Calcul Stochastique Et Finance Stochastique

IQ
U
E
N
H
C
E
O
LY
T
LE
N
IQ
U
Les outils stochastiques des

marchs financiers
LY
Une visite guide de Einstein Black-Scholes
Nicole El Karoui et Emmanuel Gobet
IQ
LE
Editions de lEcole Polytechnique, 2011
N
H
A USAGE STRICTEMENT PERSONNEL
LE
LY
Version WEB sans figure, exercice, preuve, appendice
LE
Les outils stochastiques des marchs financiers
LY
LY
IQ
LE
O
LY
T
N
IQ
U
LE
IQ
U
E
IQ
U
E
N
H
C
E
O
LY
T
INTRODUCTION
LE
LY
IQ
LE
LY
LE
N
IQ
U
Depuis 40 ans, les outils mathmatiques probabilistes ont montr leur rle central
dans lanalyse et la gestion des risques financiers de tout ordre. Le cur des outils probabilistes rside dans le calcul stochastique, qui nest autre quun calcul diffrentiel,
mais adapt aux trajectoires des processus stochastiques qui sont non diffrentiables
(car trs erratiques comme le sont les cours boursiers). Il existe de nombreux ouvrages dintroduction ces mathmatiques probabilistes, et de leurs applications la
gestion des risques. Nanmoins, la thorie mathmatique sous-jacente est difficile et
rentrer dans ce domaine ncessite un investissement important, qui peut dcourager
de nombreux tudiants.
Dans ce livre, nous proposons une approche diffrente concernant les outils stochastiques, en privilgiant les arguments les plus lmentaires, sans pour autant sacrifier
la rigueur. Alors que bien souvent dans les autres ouvrages, en prambule aux applications financires, il est ncessaire de digrer un arsenal de rsultats probabilistes
avancs (qui demandent eux-mmes des pr-requis importants), nous proposons une
approche plus directe du calcul stochastique, avec une technicit bien moindre, suivant les ides de Fllmer [10]. Certes, cet angle dattaque ne permet pas de pousser
aussi loin lanalyse quavec les outils puissants du calcul stochastique traditionnel,
mais cest suffisant pour rsoudre compltement les problmatiques de valorisation
et couverture de produits financiers, dans les modles stochastiques de base utiliss
dans les salles de march. Nous esprons ainsi quun lecteur non initi pourra plus
facilement rentrer dans ce sujet complexe, avant de sorienter vers des lectures plus
spcialises.
La premire partie de ce cours (chapitres 1 5) est davantage mathmatique. Nous
dfinissons le mouvement brownien et dmontrons quelques-unes de ses proprits
remarquables, en remontant ses origines avec Brown, Einstein, Bachelier, Wiener,
Lvy... Le calcul stochastique associ y est ensuite dvelopp, suivant lapproche de
Fllmer, ainsi que les liens avec les quations aux drives partielles (reprsentations
de Feynman-Kac), notamment lquation de la chaleur. Des extensions des modles
browniens (brownien gomtrique, processus dOrnstein-Uhlenbeck) sont dtailles.
Nous incorporons ensuite des sauts dans les modles (de type Poisson compos) et
IQ
U
E
LE
LY
IQ
LE
LY
LE
N
IQ
U
O
LY
T
revisitons les rsultats prcdents. Mentionnons aussi lexcellent livre de Breiman [3],
o les proprits sur le mouvement brownien et le processus de Poisson sont exposes
avec une pdagogie remarquable. Nous terminons la partie mathmatique avec les
changements de probabilit, couramment utiliss pour lanalyse mathmatique des
produits drivs : les rsultats sont exposs pour les deux classes de processus (avec
ou sans sauts).
La seconde partie (chapitres 6 10) traite des premires applications en finance
de march. Nous prsentons dabord quelques facettes des produits drivs (typologie,
utilisation, utilit . . .). La dtention de ces produits drivs comporte des risques inhrents cette activit et les outils stochastiques permettent de donner un cadre robuste
danalyse et de gestion de ceux-ci. Nous suivons lapproche fondamentale de BlackScholes : un portefeuille de couverture permet de simmuniser parfaitement contre les
risques de fluctuations des cours, et grer sans risque les options. Des applications aux
options dachat/vente sur action sont dveloppes, avec des extensions aux options
exotiques (options barrire et lookback) et aux diffrents marchs (taux dintrt,
crdit). Enfin, nous prenons en compte les modles sauts dans la couverture des
produits drivs. Tout au long de cette partie, nous privilgions les calculs explicites
(de type formule de Black-Scholes, et ses variantes) : ce type de formule explicite joue
un rle crucial dans les salles de marchs car leur valuation sur un ordinateur est
instantane et cest bien ce dlai de rponse qui est demand en pratique quand il
sagit de ragir aux mouvements financiers...
Dans notre prsentation des problmatiques, nous ne restons pas indiffrents la
crise financire actuelle, bien au contraire. Ce contexte difficile nous permet de mieux
illustrer que la mthodologie de gestion des risques la Black-Scholes, bien que robuste
en situation normale, a aussi des limites et quelle a t btie partir dhypothses
spcifiques defficience des marchs (pas de risque de liquidit, de contrepartie, pas de
risque systmique...). Nous en parlons plus en dtail au chapitre 6.
Ce livre trouve ses origines dans un cours donn lEcole Polytechnique entre
2000 et 2008, et lEnsimag entre 2005 et 2010. Cette version a pu profiter des
remarques/questions des tudiants de chaque cole et des collgues (notamment Herv
Guiol) : quils en soient tous remercis.
Chaque chapitre contient une rubrique pour en savoir plus, qui approfondit
ou gnralise certains notions. Cette rubrique peut tre saute en premire lecture.
Enfin, la fin de chaque chapitre, sont regroups quelques exercices, qui permettent de
manipuler les notions du chapitre. Les exercices indiqus avec une F sont en gnral
plus longs : ils sont rdigs comme un problme de synthse et proviennent danciens
contrles de connaissances poss aux tudiants. Ces exercices F sont corrigs en fin
douvrage. Tout cela constitue un bon entrainement pour le lecteur soucieux de bien
assimiler le cours.
Paris, dcembre 2010.
IQ
U
E
N
H
C
E
O
LY
T
N
IQ
U
P
LE
O
A Sophie,
Alexandre, Marion,
Maxime et Antoine.
LE
LY
IQ
LE
LY
Meriem, Hakim, Noureddine,

