Introduction à la modélisation financière en temps continue & Calcul Stochastique

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Introduction à la modélisation financière en temps continue & Calcul Stochastique"

Transcription

1 Introduction à la modélisation financière en temps continue & Calcul Stochastique Mireille Bossy INRIA pour le MASTER IMAFA à Polytech Nice Sophia Antipolis 16 novembre 213

2 2 Cours de maths financières IMAFA / M. Bossy

3 SOMMAIRE Sommaire 1 Processus Stochastiques Généralités sur les processus stochastiques Le mouvement brownien Quelques propriétés du mouvement brownien Quelques propriétés de la trajectoire brownienne Mouvement brownien vectoriel Mouvement brownien vectoriel corrélé Premiers éléments de Calcul Stochastique Filtration et adaptation Martingales en temps continue Des exemples de martingales L inégalité maximale de Doob Sur la convergence des variables aléatoires Variation quadratique du mouvement brownien Intégrale d Itô le cas unidimensionnel Différents espaces de processus Intégration des processus élémentaires Intégration des processus de MF 2, T Intégration de processus de L 2 F, T L intégrale stochastique comme processus Formule d Itô le cas unidimensionnel Processus d Itô et martingale Caractérisation de Lévy du mouvement brownien Changement de Probabilité Exemple élémentaire Le cas des variables gaussiennes Options européennes, modèle de Black et Scholes unidimensionnel Description du modèle de marché Black et Scholes Les stratégies de financement Les stratégies autofinancées Actualisation, changement de numéraire Opportunité d arbitrage et probabilité risque neutre Lien entre A.O.A et probabilité risque neutre Stratégies admissibles Options européennes Le pricing d option européenne dans le modèle de Black et Scholes Premier énoncé pour le pricing d une option européenne Second énoncé pour la valorisation d une option européenne La formule de Black et Scholes Cours de maths financières IMAFA / M. Bossy

4 SOMMAIRE 4 Un peu plus de calcul stochastique Caractérisation de Lévy du mouvement brownien Temps d arrêt Temps d arrêt et intervalle aléatoire Exemples de temps d arrêt et propriétés Quelques propriétés des temps d arrêt Temps d arrêt et filtration Théorème d arrêt et inégalité martingale Intégrale d Itô et temps d arrêt Intégrale d Itô multidimensionnelle Formule d Itô multidimensionnelle Équations différentielles stochastiques Les hypothèses sous lesquelles on démontre l existence Exemples d EDS Propriété de Markov et propriété de flot des EDS Le théorème de Girsanov Mouvement brownien et équation de la chaleur Lien entre EDS et EDP : la formule de Feynman Kac Le cas unidimensionnel Ce qui change en dimension > Application de la formule de Feynman Kac aux O.E Valorisation d options européennes, cadre des EDS Description du modèle de marché Le pricing d option européenne Cours de maths financières IMAFA / M. Bossy

5 CHAPITRE 1. PROCESSUS STOCHASTIQUES Chapitre 1 Processus Stochastiques 1.1 Généralités sur les processus stochastiques Un processus stochastique est un modèle mathématique pour décrire l état d un phénomène aléatoire évoluant dans le temps. Processus stochastique, fonction aléatoire ou signal aléatoire en sont des synonymes. Soit un espace de probabilité Ω, F, P. On désigne par T l ensemble des temps. On appelle processus aléatoire toute application de T Ω dans E, t, ω T Ω X t ω E. En général, on note X ou X t, t T cette application. Dans le cadre de ce cours, T sera R + ou un intervalle borné [, T ] ou [t 1, t 2 ]. E est l espace des états du processus, égal à R ou R d et muni de la tribu E, égale à BR ou BR d, d 1. On supposera toujours que la fonction ω X t ω est mesurable de Ω, F dans R d, BR d, de sorte que X t soit une variable aléatoire à valeurs R d, d 1. Définition On appelle processus stochastique à temps continu, une collection de v.a. X t, t R + sur Ω, F à valeurs dans R d, BR d. L observation d un processus stochastique revient à fixer un ω dans Ω. On appelle trajectoire la fonction de T dans R d, obtenue en fixant ω dans Ω, t R + X t ω R d. La valeur à l instant t T d un processus X est la fonction de Ω dans R d, obtenue en fixant t dans T, ω Ω X t ω R d. On notera X t la valeur du processus à l instant t, qui pour des raisons techniques évidentes sera toujours supposée être une v.a., c.à.d une fonction mesurable de Ω, F dans R d, BR d. Toujours pour des raisons techniques, il est commode de supposer une mesurabilité jointe quand on considère un processus comme fonction des deux variables t, ω : 5 Cours de maths financières IMAFA / M. Bossy

6 CHAPITRE 1. PROCESSUS STOCHASTIQUES Définition Un processus X t, t R + est dit mesurable si l application 1 est mesurable. t, ω R + Ω, BR + F X t ω R d, BR d Lorsque l on considère un processus particulier, il est naturel de s intéresser à la régularité de ses trajectoires. Dans le cadre de ce cours, nous ne considérerons que des processus à trajectoires continues. Proposition Si X t, t R + est un processus à trajectoires continues on dit aussi processus continu, c.a.d. tel que la fonction t X t ω pour tout ω Ω est une fonction continue, il est mesurable. Définition La loi temporelle d un processus aléatoire X est définie par la donnée de ses distributions fini dimensionnelles, c est à dire la donnée des lois de probabilités de tous les vecteurs aléatoires X t1,..., X tk pour tout k 1 et t 1 <... < t k dans T. 1.2 Le mouvement brownien Le mouvement brownien et les processus de diffusion que l on en déduit, jouent un rôle central dans la théorie des processus stochastiques. Ils fournissent des modèles simples pour de nombreuses applications sur lesquelles de nombreux calculs peuvent être faits. Le mouvement brownien tire son nom du botaniste Robert Brown qui décrivit en 1827 le mouvement de fines particules pollens en suspension dans un fluide. Entre la description de Brown et la définition actuelle du mouvement brownien, cet objet a retenu l attention de physiciens comme Einstein et Smoluchowski et de mathématiciens comme Wiener, Levy et Itô. Historiquement, le mouvement brownien est associé à l observation d un mouvement qui évolue au cours du temps de façon si désordonnée qu il semble imprévisible mais qui présente une certaine homogénéité dans le temps : la date du début de l observation n est pas importante mais sa durée oui. Définition Un mouvement brownien standard réel sur R + est un processus W t, t réel et à trajectoires continues, tel que - W =. - Tout accroissement W t W s où s < t suit une loi gaussienne centrée, de variance t s. - Pour tout = t < t 1 < t 2 <... < t n, les accroissements W ti+1 W ti ; i n sont indépendants. Le mouvement brownien est un processus à accroissements indépendants, stationnaires et gaussiens. - W t est une v.a. de loi gaussienne N, t et PW t [x, x + dx] = pxdx = 1 2πt exp x2 2t dx. - En particulier, W t [ 1.96 t, 1.96 t] avec une probabilité de 95% car P Z lorsque Z est de loi gaussienne N, 1. On peut montrer que cette propriété est vérifiée pour toute la trajectoire brownien. 1 Pour E 1, E 1,..., E n, E n n espaces mesurables, la tribu produit E 1... E n est la tribu de E 1... E n engendrée par les pavés Γ 1... Γ n pour Γ 1 E 1,..., Γ n E n. L espace mesurable ainsi défini est le produit des n espaces mesurables. 6 Cours de maths financières IMAFA / M. Bossy

7 CHAPITRE 1. PROCESSUS STOCHASTIQUES L existence d un mouvement brownien, au sens de la définition précédente, n est pas évidente. Voir par exemple la construction de Wiener dans [5], ou encore [?] et [8]. En général, les phénomènes observés ne sont pas aussi normalisés que le mouvement brownien standard. Définition On appelle encore mouvement brownien, issu de x, de dérive b et de coefficient de diffusion σ, le processus X t = x + σw t + bt. X est encore un processus à accroissements indépendants, stationnaires et gaussiens mais non centré et tel que X = x. Dans la suite, en l absence de précision, mouvement brownien désignera le mouvement brownien standard Quelques propriétés du mouvement brownien Les propriétés suivantes sont classiques et très utiles pour les calculs. Proposition i Propriété de symétrie : Si W t, t est un mouvement brownien standard, il en est de même de W t, t. ii Propriété d échelle : Si W t, t est un mouvement brownien standard, alors pour tout c >, il en est de même du processus Wt c, t défini pour tout t par W c t = 1 c W c 2 t. iii Invariance par translation : Le mouvement brownien translaté de h >, W h t = W t+h W h ; t est un mouvement brownien, indépendant du mouvement brownien arrêté en h W s, s h. iv Retournement du temps : Le processus retourné à l instant T, Ŵ T t = W T W T t est un mouvement brownien sur [, T ] Quelques propriétés de la trajectoire brownienne Proposition Le mouvement brownien oscille entre et + quand le temps augmente indéfiniment. En effet, presque sûrement, Mais, lim sup W t = t + lim inf W t =. t + lim sup W u = +, t + u t W t t, p.s. t +. La vitesse de divergence du mouvement brownien est moins grande que celle de t. Remarque : I. Principe de symétrie des trajectoires du MVB : a Montrer que pour tout α, PW t α = PW t α. b Calculer la loi du maximum courant du mouvement brownien : M t = sup W s, t s t. 7 Cours de maths financières IMAFA / M. Bossy

