 où B = (B 1 , B 2 , ..., B m ) est un mouvement Brownien m-dimensionnel (c.à.d B 1 , B 2 , ....B m sont des mouvements Browniens standards indépendants). Alors, si F est une fonction deux fois différentiables en x = (x1 , ..., xn ) et une fois différentiable en t, ces dérivées étant continues en (t, x), la formule d’Itô prend la forme suivante: –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov (suite de la proposition) F (t, Xt1 , ..., Xtn ) = F (0, X01 , ..., X0n ) + Z 0 n Z X t ∂F (s, Xs1 , ..., Xsn )ds ∂t t ∂F (s, Xs1 , ..., Xsn )dXsi + ∂x i i=1 0 n Z 1 X t ∂2F + (s, Xs1 , ..., Xsn )d⟨X i , X j ⟩s 2 i,j=1 0 ∂xi ∂xj où ⟨X i , X j ⟩t = –Calcul Stochastique– Pm R t k=1 0 Hsi,k Hsj,k ds. Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Remarque Si X et Y deux processus d’Itô, on peut formellement définir le crochet ⟨X, Y ⟩ par les règles suivantes: 1 2 3 4 (x, y) 7→ ⟨x, y⟩ est bilinéaire symétrique. Rt ⟨X, 0 Gs ds⟩ = 0. R. R. ⟨ 0 Hs dBs , 0 Hs′ dBs′ ⟩t = 0 si B et B ′ sont indépendants. R. R. Rt ⟨ 0 Hs dBs , 0 Gs dBs ⟩t = 0 Hs Gs ds. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Théorème de Représentation des martingales –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Nous R t avons vu que lorsque H ∈ P(T ) l’intégrale stochastique ( 0 Hs dBs , t ∈ [0, T ]) est une martingale continue (par rapport à la tribu Brownienne). L’objectif du théorème suivant et de montrer que toutes les martingales (par rapport à la tribu Brownienne) continues et de carré intégrable sont de la forme précédente. Exemple Nous savons que les processus (Bt2 − t, t ∈ [0, T ]) et (eθBt −θ (θ ∈ R) sont des (FtB )-martingales. On a de plus Z t Bt2 − t = 2 Bs dBs 2t 2 , t ∈ [0, T ]) 0 et t θBt −θ 2 2 e Z =θ t eθBs −θ 2s 2 dBs 0 –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Dans le cas où la filtration sur Ω est engendrée par un mouvement Brownien, toutes les martingales peuvent être représentées comme intégrales stochastiques par rapport à ce mouvement Brownien. Théorème (Représentation des martingales) Supposons que la filtration (Ft )t∈[0,T ] est la filtration canonique d’un mouvement Brownien B. Alors, pour toute variable aléatoire X ∈ L2 (FT ), il existe un unique processus Ft -adapté H ∈ L2 (Ω × [0, T ]) tel que Z T X = E[X] + Hs dBs . 0 Comme conséquence, pour toute martingale (Mt )t∈[0,T ] dans L2 , il existe un unique processus adapté h ∈ L2 (Ω × [0, T ]) tel que, pour tout t ≤ T , Z t Mt = E[Mt ] + hs dBs . 0 –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Théorème de Girsanov –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Dans toute cette partie (Bt , t ∈ [0, T ]) désigne un mouvement brownien standard défini sur un espace de probabilité filtré (Ω, F, {FtB }t∈[0,T ] , P) où {FtB }t∈[0,T ] est la filtration canonique de (Bt , t ∈ [0, T ]). On sait que si une variable aléatoire X suit, sous une probabilité P, une loi normale N (m, σ 2 ) alors sous la probabilité équivalente Q ayant pour densité par rapport à P : −mX m2 L = exp + (∗) σ2 2σ 2 la variable X suit une loi normale N (0, σ 2 ). Le but est de proposer une version dynamique de ce résultat dans le cas du mouvement Brownien. Nous allons examiner dans un premier temps un cas élémentaire. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Dans toute cette partie (Bt , t ∈ [0, T ]) désigne un mouvement brownien standard défini sur un espace de probabilité filtré (Ω, F, {FtB }t∈[0,T ] , P) où {FtB }t∈[0,T ] est la filtration canonique de (Bt , t ∈ [0, T ]). On sait que si une variable aléatoire X suit, sous une probabilité P, une loi normale N (m, σ 2 ) alors sous la probabilité équivalente Q ayant pour densité par rapport à P : −mX m2 L = exp + (∗) σ2 2σ 2 la variable X suit une loi normale N (0, σ 2 ). Le but est de proposer une version dynamique de ce résultat dans le cas du mouvement Brownien. Nous allons examiner dans un premier temps un cas élémentaire. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Dans toute cette partie (Bt , t ∈ [0, T ]) désigne un mouvement brownien standard défini sur un espace de probabilité filtré (Ω, F, {FtB }t∈[0,T ] , P) où {FtB }t∈[0,T ] est la filtration canonique de (Bt , t ∈ [0, T ]). On sait que si une variable aléatoire X suit, sous une probabilité P, une loi normale N (m, σ 2 ) alors sous la probabilité équivalente Q ayant pour densité par rapport à P : −mX m2 L = exp + (∗) σ2 2σ 2 la variable X suit une loi normale N (0, σ 2 ). Le but est de proposer une version dynamique de ce résultat dans le cas du mouvement Brownien. Nous allons examiner dans un premier temps un cas élémentaire. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Soit m ∈ R, on considère le processus (B̃t , t ∈ [0, T ]) défini par B̃t = Bt + mt On peut montrer très simplement que le processus (B̃t , t ∈ [0, T ]) est un mouvement brownien sous P si et seulement si m = 0. Le but est de trouver une probabilité Q sous laquelle (B̃t , t ∈ [0, T ]) est un mouvement Brownien standard. Comme B̃t suit N (mt, t), par analogie avec (∗) on pose m2 t m2 t Lt = exp −mB̃t + = exp −mBt − 2 2 –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Soit m ∈ R, on considère le processus (B̃t , t ∈ [0, T ]) défini par B̃t = Bt + mt On peut montrer très simplement que le processus (B̃t , t ∈ [0, T ]) est un mouvement brownien sous P si et seulement si m = 0. Le but est de trouver une probabilité Q sous laquelle (B̃t , t ∈ [0, T ]) est un mouvement Brownien standard. Comme B̃t suit N (mt, t), par analogie avec (∗) on pose m2 t m2 t Lt = exp −mB̃t + = exp −mBt − 2 2 –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov On a alors à t fixé, B̃t suit sous la probabilité Qt de densité Lt par rapport à P une N (0, t). Le processus (Lt , t ∈ [0, T ]) est une martingale sous P. Exercice Monter que {Mt }t∈[0,T ] martingale sous Q ⇐⇒ {Lt Mt }t∈[0,T ] martingale sous P On en déduit la proposition suivante. Proposition Soit m ∈ R. Sous la probabilité Q définie par dQ = LT dP (B̃t , t ∈ [0, T ]) est un mouvement Brownien standard. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Nous voyons que le processus (Lt , t ∈ [0, T ]) joue ici un rôle fondamental. Il est appelé dans la littérature une martingale exponentielle. Plus généralement, RT si (θt , t ∈ [0, T ]) est un processus adapté tel que 0 θs2 ds < ∞ p.s., on note Z t Z 1 t 2 θs dBs − Lt = exp − θs ds 2 0 0 et on voit d’après la formule d’Itô que dLt = −Lt θt dBt . Exercice (Lt , t ∈ [0, T ]) est une martingale ⇐⇒ E(LT ) = 1. Proposition (Condition de Novikov) Le processus (Lt , t ∈ [0, T ]) est une martingale si E(exp{ 12 RT 0 θs2 ds}) < ∞. On a alors la généralisation suivante de la proposition précédente –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Théorème (Girsanov) RT Soit (θt , t ∈ [0, T ]) un processus adapté tel que 0 θs2 ds < ∞ p.s. tel que le processus (Lt , t ∈ [0, T ]) défini par Z t Z 1 t 2 Lt = exp − θs dBs − θs ds 2 0 0 soit une martingale sous P. Alors, Sous la probabilité Q définie par Z T Z 1 T 2 dQ = LT = exp − θs dBs − θs ds dP 2 0 0 Rt le processus (B̃t , t ∈ [0, T ]) vérifiant B̃t = Bt + 0 θs ds est un mouvement brownien standard. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov Théorème (Girsanov pour les processus d’Itô) Supposons que (Yt )t∈[0,T ] est un processus de Itô à valeur dans Rd de la forme Yti = Y0i + t Z µi (s)ds + 0 n Z X j=1 t σ i,j (s)dBsj . 0 Supposons qu’il existe deux processus u et ρ tels que Z T n X 1 u2 (s)ds < ∞. σ i,j (t)(t)uj (t) = µi (t) − ρi (t) ; E exp 2 0 j=1 On pose pour tout t ∈ [0, T ] ; Z Lt = exp − t u(s)dBs − 0 1 2 t Z u2 (s)ds . 