Khalil et Imen.
A Fayal,
LE
LY
LY
IQ
LE
O
LY
T
N
IQ
U
LE
IQ
U
E
vi
IQ
U
E
vii
TABLE DES MATIRES
IQ
U
E
O
LY
T
Table des matires
N
IQ
LE
LY
T
E
LE
1 Le mouvement brownien
1.1 Bref historique du mouvement brownien . . . . . . . . . . . . . . . . .
1.2 Le mouvement brownien et ses trajectoires . . . . . . . . . . . . . . . .
1.2.1 Dfinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.2 Proprits de la courbe brownienne . . . . . . . . . . . . . . . .
1.3 Invariance par translation et proprits de Markov . . . . . . . . . . .
1.3.1 Mouvement brownien avec drive . . . . . . . . . . . . . . . . .
1.3.2 Un premier rsultat dinvariance par translation . . . . . . . .
1.3.3 Le principe de symtrie : une version simplifie . . . . . . . . .
1.3.4 Temps darrt . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.5 Le rsultat gnral dinvariance par translation . . . . . . . . .
1.3.6 Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4 Proprits de la courbe brownienne . . . . . . . . . . . . . . . . . . . .
1.4.1 Comportement linfini . . . . . . . . . . . . . . . . . . . . . .
1.4.2 Irrgularit des trajectoires . . . . . . . . . . . . . . . . . . . .
1.4.3 Les zros du mouvement brownien . . . . . . . . . . . . . . . .
1.5 Construction du mouvement brownien . . . . . . . . . . . . . . . . . .
1.5.1 Lapproximation par marche alatoire . . . . . . . . . . . . . .
1.5.2 Pont brownien . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5.3 Convergence de lapproximation par pont brownien [0,1] :
construction de Lvy . . . . . . . . . . . . . . . . . . . . . . . .
1.5.4 Dcomposition du mouvement brownien en sries de Fourier . .
1.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
LE
LY
2 quation de la chaleur et formule dIt

2.1 Introduction . . . . . . . . . . . . . . . .
2.2 Lquation de la chaleur . . . . . . . . .
2.2.1 Le cas simple de fonction f (x) .
2.2.2 Le cas gnral de fonction f (t, x)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
4
5
7
8
8
9
10
12
14
15
16
17
18
21
22
23
24
26
28
29
35
35
36
37
38
IQ
U
E
viii
TABLE DES MATIRES

Application lquation de la chaleur dans un intervalle . . . .
quation aux drives partielles pour le mouvement brownien
avec drive . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.5 Commentaires . . . . . . . . . . . . . . . . . . . . . . . . . . .
Variation quadratique . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3.1 Notations et dfinitions . . . . . . . . . . . . . . . . . . . . . .
2.3.2 Convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . .
La formule dIt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Intgrale de Wiener . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Formule dIt pour dautres processus . . . . . . . . . . . . . . . . . .
2.6.1 Le cas unidimensionnel . . . . . . . . . . . . . . . . . . . . . .
2.6.2 Le cas multidimensionnel . . . . . . . . . . . . . . . . . . . . .
Mouvement brownien vectoriel . . . . . . . . . . . . . . . . . . . . . .
2.7.1 Mouvement brownien vectoriel standard . . . . . . . . . . . . .
2.7.2 Mouvement brownien vectoriel corrl . . . . . . . . . . . . . .
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
IQ
U
E
2.8
LE
2.7
2.4
2.5
2.6
O
LY
T
2.3
2.2.3
2.2.4
40
41
42
43
43
43
46
49
51
51
54
57
57
59
62
69
69
69
4 Processus sauts
4.1 Processus de Poisson compos . . . . . . . .
4.2 Modle mixte brownien-Poisson . . . . . . .
4.2.1 Dfinitions . . . . . . . . . . . . . .
4.2.2 Proprits . . . . . . . . . . . . . . .
4.3 quation de la chaleur intgro-diffrentielle
85
85
87
87
88
90
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
LE
LY
N
IQ
LE
LY
T
E
3 Quelques processus continus essentiels

3.1 Mouvement brownien gomtrique . . . . . . . . . . . . . . . . . . . .
3.1.1 Dfinition et proprits . . . . . . . . . . . . . . . . . . . . . .
3.1.2 quation aux drives partielles pour le mouvement brownien
gomtrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.3 Formule dIt pour le mouvement brownien gomtrique . . . .
3.2 Processus dOrnstein-Uhlenbeck . . . . . . . . . . . . . . . . . . . . . .
3.2.1 Le mouvement brownien physique ou processus dOrnsteinUhlenbeck . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.2 Proprits du processus dOrnstein-Uhlenbeck . . . . . . . . . .
3.2.3 EDP associe au processus dOrnstein-Uhlenbeck . . . . . . . .
3.3 Equations diffrentielles stochastiques . . . . . . . . . . . . . . . . . .
3.3.1 Dfinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3.2 La transformation de Lamperti (1964) . . . . . . . . . . . . . .
3.3.3 La reprsentation de Doss (1977) . . . . . . . . . . . . . . . . .
3.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
71
71
72
72
73
76
77
77
78
80
81
IQ
U
E
TABLE DES MATIRES
4.3.1 Modle mixte brownien-Poisson arithmtique . . . . . . . . . .

4.3.2 Modle mixte brownien-Poisson gomtrique . . . . . . . . . .
Formule dIt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.4.1 Notations sur les sauts . . . . . . . . . . . . . . . . . . . . . . .
4.4.2 Formule dIt . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.4.3 Applications au processus mixte brownien-Poisson gomtrique
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
O
LY
T
4.5
4.4
ix
90
93
94
94
94
96
97
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
99
99
99
101
102
102
104
105
107
109
110
111
6 Marchs financiers et produits drivs

6.1 Un peu dhistoire . . . . . . . . . . . . . . . . . .
6.1.1 De lAntiquit au XIXe sicle . . . . . . .
6.1.2 Le bouleversement des annes 70 . . . . .
6.2 Produits drivs . . . . . . . . . . . . . . . . . .
6.2.1 Un peu de typologie . . . . . . . . . . . .
6.2.2 Mais encore. . . . . . . . . . . . . . . . . .
6.2.3 Les drivs de crdit . . . . . . . . . . . .
6.2.4 Utilisation et utilit des produits drivs .
6.3 Le vendeur doptions : quelle gestion du risque ? .
6.4 Hypothses de la gestion dynamique efficace . . .
.
.
.
.
.
.
.
.
.
.
LE
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
113
114
114
114
116
116
117
119
119
120
121
7 Couverture la Black-Scholes-Merton
7.1 March sans friction et absence darbitrage . . . . . .
7.2 Modlisation probabiliste du march . . . . . . . . . .
7.2.1 Espace de probabilit et mouvement brownien
7.2.2 Modlisation du titre sous-jacent . . . . . . . .
7.3 Portefeuille dynamique . . . . . . . . . . . . . . . . . .
7.3.1 Portefeuille de couverture . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
125
125
130
130
130
131
132
LE
LY
N
IQ
LE
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
LY
.
.
.
.
.
.
.
.
.
.
T
E
IQ
U
E
. . . . . .
. . . . . .
de tribus
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
5 Changements de probabilit
5.1 Gnralits . . . . . . . . . . . . . . . . . . . . .
5.1.1 Notions lmentaires et exemples . . . . .
5.1.2 Changement de probabilit et changement
5.2 Modles gaussiens . . . . . . . . . . . . . . . . .
5.2.1 Le cas des gaussiennes relles . . . . . . .
5.2.2 Le cas vectoriel . . . . . . . . . . . . . . .
5.2.3 La formule de Cameron-Martin . . . . . .
5.2.4 Un exemple dapplication statistique . . .
5.3 Modles poissonniens . . . . . . . . . . . . . . . .
5.4 Modles mixtes browniens-Poisson . . . . . . . .
5.5 Exercices . . . . . . . . . . . . . . . . . . . . . .
IQ
U
E
TABLE DES MATIRES
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . .
. . .
. . .
= q)
. . .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
163
163
163
164
166
167
168
169
170
170
171
172
173
174
175
175
179
180
181
LE
LY
134
134
135
135
137
138
139
140
141
142
144
147
.
.
.
.
.
.
.
.
.
.
.
.
N
IQ
LE
LY
9 Au del des options dachat et de vente

