Processus stochastiques Nécessité de martangalité et gaussianité Variation quadratique & crochet


Si l’une des propt est vérifiée alors Xt est une mouvement brownian :
( (X) (X) R t  (X) 2
Propt présque sûre : dXt = Kt dt + Ht dBt < X, X >
t = 0 Hs ds
1. Xt continue (p.s.) et Xt2 − t est martangale. (Y ) (Y ) =⇒
(X) (Y )
dYt = Kt dt + Ht dBt = 0t Hs Hs ds
< X, Y > R
Une proprité (Par exemple Xt est continue) est vérifié presque sure t
lorsque : λXt − 1 λ2 t
2. Xt continue (p.s.) et ∀λ e 2 est martangale.
  Cas Générale :
P ω ∈ Ω, t →7 Xt (ω) est continue = 1 3. Xt continue (p.s.) et gaussian centré tq : cov(Xt , Xs ) = inf(t, s)
( (X) P (X,i) (i)
Temps d’arret dXt = Kt dt + HtdBt
Astuce pratique : (Y ) Pi (Y,i) (i)
Déf : Une variable aléatoire τ tq pour tout t : {τ < t} ∈ Ft dYt = Kt dt + i Ht dBt
• Si V(X) = E(X) = 0 alors : X = 0 
P.S. 1. Tribu : Fτ = A ∈ F ∀t > 0 : A ∩ {τ < t} ∈ Ft =⇒
• Si X = lim Y n avec Yn iid de moment d’ordre 1 alors : X = E(Y1 )

P R t  (X,i) 2

2. Temps d’atteint : τa = inf u > 0 : Xu ≥ a < X, X >
t = i 0 Hs ds
• Si X > 0 et A XdP = 0 alors P(A) = 0
R
3. Thm : Lorsque Xt est une processus continue présque < X, Y > P R t (X,i) (Y,i)
t = i 0 Hs Hs ds
surement, τa est un temps d’arrêt.
Propt d’independance des acroissements
Lorsque : 4. Loi (cas brownienne) : E(e−λτa ) = e−λ|a|
Zt − Zs ⊥
⊥ Fs ∀0 < s < t Intégrale & Calcul d’Ito (processus
Propt de martangalité Integrale d’Ito (mvt brownian) d’Ito)
Lorsque : 
E(|Mt |) < ∞
 Existance Déf : Soit dXt = Kt dt + Ht dBt et un processus Gt
R T
Mt est : Ft − Adapté C’est noté 0 Hs dBs , et existe lorsque : Z t Z t Z t

E(Mt | Fs ) = Ms Gs dXs = Gs Ks ds + Gs Hs dBs
1. (s, ω) 7→ Hs (ω) est B × Fs mesurable.

0 0 0
• Si ≤ alors surmartangale, si ≥ alors sousmartangale 2. Hs est Fs − Adapté Sous reserve d’intégrabilité des termes
• E(Mt ) = E(M0 )
 
3. E 0T |Hs |2 ds < ∞
R
NB : Astuce (voir Itô) : Pour montrer qu’une Xt est martingale, il
Calcul pratique (Lemme d’Ito)
suffit de montrer qu’une c’est processus d’Itô et que : Ks = 0. Proprités Cas unidimentsionelle
Processus Gaussian Pour deux processus H et G bornées on a : Soit F de class C 2 (R), posons F ′ = f (donc f de class C 1 (R) et F sa
Déf : Processus (Xt )t≥0 est gaussien si tout vecteur (finie) 1. Isométrie : primitive) :
n-dimensionnel (Xt1 , · · · , Xtn ) (avec n ≥ 1) est gaussien.  R 2
T
T 1 T ′
RT Z   Z
E Hs dBs =E Hs2 ds
Caractérisations
0 0 f (Xt )dXt = F (XT ) − F (X0 ) − f (Xt )Ht2 dt
2 0
 
