EXERCICES DE CALCUL STOCHASTIQUE M2IF Evry. Monique Jeanblanc
|
|
- Étienne Truchon
- il y a 8 ans
- Total affichages :
Transcription
1 EXERCICES DE CALCUL STOCHASTIQUE M2IF Evry Monique Jeanblanc Universié d EVRY Mars 29
2 2
3 Conens 1 Rappels Tribu Variables gaussiennes Espérance condiionnelle Maringales Temps d arrê Changemen de probabilié Algèbre béa-gamma Divers Mouvemen Brownien Propriéés élémenaires Processus Gaussiens Brownien Mulidimensionnel Temps d aeine Scaling Complémens Finance Problème Parie I : Résulas préliminaires Parie II Parie III Inégrale d Iô Inégrale de Wiener Formule d Iô Cas mulidimensionnel Complémens Brownien géomérique e exensions Le croche Finance
4 4 CONTENTS 4 Exemples Processus de Bessel Processus de Bessel carré Aures processus Des calculs Equaions différenielles sochasiques Equaion linéaire Processus affines Aures équaions Finance Equaions différenielles Girsanov Résulas élémenaires Croche Processus Cas mulidimensionel Temps d arrê Finance Complémens Théorème de Lévy Equaions rérogrades Théorèmes de représenaion Temps local Lois Filraions Opions barrières Méandres, pons, excursions Divers Processus à saus Processus de Poisson Poisson composé Formule d Iô Temps de Défau Marché comples, incomples Rappels, Corrigés Tribu Variables gaussiennes
5 CONTENTS Espérance condiionnelle Maringales Temps d arrê Temps discre Algèbre béa-gamma Divers Mouvemen Brownien, Corrigés Propriéés élémenaires Processus Gaussien Mulidimensionnel Temps d aeine Scaling Complémens Finance Inégrale d Iô, Corrigés Inégrale de Wiener Formule d Iô Cas mulidimensionnel Complémens Brownien géomérique e exensions Le croche Finance Exemples, Corrigés Processus de Bessel Processus de Bessel carré Aures processus Des Calculs Equaions différenielles sochasiques, Corrigés Equaion Linéaire Processus affines Finance Equaions différenielles Girsanov, Corrigés Résulas élémenaires Croche Processus Cas mulidimensionnel
6 6 Rappels 6.5 Temps d arrê Finance Complémens, Corrigés Théorème de Lévy Equaions rérogrades Théorèmes de représenaion Temps local Lois Filraions Opions barrières Méandres, pons, excursions Saus, Corrigés Processus de Poisson Poisson composé Marché comples, incomples
7 Chaper 1 Rappels 1.1 Tribu Exercice Ensembles apparenan à une ribu. 1. Monrer que si F es une ribu, e si A e B appariennen à F avec A B, alors B A F où B A es l ensemble des élémens de B qui ne son pas dans A. 2. Monrer que si C e D appariennen à F, alors C D def = {C D c } {C c D} apparien à F. Exercice Exemples de ribus. 1. Décrire la ribu engendrée par un ensemble A. 2. Décrire la ribu engendrée par deux ensembles A e B disjoins. Exercice Foncions indicarices. On noe 1 A la v.a. qui vau 1 pour ω A e sinon. 1. Monrer que 1 A B = 1 A 1 B. 2. Monrer que, si A B =, on a 1 A B = 1 A + 1 B. 3. Monrer que 1 B A = 1 B 1 A. 4. Monrer que 1 A B = 1 A + 1 B 1 A B. Exercice Union e inersecion. Soi F 1 e F 2 deux ribus. Monrer que F 1 F 2 es une ribu. Monrer qu en général F 1 F 2 n es pas une ribu. Exercice Tribu grossie par un ensemble. Soi F une ribu e A n apparenan pas à F. Monrer que la ribu engendrée par F e A (c es-àdire la plus peie ribu conenan F e A) es composée des ensembles B els que il exise C e D apparenan à F vérifian B = (C A) (D A c ). Exercice Tribu engendrée par une v.a. Soi X une v.a. sur un espace (Ω, G). La ribu engendrée par X, noée σ(x), es la plus peie sous ribu F elle que X soi mesurable de (Ω, F) dans (R, B). Elle es engendrée par C = {F Ω, F = X 1 (B), B B). Monrer que C es une ribu. Vérifier que si Y = h(x) avec h borélienne, alors Y es σ(x) mesurable. On admera que la réciproque es vraie. 7
8 8 Rappels Exercice Lois de v.a. Soi (X, Y ) un couple de variables indépendanes e (Z, T ) deux variables indépendanes elles que X loi = Z e Y loi = T. 1. Soi f une foncion borélienne (bornée) de R dans R. Comparer E(f(X)) e E(f(Z)). 2. Soi h une foncion borélienne (bornée) de R 2 dans R. Comparer E(h(X, Y )) e E(h(Z, T )). 1.2 Variables gaussiennes On noe N la foncion de répariion de la loi gaussienne sandard: N (x) = 1 2π x e u2 /2 du e N (m, σ 2 ) la loi d une v.a. gausienne d espérance m e de variance σ 2. Exercice Momens. Soi X une v.a.r. de loi N (, σ 2 ). 1. Calculer E(X 3 ), E(X 4 ), E( X ) e E( X 3 ). 2. Calculer E(exp{λX 2 + µx}) pour 1 2λσ Monrer que E(exp 1 2 a2 X 2 )) = E(exp(aXY )) où Y es indépendane de X e de même loi. Exercice Somme de variables gaussiennes indépendanes. Soi X e Y deux v.a. gaussiennes indépendanes. Monrer que X + Y es une variable gaussienne. Précisez sa loi. Exercice Transformée de Laplace. Soi X une v.a.r. de loi N (m, σ 2 ). 1. Quelle es la loi de X m σ? Calculer E X m. 2. Monrer que E(e λx ) = exp(λm λ2 σ 2 ). Calculer E(Xe λx ). 3. Dans le cas où X es v.a. gaussienne sandard monrer que E(exp a2 2 X2 ) = E(exp axx ) avec X e X i.i.d. x 4. Soi Φ(x) = 1 2π e y2 2 en foncion de (Φ, λ, b). dy. Calculer, dans le cas m = e σ = 1 la valeur de E( 1X b exp λx) 5. Monrer que E(e θx f(x)) = e mθ+σ2 θ 2 /2 E(f(X + θσ 2 ) pour f coninue bornée. 6. Monrer que, si f es régulière E(f(X)(X m)) = σ 2 E(f (X)). Exercice Convergence. Soi (X n, n 1) une suie de v.a. gaussiennes qui converge dans L 2 vers X. Quelle es la loi de X? Exercice Veceur gaussien. Soi X un veceur gaussien à valeurs dans R n e A une marice (p, n). Monrer que AX es un veceur gaussien. Préciser son espérance e sa variance. Exercice Veceur Gaussien. Soi (X, Y ) un veceur gaussien cenré el que E(XY ) =. Monrer que X e Y son indépendanes.
9 Enoncés 9 Exercice Projecion.(*) Rappel : projecion dans L 2 : Soi A un sous espace de L 2 (Ω) engendré par les variables aléaoires Y 1,..., Y n, c es-à-dire si Z A, il exise (a i ) réels els que Z = i a iy i. Soi X L 2. On appelle projecion de X sur A l unique élémen P rx de A el que E( (X P rx)z) =, Z A Soi (X 1, X 2,..., X d, Y 1,..., Y n ) un veceur gaussien cenré dans R d+n. Monrer que X = (X 1, X 2,..., X d ) e Y = (Y 1,..., Y n ) son deux veceurs gaussiens cenrés. On suppose d = 1. Monrer que P rx es une v.a. gaussienne σ(y ) mesurable, elle que X P rx e Y son indépendanes. Exercice Caracérisaion de veceur gaussien. Soi (X, Y ) deux v.a.r. elles que Y es gaussienne e la loi condiionnelle de X à Y es gaussienne de moyenne ay + b e de variance indépendane de Y, c es-à-dire que E(exp(λX) Y = y) = exp(λ(ay + b) + λ2 2 σ2 ). Monrer que le couple (X, Y ) es gaussien. 1.3 Espérance condiionnelle On ravaille sur un espace (Ω, F, P) muni d une sous-ribu de F noée G. Exercice Monrer que, si X e Y son bornées E(Y E(X G)) = E(XE(Y G)) Monrer que si X es G-mesurable e Y es indépendane de G, pour oue foncion borélienne bornée Φ, E(Φ(X, Y ) F) = Ψ(X) où Ψ(x) = E(Φ(x, Y )). Exercice Monrer que si X L 2, E(X G) = Y e E(X 2 G) = Y 2 alors X = Y. Exercice Soi (X, Y ) indépendanes, X sricemen posiive e Z = XY. Calculer E( 1 Z X) en uilisan la foncion de répariion de Y. Exercice Soi (X, Y ) indépendanes, équidrisibuées e M = max(x, Y ). Calculer E( 1 X M). Exercice Condiionnemen e indépendance. Soi X, Y deux v.a. elles que la v.a. X Y es indépendane de G, d espérance m e de variance σ 2. On suppose que Y es G-mesurable. Calculer E(X Y G). En déduire E(X G). Calculer E( (X Y ) 2 G). En déduire E(X 2 G). Exercice Veceur gaussien (*) Suie de l exercice Soi (X, Y 1,..., Y n ) un veceur gaussien cenré dans R 1+n. Monrer que E(X Y ) = P rx. On suppose n = 1. Monrer que E(X Y ) = αy. Déerminer α. Exercice Soi X = X 1 + X 2. mesurable e que X 1 es gaussienne. On suppose que X 1 es indépendane de G, que X 2 es G 1. Calculer E(X G) e var (X G).