0 Soit Q la mesure définie sur FT par dQ := LT dP. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Processus d’Itô Lemme d’Itô Théorème de Girsanov (Suite du Théorème) Alors, Q est une probabilité, définie sur FT , équivalente à P telle que le processus Z t B̃t = Bt + u(s)ds, 0 ≤ t ≤ T 0 est un mouvement Brownien sous Q. De plus, en terme de B̃, le processus Y peut s’écrire sous la forme suivante Z t n Z t X Yti = Y0i + ρi (s)ds + σ i,j (s)dB̃sj , 1 ≤ i ≤ d. 0 –Calcul Stochastique– j=1 0 Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac Équations différentielles stochastiques –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac Nous avons maintenant tous les éléments en main pour définir la notion de solution d’une équation différentielle stochastique (EDS), de la forme dXt = b(t, Xt )dt + σ(t, Xt )dBt où b, σ : [0, T ] × R → R sont des fonctions déterministes mesurables. La fonction b est communément appelée coefficient de dérive (drift), alors que σ est appelée coefficient de diffusion. Dans tout ce chapitre, nous supposons que Soit X0 ∈ R est une constante, et alors {Ft }t∈[0,T ] désigne la filtration engendrée par le mouvement Brownien. Soit X0 : Ω → R est une variable aléatoire, de carré intégrable, et indépendante du mouvement Brownien. Dans ce cas, {Ft }t∈[0,T ] désignera la filtration engendrée par le mouvement Brownien et par X0 . –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac Exemple (Cas du mouvement brownien géométrique) On rappelle qu’un mouvement Brownien géométrique de drift b et de volatilité σ ((b, σ) ∈ R) est le processus continu (St )t∈[0,T ] défini par 1 St = x0 e(b− 2 σ 2 )t+σBt (5) On prendra ici x0 > 0 de sorte que ∀t ∈ [0, T ], Xt > 0. En appliquant la 1 2 formule d’Itô avec f (t, x) = x0 e(b− 2 σ )t+σx et Xt = Bt on obtient ∀t ∈ [0, T ] t Z St = f (t, Bt ) = f (0, B0 )+ t Z fs′ (s, Bs )ds+ 0 fx′ (s, Bs )dBs + 0 1 2 t Z fx′′ (s, Bs )ds 0 et donc St = f (t, Bt ) = x0 + (b − –Calcul Stochastique– 1 2 σ ) 2 Z t Z Ss ds + σ 0 t Ss dBs + 0 1 2 σ 2 t Z Ss ds 0 Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac En utilisant la notation différentielle le processus (St ) vérifie l’équation dSt = St bdt + St σdBt avec condition initiale S0 = x0 . Cette équation, très célèbre en finance, est connue sous le nom d’équation de Black et Scholes. Remarque Lorsque b = 0, le processus St est une martingale. Ce type de processus porte alors le nom de martingale exponentielle. Proposition Pour (b, σ) ∈ R2 , il existe un unique processus d’Itô (St ) vérifiant dSt = bSt dt + σSt dBt (avec S0 = x0 ). Ce processus est donné par (5). –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac Preuve Soit (Xt ) vérifiant X0 = x0 et dXt = bXt dt + σXt dBt . On pose Zt = ′ 1 ′2 ′ 1 2 S0 = e(−b+ 2 σ )t−σBt = e(b − 2 σ )t+σ Bt St où σ ′ = −σ et b′ = −b + σ 2 . Ainsi, par analogie avec le calcul effectué précédemment, Z t Z t Zs ((−b + σ 2 )ds − σdBs ). Zt = 1 + Zs (b′ ds + σ ′ dBs ) = 1 + 0 0 D’après le lemme d’Itô on déduit facilement que d(Xt Zt ) = 0. Ainsi, ∀t ∈ [0, T ], Xt = St P − p.s. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac Solution des EDS –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac Une équation différentielle stochastique est une équation de la forme Z t Z t b(s, Xs )ds + σ(s, Xs )dBs Xt = X0 + 0 (6) 0 ou sous forme condensée dXt = b(t, Xt )dt + σ(t, Xt )dBt L’inconnue est le processus X. Le problème est, comme pour une équation différentielle ordinaire, de montrer que sous certaines conditions sur les coefficients, l’équation différentielle a une unique solution. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac Solution forte Définition Un processus stochastique {Xt }t∈[0,T ] est appelé une solution forte de l’EDS (6) avec condition initiale X0 si {Xt }t∈[0,T ] est {Ft }-adapté. on a les conditions de régularité Z T Z P |b(s, Xs )|ds < ∞ = P 0 T |σ(s, Xs )|2 ds < ∞ = 1 0 l’égalité (6) est satisfaite pour tout t, P − p.s. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac Théorème Supposons que les fonctions b et σ satisfont les deux conditions suivantes: Condition de Lipschitz globale: Il existe une constante K telle que |b(t, x) − b(t, y)| + |σ(t, x) − σ(t, y)| ≤ K|x − y| pour tous les x, y ∈ R et t ∈ [0, T ]. Condition de croissance: Il existe une constante L telle que |b(t, x)| + |σ(t, x)| ≤ L(1 + |x|) pour tous les x ∈ R et t ∈ [0, T ]. Alors l’EDS (6) admet, pour toute condition initiale X0 de carré intégrable, une solution forte {Xt }t∈[0,T ] , presque sûrement continue. Cette solution est unique dans le sens que si {Xt }t∈[0,T ] et {Yt }t∈[0,T ] sont deux solutions presque sûrement continues, alors P sup |Xt − Yt | > 0 = 0. 0≤t≤T –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac Considérons l’EDS dXt = sin(Xt )dt + cos(Xt )dBt ; X0 = 0. Ici, b(x) = sin(x) et σ(x) = cos(x) sont lipschitziennes (car b′ et σ ′ sont bornées), donc il existe une unique solution à l’équation, mais quelle est-elle ? Il se trouve que même si la formulation de l’équation est assez simple, il n’existe pas de méthode de résolution analytique ! On voit donc l’intérêt de simuler numériquement la solution d’une telle équation. De nombreuses EDS ne peuvent se résoudre explicitement. C’est pourquoi il est parfois commode de disposer de méthodes numériques d’approximation. Nous présentons ici brièvement la méthode la plus simple qui est un schéma d’approximation à l’ordre 1. Notons que les méthodes pour les EDS sont directement issues de celles utilisées pour les EDO. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac Considérons l’EDS dXt = sin(Xt )dt + cos(Xt )dBt ; X0 = 0. Ici, b(x) = sin(x) et σ(x) = cos(x) sont lipschitziennes (car b′ et σ ′ sont bornées), donc il existe une unique solution à l’équation, mais quelle est-elle ? Il se trouve que même si la formulation de l’équation est assez simple, il n’existe pas de méthode de résolution analytique ! On voit donc l’intérêt de simuler numériquement la solution d’une telle équation. De nombreuses EDS ne peuvent se résoudre explicitement. C’est pourquoi il est parfois commode de disposer de méthodes numériques d’approximation. Nous présentons ici brièvement la méthode la plus simple qui est un schéma d’approximation à l’ordre 1. Notons que les méthodes pour les EDS sont directement issues de celles utilisées pour les EDO. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac Schéma d’Euler aléatoire On se limite ici au cas homogène en considérant la solution {Xt }t∈[0,T ] de l’équation dXt = b(Xt )dt + σ(Xt )dBt ; X0 = x On considère la subdivision d’ordre N ∈ N∗ de l’intervalle [0, T ] et on pose iT ∀i ∈ {0, ..., N }, tN i = N .La méthode d’Euler consiste à considérer le schéma récursif suivant ∀i ∈ {0, ..., N } T N X N tN = X N tN tN + σ X N tN BtN − BtN (7) i i−1 + b X i−1 i−1 i i−1 N avec X N (0) = x, défini aux points de la forme tN i . –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac Proposition Dans les conditions du théorème précédent on a " # 2 T N E sup Xt − Xt ≤K N t∈[0,T ] où K ne dépend que de T . D’un point de vue algorithmique, la formule (7) est très pratique car elle nécessite uniquement de simuler un échantillon (gi ) de la loi N (0, 1) et de q T substituer g à BtN − BtN N i i –Calcul Stochastique– i−1 Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac EDS linéaires –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac EDS linéaire avec “bruit additif” Considérons l’EDS linéaire avec “bruit additif” est définie par dXt = Xt a(t)dt + σ(t)dBt (8) où a et σ sont des fonctions déterministes. Dans le cas particulier σ ≡ 0, la solution peut s’écrire simplement Z t Xt = eα(t) X0 ; α(t) = a(s)ds. 0 Ceci suggère d’appliquer la méthode de la variation de la constante, c’est-à-dire de chercher une solution de la forme Xt = e−α(t) Yt . La formule d’Itô appliquée à Yt = u(t, Xt ) = e−α(t) Xt nous donne dYt = −a(t)e−α(t) Xt dt + e−α(t) dXt = e−α(t) σ(t)dBt d’où en intégrant et en tenant compte du fait que Y0 = X0 , Z t Yt = X0 + e−α(s) σ(s)dBs . 