9.1 Options barrires . . . . . . . . . . . . . . . . . . . . . . .
9.1.1 Introduction . . . . . . . . . . . . . . . . . . . . .
9.1.2 EDP et esprance risque-neutre . . . . . . . . . . .
9.1.3 Prix des DIC regular (D K) dans le cas = 1 (r
9.1.4 Prix des DIC regular (D K) dans le cas gnral
9.1.5 Prix des DIC reverse (D > K) . . . . . . . . . . .
9.2 Taux dintrt : modle de Vasicek . . . . . . . . . . . . .
9.2.1 Obligation zro-coupon . . . . . . . . . . . . . . .
9.2.2 Le modle de Vasicek [32] pour le taux court . . .
9.2.3 Proprits de (rt )t . . . . . . . . . . . . . . . . . .
9.2.4 Prix des zro-coupons . . . . . . . . . . . . . . . .
9.2.5 Courbe des taux . . . . . . . . . . . . . . . . . . .
9.2.6 Modle de Hull-White 1 facteur . . . . . . . . . .
9.3 Risque de crdit : modles structurels . . . . . . . . . . .
9.3.1 Modle de la firme de Merton . . . . . . . . . . . .
9.3.2 Extensions du modle de la firme . . . . . . . . . .
9.4 Options lookback . . . . . . . . . . . . . . . . . . . . . . .
9.5 Call sur zro-coupon dans un modle de Vasicek . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
T
E
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
155
155
155
156
158
158
159
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
IQ
U
E
.
.
.
.
.
.
.
.
.
.
.
.
LE
8 Mise en pratique
8.1 Estimation de la volatilit . . . . . . . .
8.1.1 Volatilit historique . . . . . . .
8.1.2 Volatilit implicite . . . . . . . .
8.1.3 Conclusion . . . . . . . . . . . .
8.2 Couverture dynamique . . . . . . . . . .
8.3 Volatilit implicite et Risk-Management
7.6
7.5
O
LY
T
7.4
7.3.2 Traduction du problme de couverture parfaite de loption

7.3.3 Rsolution par quation aux drives partielles . . . . . .
La formule de Black et Scholes . . . . . . . . . . . . . . . . . . .
7.4.1 Rsolution de lEDP par la formule de Feyman-Kac . . .
7.4.2 Une r-interprtation avec un point de vue risque-neutre .
7.4.3 Les formules fermes . . . . . . . . . . . . . . . . . . . . .
7.4.4 Les grecques . . . . . . . . . . . . . . . . . . . . . . . . .
7.4.5 Rsultats numriques . . . . . . . . . . . . . . . . . . . .
Le cas de titres versant des dividendes . . . . . . . . . . . . . . .
7.5.1 Le cas de titres versant un taux de dividende continu . .
7.5.2 Le cas de titres versant des dividendes discrets . . . . . .
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
IQ
U
E
TABLE DES MATIRES
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
9.6
xi
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
LE
LY
N
IQ
LE
B Correction des exercices
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
LY
T
E
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
Carlo
LE
A Appendices
A.1 A propos des gaussiennes . . . . . . . . . . . . .
A.1.1 Variables gaussiennes . . . . . . . . . . .
A.1.2 Vecteurs gaussiens . . . . . . . . . . . . .
A.1.3 Processus gaussien . . . . . . . . . . . . .
A.2 Quelques rappels de thorie de lintgration . . .
A.2.1 Tribus et variables alatoires . . . . . . .
A.2.2 Mesures et distributions de probabilit . .
A.2.3 Indpendance et conditionnement . . . . .
A.2.4 Fonctions alatoires et loi temporelle . . .
A.3 Formule de Lvy-Khintchine . . . . . . . . . . . .
A.4 Simulation . . . . . . . . . . . . . . . . . . . . . .
A.4.1 Simulation de variables alatoires . . . . .
A.4.2 Calcul desprance par mthode de Monte
IQ
U
E
O
LY
T
10 Modles financiers avec sauts

187
10.1 Modle mixte brownien-Poisson gomtrique . . . . . . . . . . . . . . . 187
10.1.1 Modle de Merton [23] . . . . . . . . . . . . . . . . . . . . . . . 188
10.1.2 Modle de Kou et Wang [18] . . . . . . . . . . . . . . . . . . . 189
10.2 Couverture doption . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
10.2.1 Les sauts comme nouvelles sources de risque . . . . . . . . . . . 190
10.2.2 Couverture parfaite dans le cas dun nombre fini de sauts possibles190
10.2.3 Couverture imparfaite en moyenne quadratique . . . . . . . . . 193
10.3 Formule de Merton pour les Calls . . . . . . . . . . . . . . . . . . . . . 195
10.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
.
.
.
.
.
.
.
.
.
.
.
.
.
203
203
203
204
204
205
205
205
206
207
208
208
208
210
213
IQ
U
E
TABLE DES MATIRES
LE
LY
N
IQ
LE
LY
T
E
LE
IQ
U
E
O
LY
T
xii
IQ
U
E
CHAPITRE 1. LE MOUVEMENT BROWNIEN
O
LY
T
Chapitre 1
Bref historique du mouvement brownien
1.1
LE
IQ
U
E
Le mouvement brownien
LY
N
IQ
LE
LY
T
E
Historiquement, le mouvement brownien est associ lanalyse de mouvements