10 1 Rappels 2. Calculer E(e λx G). Exercice Covariance condiionnelle. Soi Z 1, Z 2 deux variables aléaoires de carré inégrable. On défini Cov(Z 1, Z 2 G) = E(Z 1 Z 2 G) E(Z 1 G)E(Z 2 G). Monrer que Cov(Z 1, Z 2 G) = E[ (Z 1 E(Z 1 G)) Z 2 G ]. Exercice Tribu grossie. Soi A / G e A F e X une v.a. inégrable. On noe H la ribu engendrée par G e A. (Voir exercice 1.1.5). On admera que les v.a. Z qui son H mesurables s écriven Z = Y 1 1 A + Y 2 1 A c, où les v.a. Y i son G-mesurables. Monrer que E(X H) = E(X 1 A G) E( 1 A G) 1 A + E(X 1 Ac G) E( 1 A c G) 1 A c Exercice Linéarié. Soi Z = αy +β, avec α. Monrer que E(aX+b Z) = ae(x Y )+b. Exercice Grossissemen progressif Soi F une ribu. On considère la ribu G engendrée par τ 1 où τ es une v.a. à valeurs dans R Monrer que oue v.a. G mesurable s écri h(τ 1) où h es borélienne. 2. Monrer que, si X es une v.a. F mesurable, E(X G) 1 1 τ = A 1 1 τ où A es une consane. Monrer que A = E(X 1 1 τ )/P(1 τ). Exercice Condiionnemen e indépendance 1. Soi G 1 e G 2 deux σ-algèbres indépendanes, G = G 1 G 2 e (X i, i = 1, 2) deux variables aléaoires bornées elles que X i es G i mesurable. Monrer que E(X 1 X 2 G) = E(X 1 G 1 )E(X 2 G 2 ). Exercice Condiionnemen e indépendance 2. Monrer que si G es indépendane de σ(x) F, E(X G F) = E(X F). Exercice Formule de Bayes. Soi dq = LdP sur (Ω, F) e G une sous-ribu de F. Monrer que 1 E Q (X G) = E P (Z G) E P(ZX G). Monrer que si e seulemen si L es G mesurable. E Q (X G) = E P (X G), X F Exercice Soi f e g deux densiés sricemen posiives sur R. Soi X une v.a. de densié f sur un espace (Ω, P). Monrer qu il exise une probabilié Q sur ce espace elle que X soi de densié g. Exercice Indépendance condiionnelle Soi (F ) e (G ) deux filraions. 1. Monrer que les propriéés suivanes son équivalenes. (H1) pour ou, les ribus F e G son condiionellemen indépendanes par rappor à F. (H2) F F, G G, E(F G F ) = E(F F ) E(G F ) (H3), G G, E(G F ) = E(G F ) (H4), F F, E(F G ) = E(F F ).
11 Enoncés Soi F e G deux filraions elles que F G. Monrer que (H) Toue F-maringale de carré inégrablees une G-maringale équivau à (H1). 3. Dans le cas G = F σ( τ) où τ es un emps aléaoire, monrer que (H1) équivau à (H5) s, P(τ s F ) = P(τ s F ). 1.4 Maringales L espace Ω es muni d une filraion (F ). Un processus M es une maringale si - pour ou, M es inégrable; - pour ou > s, E(M F s ) = M s, p.s. On di que M es une surmaringale si - M es adapé, inégrable; - E(M F s ) M s, s. Le processus M es une sousmaringale si M es une surmaringale. Exercice Exemple de base. Soi X une v.a. inégrable. Monrer que (E(X F ), ) es une maringale. Exercice Surmaringale. 1. Monrer que si M es une maringale e A un processus croissan adapé (A s A, s ) alors M A es une surmaringale. 2. Soi M une maringale. Que peu-on dire de M 2? 3. Soi M une maringale elle que E(M 2 ) <. Monrer que sup E(M 2 ) <. 4. Monrer qu une surmaringale elle que E(Z T ) = E(Z ) es une maringale sur [, T ]. Exercice Maringale locale. Monrer qu une maringale locale posiive es une surmaringale. Exercice Maringale en foncion de la valeur erminale. Soi X une maringale elle que X T = ζ. Exprimer X en foncion de ζ pour < T au moyen d une espérance condiionnelle. Exercice Un lemme. On rouve dans la liéraure (Duffie) le lemme suivan: Lemma: Le φ be an adaped bounded process. Then (Y = M maringale M if and only if T Y = E[ φ s ds + Y T F ] Donner une démonsraion de ce lemme. φ s ds, T ) for some Exercice Maringale de carré inégrable. Soi (M, ) une F -maringale de carré inégrable (elle que M 2 soi d espérance finie, pour ou ). Monrer que 1. E((M M s ) 2 F s ) = E(M 2 F s ) M 2 s pour > s. 2. E((M M s ) 2 ) = E(M 2 ) E(M 2 s ) pour > s. 3. La foncion Φ définie par Φ() = E(M 2 ) es croissane.
12 12 Rappels Exercice Projecion de maringale. Monrer que si M es une F -maringale, c es aussi une maringale par rappor à sa propre filraion G = σ(m s, s ). Soi H F. Monrer que Y = E(M H ) es une H -maringale. Exercice Une sousmaringale. Soi τ une v.a. posiive. Monrer que Z = P(τ F ) es une sousmaringale. Exercice Processus à accroissemens indépendans. Soi X un PAI (processus à accroissemens indépendans, c es-à-dire el que, pour > s, la v.a. X X s es indépendane de σ(x u, u s)). Monrer que, si, pour ou, la v.a. X es inégrable, X es une maringale e que si X es de carré inégrable, X 2 E(X 2 ) es une maringale. Monrer que, si e λx es inégrable, es une maringale. Z = eλx E(e λx ) Exercice Soi M une maringale posiive coninue uniformémen inégrable e τ = inf{ : M = }. Monrer que M es nulle sur > τ. Exercice Soi X un processus F-adapé, posiif à rajecoires coninues e G F. Monrer que E( X sds G ) E(X s G s )ds es une G-maringale. 1.5 Temps d arrê Exercice Tribu associée à un emps d arrê. Soi τ un emps d arrê. Monrer que F τ es une ribu. Exercice Soi T un emps d arrê e X une variable aléaoire apparenan à F T, vérifian X T. Monrer que X es un emps d arrê. Exercice Exemple de processus adapé. Soi T un emps d arrê. Monrer que le processus X = 1 ],T ] () es adapé. Exercice Comparaison de ribus. Soi S e T deux emps d arrê els que S T. Monrer que F S F T. Exercice Propriéé de mesurabilié. Soi S un emps d arrê. Monrer que S es F S - mesurable. Exercice Soi S e T deux emps d arrê. Monrer que {S T }, {T S} appariennen à F S. Exercice Exemple de processus càdlàg. Soi S e T deux emps d arrê els que S < T. Monrer que le processus Z = 1 [S,T [ () (égal à 1 si S < T e à sinon) es un processus càdlàg. Exercice Exemple rivial de emps d arrê. Monrer qu une consane τ es un emps d arrê. Quelle es dans ce cas la ribu F τ? Exercice Opéraions sur les emps d arrê. Monrer que l inf (resp. le sup) de deux emps d arrê es un emps d arrê.
13 Enoncés 13 Exercice Caracérisaion de maringale. 1. Soi s <, A F s e T = 1 A c + s 1 A. Monrer que T es un emps d arrê. 2. Monrer que si E(X T ) = E(X ) pour ou emps d arrê T, alors le processus X es une maringale. Exercice Théorème d arrê. Soi M une maringale coninue elle que M = a e loi lim M =. Monrer que sup M = a où U es une v.a. de loi uniforme sur [, 1]. U 1.6 Changemen de probabilié Ce hème sera cenral en vue d applicaion à la finance. Deux probabiliés P e Q définies sur le même espace (Ω, F) son dies équivalenes si elles on mêmes ensembles négligeables, c es à dire si P(A) = Q(A) =. On adme le résula: Si P e Q son équivalenes, il exise une variable Y, sricemen posiive, F-mesurable, d espérance 1 sous P appelée densié de Radon-Nikodym elle que dq = Y dp ou encore Q(A) = dq Y dp. On écri égalemen cee relaion sous la forme = Y. Réciproquemen, si Y A dp es une v.a. sricemen posiive, F-mesurable, d espérance 1 sous P, la relaion E Q (Z) = E P (ZY ) défini une probabilié Q équivalene à P. Elle es facile à mémoriser par la règle de calcul formel suivane: On a aussi dp dq = 1 Y. E Q (Z) = ZdQ = Z dq dp dp = ZY dp = E P (ZY ) Exercice Monrer que si P es une probabilié e Z une v.a., elle que l égalié dq = ZdP (soi Q(A) = E P (Z 1 A )) défini une probabilié, alors E P (Z) = 1 e P(Z < ) =. Exercice Soi U une variable de Bernoulli sous P définie par P(U = ) = 1 p, P(U = 1) = p. Soi Y la variable définie par Y = λu + µ(1 U). Dans quels cas cee variable es elle d espérance 1? Soi dq = Y dp, Calculer Q(U = 1). Quelle es la loi de U sous Q? 2. Soi X es une v.a. de loi N (m, σ 2 ) sous P e soi Y = exp{h(x m) 1 2 h2 σ 2 }. Soi dq = Y dp. Calculer E Q {exp(λx)}) = E P {Y exp(λx)}. En déduire la loi de X sous Q (uiliser l exercice Soi X es un veceur gaussien sous P e U une variable elle que le veceur (X, U) soi gaussien. On pose dq = Y dp avec Y = exp(u E P (U) 1 2 Var PU). Monrer que X es gaussien sous Q, de même covariance que sous P. 1.7 Algèbre béa-gamma Exercice Loi Arc sinus Une variable aléaoire A a une loi Arc Sinus si sa densié es [,1]. Monrer que cos 2 (Θ) loi = A si Θ es uniforme sur [, 2π]. π 1
14 14 Brownien. Soi N e N N 2 loi deux variables N (, 1) indépendanes. Monrer que N 2 + N 2 = A. Soi C = N N. Monrer que C a une loi de Cauchy e que 1 a une loi Arc sinus. 1 + C2 1.8 Divers Exercice Soi X un processus a M = sup s X s. On noe τ une v.a. de loi exponenielle de paramère θ indépendane de X. Monrer que ( ) E (exp( λm τ )) = 1 λe due λu e θtu où T u = inf{ : X u}. Exercice Transformée de Laplace e indépendance. Soi X e Y deux v.a. indépendanes. Jusifier que E(e λ(x+y ) ) = E(e λx )E(e λy ). La réciproque es-elle vraie? Exercice Transformée de Laplace e momens. Soi X e Y deux v.a. bornées elles que E(e λx) = E(e λy ) pour ou λ. Monrer que X e Y on même momens. Exercice Markov. Soi X un processus de Markov for e T a = inf{ : X = a}. Monrer que, pour < T P(X T dx X = a) = P(X T dx T a = ). Exercice Propriéé de Markov Soi B un mouvemen Brownien e f une foncion. On noe T f = inf{ : B = f()}. Monrer que P(B f(s) T f = s) = s<. Si f es croissane, monrer que P(T f ) = 2P(B f(t f )).