8 CHAPITRE 1. PROCESSUS STOCHASTIQUES Calcul de la loi jointe de W t, M t : PW t da, M t db = b a PW t a, M t bdadb. A l aide d un petit dessin et du principe de symétrie, il faut se convaincre que, pour b a, PW t a, M t b = PW t 2b a, M t b 22b a 2πt 3 = PW t 2b a. D où, par différentiation PW t da, M t db = 2 exp a 2πt = exp Calcul de la loi de M t : PM t db = PW t b, M t db b = PW t da, M t dbda db b 2 = exp 2πt = = b [ 2 2πt exp 2b a2 da db 2t a 2 2b a2 exp a 2πt 2t 2b a2 da 2t ] a=b a= da db Au passage, on remarque que PM t db = P W t db. 2b a2 dadb 2t 2b a2 2t dadb. = 2 2πt exp b2 2t db. II. L intervalle de confiance pour l ensemble de la trajectoire brownienne : On montre que pour tout t, En effet, pour tout t, Or, Psup s t Psup W s 2 t 9%. s t W s 2 t = 1 Psup W s 2 t. s t Psup W s 2 t Pinf W s 2 t + Psup W s 2 t s t s t s t = 2Psup W s 2 t s t = 2P W t 2 t 1%, car P Z lorsque Z est de loi gaussienne N, 1. Ce qui implique le résultat. Proposition Sur l irrégularité des trajectoires. a Si W t, t est un mouvement brownien standard, le processus en temps inversé B t = tw 1 t, t >, B = est un mouvement brownien. b Le mouvement brownien n est pas dérivable en zéro et donc par stationnarité des accroissements, n est dérivable en aucun point. 8 Cours de maths financières IMAFA / M. Bossy

9 CHAPITRE 1. PROCESSUS STOCHASTIQUES Mouvement brownien vectoriel Définition On appelle mouvement brownien vectoriel standard, un processus à trajectoires continues, à valeurs dans R d, W t = W 1 t, W 2 t,..., W d t, t tel que - W =, - tout accroissement W t W s où s < t, suit une loi gaussienne sur R d centrée et de matrice de covariance t sid. - Pour tout = t < t 1 < t 2 <... < t n, les accroissements W ti+1 W ti, avec i n, sont indépendants. Les processus des coordonnées W i t, t,i = 1,..., d sont des mouvements browniens réels standard indépendants. Réciproquement, des mouvements browniens standard indépendants engendrent un mouvement brownien vectoriel Mouvement brownien vectoriel corrélé Définition Un vecteur aléatoire X = X 1,..., X d à valeurs dans R d est gaussien d si toute combinaison linéaire a i X i est de loi normale éventuellement dégénérée. i=1 Si X = X 1,..., X d est un vecteur gaussien, la matrice carré Γ := Γ i,j 1 i d,1 j d avec Γ i,j = EX i X j EX i EX j, appelée matrice de covariance est une matrice symétrique et positive à valeurs propres positives 2. Théorème X est une variable aléatoire gaussienne à valeurs dans R d, d espérance µ et de covariance Γ, si est seulement si sa fonction caractéristique est de la forme φ X u = exp{i < u, µ > 1 < u, Γu >}, 2 où µ R d et Γ est une matrice non nulle, symétrique et positive. On notera N d µ, Γ la loi du vecteur aléatoire X. Lorsque Γ est inversible, la loi N d µ, Γ a la densité x R d 1 2π d/2 Γ exp où Γ désigne le déterminant de la matrice Γ. 1 2 x µt Γ 1 x µ Définition On appelle mouvement brownien vectoriel corrélé, un processus à trajectoires continues, à valeurs dans R d, B t = B 1 t, B 2 t,..., B d t, t tel que - B =, - tout accroissement B t B s où s < t, suit une loi gaussienne sur R d centrée et de matrice de covariance t sk, où K est la matrice de covariance du vecteur gaussien B 1 et est donnée. - Pour tout = t < t 1 < t 2 <... < t n, les accroissements B ti+1 B ti, avec i n, sont indépendants. La matrice K est toujours symétrique. Ses valeurs propres sont positives ou nulles, mais elle peut ne pas être inversible. Lorsqu il n existe aucune relation affine presque sûre entre les composantes du vecteur aléatoire B 1, la matrice K est à valeurs propres strictement positives : elle est définie positive, est donc inversible. 2 Une matrice symétrique M est positive si r R d, z t Mz ou encore z.mz. Une matrice symétrique M est définie positive si r R d, z t Mz, et si toutes les valeurs propres de M sont strictement positives ; la matrice M est alors inversible., 9 Cours de maths financières IMAFA / M. Bossy

10 CHAPITRE 1. PROCESSUS STOCHASTIQUES Calcul de covariance. Soit Wt 1, Wt 2 un mouvement brownien standard en dimension 2. Soit ρ [ 1, 1]. On pose B 1 t = W 1 t B 2 t = ρw 1 t + 1 ρw 2 t Calculer la matrice 2 2 de la covariance de B 1. Décomposition de Cholesky. Toute matrice Γ non nulle, symétrique définie et positive admet une décomposition de Cholesky. Ainsi, il existe une unique matrice L triangulaire inférieure telle que Γ = L t L. Cette propriété est très utile pour construire des variables gaussiennes de loi donnée. En effet, soit Γ une matrice carré d d non nulle, symétrique définie positive et µ un vecteur de R d. Construisons une v.a de loi N d µ, Γ. Soit L issu de la décomposition de Cholesky de Γ. Soit G une va gaussienne N d, Id. Alors la v.a X = µ + LG est de loi N d µ, Γ. En effet, calculons la matrice de covariance de X d Γ G i, j = EX i X j EX i EX j = EX i X j = E L i,k G k = d L i,k L j,d EG 2 k = L t L i,j = Γ i,j. k=1 k=1 d L j,l G l Cas fréquent en finance. On observe souvent que la matrice de corrélation d un panier de d titres est à diagonale dominante. 1 5% ρ = \ 1.1 5% 1 On se donne un modèle de prix pour la couverture optionnelle de la forme lns t = σb t où σ est un vecteur de volatilité et où B est un mouvement brownien corrélé de corrélation ρ. Comment simuler B et S? On pose la matrice de covariance : l=1 Γ = ρ i,j σ i σ j i,j Cette matrice est symétrique, et si on a de la chance elle est aussi positive. Il existe des algorithmes 3 très efficace pour le calcul de la matrice L issu de la décomposition de Cholesky de Γ. Si W est un mouvement brownien standard, B = LW t est de loi N d, tγ. 3 Notons que pour calculer L telle que M = L t L, pour tout x on pose y = Mx alors, connaissant y, x il faut trouver L et z tels que L t z = y et Lx = z 1 Cours de maths financières IMAFA / M. Bossy

11 CHAPITRE 2. PREMIERS ÉLÉMENTS DE CALCUL STOCHASTIQUE Chapitre 2 Premiers éléments de Calcul Stochastique 2.1 Filtration et adaptation Lorsque l on s intéresse à l étude des processus stochastiques, il est naturel de vouloir rapprocher des événements présents à une date courante t d événements passés ou futurs. Les tribus ensembles structurés d évènements vont jouer un grand rôle dans l étude des processus. On associe à un espace de probabilité Ω, F, P une suite de tribus indicées par le temps appelé filtration. Le rôle de la filtration est de formaliser une chronologie des évènements de la tribu F. Définition Un espace de probabilité filtré est un espace de probabilité Ω, F, P auquel on associe une famille croissante au sens de l inclusion de sous tribus de F, notée F t, t : s < t, F s F t. On notera Ω, F, F t t, P, l espace de probabilité filtré, de filtration F t t. Exemple : La filtration engendrée par un processus On note Ft X, t la filtration engendrée par le processus X t, t. Elle est définie de la manière suivante : Pour tout t, Ft X est la plus petite tribu qui rend mesurable toutes les applications ω Ω X θ ω quelque soit θ t : F X t := σx θ, θ t. Ainsi, toute les valeurs passés du processus X sont des variables aléatoires sur l espace de probabilité Ω, Ft X, P. Les conditions habituelles Dans la suite, pour des raisons techniques, on supposera toujours qu une filtration possède les deux propriétés suivantes, appelées les conditions habituelles : Soit N l ensemble des événements négligeables de F pour P : N = {A F; PA = }. On va supposer : 11 Cours de maths financières IMAFA / M. Bossy

12 CHAPITRE 2. PREMIERS ÉLÉMENTS DE CALCUL STOCHASTIQUE a Si A N, alors pour tout t, A F t. On exige ainsi que toutes les sous tribus de la filtration contiennent tout les événements négligeable de F ou encore que N F. b F t, t est continue à droite, c est à dire t, F t = F t + = ε> F t+ε. La filtration engendrée par un processus X ne vérifie pas en générale ces conditions. On corrige alors cette filtration pour obtenir ce qu on appelle la filtration naturelle : = σ σx s, s t + ε N. F X t ε> Définition Un processus X t, t est dit F t adapté si pour tout t, X t est une variable aléatoire F t mesurable. Exemples de processus adaptés - X est naturellement F X t adapté. - Soit maintenant F t et X un processus F t adapté. Alors ft, X t, t est lui aussi F t adapté dès que f est mesurable. - fs, X s ds, t est F t adapté pourvu que l intégrale soit bien définie. - Si de plus X est continu, le processus M X t = sup s t X s, t est F t adapté. Les fonctions mesurables de ces processus sont aussi F t adapté. En modélisation, deux situations peuvent se rencontrer : a F t est la filtration naturelle d un processus particulier, sur Ω, F, P. En général, il s agira de la filtration naturelle d un mouvement brownien. b La filtration F t sur Ω, F, P est imposée. Dans ce cas, on doit définir un mouvement brownien adapté à cette filtration donnée : Définition Soit Ω, F, F t t, P un espace de probabilité filtré. Un F t mouvement brownien standard on dit aussi processus de Wiener, W t, t est un processus stochastique à valeurs réelles et à trajectoires continues qui vérifie : W t, t est un processus F t -adapté, càd t, W t est F t mesurable. s t, W t W s est indépendant de F s. s t, W t W s a même loi que W t s et est gaussien N, t s. W = P p.s. pour le standard Si F t = Ft W, i.e si la filtration imposée est la filtration naturelle du mouvement brownien, alors les deux définitions et coïncident Martingales en temps continue On se donne un espace probabilisé filtré Ω, F, F t, P. Définition Un processus M t, t est une F t martingale si i M t est un processus F t adapté. ii E M t < +, pour tout t, i.e. le processus M t est intégrable. 12 Cours de maths financières IMAFA / M. Bossy