qui voluent au cours du temps de manire si dsordonne quil semble difficile de
prvoir leur volution, mme dans un intervalle de temps trs court. Il joue un rle
central dans la thorie des processus alatoires, parce que dans de nombreux problmes
thoriques ou appliqus, le mouvement brownien ou les diffusions que lon en dduit
fournissent des modles limites simples sur lesquels de nombreux calculs peuvent tre
faits.
LE
Robert Brown (1773-1858)
IQ
U
E
1.1. BREF HISTORIQUE DU MOUVEMENT BROWNIEN
LY
T
E
LE
IQ
U
E
O
LY
T
Cest le botaniste anglais Robert Brown (1773-1858) qui le premier dcrit en 1827
le mouvement erratique de fines particules organiques en suspension dans un gaz ou un
fluide. Au XIXe sicle, aprs lui, plusieurs physiciens reconnaissent que ce mouvement
est trs irrgulier et ne semble pas admettre de tangente ; on ne pourrait donc pas
parler de sa vitesse, ni a fortiori lui appliquer les lois de la mcanique !
Louis Bachelier (1870-1946)
N
IQ
LE
En 1900 [1], Louis Bachelier (1870-1946) introduit le mouvement brownien pour modliser la dynamique des prix des actions la Bourse, mais sa dmarche est ensuite
oublie jusque vers les annes 1960... Sa thse, Thorie de la spculation est le point
de dpart de la finance moderne.
LE
LY
Mais cest la physique du dbut du sicle qui est lorigine du grand intrt port
ce processus. En 1905, Albert Einstein (1879-1955) construit un modle probabiliste
pour dcrire le mouvement dune particule qui diffuse : il trouve que la loi de la position
linstant t de la particule, sachant que ltat initial est x admet une densit qui
vrifie lquation de la chaleur et de ce fait est gaussienne. Sa thorie sera rapidement
conforte par des mesures exprimentales de constantes de diffusion satisfaisantes. La
mme anne quEinstein, une version discrte du mouvement brownien est propose
par le physicien polonais Smoluchowski laide de promenades alatoires.
IQ
U
E
Norbert Wiener 1 (1894-1964).
IQ
U
E
LE
O
LY
T
N
IQ
LE
LY
T
E
En 1923, Norbert Wiener (1894-1964) construit rigoureusement la fonction alatoire

du mouvement brownien ; il tablit en particulier que les trajectoires sont continues.
Ds 1930, en suivant une ide de Paul Langevin, Ornstein et Uhlenbeck tudient la
fonction alatoire gaussienne qui porte leur nom et qui apparat comme la situation
dquilibre naturelle associer au mouvement brownien.
Paul Lvy 2 (1886-1971)
LY
Cest le dbut dune recherche mathmatique thorique trs active. Paul Lvy
(1886-1971) dcouvre ensuite, avec dautres mathmaticiens, de nombreuses proprits du mouvement brownien [20] et introduit une premire forme des quations diff-
LE
1. Source : archives du "Mathematisches Forschungsinstitut Oberwolfach"

1.2. LE MOUVEMENT BROWNIEN ET SES TRAJECTOIRES
IQ
U
Kiyosi It 3 (1915-2008)
IQ
LY
E
C
rentielles stochastiques, dont ltude sera ensuite systmatise par K. It (1915-2008) ;

ses travaux sont rassembls dans un trait paru en 1948 devenu trs clbre [16].
Le mouvement brownien et ses trajectoires
1.2
IQ
U
E
LY
T
E
Mais lHistoire connat parfois des rebondissements incroyables. En effet en 2000,

lAcadmie des Sciences a ouvert un pli rest scell depuis 1940 appartenant au jeune
mathmaticien Doeblin (1915-2008), tlgraphiste franais mort pendant loffensive
allemande. Ce pli regroupait en fait ses recherches rcentes, rdiges sur un simple
cahier dcolier depuis son camp de cantonnement entre novembre 1939 et fvrier 1940.
A louverture de ce pli, il a t ralis que Doeblin, qui avait dj marqu la thorie
des probabilits par ses travaux remarquables sur les lois stables et les processus de
Markov, avait dcouvert avant It les quations diffrentielles stochastiques et leurs
liens avec les quations aux drives partielles de Kolmogorov. Le calcul dIt aurait
pu peut-tre sappeler calcul de Doeblin...
Dans ce chapitre, nous tudions les proprits de base du mouvement brownien et
de ses trajectoires.
LY
La premire observation qui conduit la modlisation par un mouvement brownien est celle de la trajectoire du phnomne tudi, cest dire de la fonction relle
ou vectorielle qui dcrit lvolution au cours du temps de lobservation. Le caractre
continu mais trs erratique est caractristique de la trajectoire brownienne.
IQ
U
E
Quelques prcisions :
Par dfinition, une fonction alatoire (relle ou vectorielle) (f.a. en abrg) modlise
un phnomne dpendant du hasard, qui volue au cours du temps. Par consquent, si
T est lespace des temps, lespace des preuves et E lespace dtats du phnomne,
en gnral R ou Rd ), une fonction alatoire est une application de T dans E,
t T,
O
LY
T
(t, ) Xt ()
Processus alatoire, signal alatoire en sont synonymes.

Ltat du systme la date t est dcrit par la v.a. Xt .
On appelle trajectoire la fonction de T dans E, obtenue en fixant ,
IQ
U
E
tT
t Xt ()
(1.2.1)
LE
En gnral, les phnomnes que nous modliserons auront des trajectoires continues,
ou variations finies.
n
X
St () =
Am ()sin[2fm t + m ()]
T
E
Exemple
Si A1 , ....An , 1 , ......n sont n variables alatoires relles (v.a.r.) positives et n angles
alatoires dfinis sur un espace (, A), la formule
LE
Dfinition
N
IQ
1.2.1
LY
dfinit un signal alatoire rel, dpendant du temps t R, dont les trajectoires sont
une superposition de sinusodes de frquences fm fixes (fm R) ; les phases et les
amplitudes sont alatoires. Les signaux alatoires de ce type, servent tudier les phnomnes de bruit dans la transmission dondes radar, ou des phnomnes oscillatoires
de consommation en conomie.
Le caractre trs erratique des trajectoires qui est propre au mouvement brownien
est en gnral associ lobservation que le phnomne, bien que trs dsordonn,
prsente une certaine homognit dans le temps, au sens o la date dorigine des
observations na pas dimportance. Ces proprits sont reprises dans la dfinition.
LE
LY
Dfinition 1.2.1 (du mouvement brownien standard) Un mouvement brownien

(standard) rel (sur T = R+ ou [0, T ]) est une f.a.r. {Wt ; t T} trajectoires continues, telle que
W0 = 0 ;
Tout accroissement Wt Ws o (0 s < t) suit une loi gaussienne centre, de
variance (t s).
IQ
U
E
1.2. LE MOUVEMENT BROWNIEN ET SES TRAJECTOIRES
Pour tous 0 = t0 < t1 < t2 ..... < tn , les accroissements {Wti+1 Wti ; 0 i
n 1} sont indpendants.
Remarques Il y a beaucoup dinformations dans cette dfinition qui demandent

tre dtailles.
O
LY
T
1. Ltat du systme la date t, Wt , est une v.a. gaussienne, de moyenne 0,

(E(Wt ) = 0), et de variance E(Wt2 ) = t dautant plus grande que le systme a
volu longtemps.
IQ
U
E
2. La probabilit pour que Wt appartienne un petit intervalle [x, x + dx] est

donne par la densit gaussienne
1
exp(x2 /2t)dx
(1.2.2)
2t
En particulier, avec une probabilit dau moins 95%, |Wt | 2 t 4 (voir Figure
1.1). Cela nexclut pas quau bout dun temps trs court on ait un grand mouvement, mais cela est peu probable. Ce genre dencadrement joue un trs grand
rle en finance.
N
IQ
LE
LY
T
E
LE
P(Wt [x, x + dx]) = g(t, x)dx =
Figure 1.1 Simulation brownienne et les deux courbes f1 (t) = 2 t et f2 (t) = 2 t.
LY
4. Cette proprit est la consquence dun rsultat classique sur les gaussiennes, de loi N (m, 2 )
LE
P(2 X m 2) 0, 95.
IQ
U
E
Proprits de la courbe brownienne
1.2.2
3. La v.a. Wt est la somme de ses accroissements, cest dire la somme de v.a.