15 Chaper 2 Mouvemen Brownien Dans ou ce qui sui, (B, ) es un mouvemen Brownien réel (un processus à accroissemens indépendans issu de, el que pour > s, B B s es une v.a. gaussienne cenré de variance s) e on noe F = (F, ) sa filraion naurelle. Dans cerains exercices, il sera précisé que B es issu de x. On rappelle que si X es un processus coninu issu de, c es un mouvemen Brownien si e seulemen si X e (X 2, ) son des maringales. Le mouvemen Brownien es un processus de Markov for: pour ou emps d arrê τ fini E(f(B +τ F τ ) = E(f(B +τ B τ ). 2.1 Propriéés élémenaires Exercice Caracérisaion. Monrer qu un processus X es un mouvemen Brownien si e seulemen si a. Pour ou < 1 < n, le veceur (X, X 1,..., X n ) es un veceur gaussien cenré b. E(X X s ) = s c. X = Exercice Caracérisaion 2. Monrer qu un processus coninu X es une mouvemen Brownien si e seulemen si, pour ou λ le processus exp(λx 1 2 λ2 ) es une maringale. Exercice Calcul d espérances. 1. Calculer pour ou couple (s, ) les quaniés E(B s B 2 ), E(B F s ), E(B B s ) e E(e λb F s ). 2. Calculer E( B udu F s ) avec > s e E( B udu B s ) 3. On a vu, dans Exercice 1.2.1, que si Z es une v.a. gaussienne cenrée de variance σ 2, on a E(Z 4 ) = 3σ 4. Calculer E(B 2 B 2 s). 4. Quelle es la loi de B + B s? 5. Soi θ s une variable aléaoire bornée F s -mesurable. Calculer pour s, E(θ s (B B s )) e E[θ s (B B s ) 2 ]. 6. Calculer E( 1 B a) e E(B 1 B a). 7. Calculer E( exp(b s)ds) e E(exp(αB ) exp(γb s)ds). 8. Calculer E(e B F s ) e E((ae B b) + F s ). 15
16 16 Brownien. Exercice Lois. Monrer que E(f(B )) = E(f(G u + B u )) avec G v.a. indépendane de B u e de loi gaussienne cenré réduie. En déduire le calcul de E(f(B ) F s ). Exercice Soi Θ une variable aléaoire de loi exponenielle de paramère θ (soi P (Θ dx) = θe θx 1 x> dx) indépendane de B. Quelle es la loi de B Θ? Exercice Des maringales. maringales. (On pourra uiliser, sans démonsraion, que E[ 1. M = B 3 3 B s ds. 2. Z = B 3 3B. 3. X = B B s ds. 4. U = sin B Y = 2 B 2 B sds. sin(b s ) ds. Parmi les processus suivans, quels son ceux qui son des B u du F s ] = E[B u F s ] du.) Exercice Exponenielle de Brownien. Calculer E(e x+b ) e E(sin(x + B )) en uilisan E(f(x + B )) = f(x) E(f (x + B s )) ds. Exercice Changemen de emps. Soi Z = B A() où A es une foncion déerminise coninue sricemen croissane. 1. Calculer l espérance e la variance de Z. Ce processus es-il une maringale par rappor à F?. 2. On défini G = F A(). Monrer que Z es une G-maringale. 3. Déerminer le processus croissan C el que (Z ) 2 C soi une G-maringale. 4. Soi un processus M el que M es une maringale e il exise A, foncion déerminise coninue sricemen croissane elle que M 2 A() es une maringale. On noe C l inverse de A, c esà-dire la foncion elle que C(A()) =. Monrer que W = M C() es un mouvemen Brownien. Exercice Calcul d espérance. Commen calculer E x (f(b )g(b s ))? Exercice Calculer E((λ 1 dub u + µb 1 ) 2 ) Exercice Calcul de ransformée de Laplace. Calculer E x ( exp( λw 2 ) ). Exercice Comporemen limie. 1. Monrer que lim B = 2. Monrer que lim P x (B < ) = 1/2. En déduire que pour ou x >, si T = inf{ : B = }, on a P x (T < ) 1/2. (En fai, on peu monrer que T es fini ps.) Exercice Monrer que l inégrale 1 B s ds es convergene. s
17 Enoncés 17 Exercice Tribu riviale. On admera qu un ensemble apparenan à la filraion F = F + a pour probabilié ou 1. Si τ = inf{ : B > }, monrer que P (τ ) 1. En déduire que P (τ = ) = 1. 2 Exercice Applicaions de la propriéé de Markov. Monrer que ( ) s ( s E x h(r, B r )dr F s = h(r, B r )dr + E Bs h(s + u, B u )du ) Exercice ( Soi τ un emps d arrê, λ > e u une foncion coninue bornée. On pose τ ) ( ) g(x) = E x e λ u(b )d e f(x) = E x e λ u(b )d où comme d habiude l indice x précise que le Brownien es issu de x. 1. Monrer que g e f son définies. 2. Monrer que E x ( τ ) e λ ( u(b )d = E x 1τ< e λτ f(b τ ) ). 3. Monrer que si τ = T, alors g(x) = f(x) f()ϕ(x) où on expliciera ϕ. α2 αx Exercice Polynômes d Hermie. Les polynômes d Hermie H k son définis par e 2 = α k k! H k(x). Monrer qu il exise H k (x, ), polynômes en les deux variables (, x) els que e αx α 2 2 = α k k! H k(x, ). En déduire la valeur de E(B k F s ). Exercice Des gaussiennes. Soi S = exp(µ + σb ). Calculer l espérance e la variance de T S d e T ln S d. Ces variables son-elles gaussiennes? Exercice Zeros. Monrer que P(B u, u ]s, [) = 2 π arcsin s Exercice Filraion. Soi G = F σ(b 1 ). Vérifier que B n es pas une G-maringale. 2.2 Processus Gaussiens Exercice Monrer que le processus Y = covariance. Exercice Explicier la soluion de B u du es gaussien. Calculer son espérance e sa Calculer E(X ) e V ar(x ). dx = ax d + e b db
18 18 Brownien. Exercice Non-exisence de processus. Monrer qu il n exise pas de processus régulier X el que (s, ), s, les variables X e X s soien indépendanes, cenrées gausssiennes, e E(X 2 ) localemen borné. On considérera calculera son espérance e sa variance. X s ds e on monrera que ce processus serai Gaussien, on Exercice Le pon Brownien. On défini un pon Brownien par Z = B B 1, Monrer que Z es un processus gaussien indépendan de B 1. Préciser sa loi, c es-à-dire sa moyenne e sa foncion de covariance. 2. Monrer que le processus Z avec Z = Z 1 a même loi que Z. 3. Monrer que le processus Y avec Y = (1 )B, < < 1 a même loi que Z Monrer que (Z loi = (B B 1 = )). B s Exercice Un exemple surprenan. Monrer que Z = B ds es un processus s gaussien. Calculer sa variance e sa covariance. En déduire que Z es un mouvemen Brownien. Monrer que Z n es pas une F B -maringale, où F B es la filraion naurelle de B. Exercice Pon. Soi B un MB e Γ l espace Gaussien engendré par (B u u B, u ). Monrer que Γ es croissan en. Monrer que Γ(B u, u ) = Γ Γ(B ) où Γ(G) es l espace engendré par G. Exercice Changemen de probabilié. Soi B un MB, L = exp(mb m2 ), e Q 2 définie sur F T par dq = L T dp. Monrer que B = B m es, sous Q, un processus gaussien à accroissemens indépendans. Monrer que B es un Q-mouvemen Brownien. Exercice Soi B un mouvemen Brownien, p > 1 e τ une v.a. posiive. On admera que E(sup( B p/2 )) < 1. Monrer que E(sup( B µ p/2 )) = λe(sup( B s s p/2 )) s avec λ = ( 1 µ )1/(p 1). 2. Monrer que E( B τ ) E(sup ( B µ p/2 )) + µe(τ p/2 ). 3. Monrer que p > 1, C p, τ, E( B τ ) C p τ 1/2 p 2.3 Brownien Mulidimensionnel Exercice Deux mouvenemens Browniens B e W son corrélés si le processus (W B ρ, ) es une maringale. Soi deux mouvemens Browniens B e W corrélés de coefficien de corrélaion ρ. Monrer, sans uiliser la formule d Iô pour des processus corrélés, qu il exise un Brownien Z, indépendan de W el que B = ρw + 1 ρ 2 Z.