13 CHAPITRE 2. PREMIERS ÉLÉMENTS DE CALCUL STOCHASTIQUE iii Pour tout s t, EM t F s = M s. Si on remplace iii par : iii Pour tout s t, EM t F s M s, on dit que M t est une sur martingale. Si on remplace iii par : iii Pour tout s t, EM t F s M s, on dit que M t est une sous martingale. Si un processus M t est une F t martingale, alors t, EM t = EM. L espérance d une martingale reste constante au cours du temps! Le terme de martingale est emprunté au jeux de hasard. Le processus sur sous- martingale est alors dans ce contexte le gain à chaque étape du jeux cas de martingale à temps discret. Un des grands intérêts de la propriété de martingale est qu elle permet de faire des calculs sur le processus Des exemples de martingales L exemple le plus simple de martingale : soit X une v.a réelle, intégrable alors, le processus M t défini pour tout t par M t = EX F t est une martingale. Soit maintenant W t, t un F t mouvement brownien standard. 1. W t est une F t martingale. 2. W 2 t t, t est une F t martingale. 3. expσw t σ2 2 t, t est une F t martingale L inégalité maximale de Doob Les martingales sont des objets qui jouent un grand rôle dans la théorie des processus stochastiques, notamment parce qu on peut leur appliquer l inégalité maximale suivante : Théorème Inégalité de Doob. Soit M t une F t martingale réelle et continue ie à trajectoires continues. Pour tout p > 1 tel que M T L p Ω i.e. E M p T < +, on a 1 MT := sup M t est dans L p Ω ie E MT p < +. t T 2 { E M p } 1 p T p p 1 {E M T p } 1 p. Ce résultat se démontre à l aide du Théorème d arrêt au chapitre 4. La preuve est reportée à la section A l aide de l inegalité de Jensen, montrer que a + b p 2 p 1 a p + b p. Considérons le cas où M est un brownien standard W. Alors, en utilisant la loi explicite du maximum du mouvement brownien voir la section 1.2.2, on peut montrer 13 Cours de maths financières IMAFA / M. Bossy

14 CHAPITRE 2. PREMIERS ÉLÉMENTS DE CALCUL STOCHASTIQUE que { { E M p} 1 p T = E { E sup W t t T p } 1 p = sup W t inf W t t T t T { E max p } 1 p {2 p E W T p } 1 p 2 {E W T p } 1 p. sup W t, inf W t t T t T p } 1 p Pour p = 2, on retrouve ci-dessus l inégalité de Doob, pour le mouvement brownien. Pour p > 2, le calcul ci-dessus, bien que exploitant une identité connue sur la loi du maximum du mouvement brownien, devient une estimation plus grossière que la l inégalité de Doob en effet, 2 > p/p 1 dès que p > Sur la convergence des variables aléatoires Suivant le contexte, x désignera la valeur absolue sur R ou la norme euclidienne sur R d. Définition Une suite de v.a. X n n 1 converge presque sûrement vers une v.a. X si l ensemble { } N = ω Ω : lim X nω Xω n + est P-négligeable i.e. PN =. On utilisera la notation P{ω Ω : lim X nω = Xω} = PN c = 1. n + lim X n = X p.s. n + Définition Une suite de v.a. X n n 1 converge dans L p vers une v.a. X si les variables X n appartiennent à L p Ω, F, P i.e. E X n p < +, X appartient à L p Ω, F, P i.e. E X p < + et On utilisera la notation X n L p X. lim X n X L p = lim E X n X p 1 p =. n + n + Si X n n 1 est une suite de v.a. intégrables i.e. dans L 1 Ω, F, P, lim X L n = X p.s. X n X. n + En effet, il faut montrer que lim n + Ω X n X dp =. Or pour cela on a besoin d une hypothèse supplémentaire. Par exemple pour appliquer le théorème de convergence dominée, il faut supposer que les variables X n X sont majorées par une v.a. intégrable. Définition Une suite de v.a. X n n 1 converge en probabilité vers X si pour tout ε > On écrit simplement, et on note X n P X. lim P {ω : X nω Xω > ε} =. n + lim P X n X > ε = n Cours de maths financières IMAFA / M. Bossy

15 CHAPITRE 2. PREMIERS ÉLÉMENTS DE CALCUL STOCHASTIQUE Théorème Soit X n n 1 une suite de v.a. a Si X n L p X, p 1, alors X n P X. b Si X n X presque sûrement, alors X n P X. b Si X n P X, alors on peut extraire de la suite Xn n 1 une sous suite X νn n 1 qui converge vers X presque sûrement. Les trois notions de convergence ci-dessus p.s., dans L p, en probabilité sont des variantes de la convergence point par point de l analyse classique, c est à dire une convergence en valeur des fonctions considérées Variation quadratique du mouvement brownien Sur un intervalle [, T ], on considère une partition τδ = { = t < t 1 <... < t n = T } de pas δ = maxt j t j 1. On définit la p variation p > d un processus X t, t sur l intervalle [, T ] par n V p T τδ, X = X tk X tk 1 p. k=1 La 1-variation de pas δ, VT 1 τδ, X est la variation usuelle de X. La 2-variation de pas δ, VT 2 τδ, X est appelée variation quadratique de X. Considérons le cas particulier du mouvement brownien qui est une martingale de carré intégrable : Proposition Soit T > fixé et τδ une partition de l intervalle [, T ] de pas δ. a Pour tout t >, la variation quadratique sur [, t] du mouvement brownien W converge vers t, dans L 2 Ω et presque sûrement, quand le pas δ tend vers : lim V t 2 τδ, W = t, δ c Presque toutes les trajectoires du mouvement brownien W sont à 1-variation infinies, sur tout compact. Lorsque X est une fonction continûment différentiable i.e de classe C 1 de R + dans R, sa variation VT 1τ, X est bornée et sa variation quadratique V T 2 τ, X tend vers. p.s. 2.3 Intégrale d Itô le cas unidimensionnel - Les trajectoires du mouvement brownien sont presque sûrement de 1-variations infinies sur tout compact et nulle part différentiable. Ceci signifie qu il n est pas possible de définir une intégrale de la forme T X s ωdw s ω au sens de Lebesgue Stieljes sur les trajectoires ie ω par ω, presque sûrement. - On montre que la p variation du mouvement brownien sur tout compact tend vers dès que p > 2. La variation quadratique est la bonne quantité à étudier pour la construction de intégrale stochastique pour une classe appropriée d intégrants X. - Cette construction a été introduite par Itô 1942 pour définir des intégrales contre le mouvement brownien et a ensuite été généralisée pour les intégrales contre des martingales continues et de carré intégrable par Kunita et Watanabe Dans le cadre de ce cours, nous ne parlerons que de l intégrale d Itô. 15 Cours de maths financières IMAFA / M. Bossy

16 CHAPITRE 2. PREMIERS ÉLÉMENTS DE CALCUL STOCHASTIQUE Différents espaces de processus Soit Ω, F, F t, P et W un F t mouvement brownien réel. Définition Pour T > fixé, on définit l espace MF 2, T par { MF, 2 T = φ t, t T processus réel, mesurable T et F t adapté tel que E φ 2 θdθ } < +, T quotienté par la relation : φ ψ E φ θ ψ θ 2 dθ =. On vérifie que MF 2, T est un espace de Hilbert 1 pour le produit scalaire T φ, ψ = E φ θ ψ θ dθ. On définit de la même manière MF 2 R+. MF 2 est un ensemble de processus pour lesquels on va définir l intégrale d Itô. Cette intégrale aura la particularité d être une martingale de carré intégrable. A l espace MF 2, T, on va associer l espace de processus élémentaires suivant Définition On note EF b, T, le sous espace de M F 2, T des processus en escalier et borné qui s écrivent sous la forme n 1 φ t ω = φ i ω1 ]ti,t i+1]t, i= où = t < t 1 <... < t n = T et où les φ i sont des v.a. F ti -mesurables et bornées, i.e. i, C i, φ i C i P p.s.. Proposition Densité de E b F, T dans M 2 F, T.. Tout processus φ t de M 2 F, T est limite d une suite φ n t de processus de E b F, T : T lim E φ s φ n s 2 ds =. n Intégration des processus élémentaires n 1 Soit φ t, t [, T ] un processus élémentaire de EF b, T de la forme φ t = φ i 1 ]ti,t i+1]t avec = t < t 1 <... < t n = T. et on note Iφ = n 1 On pose Iφ = φ i W ti+1 W ti T φ s dw s. i= 1 On appelle espace préhilbertien réel un R-espace vectoriel muni d un produit scalaire euclidien. Un espace de Hilbert est un espace préhilbertien complet. i= 16 Cours de maths financières IMAFA / M. Bossy

17 CHAPITRE 2. PREMIERS ÉLÉMENTS DE CALCUL STOCHASTIQUE De la même façon, pour tout t [, T ], on pose et on note I t φ = n 1 I t φ = φ i Wti+1 t W ti t φ s dw s. Enfin, on notera, pour tout s t, Remarque Par construction, le processus i= s φ θ dw θ pour I t φ I s φ. n 1 I t φ = φ i Wti+1 t W ti t, t [, T ] i= est à trajectoire continue en temps. - Il est facile de voir que I t φ, t [, T ] est un processus F t -adapté. - Il est également facile de voir que pour tout t, l application I t : φ I t φ est linéaire pour φ EF b, T. Théorème Pour φ, ψ des processus élémentaires bornés i.e. appartenant à EF b, T et pour tout s t T, i E Fs φ θ dw θ =. s En particulier, I t φ est une F t martingale continue. ii E Fs φ θ dw θ ψ θ dw θ = E Fs s s s φ θ ψ θ dθ. En particulier : 2 E Fs φ θ dw θ = E Fs s s φ 2 θdθ. L égalité ci-dessus est appelée l isométrie d Itô. Le processus I 2 t φ φ2 θ dθ, t T est une F t martingale continue. Preuve. Par la propriété de linéarité de I t et de E, il suffit de vérifier les points i et ii pour φ et ψ de la forme φ t = Φ1 ]a,t ] t avec Φ une v.a. F a mesurable ψ t = Ψ1 ]b,t ] t avec Ψ une v.a. F b mesurable. I t φ = ΦW t W t a I t ψ = ΨW t W t b. On suppose que a b, l autre cas se déduira par symétrie. 17 Cours de maths financières IMAFA / M. Bossy