indpendantes et de mme loi gaussienne. Cette dcomposition infinitsimale
est la base du calcul diffrentiel stochastique.
O
LY
T
Nous commenons par quelques proprits qualitatives de la courbe brownienne,

que nous justifions la fin du chapitre.
IQ
U
E
1. La trajectoire brownienne entre [0, T ] est comprise entre les deux courbes
f1 (t) = 2 t et f2 (t) = 2 t avec une probabilit de 90% 5 : la figure 1.1

montre un exemple typique.
2. La trajectoire brownienne oscille entre + et , mais moins vite que t.
LE
3. Les trajectoires sont trs irrgulires, p.s. non diffrentiables.
Suivent quelques proprits dinvariance, classiques et trs utiles (linvariance par

translation sera dveloppe au prochain paragraphe).
Proposition 1.2.2
LY
T
E
i) Proprits de symtrie
Si {Wt ; t R+ } est un mouvement brownien standard, il en est de mme de
{Wt ; t R+ }.
ii) Proprits dchelle
Si {Wt ; t R+ } est un mouvement brownien, pour tout c > 0, il en est de mme
du processus {Wtc ; t R+ }
Wtc = c1 Wc2 t .
(1.2.3)
N
IQ
LE
iii) Retournement du temps

c T = WT WT t est un mouvement
Le processus retourn linstant T , W
t
brownien sur [0, T ].
iv) Inversion du temps
ct = tW1/t , t > 0, W
c0 = 0} est un mouvement brownien.
Le processus {W
Preuve:
LY
5. En fait, on a le rsultat beaucoup plus fort,
La proprit dchelle est particulirement importante. Elle montre que fois Wt se

comporte comme un mouvement brownien lu en 2 t. Elle montre aussi la dimension
fractale des trajectoires. Cet effet est visible sur les simulations.
P[sup |Wt | c] 2 P(|WT | c).
tT
LE
que nous montrerons dans la Proposition 1.3.8.
1.3. INVARIANCE PAR TRANSLATION ET PROPRITS DE MARKOV
H
N
IQ
O
LY
T
E
C
Texte supprim de la version lectronique.
IQ
LE
T
E
C
H
E
C
IQ
LE
Mouvement brownien avec drive
1.3.1
Invariance par translation et proprits de Markov
1.3
LY
E
C
Pour commencer, il sera intressant de pouvoir considrer des mouvements browniens ayant une valeur initiale diffrente de 0, ventuellement alatoire.
LY
Dfinition 1.3.1 (du mouvement brownien issu de X0 ) Un mouvement brownien issu de X0 est un processus de la forme Xt = X0 + Wt , avec une condition
initiale X0 indpendante du brownien W .
LE
Dans beaucoup de situations, la valeur initiale X0 = x sera dterministe. Plus gnralement, les phnomnes observs ne sont pas aussi normaliss que ceux dcrits par
un mouvement brownien standard.
E
C
IQ
U
E
Dfinition 1.3.2 (du mouvement brownien avec drive) Un mouvement brownien, issu de X0 , de drive (ou tendance) b et de coefficient de diffusion est un processus de la forme Xt = X0 + Wt + bt, avec une condition initiale X0 indpendante
du brownien W (voir Figure 1.2, avec X0 = 0 et = 1).
LY
T
E
LE
IQ
U
E
O
LY
T
X est aussi appel mouvement brownien arithmtique (dnomination mettre en

rapport avec celle du mouvement brownien gomtrique, voir chapitre 3). Cest encore un processus accroissements indpendants, stationnaires et gaussiens, mais non
centrs.
Figure 1.2 Simulation brownienne avec drive.
Un premier rsultat dinvariance par translation
1.3.2
N
IQ
LE
Toutefois, sauf mention contraire explicite, Wt dsignera dans la suite un mouvement brownien standard.
Aprs avoir considr dans le paragraphe prcdent des transformations spatiales

du mouvement brownien, nous tudions maintenant des translations en temps.
LE
LY
Proposition 1.3.3 (Invariance par translation) Le mouvement brownien trans th = Wt+h Wh ; t R+ } est un mouvement brownien, indpendant
lat de h 0, {W
du mouvement brownien arrt en h, {Ws ; s h}.
th ; t R+ } est un mouvement brownien issu de
Autrement dit, {Wt+h = Wh + W
Wh .
H
N
IQ
10
E
C
Remarque : ce rsultat est associ la proprit de Markov faible 6 puisquil est

tabli que la loi du futur de W aprs h ne dpend du pass que par la valeur prsente
Wh .
O
LY
T
Preuve:
IQ
LE
T
E
C
H
E
C
Le principe de symtrie : une version simplifie
E
C
1.3.3
IQ
LE
LY
Proposition 1.3.4 Pour tout y 0, on a :
Le premier rsultat donne une majoration de la distribution du maximum du

mouvement brownien constat un nombre fini de dates t0 = 0 < t1 < < tN = T ,
majoration qui ne dpend pas de la subdivision mais uniquement du temps final T .
LY
P[sup Wti y] 2P[WT y] = P[|WT | y].

iN
(1.3.1)
LE
6. ladjectif faible est l pour indiquer que linstant h est dterministe, en contraste avec la proprit de Markov forte (montre dans la suite) valable si h est un temps darrt.
E
C
IQ
U
E
Preuve:
11
IQ
U
E
O
LY
T
LY
T
E
LE
N
IQ
LE
Passons maintenant un ensemble de constatations gal [0, T ]. Dans ce cas, la

majoration de la proposition 1.3.4 devient une galit. En dautres termes, nous dterminons compltement la loi du maximum du mouvement brownien sur un intervalle
de type [0, T ]. Largumentation de la preuve tourne encore autour dun argument dinvariance par translation du type prcdent, mais le lecteur attentif pourra dceler une
faille dans sa justification, laquelle nous remdierons juste aprs.
Proposition 1.3.5 (Principe de symtrie) Pour tout y 0, on a :

P[sup Wt y] = P[|WT | y].
(1.3.2)
tT
LY
En dautres termes, pour chaque T , les variables alatoires 7 sup Wt et |WT | ont mme
loi.
tT
7. Il convient de noter quon ne peut pas avoir galit en loi des f.a. {sup Wt ; T R+ } et
tT
LE
{|WT |; T R+ } puisque la premire est croissante mais pas la seconde.
IQ
U
E
12
Preuve:
IQ
U
E
O
LY
T
LY
T
E
LE
Temps darrt
LY
1.3.4
N
IQ
LE
En ralit, ce qui demande tre justifi plus prcisment dans la preuve prc tTy : t R+ ) soit encore un mouvement brownien. En effet,
dente, est le fait que (W
linvariance par translation et la proprit de Markov ont t jusqu maintenant
dmontres pour des temps h dterministes.
Il sagit maintenant de les gnraliser au cas o le temps h est alatoire. Il est
U = Wt+U WU ; t R+ } est encore
facile de se convaincre que cette proprit {W
t
un mouvement brownien ne peut pas tre satisfaite pour nimporte quel temps U
alatoire. Nanmoins, cette proprit dinvariance par translation reste vraie pour
une vaste classe de temps alatoires U : les temps darrt.
LE
Nous nous intressons maintenant aux temps darrt : ils joueront dans toute la
suite un rle essentiel. Nous les dfinissons sans formalisme (pour une prsentation
13
IQ
LE
O
LY
T
E
C
H
N
IQ
C
H
E
C
tTy + y : t R+ ) partant de y et son