19 Enoncés 19 Exercice Somme de browniens. Soi W un mouvemen brownien indépendan de B e ρ [, 1]. Monrer que (Z = ρw + 1 ρ 2 B, ) es un mouvemen Brownien. Soien B e W deux browniens indépendans e (σ i, i = 1, 2) deux foncions déerminises. Monrer qu il exise une foncion σ 3 elle que le processus Z défini par es un Brownien. σ 3 ()dz = σ 1 ()db + σ 2 ()dw Exercice Soi B un Brownien n-dimensionnel. Soi f une foncion borélienne bornée. Monrer que, pour < s < E x (f(b ) F s ) = Φ(B s ) avec Φ(x) = E x [f(b s )]. En déduire que B i B j es une maringale pour i j. Exercice Mouvemen Brownien dans R Soi W 1 e W 2 deux mouvemens Browniens indépendans. Le processus W = W 1 () + W 2 () es-il un mouvemen Brownien? Si oui, jusifiez la réponse, sinon, expliquez pourquoi. Même quesion avec αw 1 () + βw 2 (). 2. Soi W 1 e W 2 deux processus. Soi c un réel donné. Monrer que si ( { exp aw 1 () + bw 2 () [ ] [ ]} ) 1 c a 2 [a, b], c 1 b es une maringale pour ou couple (a, b), W 1 e W 2 son des MB. Calculer E[exp(aW 1 () + bw 2 ())]. Exercice Brownien n-dimensionnel Soi B un MB n-dimensionnel e U une marice elle que UU T = I. Monrer que (UB, ) es un MB. 2.4 Temps d aeine Dans ous ces exercices, a R e T a = inf{ : B = a}. Exercice Transformée de Laplace. Monrer que T a es un emps d arrê. Calculer E(e λt a ) pour ou λ réel. Monrer que P(T a < ) = 1 e que E(T a ) =. Mêmes quesions avec τ a = inf{ : S = a} où S = exp(σb ). Exercice Soi a < < b e T = T a T b. Calculer P(T a < T b ) e E(T ). Exercice Temps d aeine. 1. Soi f() = E(e rta 1 Ta <). On ne cherchera pas à calculer f ici. Calculer en foncion de f la quanié E(e r inf(t,ta) ) où T es un nombre posiif. 2. Monrer que si < a < b, T b T a es indépendan de T a e a même loi que T b a. Monrer (sans calculs) que pour b > a >, la v.a. T b T a es indépendane de T a. Quelle es la loi de T b T a? Que peu-on dire du processus (T a, a > )? 3. Soi T un nombre réel. Calculer Z = P(T a > T F ). On rappelle que sup u B u loi = B. 4. Calculer E(e λt a ) avec T a = inf{ : X = a} e X = ν + W. Calculer E(e λt ) pour T = T a T b. 5. Monrer qu il exise c el que T r loi = ct r + X avec X indépendane de c.
20 2 Brownien. 6. Mêmes quesions si T a = inf{; ν + B = a}. 7. Soi S un brownien géomérique (soi S = x exp(ν + σw )) e τ a = inf{ : S = a}. Calculer E( e r S d) e E( τb e r S d). TROP DIFFICILE Monrer que si < a < b, τ b τ a es indépendan de τ a e a même loi que τ b a. Calculer E(e rτ K 1 τk <T 1 τh τ K >). Exercice On suppose b < < a. Monrer que (a B )(B b) + es une F-maringale. En déduire E(T a,b ) où T a,b = T a T b. Exercice Premier insan. Soi B un MB issu de e T d = d+inf{ : B +d = }. Calculer E(e λt d ) e E( 1 Bd ae λt d ). Soi T = d si B d a e T = d + T d si B d a, B d+t d a. Calculer E(e λt ). Exercice Soi T a e T a deux v.a. indépendanes de même loi que T a. Quelle es la loi de T a T a + T a (Sans faire de calculs). Exercice Loi de l inf. Soi I = inf s T1 B s. Monrer que P(I dx) = dx 1 + x 2. Exercice Soi Ta = inf{u : M u B u > a} avec M u = sup u B. Monrer que M T a loi exponenielle. a une Exercice Temps d aeine Soi A e B deux nombres posiifs. On noe X = µ + σb e h(x) = exp( 2µx/σ2 ) exp(2µb/σ 2 ) exp( 2µA/σ 2 ) exp(2µb/σ 2 ). Vérifier que h(x ) es une maringale. Le emps d arrê τ es défini par τ = inf{ : X = A oux = B}. Calculer P(X τ = A). Exercice Soi f une foncion borélienne bornée e e u(x) = E x (exp[ θ2 2 T + T duf(b u )]) où B es un mouvemen Brownien issu de x. Monrer que u es soluion de 1 2 u = ( θ2 + f)u, u() = 1 2 Exercice Soien a, d deux nombres réels posiifs. 1. Calculer E(e B d 2λ 1 Bd a). 2. Soi T 1 = inf{ d : B = }. Monrer que T 1 es un emps d arrê. Calculer E(e λt 1 ) e E(e λt1 1 Bd a). Monrer que B T1 +d es indépendan de B d e de T On inrodui la v.a. τ 1 suivane : si B d a, on pose τ 1 = d. Si B d > a e si B T1 +d a, on pose τ 1 = T 1 + d, sinon on pose τ 1 =. Calculer pour λ > la ransformée de Laplace de τ 1, soi E(e λτ 1 ). 4. On coninue. Si B d a, on pose τ 2 = d. Si B d > a e si B T1+d a, on pose T 2 = T 1 + d, sinon on défini T 2 = inf{ T 1 + d : B = }. Si B T2 +d a on pose τ 2 = T 2 + d. Dans ous les aures cas, on pose τ 2 =.
21 Enoncés 21 (a) Monrer que B T2 +d es indépendan de (B T1 +d, B d ) e de T 2. (b) Calculer la ransformée de Laplace de τ On uilise la même procédure pour définir par iéraion τ n e on pose τ = τ. (a) Monrer que τ es fini en uilisan, après l avoir jusifié que P(τ < ) = i P(B Ti +d < a) (b) Calculer la ransformée de Laplace de τ. (c) Calculer la ransformée de Laplace de B τ. (d) Monrer que B τ es indépendan de τ. Exercice On rouve parfois (voir exercice précéden, ou les emps d aeine d un niveau) des emps d arrê τ els que τ e B τ son indépendans. Ceci n es cependan pas rès couran. Dans ce qui sui on admera le résula (non rivial) suivan (Cramer) Si X e Y son deux v.a. indépendanes elles que X + Y es une v.a. gaussienne, alors X e Y son des gaussiennes. Le bu de ce exercice es de monrer : si τ es borné par K e si τ e B τ son indépendans, alors τ es une consane. 1. Monrer que si s > K, B s = B τ + B s τ avec B un mouvemen Brownien indépendan de F τ. 2. Monrer que B τ e B s τ son des v.a. indépendanes. 3. Calculer l espérance e la variance de B τ. (Aenion, ce n es pas rivial. Penser au cas où τ = T a.) 4. Monrer que B s τ es une v.a. Gaussienne. 5. Monrer que l on obien K τ G loi = K E(τ) G où G es une v.a. gaussienne réduie cenrée. 6. Conclure. Exercice Soi a e µ deux consanes sricemen posiives e T 1 = inf{ : B a µ}, T 2 = inf{ : B a + µ}. On pose, pour ou λa, Φ(λ) = E(exp[ λτ]) avec τ = T 1 T Monrer que T 1 loi = T 2 e que (T 1, T 2 ) loi = (T 2, T 1 ). 2. Vérifier que Φ es bien définie e donner un majoran e un minoran simples de Φ (S aider par un dessin). 3. Monrer que Φ(λ) = 2E (exp( λt 1 ) 1 T1 <T 2 ). 4. Monrer que e λa Φ( λµ λ 2 /2) + e λa Φ(λµ λ 2 /2) = 2 Exercice Soi X = ν + σb. Monrer que, pour ou λ exp(λx + β), es une maringale pour un paramère β que ( l on déerminera. )) On noe T a = inf{ : X a}. Calculer E exp ( λ2 2 T a e P(T a < ). Exercice Calculer P(M y B = x) où M = sup(b s, s ).