18 CHAPITRE 2. PREMIERS ÉLÉMENTS DE CALCUL STOCHASTIQUE Preuve de i. Il faut calculer E Fs I t φ I s φ. On distingue les cas s < a et s a. Si s < a, alors I s φ = et Si a < s < t : E Fs I t φ = E Fs ΦW t W t a = E Fs Φ E Fa W t W t a =. } {{ } = E Fs I t φ = E Fs ΦW t W a = ΦE Fs W t W a = Φ E Fs W t W s + ΦE Fs W s W a } {{ } } {{ } = F s-mesurable = ΦW s W a = I s φ. Donc E Fs I t φ = I s φ et I t φ t [,T ] est bien une F t martingale. Preuve de ii. On applique les mêmes arguments : on doit calculer J = E I Fs t φ I s φi t ψ I s ψ. Remarquons que par i, J = E I Fs t φi t ψ I s φi s ψ = E ΦΨW Fs t W t a W t W t b I s φi s ψ. Par ailleurs, on note également H = E Fs s φ θ ψ θ dθ = E Fs ΦΨ = E ΦΨ Fs 1 ]b,t ] θdθ car a b s = E Fs ΦΨ t b s b. s 1 ]a,t ] θ1 ]b,t ] θdθ On doit montrer que J = H. Il faut examiner les différents cas : si b t, alors b s et I s ψ = ainsi que J = H =. Si b < t, il n y a deux sous cas : Cas s b < t : alors, H = E Fs ΦΨ t b, I s ψ = et J = E Fs ΦΨW t W a W t W b = E Fs ΦΨW t W b 2 + E Fs ΦΨW b W a W t W b. Or, l accroissement W t W b est indépendant de la tribu F b, donc est indépendant de F s, Φ et Ψ. D autre part W b W a, Φ et ψ sont F b mesurables. Donc J = t be Fs ΦΨ + E Fs ΦΨW b W a E F b W t W b. } {{ } = Cas b s t : se traite de la même façon. 18 Cours de maths financières IMAFA / M. Bossy

19 CHAPITRE 2. PREMIERS ÉLÉMENTS DE CALCUL STOCHASTIQUE Ainsi, E Fs I 2 t + φ 2 θdθ I 2 s φ s φ 2 θdθ = ce qui prouve que I 2 t φ φ2 θ dθ, t T est bien une F t martingale. Corollaire Pour un processus élémentaire borné φ EF b, T, on a l inégalité maximale E [ max t T ] 2 T φ s dw s 4E φ 2 sds. Preuve. On vient de voir que I t φ est une F t martingale, il suffit donc d appliquer l inégalité de Doob pour p = 2 : [ ] 2 T 2 E max t T φ s dw s 4E φ s dw s et d appliquer le point ii l isométrie d Itô. Pour tout t T, l application I t : EF, b T L 2 Ω, F, P, φ n 1 i= φ i Wti+1 t W ti t est linéaire et continue pour la topologie induite sur EF b, T par la norme de M F 2, T. Nous sommes ramené à la situation suivante : Soit E est un espace vectoriel normé, de norme, on notera E l ensemble des applications linéaires de E R. E est appelé le dual topologique de E. Corollaire du Théorème de Hahn Banach forme analytique :. Soit G un sous espace vectoriel de E et soit g : G R une application linéaire continue de norme g G = sup x G, x 1 gx. Alors il existe f E qui prolonge g et tel que f E = g G Intégration des processus de M 2 F, T On a obtenu que pour tout t T, l application I t : E b F, T L 2 Ω, F, P n 1 φ φ i Wti+1 t W ti t i= est linéaire et cf. Corollaire continue pour la topologie induite sur EF b, T par la norme de MF 2, T. Donc cf. Corollaire du Th. de Hahn Banach l application I t peut être prolongée par une application linéaire continue notée encore I t : MF 2, T L2 Ω, F, P. En particulier, par densité de EF,T b dans M F,T 2, pour tout φ dans M F 2, T, il existe une suite φ n, n d éléments de EF b, T telle que I t φ = lim I tφ n dans L 2 Ω. n + Il suffit d extraire une sous suite pour que la convergence soit presque sûre. On en déduit que I t φ est F t mesurable comme limite d une suite de v.a F t mesurable. I t φ t [,T ] est donc un processus F t -adapté. 19 Cours de maths financières IMAFA / M. Bossy

20 CHAPITRE 2. PREMIERS ÉLÉMENTS DE CALCUL STOCHASTIQUE De plus, il y a unicité du prolongement I t au sens ou si I t est un autre prolongement par unicité de la limite presque sure. φ M 2 F, T I t φ = I tφ P p.s Théorème Pour φ et ψ dans MF 2, T, il existe une modification adaptée et continue du Z t «processus I tφ, t T notée φ θ dw θ, t T telle que, s t T, i E Fs φ θ dw θ =, en particulier s ii E Fs φ θ dw θ ψ θ dw θ = E Fs s s En particulier, on a l isométrie d Itô [ 2 ] E Fs φ θ dw θ s [ 2 ] E φ θ dw θ s s φ θ dw θ, t T est une F t martingale. φ θ ψ θ dθ. = E Fs s φ 2 θdθ. = E φ 2 θdθ. s iii Si W 1 t, W 2 t, t est un F t mouvement brownien en dimension 2, alors E Fs φ θ dwθ 1 s s ψ θ dwθ 2 =. Un processus Y t, t est dit modification de X t, t si pour tout t PY t = X t = 1. Preuve. Pour démontrer l existence d une modification continue, il faut montrer qu une suite φ n t d éléments de E b F, T qui converge vers φ t dans M 2 F,T, converge uniformément en temps On montre cela à l aide du Lemme de Borel Cantelli. Les points i, ii et iii sont démontrés pour des processus élémentaires bornés cf. Théorème et sa preuve. Par passage à la limite ils sont vrais pour le prolongement I t. Ils sont vrais aussi pour la modification continue car : X, Y L 2 Ω et X = Y p.s. E G X = E G Y pour toute sous tribu G de F Intégration de processus de L 2 F, T On aura besoin d étendre la construction de l intégrale à une classe plus vaste de processus F t adaptés pour lesquels l hypothèse d intégrabilité est relaxée : Définition On définit l espace L 2 F, T par { L 2 F, T = φ t, t T processus réel, mesurable T } et F t adapté tel que φ 2 θdθ < + P p.s.. 2 Cours de maths financières IMAFA / M. Bossy

21 CHAPITRE 2. PREMIERS ÉLÉMENTS DE CALCUL STOCHASTIQUE Proposition Densité de E F, T dans L 2 F, T. E F, T est le sous espace de L 2 F, T des processus en escalier non forcement bornésde la forme φ t ω = φ i ω1 ]ti,t i+1]t, où = t < t 1 <... < t n = T et où les φ i n 1 sont i= des v.a. F ti -mesurables et dans L 2 Ω. Tout processus φ t de L 2 F, T est limite d une suite φ n t de processus de E F, T au sens suivant T lim φ s ω φ n s ω 2 ds =, P p.s. n + Définition et Proposition Soit φ un processus de L 2 F, T et φn une suite de processus de E F, T telle que T φ s φ n s 2 ds en probabilité, quand n +. L existence d une telle suite est assuré par le résultat de densité. Alors, il existe une v.a limite en probabilité de T φn s dw s. Si φ n est une autre suite de processus vérifiant la même propriété que φ n alors les limites en probabilité de T φn s dw s et T φ n s dw s sont égales presque sûrement. On note Iφ toute limite d une suite de la forme T φn s dw s avec φ n comme ci-dessus L intégrale stochastique comme processus Pour φ L 2 F, T, on construit I tφ, pour chaque t [, T ], si les hypothèses sont vérifiées sur [, T ], elles le sont sur [, t] pour tout t T. I t φ est donc la limite en probabilité d une suite de v.a. F t mesurables de la forme φ n θ dw θ, donc I t φ est la limite presque sûre d une sous suite F t mesurable. On n peut donc en conclure que I t φ, t T est un processus F t adapté. De plus, Théorème Pour tout φ L 2 F, T, I tφ, t T admet une modification adaptée et continue qui sera notée φ θ dw θ, t T. Remarque De manière évidente, si φ L 2 F, T et φ M F 2, T, les intégrales stochastiques de φ comme processus de L 2 F, T et comme processus de M F 2, T sont modifications l une de l autre. 2 Contrairement à l intégrale stochastique de processus de MF 2, T, celle de processus de L 2 F, T n est pas une martingale et ne vérifie pas a priori l isométrie d Itô. 21 Cours de maths financières IMAFA / M. Bossy