E R T Hs dBs R T Gs dBs = E 0T
R
Hs Gs ds 0
0 0
1. Processus (Xt )t≥0 est gaussien ssi : ∀π = (t1 , · · · , tn ) ∈ R on a : Formulation differentielle :
X 2. Linéarité : 1 ′′
∀α = (α1 , · · · , αn ) ∈ R : αi Xti Est de loi normale dF (Xt ) = F ′ (Xt )dXt + F (Xt )Ht2 dt
Z t Z t Z t
i 2
(Hs + λGs ) dBs = Hs dBs + λ Gs dBs
0 0 0 Cas unidimentsionelle avec dimension de temps
2. Soit Vt un processus gaussian, alors le Processus (Xt )t≥0 est
gaussien lorsque ∀π = (t1 , · · · , tn ) ∈ R il exist Aπ tq : 3. Martangalité : Les processus suivantes sont des martingales : Soit (x, t) 7→ F (x, t) de classe C 2 (R) par rapport à x et de classe
C 1 ([0, T ]) par rapport au t , posons ∂F = f (donc f de class C 1 (R)
 R 
(Xt1 , · · · , Xtn )T = A × (Vt1 , · · · , Vtn ) t
(Mt )t = 0 Hs dBs
 ∂x
h ti  par rapport à xet de classe C 1 ([0, T ]) par rapport au t et F sa primitive
Rt 2 Rt 2
Mvt Brownienne (Nt )t =
 H s dBs − H s ds par rapport au x) :
0 0
t
Déf : Le processus (Bt )t≥0 est un mouvement Brownien (standard) si : Z T  
4. Normalité : Si H est déterministe alors : f (Xt , t)dXt = F (XT , T ) − F (X0 , 0)
1. B0 = 0 (le mouvement Brownien est issu de l’origine). Z t  Z t  0
2. Les trajectoires t 7→ Bt sont presque sûrement continues. Hs dBs ∼ N 0, Hs2 ds 1
Z T ∂f
Z T ∂F
0 0 − (Xt , t)Ht2 dt − (Xt , t)dt
3. ∀s, t ≥ 0 tels que s < t, la variable réelle Bt − Bs ∼ N (0, (t − s)). 2 0 ∂x 0 ∂t
4. Le processus (Bt )t≥0 est à accroissements indépendants Processus d’Itô Formulation differentielle
NB :
Bt t→+∞ Déf : Xt est processus d’Itô lorsque : ∂F 1 ∂2F ∂F
−−−−−→ 0 dF (Xt , t) = (Xt , t)dXt + (Xt , t)Ht2 dt + (Xt , t)dt
t P.S. Z t Z t ∂x 2 ∂x2 ∂t
Suffisance pour martangalité et gaussianité Xt = X0 + Ks ds + Hs dBs Calcul d’intégrale de produit :
0 0
Si (Bt )t≥0 est un mouvement brownian alors : Z T Z T
Ou sous forme differentielle :
Xt dYt = [XT YT − X0 Y0 ] − Yt dXt − < X, Y >t
• Xt = Bt2 − t est martingale 0 0
dXt = Kt dt + Ht dBt
1 2
• Xt = eλBt − 2 λ t
est martingale Formulation differentielle
NB : le Kt et le Ht doivent vérifient les hypothèses d’integrabilité,
• Bt est gaussian centré de covariance : cov(Bt , Bs ) = inf(t, s) ainsi ils sont p.s. uniques. d(Xt Yt ) = Xt dYt + Yt dXt + d < X, Y >t
Les équadiff stochastiques Les équadiff stochastique vs les Changement de probabilité
Formulation équadiff déterministes Def
L’équadiff stochastique s’écrit comme suit :
( Lien : mvt brownienne vs équation d chaleur On note la proba dQ = LdP lorsque :
dXt = τ (Xt , t)dt + σ(Xt , t)dBt 1. Énoncé d’équation d chaleur :
(◦) : • L ≥ 0 et E(L) = 1
X0 = ξ(variable aléatoire) Soient T > 0 et h ∈ C(R) une fonction continue. II existe alors
une ”unique” fonction u ∈ C 1,2 ([0, T ] × R) qui vérifie • Q(A) = A LdP
R
Solution Forte ( 2
∂u
Lorsque ces deux conditions sont vérifiées : ∂t
(t, x) + 12 ∂∂xu2 (t, x) = 0, ∀(t, x) ∈ [0, T ] × R
u(T, x) = h(x) ∀x ∈ R. Changement de probabilité pour Loi normale
1. Condition de Lipschitz globale :
∃K > 0 : |τ (y, t) − τ (x, t)| + |σ(y, t) − σ(x, t)| < K|y − x| ∀x, y, t 2. Solution à l’aide de mouvement brownienne : 
 
X ∼

 N (µ, σ 2 )
P
2. Condition de croissance : ∀(t, x) ∈ [0, T ] × R : u(t, x) = E h(BT − Bt + x) Si : Alors : X ∼ N (µ + hσ 2 , σ 2 )
dQ = LT dP
Q
h2 2

∃L > 0 : |τ (x, t)| + |σ(x, t)| < L(1 + |x|) ∀x, y, t

L = exp{h(X − µ) −
Lien : equadiff stochastique vs équation diff parabolic 2
σ }
Alors pour tout ξ carré intégrable, l’équadiff (◦) : 1. Énoncé d’équation parabolic :
1. Admet une solution forte presque surement continue, au sense Soient T > 0 et h ∈ C(R) une fonction continue. Étant donné les Changement de probabilité pour Brownian mouvement
que : hypothèses effectuées ci-dessous sur f et g, il existe alors une 
”unique” fonction u ∈ C 1,2 ([0, T ] × R) qui vérifie B ∼ Brownienne
• (Xt )t∈[0,T ] est Ft − adapté,  t P