22 22 Brownien. 2.5 Scaling Exercice Monrer que le calcul de E( B s ) ds). On ne demande pas de faire ce calcul. T exp(νs + σb s ) ds) se dédui de E( exp(2(µs + Exercice Soi T 1 = inf{ : B = 1}. Uiliser le scaling du MB pour éablir les égaliés en loi suivanes 1. T 1 loi = 1 S 2 1 avec S 1 = sup(b u, u 1) 2. T a loi = a 2 T 1 avec T a = inf{ : B = a}. loi loi 3. g = g 1, d = d 1 où g = sup{s : B s = } e d = inf{s : B s = }. Monrer que {g < u} = {d u > }. En déduire g loi = d 1 loi = 1 d(1/). 4. On suppose que A es un processus croissan coninu el que, pou ou c (B c, A c, ) loi = ( cb, ca ; ) On noe a = inf{ : A a}. Monrer que d a 5. Monrer que A = sup s B 2 s vérifie les condiions précédenes. loi loi = ad 1. En déduire A g = 1/d 1. Exercice Monrer que où T 1 = inf{ : B = 1}. sup B loi = 1 1 T 1 Exercice Soi A une foncionnelle du mouvemen brownien. On di que A a la propriéé (hom) s il exise r R el que pour ou c, Pour quelle valeur de r la foncionnelle A = (B c, A c ; ) loi = ( cb, c r+1 A ; ) quesion pour le emps local (voir la définiion plus loin) 1 (Bs >)ds a elle la propriéé (hom)? Même 2.6 Complémens Exercice Projecion d un Brownien. Soi B un MB dans sa filraion F e G une filraion plus peie que F. On suppose que E(B G ) = B es un MB. Monrer que B = B. Exercice Filraion de carrés de Browniens. Soi Y = ab 2 + bw 2 avec a b e a e b non nuls, W e B éan des Browniens indépendans. Monrer que σ(y s, s ) = σ(b s, W s, s ). Généraliser au cas de n carrés. Exercice Représenaion prévisible. Soi B (i), i = 1, 2, 3 rois MB, avec B (i), i = 1, 2 indépendans. Monrer qu il n es pas possible d avoir σ(b s (3), s )) = σ(b s (1), B s (2), s ). On uilisera le héorème de représenaion prévisible pour représener B (1), B (2) en erme de B (3).
23 Enoncés 23 Exercice Pons, suie de ex Pour chaque on défini la ribu F β = σ{(b s s B, s } 1. Monrer que la famille F β es croissane en. 2. Soi f L 2 (R +, ds). Calculer la projecion F sur L 2 ((F β ) ) de F = 3. Monrer que le processus B = B du B u u F β = σ{ B u, u } f(s)db s. es un (F β )-mouvemen Brownien e que 4. Monrer que F = f(s)d B, avec f() = f() 1 f(u)du. Exercice Soi B un MB réel, T = inf{ : B = }, g = sup{ < 1 : B = } e d = inf{ > 1 : B = }. Monrer que P x (d > 1 + ) = p(1, x; y)p y (T > )dy e que P (g ) = p(, ; y)p y (T > 1 )dy. Exercice Loi de g. Monrer que P( sup B u >, B s < ) = 2P(B >, B s < ) = 2[ 1 s u 4 1 s 2π arcsin ] En déduire la loi de g = sup{s : B s = } Exercice Représenaion prévisible. Trouver un processus f prévisible el que F = E(F ) + T 1. F = B T, 2. F = f s db s pour T 3. F = B 2 T, B s ds, 4. F = exp B T. Exercice Le mouvemen Brownien B es issu de. Soi W un second mouvemen Brownien issu de indépendan de B e W s 1 X = (1 ) ds + (1 ) (1 s) 2 1 s db s. 1. Monrer que W s 1 s ds s ds W u du = (1 ) (1 u) 2 W s (1 s) 2 ds. 2. En admean que si f e g son deux foncions déerminises on peu inerverir le sens des inégrales dans dsf(s) s B g(u)db u, monrer que s ds 1 1 u db u = (1 ) 1 1 s db s
24 24 Brownien. 3. Vérifier que X es soluion de X = B + W s X s ds. 1 s db s dw s 4. (sans uiliser ce qui précede) Monrer que X = (1 ) + W. 1 s 5. Calculer E(X s X ). Exercice Soi G une filraion, W un G mouvemen brownien. Soi H une filraion plus peie que G. Monrer que le processus M = E(W H ) es une maringale. (on précisera par rappor à quelle filraion). Soi X = W + la filraion de X e Ŷu = E(Y u F X u ). Vérifier que Z = (X (on calculera l espérance condiionnelle de Z par rappor à F X s. Y u du où Y es un processus G adapé. On noe F X Ŷ u du, ) es une F X -maringale Exercice Le X be a Brownian moion wih drif µ and M X = sup { s }X. Prove ha where F (T, u) = P(M X T u) E(MT X F ) = M X + (1 F (T, u)du M X X 2.7 Finance Exercice Black e Scholes. Calculer E(e a (S K) + ) quand S = xe b exp(σb σ2 2 ) Ecrire la formule obenue quand a = b = r e quand a = r, b = r δ. Calculer E(e r (S K) + F s ) pour s <. Exercice Opions rese Une opion rese es caracérisée par une suie de daes 1, 2,..., n. Le payoff de cee opion es A = i (S T S i ) + 1 Si =inf{k,s 1,S 2,...,S n } + (S T K) + 1 K=inf{K,S1,S 2,...,S n } Calculer le prix d une elle opion, c es-à-dire calculer E(e rt A) quand. S = xe r exp(σb σ2 2 ) 2.8 Problème Parie I : Résulas préliminaires Soi (B ) un mouvemen Brownien sandard sur un espace de probabili (Ω, F, P ). (F ) la filraion naurelle de B. On noe
25 Enoncés 25 Ean donné un processus coninu (X ) à valeurs réelles, on pose pour >, M X = sup X s, s m X = inf s X s. Si a es un nombre réel sricemen posiif, on défini égalemen Il es connu que Ta B pour λ, T X a = inf{ ; X = a}, T X a = inf{ ; X = a}. es un emps d arrê relaivemen à (F ), fini p.s., el que E(T B a ) = e E [ exp( λta B ) ] ( = exp a ) 2λ. 1. En inversan la ransformée de Laplace de Ta B, monrer que la densié de la loi de Ta B es donnée par ( ) a exp a2 1 (>). 2π Démonrer que pour λ, E [ exp( λ T ] ( ( a B ) = cosh a 1 2λ)). 3. Prouver que T B a es inégrable e calculer E( T B a ). 4. Soien c e d deux nombres réels sricemen posiifs e posons T B = Tc B T d B. Monrer que pour λ R, )] [ E exp ( λ2 [ E exp 2 T B 1 (T B =Tc B) )] ( λ2 2 T B = = sinh(λd) sinh(λ(c + d)), cosh(λ(c d)/2) cosh(λ(c + d)/2). 5. En uilisan la propriéé de Markov fore, démonrer que si c, b c, P[B c, M B > c] = P[B > 2c b]. 6. En-déduire que pour chaque >, les variables aléaoires M B e B on la même loi. 7. Vérifier que pour chaque >, la densié de la loi du couple (B, M B ) es donnée par ) 2(2c b) (2c b)2 exp ( 1 { c} 1 {b c}. 2π Rerouver alors la densié de la loi de T B a expliciée au Parie II On considère le processus (Y ) défini par :, Y = µ + B, où µ R. 1. Monrer qu il exise une mesure de probabilié P µ sous laquelle (Y ) es un mouvemen Brownien sandard. 2. En uilisan le résula de la quesion I.7., en-déduire que pour chaque >, la densié de la loi du couple (Y, M Y ) es donnée par ) ( 2(2c b) (2c b)2 exp (. exp µ b 1 ) 2π µ2 1 { c} 1 {b c}.
26 26 Brownien Parie III Soi (S ) le processus el que :, S = x exp [ (r 1 2 σ2 ) + σb ], où x, r e σ son des nombres réels sricemen posiifs. Dans la suie, on désignera par N la foncion de répariion de la loi normale cenrale réduie. 1. Explicier la probabilié P θ qui fai de ( B ) un mouvemen Brownien sandard, avec B = θ + B e θ = r σ σ Trouver une relaion enre M S e M B e enre m S e m B pour chaque >. Dans ce qui sui, H e K désigne des nombres réels sricemens posiifs. 3. Monrer que avec 4. Monrer que avec P [ S K, M S d 1 = d 2 = P [ S K, m S d 3 = d 4 = ( log ( log H ] = N(d 1 ) ( K x ( Kx H 2 ( ) (2r/σ H 2 ) 1 N(d 2 ), x ) (r 12 ) ) σ2 /σ, ) (r 12 ) ) σ2 /σ. H ] = N(d 3 ) ( ) (2r/σ H 2 ) 1 N(d 4 ), x ( ( x ) log + (r 12 ) ) K σ2 /σ, ( log ( H 2 xk ) + (r 12 ) ) σ2 /σ. 5. Déduire de la quesion 3. que (E désignan l espérance sous P) ] E [S 1 {S K,M S H} = x e (N(d r 5 ) ( ) ) (2r/σ H 2 )+1 N(d 6 ), x avec d 5 = d 6 = ( log ( log ( K x ( Kx H 2 ) (r + 12 ) ) σ2 /σ, ) (r + 12 ) ) σ2 /σ. 6. En uilisan le résula de la quesion 4., vérifier que ] E [S 1 {S K,m S H} = x e (N(d r 7 ) ( ) ) (2r/σ H 2 )+1 N(d 8 ), x avec d 7 = d 8 = ( ( x ) log + (r + 12 ) ) K σ2 /σ, ( log ( H 2 Kx ) + (r + 12 ) ) σ2 /σ.