22 CHAPITRE 2. PREMIERS ÉLÉMENTS DE CALCUL STOCHASTIQUE Résumé : Soit W t t un F t mvt brownien et φ t t T un processus F t adapté. On peut définir l intégrale stochastique φ sdw s t T dès que T φ2 sds < + P p.s., c est à dire dès que φ L 2 F, T T dès que E φ2 sds < + càd dès que φ MF 2, T. t φ T sdw s est une martingale si E t T φ2 sds < +, c est à dire si φ MF 2, T et l isométrie d Itô s applique. T La condition E φ2 sds < + est équivalente à t 2 E sup φ t [,T ] sdw s < +. Dans ce cas, l isométrie d Itô T 2 implique que E φ T sdw s = E φ2 sds. 2.4 Formule d Itô le cas unidimensionnel Soient Ω, F, F t t, P un espace probabilisé filtré et W t, t un F t -mouvement brownien standard réel unidimensionnel. Définition Un processus d Itô réel, est un processus X à valeurs dans R, continu et adapté de la forme X t = X + b θ dθ + σ θ dw θ, P p.s., ce qu on note encore { dxt = b t dt + σ t dw t X = X, 1 X est une v.a. F mesurable. 2 b t t T est un processus réel, F t adapté, tel que T b s ds < +, P p.s. 3 σ t t T est un processus réel appartenant à L 2 F, T ie, σ t est F t adapté et T σ s 2 ds < +, P p.s.. Des contraintes sur les coefficients b et σ, il résulte bien que le processus X t est F t adapté et continu. Théorème Formule d Itô en dimension un. Soit f : R R de classe C 2 R. Soit X un processus d Itô réel. Presque sûrement, pour tout t [, T ] fx t =fx + Forme différentielle : =fx + f X s dx s f X s b s ds + σ 2 sf X s ds f X s σ s dw s dfx t = f X t dx t σ2 sf X t dt. Si f dépend aussi du temps, f : [, T ] R R de classe C 1,2 [, T ] R, ft, X t =f, X + f t s, X sds + f x s, X sdx s où σ 2 sf X s ds σs 2 2 f x 2 s, X sds. 22 Cours de maths financières IMAFA / M. Bossy

23 CHAPITRE 2. PREMIERS ÉLÉMENTS DE CALCUL STOCHASTIQUE Preuve. - Il suffit de démontrer la formule pour la date t = T seulement. En effet, T est arbitraire et si les hypothèses sont satisfaites sur [, T ], elles le sont aussi bien sure [, θ] pour θ T. Ainsi, montrer la formule d Itô à l instant T revient à montrer que pour tout t [, T ] fx t = fx + Z t f X sdx s Z t σ 2 sf X sds presque sûrement. La continuité en temps des termes de gauche et de droite de l égalité permet de passer le presque sûrement avant le pour tout t ie Pgauche t = droite t, t [, T ] = 1. - On montre qu on peut se ramener à démontre la formule d Itô dans le cas où les coefficients b et σ sont presque sûrement uniformément bornés sur [, T ] ceci en construisant des suites b n et σ n de tronquation de b et σ par des valeurs de plus en plus grandes et en utilisant les hypothèses d intégrabilité de b et σ + le théorème de convergence de l intégrale stochastique qui convergence en probabilité et donc p.s. quitte à extraire une sous suite. - On considère une subdivision de [, T ] de la forme = t N < t N 1 = T N <... < tn N = T, de pas h = T N où N N. Alors, A := fx T fx = N 1 j= fx j+1h fx jh. On rappelle que si X n n est une suite de v.a. telle que X n P X et X n P Y alors X = Y presque sûrement. Il suffit donc de montrer la convergence en probabilité du terme de droite de l égalité ci-dessus vers le terme de droite de la formule d Itô comme fx T fx converge vers lui-même en probabilité le rappel ci-dessus nous donne l égalité presque sure des deux limites. - On applique la formule de Taylor à l ordre 2 en espace : il existe une suite β j ω ], 1[ telle que A = N 1 X j+1h X jh f X jh j= + 1 N 1 X j+1h X jh 2 f X jh + β j X j+1h X jh 2 i= := A 1 + A 2. Pour A 1. En remplaçant X j+1h X jh par sa valeur : A 1 = N 1 i= j+1h b s f X jh ds + jh := A 11 + A 12. N 1 i= j+1h σ s f X jh dw s jh T A 11 b s f X s ds par convergence dominée. Pour A 12, il faut utiliser un théorème de convergence en probabilité de l intégrale stochastique : pour que A 12 T σ sf s, X s dw s, σ étant N 1 X Z j+1h presque sûrement bornée, il suffit de montrer que f X jh f X s 2 ds en probabilité. Or, la convergence ci-dessus à lieu presque sûrement par la continuité des trajectoires i= jh de X. 23 Cours de maths financières IMAFA / M. Bossy

24 CHAPITRE 2. PREMIERS ÉLÉMENTS DE CALCUL STOCHASTIQUE Pour A 2. A 2 = b étant borné, C 2 N 1 i= N 1 i= 2 j+1h b s ds f X jh + β j X j+1h X jh jh j+1h j+1h b s ds σ s dw s f X jh + β j X j+1h X jh N 1 i= jh jh 2 j+1h σ s dw s f X jh + β j X j+1h X jh jh = C 1 + C 2 + C 3. j+1h jh b s ds 2 Bh 2 et donc C 1 p.s.. N 1 i= Bh sup k k+1h Comme t σ sdw s est continue, C 2. kh σ s dw s sup f X kh + β j X k+1h X kh. k Pour C 3. Il faut maintenant montrer que C 3 1 T σ 2 2 sf P X s ds. Dans le cas où σ = cte et où f x = cte la relation ci-dessus devient N 1 i= t t j+1 t j W tj+1 W tj 2 P N 1 i= Wtj+1 W t j 2 P ce qui est vrai par la convergence presque sure de la variation quadratique du mouvement brownien. Exemple élémentaire : Soit W t un brownien réel. Montrer en utilisant la formule d Itô que le processus W 2 t t est une martingale. 2.5 Processus d Itô et martingale Soit Ω, F, F t t, P un espace probabilisé filtré et W t, t un F t mouvement brownien standard réel dim 1. Proposition Si M t, t [, T ] est une F t -martingale de carré intégrable i.e EMt 2 < +, alors E M t M s 2 /F s = EM 2 t M 2 s /F s. 24 Cours de maths financières IMAFA / M. Bossy

25 CHAPITRE 2. PREMIERS ÉLÉMENTS DE CALCUL STOCHASTIQUE 2 Si M t, t [, T ] est une F t -martingale, telle que pour tout t [, T ], M t = b s ds, avec P p.s., T b s ds < +, pour que M t soit bien définie. Alors, P p.s. tout t [, T ], M t =. Preuve. Montrons 1. Notons que EM t M s /F s = M 2 s. Ainsi E M t M s 2 /F s = E M 2 t 2M t M s + M 2 s /F s = EM 2 t M 2 s /F s. Montrons 2. Pour montrer que M t = pour tout t, il suffit de montrer que EM 2 T =. Nous donnons ici une version simplifié de la preuve du point 2 2. On ajoute à la proposition l hypothèse suivante : il existe une constante déterministe C telle que, P p.s., T b s ds C < +. M est alors une martingale de carré intégrable. Pour n N, considérons une partition t n i = i T, i =,..., n de [, T ]. Alors, par le n point 1 et pour tout n, EMT 2 = E MT 2 M 2 n n = E Mt 2 M 2 n i t = E M n i 1 t n i M t n i 1 2. i=1 i=1 i=1 D autre part, n n n E M t n i M t n i 1 2 i = E t n i 1 b s ds 2 CE T i=1 max 1 [t i=1,...,n ni 1,t ni ] sb s ds. La suite de la preuve utilise un outil classique sur la convergence des martingales : Théorème Convergence dominée ou théorème de Lebesgue. Soit f n n N une suite de fonctions mesurables sur R, BR, λ, à valeurs réelles telle que : a la suite f n n N converge simplement sur R vers une fonction f ; b il existe une fonction intégrable g telle que n N, x R, f n x gx. Alors f est intégrable et lim f n x fx dx =, n R ce qui entraîne que lim f n xdx = lim f nx dx = fx dx. n n R R Théorème Version probabiliste. Soit X n n N une suite de v.a. à valeurs réelles telle que : a la suite X n n N converge X P-presque surement ; b il existe une v.a. Y intégrable telle que n N, X n Y. Alors lim EX n = EX. n + On pose alors X n = T max i=1,...,n constante C. Montrons que X n, P-presque surement. Pour cela, on pose maintenant R 1 [t ni 1,t ni ] sb s ds ; Cette suite est dominée par la f n sω = max i=1,...,n 1 [t n i 1,t n i ] sb s ω. On observe que f n sω simplement quand n +, et f n s est dominée par la constante C. 2 La preuve complète utilise la notion de temps d arrêt qui sera introduite au Chapitre Cours de maths financières IMAFA / M. Bossy

26 CHAPITRE 2. PREMIERS ÉLÉMENTS DE CALCUL STOCHASTIQUE En appliquant successivement les deux versions du théorème de convergence dominée, on obtient E T 1 [t ni 1,t ni ] sb s, et ainsi que EMT 2 =. max i=1,...,n Ceci entraine que P p.s., M T =. De l inégalité maximale de Doob pour les martingales, on obtient encore que P p.s., t [, T ], M t =. Corollaire La décomposition d un processus d Itô X est unique. Si X t = X + k s ds + h s dw s = X + alors X = X P p.s., k s = b s et h s = σ s, ds dp p.p. 2 Si X t, t [, T ] est une martingale de la forme X t = X + b s ds + σ s dw s, b s ds + σ s dw s, avec P p.s., T b s ds < + et T σ s 2 ds < +, alors b s = ds dp p.p. Preuve. A nouveau, nous donnons seulement une idée de la preuve, en ajoutant l hypothèse que h t et σ t sont des processus appartenant à MF 2, T. Montrons 1. On commence par remarquer immédiatement que X = X. on applique le point 2 de la proposition précédente, avec la martingale M t = h s σ s dw s et b t := k t b t. On en déduit que k t = b t P-presque surement. D après l isométrie d Itô, = EM 2 t = E k s b s 2 ds. On en déduit finalement que k t = b t, dt dp. Pour montrer le point 2, il suffit d appliquer la linéarité de la propriété de martingale au processus X t σ sdw s, t [, T ], et conclure que b t =, dt dp. 2.6 Caractérisation de Lévy du mouvement brownien Soit Ω, F, F t t, P un espace probabilisé filtré et W t, t un F t mouvement brownien standard réel dim 1. La propriété que W t W s a une moyenne nulle, indépendamment de F s signifie que le mouvement Brownien est une martingale. De plus, nous avons énoncé que la variation quadratique de W converge vers t, dans L 2 Ω et presque sûrement, quand le pas δ tend vers : lim V t 2 τδ, W = t, δ p.s. Le fait remarquable est que la contraposée de cet énoncé est vraie : le mouvement Brownien est la seule martingale qui a cette variation quadratique. Ce résultat est connu sous le nom de caractérisation de Lévy 26 Cours de maths financières IMAFA / M. Bossy