Figure 1.3 Mouvement brownien (WTy +t = W
symtrique.
rigoureuse laide des filtrations, voir [27] par exemple).
LY
T
E
Dfinition 1.3.6 (Temps darrt)

Un temps darrt (t.a.) est une v.a. U 0, valeurs ventuellement infinies, telle
que pour tout t 0, lvnement {U t} ne dpend que des valeurs du mouvement
brownien {Ws ; s t} avant la date t.
Un temps darrt U est discret lorsquil ne prend quun nombre dnombrable de
valeurs (u1 , , un , ).
Exemple.
IQ
LE
En dautres termes, pour savoir si lvnement {U t} sest produit, il suffit

dobserver le mouvement brownien jusquen t.
E
C
Lexemple le plus classique de t.a. est le premier temps de passage du brownien au

dessus dun niveau donn :
Ty = inf{t > 0; Wt y}
LY
o on fait la convention habituelle que linf du vide est infini.

La continuit des trajectoires browniennes assure que lvnement {Ty t} = {s
t, Ws = y} ne dpend que des valeurs de W antrieures t : Ty est donc un t.a..
LE
En revanche, si U = sup{t 1 : Wt = 0} est dfini comme le dernier instant avant 1

o le mouvement brownien sannule, ce nest pas un t.a. car lvnement {U t} fait
appel non seulement de linformation entre 0 et t, mais aussi entre t et 1.
E
C
IQ
U
E
14
Le rsultat gnral dinvariance par translation
1.3.5
Proposition 1.3.7 Soit U un temps darrt. Sur lvnement {U < +}, le mouve tU = Wt+U WU ; t R+ } est un mouvement
ment brownien translat de U 0, {W
brownien, indpendant de {Wt ; t U }.
O
LY
T
En dautres termes, {Wt+U ; t R+ } est un mouvement brownien issu de WU .
LE
IQ
U
E
Remarque : ce rsultat snonce sous le nom de proprit de Markov forte.

Comme on la vu prcdemment pour la version simplifie du principe de symtrie
(Proposition 1.3.5), cette proprit est facile comprendre intuitivement lorsque U =
Ty est le temps datteinte du niveau y : dans ce cas, WTy = y et la f.a. {Wt+Ty ; t R+ }
est un mouvement brownien issu de y (voir Figure 1.3).
T
E
Preuve:
LY
LY
N
IQ
LE
LE
IQ
U
E
Application
1.3.6
15
O
LY
T
a) Pour tout y 0 et tout x y, on a :
Proposition 1.3.8 (Principe de symtrie)
Nous sommes maintenant en mesure de montrer plus rigoureusement le principe

de symtrie sous une forme plus gnrale.
P[sup Wt y; WT x] =P[WT 2y x],
(1.3.3)
tT
P[sup Wt y] =P[|WT | y].
(1.3.4)
tT
LE
IQ
U
E
b) La loi conditionnelle de suptT Wt sachant WT est donne pour y max(x, 0)

par
y(y x)
P(sup Wt y|WT = x) = exp 2
.
(1.3.5)
T
tT
N
IQ
LE
LY
T
E
La simplicit de la loi conditionnelle du supremum est particulirement utile pour sa

simulation.
t y + y : t R+ ) partant de y et son
Figure 1.4 Mouvement brownien (WTy +t = W
symtrique.
LE
LY
Preuve:
1.4. PROPRITS DE LA COURBE BROWNIENNE
H
N
IQ
16
O
LY
T
E
C
POUR EN SAVOIR PLUS
IQ
H
E
C
Proprits de la courbe brownienne
1.4
LE
LY
T
E
C
H
E
C
IQ
LE
LY
Les rsultats de ce paragraphe fournissent les preuves des proprits de la courbe

brownienne que nous avons nonces au paragraphe 1.2.2. Beaucoup dentre elles se
dduisent de la dcomposition infinitsimale.
LE
Le premier point est videmment le comportement linfini. Pour les points distance
finie, puisque la continuit est acquise, il sagit destimer le module de continuit.
E
C
IQ
U
E
Comportement linfini
1.4.1
17
p.s.
Proposition 1.4.1 Le mouvement brownien oscille entre + et lorsque le

temps augmente indfiniment, cest dire que 8
lim inf Wt = .
lim sup Wt = +,
t+
Preuve:
IQ
U
E
O
LY
T
t+
H
C
LY
T
E
LE
N
IQ
LE
LY
La loi des grands nombres nous donne une information sur la vitesse de convergence
le long des suites entires. En effet, puisquon peut toujours dcrire la v.a. Wn comme
somme des accroissements Wi Wi1 , qui sont des v.a. indpendantes et de mme loi
(intgrables), la loi des grands nombres montre que Wnn converge presque srement
8. Rappelons que
lim sup f (t) =
lim sup f (u).
t+ ut
LE
t+
H
N
IQ
18
(p.s.) vers 0. Cette proprit reste vraie mme si on ne se restreint pas aux suites
entires.
p.s. t +
Preuve:
O
LY
T
Wt
0,
t
E
C
Proposition 1.4.2 La vitesse de divergence est moins grande que celle de t,
C
H
E
C
IQ
LE
C
E
Irrgularit des trajectoires
1.4.2
E
C
IQ
LE
LY
T
E
LE
LY
Le premier point est que p.s. les trajectoires ne sont pas diffrentiables. Comme
un changement dchelle permet dtablir une correspondance entre le comportement
linfini et le comportement en 0 des courbes browniennes, ce point est en rapport
avec le comportement linfini du mouvement brownien.
E
C
19
H
N
IQ
lim sup |
Wt+h Wt
| = +
h
p.s.
Preuve:
O
LY
T
h0
E
C
ct = tW1/t , t > 0, W
c0 = 0} est un mouvement
Proposition 1.4.3 Le processus {W
brownien.
En particulier, le mouvement brownien nest pas drivable en zro, et donc par stationnarit en aucun point. Plus prcisment,
C
H
E
C
IQ
LE
LY
T
E
E
C
IQ
LE
Le rsultat prcdent dit seulement que pour un temps t donn, p.s. W nest pas
drivable en ce temps l. Mais lensemble de probabilit nulle dpend de t, ce qui ne
permet pas daffirmer que
LY
P( : t0 tel que t 7 Wt () est diffrentiable en t0 ) = 0,
LE
cest dire que p.s. W nest nulle part diffrentiable. Toutefois, ce rsultat est vrai et
est du initialement Paley-Wiener-Zygmund (1933). Le rsultat suivant est de mme
nature : il affirme que p.s., il nexiste pas dintervalle sur lequel W est monotone.
E
C
IQ
U
E
20
Proposition 1.4.4 (absence de monotonie) On a
P( : t 7 Wt () est monotone sur un intervalle) = 0.
O
LY
T
Preuve:
LE
IQ
U
E
T
E
N
IQ
LE
LY
Il est possible dobtenir une description trs prcise du comportement du mouvement brownien au voisinage de lorigine. Pour un t fix, nous savons bien que Wt est
dans lintervalle [1.96 t, 1.96 t] avec probabilit 95%, mais cela ne dcrit pas comment toute la trajectoire au voisinage de 0 est encadre.p
En ralit, avec probabilit 1,
elle sapproche infiniment souvent de la courbe h(t) = 2t log log t1 et h(t). Cest
le rsultat suivant.
p.s.
et
lim inf
t0
Wt
= 1
h(t)
p.s.
LE
t0
Wt
=1
h(t)
lim sup
LY
Proposition 1.4.5 (loi dite du logarithme itr) Pour un brownien standard,