27 Enoncés [ ] 7. On pose v 1 (x, T ) = E e rt (S T K) + 1 {m S T H}. Monrer que v 1 (x, T ) = x [ N(d 7 ) Déerminer la quanié x v 1(x, T ). 8. On pose v 2 (x, T ) = E e x v 2(x, T ). 9. On pose ( ) ] [ (2r/σ H 2 )+1 N(d 8 ) e rt K N(d 3 ) x [ e rt (S T K) + 1 {M S T H} [ ] v 3 (x, T ) = E e rt (S T K) + 1 {M S T H} [ ] v 4 (x, T ) = E e rt (S T K) + 1 {m S T H} v(x, T ) = E [ e rt (S T K) + ]. ( ) ] (2r/σ H 2 ) 1 N(d 4 ). x ]. Donner une formule explicie pour v 2 (x, T ) Donner une relaion enre v 2 (x, T ),v 3 (x, T ) e v(x, T ) d une par e enre v 1 (x, T ),v 4 (x, T ) e v(x, T ) d aure par.,,
28 28 Iô.
29 Chaper 3 Inégrale d Iô Dans ou ce chapire, B es un mouvemen Brownien don la filraion es noée F. On considère un processus θ, ff-adapé coninu à gauche, e admean des limies à droie, el que θ 2 d <, a.s on monre qu il exise des processus θ n de la forme θ n = θ i,n 1 ]i, i+1 avec θ i,n L 2 (Ω) e F i - mesurables, convergean vers θ dans L 2 (Ω R + ) (au sens où θ θ n 2 quand n. On défini θ sdb s, comme la limie de k(n) θ j=1 j,n (B( j+1 ) B( j )) Le processus I(θ) = θ sdb s a les propriéés suivanes. Si ( ) E θ 2 d <, le processus I(θ) es une maringale, dans les aures cas, c es une maringale locale. Si ( ) E θ 2 d <, le processus es une maringale. (I(θ) θ 2 d, ) Inégrale de Wiener: Si f es une foncion déerminise, de carré inégrable sur ou inervalle [, ], le processus (I(f), ) es un processus gaussien. Croche: Le croche d une maringale de carré inégrable coninue M es l unique processus croissan M el que M 2 M soi une maringale. Le croche de I(θ) es par définiion I(θ) = θ 2 d Si X e Y son deux maringales coninues leur croche X, Y es l unique processus à variaion bornée el que XY X, Y es une maringale. Le croche de deux inégrales soichasiques es I(θ), I(ψ) = θ sψ s ds Si X e Y son deux semi-maringales coninues leur croche es le croche des paries maringales Processus d Iô: On appelle processus d Iô un processus X admean une décomposiion de la forme X = x + a s ds + 29 σ s db s
30 3 Iô. où a e σ son des processus F-adapés, vérifian a s ds < e σ2 sds <. Formule d inégraion par paries: Soi X e Y deux processus d Iô relaifs au même mouvemen Brownien B, alors dx = a d + σ db dy = b d + ν db d(xy ) = X dy + Y dx + d X, Y Formule d Iô: Si f es une foncion C 1,2 f(, X ) = f(, X ) + A(s, X s )ds + x f(s, X s )db s où Af(, x) = f(, x) + b(, x) x f(, x) xxf(, x) Cee formule s écri aussi df(, X ) = f(, X )d + x f(, X )dx xxf(, X )d X Les croches se calculen formellemen de la façon suivane d X, Y = dx dy, avec la able de muliplicaion suivane d d =, d db =, db db = d 3.1 Inégrale de Wiener Exercice Soi Y = B. Calculer dy, l espérance de la v.a. Y e la covariance E(Y Y s ). Exercice Monrer que la v.a. X = 2. Monrer que X es un processus gaussien. Calculer son espérance e sa covariance E(X s X ). 3. Calculer E[X F s ]. 4. Monrer que X = (sin )B (cos s)b s ds. Exercice Monrer que (Y = sin(b ) son espérance e sa variance. Exercice (sin s) db s es définie. sin(b s) ds, ) es une maringale. Calculer 1. Monrer que le processus (Y = (an s) db s, < π 2 ) es défini. 2. Monrer que Y es un processus gaussien, calculer son espérance, sa covariance e l espérance condiionnelle E(Y F s ).
31 Enoncés B s 3. Monrer que Y = (an ) B cos 2 s ds. Exercice Pon Brownien. On considère l équaion différenielle sochasique { X dx = 1 d + db ; < 1 X = e l on adme l exisence d une soluion. 1. Monrer que db s X = (1 ) 1 s ; < Monrer que (X, ) es un processus gaussien. Calculer son espérance e sa covariance. 3. Monrer que lim 1 X =. Exercice Monrer que, si f es une foncion déerminise de carré inégrable Exercice Calculs de momens. 2 E(B f(s) db s ) = f(s) ds. Soi 1 < 2. Calculer A = E( (B B 1 ) d F 1 ). Monrer que (B B 1 ) d = ( 2 )db. 1 1 [ 1 2 ] Uiliser cee égalié pour calculer A d une aure manière. Calculer Var (B B 1 ) d F Formule d Iô Exercice Ecrire les processus suivans comme des processus d Iô en précisan leur drif e le coefficien de diffusion X = B 2 2. X = + e B 3. X = B 3 3B 4. X = e B 5. X = [B 1 ()] 2 + [B 2 ()] 2 6. X = (B + ) exp( B 1 2 ) 7. X = exp(/2) sin(b ) ( ) Exercice Inégraion par paries. Soi X = exp a(s)ds e [ ( s )] Y = Y + b(s) exp a(u)du db s où a e b son des foncions boréleiines inégrables. On pose Z := X Y. Monrer que dz = a()z d + b()db.
32 32 Iô. Exercice Inégraion par paries. Soi Y = X 1 ()X 2 () avec dx 1 () = f() d + σ 1 ()db dx 2 () = σ 2 ()db Calculer dy. Exercice Equaion différenielle. On adme que le sysème suivan adme une soluion X = x + Y s db s Monrer que X 2 + Y 2 = (x 2 + y 2 )e. Exercice Formule d Iô. Soi Y = 1. Ecrire l EDS vérifiée par Z. 2. Calculer E(Z ), E(Z 2 ) e E(Z Z s ). Y = y X s db s e s db s e Z = Y s db s. Exercice On suppose que X es un processus d Iô de drif a(k X ), que X = f(k ) e que K = b + σb où a, b, σ son des consanes e B un mouvemen brownien. Quelle es la forme de f? Exercice Exponenielle. Soi σ un processus adapé coninu de L 2 (Ω R) e On pose Y := exp X e Z = Y 1. X = σ s db s 1 2 σ 2 s ds. 1. Explicier la dynamique de Y, c es-à-dire exprimer dy. 2. Monrer que Y es une maringale locale. Donner une condiion sur σ pour que ce soi une maringale. 3. Calculer E(Y ) dans ce cas. Explicier les calculs quand σ = Calculer dz. Exercice Soi (a, b, c, z) des consanes e Quelle es l EDS vérifiée par Z? Z = e (a c2 /2)+cB (z + b Exercice On considère le processus de dynamique où (h, ) es un processus adapé. ) e (a c2 /2)s cb s ds ds = S ((r q + h )d + σdb )
33 Enoncés On se place dans le cas h =,. Monrer que (M = S e (r q), ) es une maringale posiive. On défini une probabilié Q par dq F = M M dp F. Commen se ransforme le MB B? 2. Dans le cas h non nul, explicier S. 3. On suppose que h = h(s ) où h es une foncion coninue. On adme qu il exise une soluion de l EDS correspondane. Monrer que e rt E(e T h(s s)ds Ψ(S T )) = e qt S E Q (S 1 T Ψ(S T )) 4. On se place mainenan dans le cas h = S p, avec p réel. On adme qu il exise une soluion de l EDS. On pose Z = S p. (a) Quelle es la dynamique de Z? (b) Vérifier, en uilisan l exercice 4 que l on peu explicier Z. (c) Pour quelles foncions f, le processus f(z) es il une maringale (locale)? Exercice Processus d Ornsein Uhlenbeck. Soi X el que dx = (a bx )d + db ( 1. Monrer que Z = exp c X s db s c2 2 ) Xs 2 ds es une maringale locale. 2. Soi U = X 2. Ecrire du puis la variable U comme une somme d inégrales. 3. Monrer que X s db s = 1 2 (X2 X 2 ) a X s ds + b Exercice Soi Z le processus défini par ( ) 1 Z = exp B2. 1 2(1 ) X 2 s ds. 1. Monrer que Z es une maringale e que Z end vers quand end vers Calculer E(Z ). 3. Ecrire Z sous la forme Z = exp ( où Φ es un processus que l on précisera. Φ s db s 1 2 Φ 2 sds) Exercice Momens d une exponenielle sochasique. Soi L le processus soluion de dl = L φdb, L = 1 où φ es une consane. L = E(φB). Le processus L es l exponenielle de Doléans-Dade de φb e se noe 1. Déerminer la foncion Γ elle que, pour a R, le processus (L ) a exp( Γ(a)) es une maringale. 2. En déduire le calcul de E [(L ) a ] pour ou a R. Exercice Démonsraion de l unicié de l écriure d un processus d Iô. Soi dx = a d + σ db. On souhaie démonrer que si X, alors a, σ.