27 CHAPITRE 2. PREMIERS ÉLÉMENTS DE CALCUL STOCHASTIQUE Théorème Caractérisation de Lévy du mouvement brownien. Soit X t, t une martingale locale 3 telle que X =. On a alors les équivalences suivantes * X t, t est un mouvement brownien standard, dans l espace de probabilité filtré de la martingale. * X t, t est continue et X 2 t t, t est une martingale locale. * La variation quadratique de X t, t sur [, t] est égale à t. Ce résultat se généralise en dimension quelconque. 2.7 Changement de Probabilité Pourquoi changer de probabilité? - Statistique : Théorie de l estimation par maximum de vraisemblance. - Etude des martingales : de nombreuses propriétés sur les solutions d EDS découlent des techniques de changement de probabilité. Dans le cas de modèles discrets, les changement de probabilité sont fréquents. Les transformations sont très simples est on ne les références pas comme changement de probabilité. - En finance : Harrison & Pliska 1987 introduisent la notion de probabilité risque neutre pour son lien avec la complétude des marchés financiers et l absence d opportunité d arbitrage. Définition Changement de Probabilité. Soit Ω, F, P un espace de probabilité de référence. Une probabilité Q sur Ω, F définit un changement de probabilité par rapport à P, s il existe une v.a. Z positive, F-mesurable, telle que QA = E P Z1 A, pour tout A F. gωqdω = gωzωdpω, f mesurable bornée. Ω Ω La v.a. Z s appelle la vraisemblance ou la densité de Q par rapport à P. Remarquons que E P Z = 1. On note souvent Q = ZP ou dq = ZdP ou encore dq = Z. dp F Définition Probabilités équivalentes. On dit que des probabilités Q et P sont équivalentes si Z est strictement positive P p.s. ce qui entraîne que P est un changement de probabilité par rapport à Q de densité Z 1. Lorsque les probabilités P et Q sont équivalentes, on écrit souvent Z sous la forme expy Exemple élémentaire En finance : le modèle binomiale à une période. Soit U une v.a. qui prend deux valeurs u et d avec les probabilités p et 1 p. Pour F, on prend la tribu engendrée par U. S est le prix connu aujourd hui. S = S U, le prix demain. Soit r le taux d intérêt sur la période. 3 La notion de martingale locale est plus générale que la notion de martingale au sens où toute martingale est une martingale locale. Cette notion de martingale locale sera introduite avec la notion de temps d arrêt 27 Cours de maths financières IMAFA / M. Bossy

28 CHAPITRE 2. PREMIERS ÉLÉMENTS DE CALCUL STOCHASTIQUE Chercher une probabilité Q si elle existe telle que le rendement espéré de l actif risqué soit identique au rendement de l actif non risqué. En particulier E Q S = S 1 + r. Trouver l unique si elle existe densité Z correspondant à ce changement de probabilité. Les probabilités P et Q sont elles équivalentes? Le cas des variables gaussiennes Soit U une v.a de loi N, σ 2 et F la tribu engendrée par U. On considère encore S = S U même si le choix de la loi gaussienne n est pas réaliste dans ce contexte. Trouver Q une probabilité risque neutre, c est à dire vérifiant E Q S = S 1 + r. Réponse : il y en a une infinité, mais une seule probabilité Q est telle que U soit encore de loi gaussienne, de variance σ 2, sous la nouvelle probabilité Q. Proposition Soit X v.a. de loi N m, σ 2 sous P, σ 2 >. Soit ] Z = exp [λx λ2 2 σ2. Z est une v.a. positive, d espérance 1 qui définit une nouvelle probabilité Q, par dq = ZdP, sous laquelle X est une v.a. de loi gaussienne N m + σλ, σ 2. Preuve. Prenons tout d abord, X de loi N, 1. Alors pour toute fonction f continue et bornée : E Q fx = E P fx expλx 1 2 λ2 = E P fx + λ. Maintenant, si G est de loi Nm, σ 2 : E Q fg = E Q fσx + m = E P f X expλx 1 2 λ2 = E P f X + λ = E P fm + σx + λ = E P fg + σλ où on a posé f x = fm + σx. 28 Cours de maths financières IMAFA / M. Bossy

29 CHAPITRE 3. OPTIONS EUROPÉENNES, MODÈLE DE BLACK ET SCHOLES UNIDIMENSIONNEL Chapitre 3 Valorisation d options européennes, dans le cadre du modèle de Black et Scholes unidimensionnel 3.1 Description du modèle de marché Black et Scholes Soit T une date de fin de gestion par exemple la date d échéance d une option. On considère un marché ou un sous marché composé de - un titre risqué S t, t [, T ] - un titre non risqué S t, t [, T ] On se place dans le cadre simplifié suivant : L action sous-jacente ne distribue pas de dividende durant la durée de vie de l option ; Les transactions sur l action se font au comptant ; La courbe des taux est plate et invariante dans le temps. L actif risqué. Le processus S t, t [, T ] suit le modèle de Black et Scholes : S t = S exp µ 12 σ2 t + σw t, où S est le prix observé aujourd hui à la date, µ est la rentabilité instantané moyenne et σ la volatilité de l actif. En appliquant la formule d Itô pour différencier S, on obtient la forme différentielle suivante pour S : ds t = S t µdt + σdw t. Le modèle est nécessairement posé dans un espace de probabilité filtré Ω, F, F t, t T, P, W t est un mouvement brownien de dimension Cours de maths financières IMAFA / M. Bossy

Le modèle de Black et Scholes

Le modèle de Black et Scholes Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets

Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université de Franche-Comté)

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte Agrégation limitée par diffusion interne Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

Théorème du point fixe - Théorème de l inversion locale

Théorème du point fixe - Théorème de l inversion locale Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion

Plus en détail

Outils d analyse fonctionnelle Cours 5 Théorie spectrale

Outils d analyse fonctionnelle Cours 5 Théorie spectrale Outils d analyse fonctionnelle Cours 5 Théorie spectrale 22 septembre 2015 Généralités Dans tout ce qui suit V désigne un espace de Hilbert réel muni d un produit scalaire x, y. Définition Soit A une application

Plus en détail

Image d un intervalle par une fonction continue

Image d un intervalle par une fonction continue DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction

Plus en détail

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65 Sommaire Chapitre 1 Variables et vecteurs aléatoires............... 5 A. Généralités sur les variables aléatoires réelles.................... 6 B. Séries doubles..................................... 9

Plus en détail

Agrégation interne de Mathématiques. Session 2009. Deuxième épreuve écrite. (et CAERPA)

Agrégation interne de Mathématiques. Session 2009. Deuxième épreuve écrite. (et CAERPA) Agrégation interne de Mathématiques (et CAEPA Session 2009 Deuxième épreuve écrite 2 NOTATIONS ET PÉLIMINAIES On désigne par le corps des nombres réels et par C le corps des nombres complexes. Si f est

Plus en détail

5. Options américaines Une option américaine peut être exercée à n importe quelle instant compris entre

5. Options américaines Une option américaine peut être exercée à n importe quelle instant compris entre 5. Options américaines Une option américaine peut être exercée à n importe quelle instant compris entre 0 et l échéance N. Définition 5.1. Une option américaine est définie par une suite (h n ) n=0..n,

Plus en détail

MATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA

MATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option

Plus en détail

I. Polynômes de Tchebychev

I. Polynômes de Tchebychev Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire

Plus en détail

Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint

Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint 18 mars 2008 1 Généralités sur les opérateurs 1.1 Définitions Soient H et H deux espaces de Hilbert sur C. Définition 1.1

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage stochastique non linéaire par la théorie de représentation des martingales Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de

Plus en détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

Plus en détail

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Fonctions de plusieurs variables

Fonctions de plusieurs variables Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme

Plus en détail

Intégration et probabilités 2012-2013. TD3 Intégration, théorèmes de convergence Corrigé. 1 Petites questions. n hésitez pas à m envoyer un mail à

Intégration et probabilités 2012-2013. TD3 Intégration, théorèmes de convergence Corrigé. 1 Petites questions. n hésitez pas à m envoyer un mail à Intégration et probabilités 212-213 TD3 Intégration, théorèmes de convergence Corrigé xercice ayant été voué à être préparé xercice 1 (Mesure image). Soient (, A, µ) un espace mesuré, (F, B) un espace

Plus en détail

TD2 Fonctions mesurables Corrigé

TD2 Fonctions mesurables Corrigé Intégration et probabilités 2012-2013 TD2 Fonctions mesurables Corrigé 0 Exercice qui avait été préparé chez soi Exercice 1. Soit (Ω, F, µ) un espace mesuré tel que µ (Ω) = 1. Soient A, B P (Ω) deux sousensembles

Plus en détail

Introduction aux modèles financiers

Introduction aux modèles financiers Notes pour le module spécifique Introduction aux modèles financiers Ecole Centrale de Lyon Option Mathématiques 1 2 Introduction Quelques références Pour comprendre les marchés financiers, avoir un apreçu

Plus en détail

Intégrale stochastique

Intégrale stochastique Intégrale stochastique Plan L intégrale stochastique générale Intégrale de Wiener Exemples Processus d Itô Formule d Itô Formule de Black & Scholes Le processus B est un mouvement Brownien et { Ft B,t

Plus en détail

Continuité d une fonction de plusieurs variables

Continuité d une fonction de plusieurs variables Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs

Plus en détail

Licence de Sciences et Technologies. Fiche de cours 1 - Nombres réels.