0 –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac Ceci donne finalement la solution forte de l’équation (8) Z t Xt = X0 eα(t) + eα(t)−α(s) σ(s)dBs 0 On notera que si la condition initiale X0 est déterministe, alors Xt suit une loi normale, d’espérance E(Xt ) = X0 eα(t) et de variance Z t V ar(Xt ) = e2(α(t)−α(s)) σ(s)2 ds 0 –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac EDS linéaire avec “bruit multiplicatif” Considérons l’EDS linéaire avec “bruit multiplicatif” est définie par dXt = Xt a(t)dt + σ(t)Xt dBt (9) où à nouveau a et σ sont des fonctions déterministes. Nous pouvons alors écrire dXt = a(t)dt + σ(t)dBt Xt En intégrant le membre de gauche, on devrait trouver log(Xt ), mais ceci est-il compatible avec le calcul d’Itô? Pour s’en assurer, posons Yt = u(Xt ) = log(Xt ). Alors la formule d’Itô donne dYt = 1 1 dXt − d⟨X⟩t Xt 2Xt2 En intégrant et en reprenant l’exponentielle, on obtient donc la solution forte Z t Z t 1 Xt = X0 exp a(s) − σ(s)2 ds + σ(s)dBs 2 0 0 –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac Connexion avec les EDP et représentation de Feynman-Kac –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac Le but de cette section est de montrer qu’on peut représenter les solutions d’équations aux dérivées partielles (EDP) classiques à l’aide de processus aléatoires. Lien mouvement brownien ←→ équation de la chaleur Soit {Bt , t ∈ R+ } un mouvement brownien standard. On définit {Btt0 ,x0 , t ∈ [t0 , ∞)}, le mouvement brownien partant au temps t0 ≥ 0 du point x0 ∈ R par Btt0 ,x0 = Bt − Bt0 + x0 , t ∈ R+ . (Résultat d’analyse) Soient T > 0 et h ∈ C(R) une fonction continue. Il existe alors une “unique” fonction u ∈ C 1,2 ([0, T ] × R) qui vérifie ∂u 1 ∂2u (t, x) + (t, x) = 0, ∀(t, x) ∈ [0, T ] × R (10) ∂t 2 ∂x2 u(T, x) = h(x) ∀x ∈ R. –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac Le résultat suivant nous donne donc une représentation probabiliste de la solution de l’EDP (10) Proposition Soit u la solution de l’équation (10). Pour tout (t0 , x0 ) ∈ [0, T ] × R, on a u(t0 , x0 ) = E h BTt0 ,x0 . –Calcul Stochastique– Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac Lien EDS ←→ EDP parabolique (formule de Feynman-Kac) Soient t0 ∈ R+ , x0 ∈ R, {Bt , t ∈ R+ } un mouvement brownien standard et f, g : R+ × R → R deux fonctions continues en (t, x) et lipschitziennes en x. On pose {Xtt0 ,x0 , t ∈ [t0 , ∞)} la solution de l’EDS dXt = f (t, Xt )dt + g(t, Xt )dBt ; Xt0 = x0 . On suppose de plus qu’il existe une constante K > 0 telle que |g(t, x)| ≥ K –Calcul Stochastique– ∀(t, x) ∈ R+ × R. Yassine EL QALLI, Avril, 2022 Pré-requis Processus Stochastiques Intégrales Stochastiques Calcul d’Itô Équations différentielles stochastiques Solution des EDS EDS linéaires Connexion avec les EDP et représentation de Feynman-Kac (Résultat d’analyse) Soient T > 0 et h ∈ C(R) une fonction continue. Étant donné les hypothèses effectuées ci-dessus sur f et g, il existe alors une “unique” fonction u ∈ C 1,2 ([0, T ] × R) qui vérifie ∂u ∂u 1 ∂2u (t, x) + f (t, x) (t, x) + g 2 (t, x) 2 (t, x) = 0, ∀(t, x) ∈ [0, T ] × R ∂t ∂x 2 ∂x u(T, x) = h(x) ∀x ∈ R. (11) Proposition (Formule de Feynman-Kac) Soit u la solution de l’équation (11). Pour tout (t0 , x0 ) ∈ [0, T ] × R, on a u(t0 , x0 ) = E h XTt0 ,x0 . –Calcul Stochastique– Yassine EL QALLI, Avril, 2022