34 34 Iô. 1. Appliquer la formule d Iô à Y = exp( X 2 ). 2. En déduire le résula souhaié. Exercice Soi V = KX avec Calculer dv e d ln X. Exercice Monrer que M = exp ( es une maringale locale. Exercice Soi A = dx = X (µ k s ln X )d + σx db dk = K (r + k)d B 2 sds ) exp ( B2 2 anh(t )) 1 (cosh(t )) 1/2 exp(b s + νs)ds e ds = S (rd + σdb ). Monrer que le processus f(, S, A ) es une maringale si f vérifie une équaion aux dérivées parielles à coefficiens déerminises que l on précisera. Exercice Soi dx = db + 1 X d. Monrer que 1 X es une maringale (locale). Quelles son les foncions f elles que f(, X ) soi une maringale locale?. Exercice Soi B e W deux browniens corrélés e dr = [a(b r ) λσr ]d + σ r dw dv = (r δ)v d + σ V V db On pose X = r e Y = ln V αx avec α = 2ρσ V /σ. Calculer dx e dy. Exercice Soi T fixé e B(, T ) = exp Monrer que où on a noé α(, T ) = Exercice Soi ( T f(, u)du ) avec df(, T ) = α(, T )d + σ(, T )db, < T db(, T ) = (r α(, T ) σ(, T ))B(, T )d σ(, T )B(, T )db T α(u, T )du dr = (a br )d σ r (db + λd) e W un mouvemen Brownien indépendan de B. Soi λ 1 une consane e H le processus ( H = exp r s ds + 1 (λ λr s )ds + λ 1 dw s + λ ) r s db s 2 T Monrer que le calcul de E(exp(HT α) F ) se rédui à celui de E(exp( ηr T µ r s ds) F ).
2. Quelle est la valeur de la prime de l option américaine correspondante? Utilisez pour cela la technique dite de remontée de l arbre.
1 Examen. 1.1 Prime d une opion sur un fuure On considère une opion à 85 jours sur un fuure de nominal 18 francs, e don le prix d exercice es 175 francs. Le aux d inérê (coninu) du marché monéaire es 6%
Plus en détailTexte Ruine d une compagnie d assurance
Page n 1. Texe Ruine d une compagnie d assurance Une nouvelle compagnie d assurance veu enrer sur le marché. Elle souhaie évaluer sa probabilié de faillie en foncion du capial iniial invesi. On suppose
Plus en détailCalcul Stochastique 2 Annie Millet
M - Mahémaiques Appliquées à l Économie e à la Finance Universié Paris 1 Spécialié : Modélisaion e Méhodes Mahémaiques en Économie e Finance Calcul Sochasique Annie Mille 15 14 13 1 11 1 9 8 7 6 5 4 3
Plus en détailTD/TP : Taux d un emprunt (méthode de Newton)
TD/TP : Taux d un emprun (méhode de Newon) 1 On s inéresse à des calculs relaifs à des remboursemens d empruns 1. On noera C 0 la somme emprunée, M la somme remboursée chaque mois (mensualié), le aux mensuel
Plus en détailExemples de résolutions d équations différentielles
Exemples de résoluions d équaions différenielles Table des maières 1 Définiions 1 Sans second membre 1.1 Exemple.................................................. 1 3 Avec second membre 3.1 Exemple..................................................
Plus en détailCours de Calcul stochastique Master 2IF EVRY. Monique Jeanblanc
Cours de Calcul stochastique Master 2IF EVRY Monique Jeanblanc Septembre 26 2 Contents 1 Généralités 7 1.1 Tribu............................................... 7 1.1.1 Définition d une tribu.................................
Plus en détailMathématiques financières. Peter Tankov
Mahémaiques financières Peer ankov Maser ISIFAR Ediion 13-14 Preface Objecifs du cours L obje de ce cours es la modélisaion financière en emps coninu. L objecif es d un coé de comprendre les bases de
Plus en détailCHAPITRE I : Cinématique du point matériel
I. 1 CHAPITRE I : Cinémaique du poin maériel I.1 : Inroducion La plupar des objes éudiés par les physiciens son en mouvemen : depuis les paricules élémenaires elles que les élecrons, les proons e les neurons
Plus en détailCaractéristiques des signaux électriques
Sie Inerne : www.gecif.ne Discipline : Génie Elecrique Caracérisiques des signaux élecriques Sommaire I Définiion d un signal analogique page 1 II Caracérisiques d un signal analogique page 2 II 1 Forme
Plus en détailLes circuits électriques en régime transitoire
Les circuis élecriques en régime ransioire 1 Inroducion 1.1 Définiions 1.1.1 égime saionnaire Un régime saionnaire es caracérisé par des grandeurs indépendanes du emps. Un circui en couran coninu es donc
Plus en détailFinance 1 Université d Evry Val d Essonne. Séance 2. Philippe PRIAULET
Finance 1 Universié d Evry Val d Essonne éance 2 Philippe PRIAULET Plan du cours Les opions Définiion e Caracérisiques Terminologie, convenion e coaion Les différens payoffs Le levier implicie Exemple
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailFonction dont la variable est borne d intégration
[hp://mp.cpgedpydelome.fr] édié le 1 jille 14 Enoncés 1 Foncion don la variable es borne d inégraion Eercice 1 [ 1987 ] [correcion] Soi f : R R ne foncion conine. Jsifier qe les foncions g : R R sivanes
Plus en détailLa rentabilité des investissements
La renabilié des invesissemens Inroducion Difficulé d évaluer des invesissemens TI : problème de l idenificaion des bénéfices, des coûs (absence de saisiques empiriques) problème des bénéfices Inangibles
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailRecueil d'exercices de logique séquentielle
Recueil d'exercices de logique séquenielle Les bascules: / : Bascule JK Bascule D. Expliquez commen on peu modifier une bascule JK pour obenir une bascule D. 2/ Eude d un circui D Q Q Sorie A l aide d
Plus en détailCHAPITRE 13. EXERCICES 13.2 1.a) 20,32 ± 0,055 b) 97,75 ± 0,4535 c) 1953,125 ± 23,4375. 2.±0,36π cm 3
Chapire Eercices de snhèse 6 CHAPITRE EXERCICES..a), ±,55 b) 97,75 ±,455 c) 95,5 ±,475.±,6π cm.a) 44,, erreur absolue de,5 e erreur relaive de, % b) 5,56, erreur absolue de,5 e erreur relaive de,9 % 4.a)
Plus en détailMATHS 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 détailVA(1+r) = C 1. VA = C 1 v 1
Universié Libre de Bruxelles Solvay Business School La valeur acuelle André Farber Novembre 2005. Inroducion Supposons d abord que le emps soi limié à une période e que les cash flows fuurs (les flux monéaires)
Plus en détailMATHEMATIQUES FINANCIERES
MATHEMATIQUES FINANCIERES LES ANNUITES INTRODUCTION : Exemple 1 : Une personne veu acquérir une maison pour 60000000 DH, pour cela, elle place annuellemen au CIH une de 5000000 DH. Bu : Consiuer un capial
Plus en détailOscillations forcées en régime sinusoïdal.
Conrôle des prérequis : Oscillaions forcées en régime sinusoïdal. - a- Rappeler l expression de la période en foncion de la pulsaion b- Donner l expression de la période propre d un circui RLC série -
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailFiltrage 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 détailLe mode de fonctionnement des régimes en annuités. Secrétariat général du Conseil d orientation des retraites
CONSEIL D ORIENTATION DES RETRAITES Séance plénière du 28 janvier 2009 9 h 30 «Les différens modes d acquisiion des drois à la reraie en répariion : descripion e analyse comparaive des echniques uilisées»
Plus en détailFiles d attente (1) F. Sur - ENSMN. Introduction. 1 Introduction. Vocabulaire Caractéristiques Notations de Kendall Loi de Little.
Cours de Tronc Commun Scienifique Recherche Opéraionnelle Les files d aene () Les files d aene () Frédéric Sur École des Mines de Nancy www.loria.fr/ sur/enseignemen/ro/ 5 /8 /8 Exemples de files d aene
Plus en détailChapitre 2 L investissement. . Les principales caractéristiques de l investissement
Chapire 2 L invesissemen. Les principales caracérisiques de l invesissemen.. Définiion de l invesissemen Définiion générale : ensemble des B&S acheés par les agens économiques au cours d une période donnée
Plus en détailMéthodes 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 détailLimites 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 détailDESSd ingéniérie mathématique Université d Evry Val d Essone Evaluations des produits nanciers
DESSd ingéniérie mahémaique Universié d Evry Val d Essone Evaluaions des produis nanciers Véronique Berger Cours Janvier-Mars 2003 version du 27 mars 2003 Conens I Présenaion du plan de cours 3 II Insrumens
Plus en détailCalculating Greeks by Monte Carlo simulation
Calculating Greeks by Monte Carlo simulation Filière mathématiques financières Projet de spécialité Basile Voisin, Xavier Milhaud Encadré par Mme Ying Jiao ENSIMAG - Mai-Juin 27 able des matières 1 Remerciements
Plus en détailEspérance 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 détailAmphi 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* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailFonctions 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 détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
Plus en détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Plus en détailSurface de Volatilité et Introduction au Risque de Crédit
Modèles de Taux, Surface de Volailié e Inroducion au Risque de Crédi Alexis Fauh Universié Lille I Maser 2 Mahémaiques e Finance Spécialiés Mahémaiques du Risque & Finance Compuaionelle 214/215 spread
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailChapitre 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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailMA6.06 : Mesure et Probabilités
Année universitaire 2002-2003 UNIVERSITÉ D ORLÉANS Olivier GARET MA6.06 : Mesure et Probabilités 2 Table des matières Table des matières i 1 Un peu de théorie de la mesure 1 1.1 Tribus...............................