Licence de Sciences et Technologies. Fiche de cours 1 - Nombres réels. Licence de Sciences et Technologies EM21 - Analyse Fiche de cours 1 - Nombres réels. On connaît les ensembles suivants, tous munis d une addition, d une multiplication, et d une relation d ordre compatibles

Plus en détail

IV. Espaces L p. + tx 1. (1 t)x 0

IV. Espaces L p. + tx 1. (1 t)x 0 cours 13, le lundi 7 mars 2011 IV. spaces L p IV.1. Convexité Quand deux points x 0, x 1 R sont donnés, on peut parcourir le segment [x 0, x 1 ] qui les joint en posant pour tout t [0, 1] x t = (1 t)x

Plus en détail

Calculs préliminaires.

Calculs préliminaires. MINES-PONTS 005. Filière MP. MATHÉMATIQES 1. Corrigé de JL. Lamard jean-louis.lamard@prepas.org) Calculs préliminaires. Notons que si f H alors f)e / est bien intégrable sur R car continue positive et

Plus en détail

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale.

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Aix Marseille Université. Algorithmes Stochastiques. M MIS. Fabienne Castell... Chapitre : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Le but de ce chapitre

Plus en détail

Le corps R des nombres réels

Le corps R des nombres réels Le corps R des nombres réels. Construction de R à l aide des suites de Cauchy de nombres rationnels On explique brièvement dans ce paragraphe comment construire le corps R des nombres réels à partir du

Plus en détail

Suites numériques 3. 1 Convergence et limite d une suite

Suites numériques 3. 1 Convergence et limite d une suite Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n

Plus en détail

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 1. a. On considère un modèle de marché (B, S) à une étape. On suppose que S = 5 C et qu à la date t = 1 on a (S u 1 = 51, S d 1 = 48).

Plus en détail

Algèbre Année 2007-2008 ENS Cachan Vincent Beck. Action de groupes

Algèbre Année 2007-2008 ENS Cachan Vincent Beck. Action de groupes Algèbre Année 2007-2008 ENS Cachan Vincent Beck Action de groupes L idée centrale de cette note est de mettre en évidence le fait fondamental suivant une action d un groupe G sur un ensemble X, «c est»

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques

Plus en détail

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous StatEnAction 2009/0/30 :26 page #27 CHAPITRE 0 Machines à sous Résumé. On étudie un problème lié aux jeux de hasard. Il concerne les machines à sous et est appelé problème de prédiction de bandits à deux

Plus en détail

Dualité dans les espaces de Lebesgue et mesures de Radon finies

Dualité dans les espaces de Lebesgue et mesures de Radon finies Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention

Plus en détail

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs

Plus en détail

Cours MP. Espaces vectoriels normés

Cours MP. Espaces vectoriels normés Table des matières Espaces vectoriels normés B. Seddoug. Médiane Sup, Oujda I Norme et distance 1 I.1 Définitions..................... 1 I.2 Evn produit.................... 12 I.3 Notions topologiques

Plus en détail

1.1 Prime d une option d achat dans le modèle de Cox, Ross et Rubinstein

1.1 Prime d une option d achat dans le modèle de Cox, Ross et Rubinstein 1 Examen 1.1 Prime d une option d achat dans le modèle de Cox, Ross et Rubinstein On considère une option à 90 jours sur un actif ne distribuant pas de dividende de nominal 100 francs, et dont le prix

Plus en détail

Topologie des espaces vectoriels normés

Topologie des espaces vectoriels normés Topologie des espaces vectoriels normés Cédric Milliet Version préliminaire Cours de troisième année de licence Université Galatasaray Année 2011-2012 2 Chapitre 1 R-Espaces vectoriels normés 1.1 Vocabulaire

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de

Plus en détail

Calcul différentiel sur R n Première partie

Calcul différentiel sur R n Première partie Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité

Plus en détail

Intégration et probabilités TD1 Espaces mesurés Corrigé

Intégration et probabilités TD1 Espaces mesurés Corrigé Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.

Plus en détail

Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale. 15 novembre 2010

Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale. 15 novembre 2010 Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale 15 novembre 2010 Table des matières 1 Rappel sur les Processus Gaussiens 2 Théorie du chaos multiplicatif gaussien de

Plus en détail

Espérance conditionnelle

Espérance conditionnelle Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle

Plus en détail

Plan de la présentation. La simulation de Monte Carlo des processus de diffusion. La simulation de Monte Carlo. La simulation de Monte Carlo

Plan de la présentation. La simulation de Monte Carlo des processus de diffusion. La simulation de Monte Carlo. La simulation de Monte Carlo La simulation de Monte Carlo des processus de diffusion Les méthodes stochastiques dans les sciences de la gestion 6-640-93 Geneviève Gauthier Plan de la présentation La simulation de Monte Carlo La simulation

Plus en détail

Problème 1 : applications du plan affine

Problème 1 : applications du plan affine Problème 1 : applications du plan affine Notations On désigne par GL 2 (R) l ensemble des matrices 2 2 inversibles à coefficients réels. Soit un plan affine P muni d un repère (O, I, J). Les coordonnées

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

Chapitre 17 Le modèle de Black et Scholes

Chapitre 17 Le modèle de Black et Scholes Chapitre 17 Le modèle de Black et Scholes Introduction Au début des 70 s, Black, Scholes et Merton ont opéré une avancée majeure en matière d évaluation d options Ces contributions et leurs développements

Plus en détail

Chapitre 3. Mesures stationnaires. et théorèmes de convergence

Chapitre 3. Mesures stationnaires. et théorèmes de convergence Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée

Plus en détail

INTRODUCTION : EDP ET FINANCE.

INTRODUCTION : EDP ET FINANCE. INTRODUCTION : EDP ET FINANCE. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) EDP et finance. 1 / 16 PLAN DU COURS 1 MODÈLE ET ÉQUATION DE BLACK SCHOLES 2 QUELQUES EXTENSIONS A. Popier

Plus en détail

Première partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015

Première partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015 Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k

Plus en détail

Modèles en temps continu pour la Finance

Modèles en temps continu pour la Finance Modèles en temps continu pour la Finance ENSTA ParisTech/Laboratoire de Mathématiques Appliquées 23 avril 2014 Evaluation et couverture pour les options européennes de la forme H = h(s 1 T ) Proposition

Plus en détail

Limites finies en un point

Limites finies en un point 8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,

Plus en détail

L2 MIEE 2012-2013 VAR Université de Rennes 1

L2 MIEE 2012-2013 VAR Université de Rennes 1 . Sous-ensembles de R n et fonctions (suite) 1 Nappes paramétrées Si f une fonction de deux variables, son graphe est une surface incluse dans R 3 : {(x, y, f(x, y)) / (x, y) R 2 }. Une telle surface s

Plus en détail

IAE Master 2 Gestion de Portefeuille Année 2011 2012. Feuille 3 Pricing et couverture Modèles discret

IAE Master 2 Gestion de Portefeuille Année 2011 2012. Feuille 3 Pricing et couverture Modèles discret Université de Paris Est Créteil Mathématiques financières IAE Master 2 Gestion de Portefeuille Année 2011 2012 1. Le problème des partis 1 Feuille 3 Pricing et couverture Modèles discret Le chevalier de

Plus en détail

Continuité en un point

Continuité en un point DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à

Plus en détail

Le Modèle de taux de Ho-Lee - Pricing d obligation

Le Modèle de taux de Ho-Lee - Pricing d obligation Le Modèle de taux de Ho-Lee - Pricing d obligation Le modèle de Thomas S. Y. Ho et Sang-bin Lee [1] est un modèle simple de fluctuation de taux d intérêts. Il est utilisé sous l hypothèse d absence d opportunité

Plus en détail

Amphi 3: Espaces complets - Applications linéaires continues

Amphi 3: Espaces complets - Applications linéaires continues Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite

Plus en détail

Espaces vectoriels et applications

Espaces vectoriels et applications Espaces vectoriels et applications linéaires 1 Définitions On parle d espaces vectoriels sur le corps R ou sur le corps C. Les définitions sont les mêmes en substituant R à C ou vice versa. Définition

Plus en détail

La mesure de Lebesgue sur la droite réelle

La mesure de Lebesgue sur la droite réelle Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

1.1 Définitions... 2 1.2 Opérations élémentaires... 2 1.3 Systèmes échelonnés et triangulaires... 3

1.1 Définitions... 2 1.2 Opérations élémentaires... 2 1.3 Systèmes échelonnés et triangulaires... 3 Chapitre 5 Systèmes linéaires 1 Généralités sur les systèmes linéaires 2 11 Définitions 2 12 Opérations élémentaires 2 13 Systèmes échelonnés et triangulaires 3 2 Résolution des systèmes linéaires 3 21

Plus en détail

Dérivées d ordres supérieurs. Application à l étude d extrema.