nous avons
IQ
U
E
Preuve:
21
IQ
U
E
O
LY
T
LY
T
E
LE
Les zros du mouvement brownien
N
IQ
LE
1.4.3
Ltude prcdente du comportement de W lorigine montre quen particulier,

il passe infiniment souvent par 0 au voisinage de lorigine. Cela suggre que les zros
du mouvement brownien ont une structure assez complexe.
a) la mesure de Lebesgue de est nulle ;
Proposition 1.4.6 (zros du mouvement brownien) Notons = {t 0 : Wt =

0} lensemble alatoire des zros de W . Alors avec probabilit 1 :
LY
b) est un ensemble ferm non born ;
c) t = 0 est un point daccumulation de ;
LE
d) na pas de point isol (en particulier il est non dnombrable), donc est dense
dans lui-mme.
IQ
U
E
22
1.5. CONSTRUCTION DU MOUVEMENT BROWNIEN
Preuve:
IQ
U
E
O
LY
T
LY
T
E
LE
N
IQ
LE
Construction du mouvement brownien
1.5
LE
LY
Nous finissons ce chapitre par donner des constructions et approximations de la

courbe brownienne. Ce paragraphe peut-tre omis en premire lecture. Nous commenons par voir le brownien comme la limite dune marche alatoire (utilise dans
les mthodes numriques de valorisation sous le nom de mthodes darbre binomiale),
puis nous donnons la construction de Paul Lvy base sur la notion de pont brownien
(par ailleurs trs utile en mthodes de Monte Carlo pour valoriser des contrats financiers complexes dpendant de toute la trajectoire). Nous terminerons par un point de
vue traitement du signal avec une dcomposition en srie de Fourier.
IQ
U
E
Lapproximation par marche alatoire
1.5.1
23
n
X
Xi
Sn =
Un des modles les plus lmentaires de processus temps discret est probablement
la marche alatoire symtrique dfinie par
O
LY
T
i=1
LE
IQ
U
E
avec des v.a.i.i.d. (Xi )i de Bernoulli P(Xi = 1) = 12 . Comme le mouvement brownien, cest un processus accroissements indpendants stationnaires, mais pas gaussiens. Quand on renormalise la marche et quon fait tendre n vers linfini, on observe
Sn
toutefois que
converge en loi vers une gaussienne centre de variance Var(X1 ) = 1.
n
Le fait que cela soit gal la loi de W1 nest pas une concidence, puisque nous allons justifier que la trajectoire de la marche alatoire convenablement renormalise
converge vers celle dun mouvement brownien (rsultat connu sous thorme de Donsker, voir Breiman [3]), voir figure 1.5.
(1.5.1)
T
E
ibntc
n
1 X
Xi .
Ytn =
n
Proposition 1.5.1 Dfinissons (Ytn )t le processus constant par morceaux
LY
Le processus (Ytn )t converge en loi vers un mouvement brownien (Wt )t quand n tend
vers linfini. En particulier, pour tout fonctionnelle continue , on a
lim E((Ytn : t 1)) = E((Wt : t 1)).
Preuve:
N
IQ
LE
Le dernier rsultat donne un moyen simple dvaluer numriquement des esprances

de fonctionnelles du mouvement brownien. Cest le principe des mthodes darbre
binomiale (la terminologie binomiale provenant du fait que pour t fix, Ytn a une
distribution binomiale dcale).
LE
LY
O
LY
T
E
C
H
N
IQ
24
IQ
LE
Figure 1.5 La marche alatoire renormalise en temps et espace. De gauche

droite : le processus Y n pour n = 50, 100, 200. Les parties de mme type/couleur sur
les graphes sont construites avec les mmes Xi .
T
E
C
H
E
C
Pont brownien
E
C
1.5.2
IQ
LE
LY
Le pont brownien est un processus gaussien qui joue un trs grand rle dans les
applications et les simulations numriques.
LY
Dfinition 1.5.2 Soit W un mouvement brownien standard. Le pont brownien entre

0 et 1 est le processus gaussien dfini sur [0, 1] par
Bt0,1 = Wt tW1 .
(1.5.2)
LE
Cest un processus trajectoires continues, qui vaut 0 aux temps 0 et 1. Sa fonction
E
C
IQ
U
E
Cov(Bs0,1 , Bt0,1 ) = s(1 t).
de covariance est donne, pour 0 < s < t 1,
25
tu
(Wv Wu ).
vu
O
LY
T
Btu,v = (Wt Wu )
Plus gnralement, Btu,v dsigne le pont brownien entre u et v, cest dire un processus
gaussien construit partir de W , et contraint valoir 0 en u et v, soit pour u < t < v
(1.5.3)
Sa fonction de covariance est alors gale pour u < s < t < v

(s u)(v t)
.
(v u)
IQ
U
E
K(s, t) = Cov(Bsu,v , Btu,v ) =
LE
Pour comprendre limportance du pont brownien, remarquons que le mouvement

brownien conditionn valoir 0 en 1 est un pont brownien.
H
C
LY
Preuve:
N
IQ
LE
LY
T
E
Proposition 1.5.3
1) Soit W un mouvement brownien standard. Le pont brownien Bt0,1 = Wt tW1 est
indpendant de W1 .
2) La loi conditionnelle de {Wt ; 0 < t < 1} sachant que W1 = y est la loi dun pont
brownien translat de ty, cest dire la loi de Bt0,1 + ty. En particulier, la loi de
{Wt ; 0 < t < 1} sachant que W1 = 0 est celle du pont brownien.
3) Plus gnralement, Btu,v est indpendant de (Wz ; z v), et de (Wz ; z u) et pour
u<t<v
tu
vt
Wt =
Wv +
Wu + Btu,v
(1.5.4)
vu
vu
En particulier, si les intervalles ([ui , vi ])iI sont disjoints, les ponts browniens
(B ui ,vi )iI sont indpendants.
LE
IQ
U
E
26
Convergence de lapproximation par pont brownien