Plus en détailDifférentiabilité ; 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 détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
Plus en détailLe 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 détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en détailFonctions de plusieurs variables. Sébastien Tordeux
Fonctions de plusieurs variables Sébastien Tordeux 22 février 2009 Table des matières 1 Fonctions de plusieurs variables 3 1.1 Définition............................. 3 1.2 Limite et continuité.......................
Plus en détail3 POLITIQUE D'ÉPARGNE
3 POLITIQUE D'ÉPARGNE 3. L épargne exogène e l'inefficience dynamique 3. Le modèle de Ramsey 3.3 L épargne opimale dans le modèle AK L'épargne des sociéés dépend largemen des goûs des agens, de faceurs
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailF 2 = - T p K 0. ... F T = - T p K 0 - K 0
Correcion de l exercice 2 de l assisana pré-quiz final du cours Gesion financière : «chéancier e aux de renabilié inerne d empruns à long erme» Quesion : rappeler la formule donnan les flux à chaque échéance
Plus en détailTB 352 TB 352. Entrée 1. Entrée 2
enrées série TB logiciel d applicaion 2 enrées à émission périodique famille : Inpu ype : Binary inpu, 2-fold TB 352 Environnemen Bouon-poussoir TB 352 Enrée 1 sories 230 V Inerrupeur Enrée 2 Câblage sur
Plus en détailMaster 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 détailIntégration 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 détailCARACTERISTIQUES STATIQUES D'UN SYSTEME
CARACTERISTIQUES STATIQUES D'UN SYSTEE 1 SYSTEE STABLE, SYSTEE INSTABLE 1.1 Exemple 1: Soi un sysème composé d une cuve pour laquelle l écoulemen (perurbaion) es naurel au ravers d une vanne d ouverure
Plus en détailCalcul Stochastique pour la finance. Romuald ELIE
Calcul Stochastique pour la finance Romuald ELIE 2 Nota : Ces notes de cours sont librement inspirées de différentes manuels, polycopiés, notes de cours ou ouvrages. Citons en particulier ceux de Francis
Plus en détailCours d électrocinétique :
Universié de Franche-Comé UFR des Sciences e Techniques STARTER 005-006 Cours d élecrocinéique : Régimes coninu e ransioire Elecrocinéique en régimes coninu e ransioire 1. INTRODUCTION 5 1.1. DÉFINITIONS
Plus en détailEvaluation des Options avec Prime de Risque Variable
Evaluaion des Opions avec Prime de Risque Variable Lahouel NOUREDDINE Correspondance : LEGI-Ecole Polyechnique de Tunisie, BP : 743,078 La Marsa, Tunisie, Insiu Supérieur de Finance e de Fiscalié de Sousse.
Plus en détailLes solutions solides et les diagrammes d équilibre binaires. sssp1. sssp1 ssss1 ssss2 ssss3 sssp2
Les soluions solides e les diagrammes d équilibre binaires 1. Les soluions solides a. Descripion On peu mélanger des liquides par exemple l eau e l alcool en oue proporion, on peu solubiliser un solide
Plus en détailIntégration de Net2 avec un système d alarme intrusion
Ne2 AN35-F Inégraion de Ne2 avec un sysème d alarme inrusion Vue d'ensemble En uilisan l'inégraion d'alarme Ne2, Ne2 surveillera si l'alarme inrusion es armée ou désarmée. Si l'alarme es armée, Ne2 permera
Plus en détailFonctions de plusieurs variables
Maths MP Exercices Fonctions de plusieurs variables Les indications ne sont ici que pour être consultées après le T (pour les exercices non traités). Avant et pendant le T, tenez bon et n allez pas les
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailRappels théoriques. -TP- Modulations digitales ASK - FSK. Première partie 1 INTRODUCTION
2 IUT Blois Déparemen GTR J.M. Giraul, O. Bou Maar, D. Ceron M. Richard, P. Sevesre e M. Leberre. -TP- Modulaions digiales ASK - FSK IUT Blois Déparemen du Génie des Télécommunicaions e des Réseaux. Le
Plus en détailDérivation : cours. Dérivation dans R
TS Dérivation dans R Dans tout le capitre, f désigne une fonction définie sur un intervalle I de R (non vide et non réduit à un élément) et à valeurs dans R. Petits rappels de première Téorème-définition
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailAMPLIFICATEUR OPERATIONNEL EN REGIME NON LINEAIRE
AMPLIFICATEUR OPERATIONNEL EN REGIME NON LINEAIRE Dans e hapire l'amplifiaeur différeniel inégré sera oujours onsidéré omme parfai, mais la ension de sorie ne pourra prendre que deux valeurs : V sa e V
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailILT. Interfacultair Instituut voor Levende Talen. T@@lvaardig. Actes de communication. Serge Verlinde Evelyn Goris. Katholieke Universiteit Leuven
IL If I L S V Ey G Khk U L 13/02/02 pé? xp qé xp pz à pz p héhq pé p à q z p à p héhq fé à p à q pz xp q 'p (è) f, '-à- p. x. ' é ff. N xp à py qq' q z b ( f) P xp pô pp L p - pé pz ': z qq', q -? Bj,
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailrf( 1 f(x)x dx = O. ) U concours externe de recrutement de professeurs agreg6s composition d analyse
page 8 AGREGATIN de MATHEMATIQUES: 1991 1/5 externeanalyse concours externe de recrutement de professeurs agreg6s composition d analyse NTATINS ET DGFINITINS Dans tout le problème, R+ désigne l intervalle
Plus en détailContinuité 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 détailLes 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 détailSciences Industrielles pour l Ingénieur
Sciences Indusrielles pour l Ingénieur Cenre d Inérê 6 : CONVERTIR l'énergie Compéences : MODELISER, RESOUDRE CONVERSION ELECTROMECANIQUE - Machine à couran coninu en régime dynamique Procédés de piloage
Plus en détailIntroduction au pricing d option en finance
Introduction au pricing d option en finance Olivier Pironneau Cours d informatique Scientifique 1 Modélisation du prix d un actif financier Les actions, obligations et autres produits financiers cotés
Plus en détailRelation d ordre. Manipulation des relations d ordre. Lycée Pierre de Fermat 2012/2013 Feuille d exercices
Lycée Pierre de Fermat 2012/2013 MPSI 1 Feuille d exercices Manipulation des relations d ordre. Relation d ordre Exercice 1. Soit E un ensemble fixé contenant au moins deux éléments. On considère la relation
Plus en détailGénération de scénarios économiques
Modélisation des taux d intérêt Pierre-E. Thérond ptherond@galea-associes.eu pierre@therond.fr Galea & Associés ISFA - Université Lyon 1 22 novembre 2013 Motivation La modélisation des taux d intérêt est
Plus en détailFiltrage optimal. par Mohamed NAJIM Professeur à l École nationale supérieure d électronique et de radioélectricité de Bordeaux (ENSERB)
Filrage opimal par Mohamed NAJIM Professeur à l École naionale supérieure d élecronique e de radioélecricié de Bordeaux (ENSERB) Filre adapé Définiions Filre adapé dans le cas de brui blanc 3 3 Cas d un
Plus en détail1 TD1 : rappels sur les ensembles et notion de probabilité
1 TD1 : rappels sur les ensembles et notion de probabilité 1.1 Ensembles et dénombrement Exercice 1 Soit Ω = {1, 2, 3, 4}. Décrire toutes les parties de Ω, puis vérier que card(p(ω)) = 2 4. Soit k n (
Plus en détailSommaire de la séquence 12
Sommaire de la séquence 12 Séance 1........................................................................................................ Je prends un bon dépar.......................................................................................
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailTP1 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 détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailDE L'ÉVALUATION DU RISQUE DE CRÉDIT
DE L'ÉALUAION DU RISQUE DE CRÉDI François-Éric Racico * Déparemen des sciences adminisraives Universié du Québec, Ouaouais Raymond héore Déparemen Sraégie des Affaires Universié du Québec, Monréal RePAd
Plus en détailPROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390
PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390 Université PARIS 6 2008/2009 Jean BERTOIN 1 Table des Matières ( ) ces parties peuvent ^etre omises en première lecture, et ne feront pas
Plus en détailSéminaire 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 détailTexte 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 détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailEcole des HEC Université de Lausanne FINANCE EMPIRIQUE. Eric Jondeau
Ecole des HEC Universié de Lausanne FINANCE EMPIRIQUE Eric Jondeau FINANCE EMPIRIQUE La prévisibilié des rendemens Eric Jondeau L hypohèse d efficience des marchés Moivaion L idée de base de l hypohèse
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
Plus en détailChapitre 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 détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailn N = u N u N+1 1 u pour u 1. f ( uv 1) v N+1 v N v 1 1 2 t
3.La méthode de Dirichlet 99 11 Le théorème de Dirichlet 3.La méthode de Dirichlet Lorsque Dirichlet, au début des années 180, découvre les travaux de Fourier, il cherche à les justifier par des méthodes
Plus en détailThème : Electricité Fiche 5 : Dipôle RC et dipôle RL
Fiche ors Thème : Elecricié Fiche 5 : Dipôle e dipôle Plan de la fiche Définiions ègles 3 Méhodologie I - Définiions oran élecriqe : déplacemen de charges élecriqes q a mesre d débi de charges donne l
Plus en détailImage 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 détailProbabilités avancées. Florin Avram
Probabilités avancées Florin Avram 24 janvier 2014 Table des matières 1 Mise en scène discrète 3 1.1 Espace des épreuves/résultats possibles, événements, espace probabilisé, mesure de probabilités, variables
Plus en détail