Dérivées d ordres supérieurs. Application à l étude d extrema. Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une

Plus en détail

EXERCICES SANS PRÉPARATION HEC 2005. Question 11 D après HEC 2005-11 F 2 EXERCICES SANS PRÉPARATION 2008. Question 7 HEC 2006-7 F 1 élève

EXERCICES SANS PRÉPARATION HEC 2005. Question 11 D après HEC 2005-11 F 2 EXERCICES SANS PRÉPARATION 2008. Question 7 HEC 2006-7 F 1 élève 30-1- 2013 J.F.C. p. 1 F 1 F 2 F 3 Assez simple ou proche du cours. Demande du travail. Délicat. EXERCICES SANS PRÉPARATION HEC 2005 Question 11 D après HEC 2005-11 F 2 X est une variable aléatoire de

Plus en détail

Prix d options européennes

Prix d options européennes Page n 1. Prix d options européennes Une société française tient sa comptabilité en euros et signe un contrat avec une entreprise américaine qu elle devra payer en dollars à la livraison. Entre aujourd

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

Compléments sur les couples aléatoires

Compléments sur les couples aléatoires Licence Math et MASS, MATH54 : probabilités et statistiques Compléments sur les couples aléatoires 1 Couple image ans ce paragraphe, on va s intéresser à la loi d un vecteur aléatoire S, T qui s obtient

Plus en détail

Méthodes de quadrature. Polytech Paris-UPMC. - p. 1/48

Méthodes de quadrature. Polytech Paris-UPMC. - p. 1/48 Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation

Plus en détail

Méthodes numériques pour le pricing d options

Méthodes numériques pour le pricing d options Méthodes numériques pour le pricing d options Mohamed Ben Alaya 6 février 013 Nous allons tester les différentes méthodes de différence finies vu dans le cours en l appliquant au calcul du call ou le put

Plus en détail

Calcul Matriciel. Chapitre 10. 10.1 Qu est-ce qu une matrice? 10.2 Indexation des coefficients. 10.3 Exemples de matrices carrées.

Calcul Matriciel. Chapitre 10. 10.1 Qu est-ce qu une matrice? 10.2 Indexation des coefficients. 10.3 Exemples de matrices carrées. Chapitre 10 Calcul Matriciel 101 Qu est-ce qu une matrice? Définition : Soit K un ensemble de nombres exemples, K = N, Z, Q, R, C, n, p N On appelle matrice à n lignes et p colonnes la données de np nombres

Plus en détail

ÉCOLE NATIONALE DE L AVIATION CIVILE Session 2007

ÉCOLE NATIONALE DE L AVIATION CIVILE Session 2007 ÉCOLE NATIONALE DE L AVIATION CIVILE Session 27 CONCOURS DE RECRUTEMENT D ÉLÈVES INGÉNIEURS DU CONTRÔLE DE LA NAVIGATION AÉRIENNE Épreuve commune obligatoire de MATHÉMATIQUES Durée : 4 Heures Coefficient

Plus en détail

Modèles structurels. Chapitre 4. 4.1 Modèle de Merton

Modèles structurels. Chapitre 4. 4.1 Modèle de Merton Chapitre 4 Modèles structurels 4.1 Modèle de Merton L idée principale de modèles structurels est basée sur l article fondateur de Merton [?], où un défaut est provoqué quand une entreprise n arrive pas

Plus en détail

Université de Nantes Année 2009-2010 Faculté des Sciences et des Techniques Département de Mathématiques. Topologie et calculs différentiel Liste n 5

Université de Nantes Année 2009-2010 Faculté des Sciences et des Techniques Département de Mathématiques. Topologie et calculs différentiel Liste n 5 Université de Nantes Année 009-010 Faculté des Sciences et des Techniques Département de Mathématiques Topologie et calculs différentiel Liste n 5 Applications Différentiables Exercice 1. Soit f : R n

Plus en détail

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini.

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. 1 Introduction Des actions comme lancer un dé, tirer une carte d un jeu, observer la durée de vie d une ampoule électrique, etc...sont

Plus en détail

Agrégation externe de mathématiques, session 2013 Épreuve de modélisation, option B : Calcul Scientifique

Agrégation externe de mathématiques, session 2013 Épreuve de modélisation, option B : Calcul Scientifique Agrégation externe de mathématiques, session 2013 Épreuve de modélisation, option (Public2014-B1) Résumé : On présente un exemple de système de deux espèces en compétition dans un environnement périodique.

Plus en détail

Partie II. Supplémentaires d un sous-espace donné. Partie I. Partie III. Supplémentaire commun. MPSI B 8 octobre 2015

Partie II. Supplémentaires d un sous-espace donné. Partie I. Partie III. Supplémentaire commun. MPSI B 8 octobre 2015 Énoncé Dans tout le problème, K est un sous-corps de C. On utilisera en particulier que K n est pas un ensemble fini. Tous les espaces vectoriels considérés sont des K espaces vectoriels de dimension finie.

Plus en détail

À propos des matrices échelonnées

À propos des matrices échelonnées À propos des matrices échelonnées Antoine Ducros appendice au cours de Géométrie affine et euclidienne dispensé à l Université Paris 6 Année universitaire 2011-2012 Introduction Soit k un corps, soit E

Plus en détail

Mathématiques financières

Mathématiques financières Mathématiques financières Arnaud Triay Table des matières 1 Introduction Position du problème.1 Pricing des options........................................... Formalisme..............................................

Plus en détail

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce

Plus en détail

Principes de Finance

Principes de Finance Principes de Finance 13. Théorie des options II Daniel Andrei Semestre de printemps 2011 Principes de Finance 13. Théorie des options II Printemps 2011 1 / 34 Plan I Stratégie de réplication dynamique

Plus en détail

CONCOURS D ADMISSION. Option économique MATHEMATIQUES III. Année 2006

CONCOURS D ADMISSION. Option économique MATHEMATIQUES III. Année 2006 ESSEC M B A CONCOURS D ADMISSION Option économique MATHEMATIQUES III Année 2006 La présentation, la lisibilité, l orthographe, la qualité de la rédaction, la clarté et la précision des raisonnements entreront

Plus en détail

Fonctions homographiques

Fonctions homographiques Fonctions homographiques On donne ci-dessous deux définitions des fonctions homographiques, et on montre que ces deux définitions sont équivalentes. On décrit la courbe représentative d une fonction homographique.

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 1. Gestion optimale de portefeuille, l approche de Markowitz

Master Modélisation Statistique M2 Finance - chapitre 1. Gestion optimale de portefeuille, l approche de Markowitz Master Modélisation Statistique M2 Finance - chapitre 1 Gestion optimale de portefeuille, l approche de Markowitz Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté.

Plus en détail

Séminaire TEST. 1 Présentation du sujet. October 18th, 2013

Séminaire TEST. 1 Présentation du sujet. October 18th, 2013 Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de

Plus en détail

Chapitre 1 : Évolution COURS

Chapitre 1 : Évolution COURS Chapitre 1 : Évolution COURS OBJECTIFS DU CHAPITRE Savoir déterminer le taux d évolution, le coefficient multiplicateur et l indice en base d une évolution. Connaître les liens entre ces notions et savoir

Plus en détail

Construction du Mouvement Brownien

Construction du Mouvement Brownien Chapitre 1 Construction du Mouvement Brownien 1 Un peu d histoire (voir [7] et [1]) Le nom de mouvement Brownien vient du botaniste Robert Brown. Brown n a pas découvert le mouvement brownien, car n importe

Plus en détail

Différentiabilité ; Fonctions de plusieurs variables réelles

Différentiabilité ; Fonctions de plusieurs variables réelles Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2

Plus en détail

Chapitre 7 : Intégration sur un intervalle quelconque

Chapitre 7 : Intégration sur un intervalle quelconque Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction

Plus en détail

: 3 si x 2 [0; ] 0 sinon

: 3 si x 2 [0; ] 0 sinon Oral HEC 2007 Question de cours : Dé nition d un estimateur ; dé nitions du biais et du risque quadratique d un estimateur. On considère n (n > 2) variables aléatoires réelles indépendantes X 1,..., X

Plus en détail

Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M. Topologie

Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M. Topologie Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M Topologie 1 Espaces métriques 1.1 Distance Dans toute cette partie E représente un ensemble qui n est pas forcément un espace vectoriel. Définition

Plus en détail

Les mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des

Plus en détail

Introduction à l étude des Corps Finis

Introduction à l étude des Corps Finis Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur

Plus en détail

Cours de Mathématiques Seconde. Généralités sur les fonctions

Cours de Mathématiques Seconde. Généralités sur les fonctions Cours de Mathématiques Seconde Frédéric Demoulin 1 Dernière révision : 16 avril 007 Document diffusé via le site www.bacamaths.net de Gilles Costantini 1 frederic.demoulin (chez) voila.fr gilles.costantini

Plus en détail

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12 TS. 01/013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 0/11/1 Exercice 1 : ( 6,5 pts) Première partie : Démonstration à rédiger { Démontrer que si ( ) et (v n ) sont deux suites telles

Plus en détail

Remise à niveau en processus stochastiques

Remise à niveau en processus stochastiques M2IR Université Claude Bernard Lyon 1 Année universitaire 212-213 Remise à niveau en processus stochastiques F. Bienvenüe-Duheille Le but de ce poly est de vous mettre à niveau sur les processus stochastiques

Plus en détail

MATHÉMATIQUES ET SCIENCES HUMAINES

MATHÉMATIQUES ET SCIENCES HUMAINES MATHÉMATIQUES ET SCIENCES HUMAINES B. MARCHADIER Dépendance et indépendance de deux aléas numériques images Mathématiques et sciences humaines, tome 25 (1969), p. 2534.

Plus en détail

Loi normale ou loi de Laplace-Gauss

Loi normale ou loi de Laplace-Gauss LivreSansTitre1.book Page 44 Mardi, 22. juin 2010 10:40 10 Loi normale ou loi de Laplace-Gauss I. Définition de la loi normale II. Tables de la loi normale centrée réduite S il y avait une seule loi de

Plus en détail

Programme de Mathématique Préparation Maths-Physique. Analyse et Géométrie Différentielle. Première Année

Programme de Mathématique Préparation Maths-Physique. Analyse et Géométrie Différentielle. Première Année Programme de Mathématique Préparation Maths-Physique Analyse et Géométrie Différentielle Première Année I NOMBRES REELS ET COMPLEXES, SUITES ET FONCTIONS 1 Nombres réels et complexes 2 Suites de nombres

Plus en détail

Exo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.

Exo7. Matrice d une application linéaire. Corrections d Arnaud Bodin. Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).

Plus en détail