∀(t, x) ∈ [0, T ] × R :
Si : dQ = LdP n
• On a la condition de réguliarité :
( 2
∂u
(t, x) + f (t, x) ∂u (t, x) + 12 g 2 (t, x) ∂∂xu
o
L = exp − R T θs dBs − RT

2 (t, x) = 0,
1
θs2 ds

Z T  Z T  ∂t ∂x T 0 2 0
P |τ (s, Xs )| ds < ∞ = P |σ (s, Xs )|2 ds < ∞ =1 u(T, x) = h(x) ∀x ∈ R
0 0
Z t
2. Solution à l’aide des équadiff stochastiques : Soient Alors : B̂t = Bt + θs ds ∼ Brownienne
• L’équation (◦) est verifié presque surement pour tout f, g : R+ × R → R deux fonctions continues en (t, x) et 0 Q
t ∈ [0, T ] lipschitziennes en x.
Théorème de Girsanov
n o
2. Cette solution est unique au sense que : On pose Xtt0 ,x0 , t ∈ [t0 , ∞) la solution de L’EDS
Si Xt et Yt sont deux solutions p.s. continues alors : dXt = f (t, Xt ) dt + g (t, Xt ) dBt ; Xt0 = x0 . Supposons que (Yt )t∈[0,T ] est un processus de ltô à valeur dans Rd de la
 
On suppose de plus qu’il existe une constante K > 0 telle que forme
P sup |Xt − Yt | > 0 = 0 Z t n Z t
0<t<T |g(t, x)| ≥ K ∀(t, x) ∈ R+ × R.
X
Yti = Y0i + µi (s)ds + σ i,j (s)dBsj .
Equadiff Linéaire Alors :  
0 j=1 0

À bruit additive ∀(t0 , x0 ) ∈ [0, T ] × R : u(t0 , x0 ) = E h(XTt0 ,x0 ) Supposons qu’il existe deux processus u et ρ tels que
Soit l’équadiff pour σ et a deterministes : n
X
σ i,j (t)(t)uj (t) = µi (t) − ρi (t)
(
dXt = Xt a(t)dt + σ(t)dBt Rappels proba j=1
X0 =ξ   Z T 
Alors : Loi normale E exp
1
u2 (s)ds < ∞.
1. Fonction de densité : 2 0
1. Solution Homogène : 2  
1 − 1 x−µ
A(t)
Z t √ e 2 σ
f (x) = On pose
Xt = ξe A(t) = a(s)ds σ 2π
0
2. Fonction Géneratrice des moments :  Z t 1
Z t 
2. Solution Générale :   
σ 2 t2
 Mt = exp − u(s)dBs − u2 (s)ds , pour tout t ∈ [0, T ].
Z t Mnorm (t) = E etX = exp µ t + 0 2 0
Xt = ξt eA(t)
=⇒ Xt = ξe A(t)
+ e A(t)−A(s)
σ(s)dBs 2
0 Soit Q la mesure définie sur FT par
Éspérance conditionnelle
Si de plus ξ est deterministe, E(Xt ) = ξeA(t) et • Si X est G-mesurable, E(X | G) = X. dQ := MT dP.
V⅁∖)(Xt ) = 0t e2(A(t)−A(s)) σ(s)2 ds
R
• Si Y est G-mesurable, E(XY | G) = Y E(X | G).
À bruit multiplicative • Si X est indépendante de G, E(X | G) = E(X). Alors, Q est une probabilité, définie sur FT , équivalente à P telle que le
processus
Soit l’équadiff pour σ et a deterministes : • Si G et H sont deux tribus telles que H ⊂ G alors : Z t
( E(X | H) = E(E(X | H) | G) = E(E(X | G) | H) B̃t = Bt + u(s)ds, 0 ≤ t ≤ T
dXt = Xt a(t)dt + Xt σ(t)dBt 0
• Si (X, Y ) sont indépendantes, et ϕ une fonction borélienne bornée
X0 =ξ est un mouvement Brownien sous Q. De plus, en terme de B̃, le
:
Alors : E(ϕ(X, Y ) | Y ) = [E(ϕ(X, y))]y=Y processus Y peut s’écrire sous la forme suivante
1. Solution Générale : • Si f est continue et convexe alors : Z t n Z t
t Z t X
Yti = Y0i + ρi (s)ds + σ i,j (s)dB̃sj ,
Z       
1 1≤i≤d
Xt = ξ exp a(s) − σ 2 (s) ds + σ(s)dBs E f (X) | G ≥ f E(X | G) 0 0
0 2 0 j=1