[0,1] : construction de Lvy
1.5.3
LE
IQ
U
E
O
LY
T
LY
N
IQ
LE
LY
T
E
Dans cette section, nous dtaillons la construction de Lvy du mouvement brownien, par pont brownien. Base sur la dcomposition (1.5.4), elle consiste construire
le mouvement brownien sur les dyadiques, en raffinant chaque tape la reprsentation. Nous suivons de trs prs la prsentation et les notations de S. Perez [25].
LE
Figure 1.6 Construction rcursive du brownien par utilisation de ponts, pour n =

1, 2, 3, 4.
E
IQ
U
27
E
C
tude du mouvement brownien discrtis sur les dyadiques. Dsignons par

Dn = {k/2n : 0 k 2n } lensemble des nombres dyadiques dordre n. Cet ensemble
peut tre vu comme un raffinement de lensemble des dyadiques dordre n1, puisque
un dyadique d dordre n, qui nest pas dordre n 1 est compris entre les deux
dyadiques dordre n 1, d+ = d + 2n et d = d 2n (voir la figure 1.6).
Daprs lquation (1.5.4), il est ncessaire que
1
(d+ ,d )
(Wd+ + Wd ) + Bd
2
LY
Wd =
(d+ ,d )
o la v.a. Bd
est gaussienne, de variance 2(n+1) , indpendante de tout ce qui
se passe en dehors de lintervalle [d , d+ ].
(n+1)
1
(Wd+ + Wd ) + 2 2 Zd .
2
Wd =
LY
T
E
IQ
Construction par raffinement du mouvement brownien sur les nombres

dyadiques. Pour la construction, nous nous donnons donc une base de v.a. gaus(d+ ,d )
siennes N (0, 1) (Zd ; d D) indpendantes, qui jouent le rle des v.a. Bd
normalises.
Soit W0 = 0 et W1 = Z1 . Dans le procd inductif, pour chaque n nous cherchons
construire Wd pour d Dn , tel que
Pour tout r < s < t dans Dn , les accroissements gaussiens Wt Ws sont
indpendants de Ws Wr ;
Wd pour d Dn sont globalement indpendants de Zd pour D \ Dn .
Supposons la construction faite jusquen n 1. Nous dfinissons pour tous les d
Dn \ Dn1 la v.a. Wd par
(1.5.5)
(n+1)
IQ
U
E
Par construction 12 (Wd+ Wd ) et 2 2 Zd sont des gaussiennes indpendantes de

variance 2(n+1) . Leur somme et leur diffrence Wd Wd et Wd+ Wd sont donc
aussi des gaussiennes indpendantes mais de variance 2n .
Construction des courbes approximantes. Nous donnons une reprsentation

de la courbe approche en interpolant entre les valeurs (Wd ; d Dn ) uniquement en
termes de (Zd ; d Dn ) .
LY
Formellement, cela revient introduire les f.a. F0 (x) = xZ1 et pour n 1
(n+1)
2 2 Zd pour x Dn \ Dn1 ,
Fn (x) =
0
pour x Dn1 ,
linaire
pour deux points conscutifs de Dn .
Ces fonctions sont continues sur [0, 1] et pour tout n et d Dn
n
X
Wd =
Fi (d)
i=0
i=0
Fi (d) =
(1.5.6)
IQ
U
28
Comme Fn (d) = 2
(n+1)
2
E
C
car par rcurrence, comme pour 0 i n1, Fi est linaire sur [d , d+ ], Fi (d) = 21 (Fi (d )+
Fi (d+ )) et
n1
n1
n1
X
X

1 X
1
Fi (d) =
Fi (d ) +
Fi (d+ ) = (Wd + Wd+ ).
2
2
i=0
i=0
i=0
Zd , nous avons exactement la formule (1.5.5)
Convergence uniforme. Il reste montrer que la srie (1.5.6) est uniformment conver-
LY
gente. Utilisant la majoration exponentielle pour les queues des v.a. gaussiennes
IQ
c2 n
P[|Zd | c n] exp
(1.5.7)
2
P P
2 log 2. Daprs le
nous voyons que la srie
n
dDn P[|Zd | c n] converge si c >
lemme de Borel-Cantelli, il existe un nombre alatoire N , fini p.s., tel que pour tout n > N
P
et d Dn et donc ||Fn || < c n2n/2 . La srie

i=0 Fi (t) est uniformment convergente
sur [0, 1], et a une limite continue pour tout rel le long des dyadiques que nous notons Wt .
Proprits du processus limite. Pour montrer que le processus ainsi dfini est
T
E
Dcomposition du mouvement brownien en sries de

Fourier
LY
1.5.4
accroissements indpendants et stationnaires, on utilise que les proprits des distributions

gaussiennes montres sur les dyadiques passent la limite p.s.
Nous avons donc construit un mouvement brownien sur [0, 1].
U
E
Nous terminons par une autre reprsentation du mouvement brownien comme une superposition de signaux gaussiens.
m1
est un mouvement brownien standard sur lintervalle [0, ].
IQ
Proposition 1.5.4 Considrons (Gm )m0 une suite de variables gaussiennes centres rduites indpendantes. Alors
r
2 X sin(mt)
t
Gm
Wt = G0 +
LY
Preuve:
IQ
U
E
C
H
P
O
LY
H
E
C
Exercices
1.6
C
O
IQ
U
E
P
O
LY
Exercice 1.1 Quelques identits remarquables sur les variables gaussiennes.
IQ
L
E
U
E
LY
T
29
IQ
U
E
30
1.6. EXERCICES
C
H
Exercice 1.2 Variables alatoires log-normales.
P
O
LY
C
O
IQ
U
E
E
C
P
O
LY
Exercice 1.3 Une autre dfinition du mouvement brownien.
IQ
L
E
U
E
LY
T
C
H
Exercice 1.4 Superposition de mouvements browniens.
IQ
U
E
P
O
LY
IQ
U
E
P
O
LY
Exercice 1.5 Invariance par translation.
E
C
C
O
IQ
L
E
U
E
LY
T
Exercice 1.6 Invariance par changement dchelle.
31
IQ
U
E
1.6. EXERCICES
C
H
32
P
O
LY
IQ
U
E
C
O
E
C
Exercice 1.7
U
E
P
O
LY
H
C
LY
T
IQ
L
E
Exercice 1.8 Les trajectoires browniennes sont hldriennes dexposant
1
.
2
IQ
U
E
33
C
H
U
E
P
O
LY
C
O
IQ
P
O
LY
E
C
Exercice 1.9 Comportement du brownien en 0 : loi du logarithme itr (Khintchine, 1924).
IQ
L
E
U
E
LY
T
Exercice 1.10 Convergence des gaussiennes.
1.6. EXERCICES
IQ
U
34
E
C
LY
IQ
LY
T
E
Exercice 1.11 F A propos du maximum du mouvement brownien et de ses temps

datteinte.
IQ
U
E
LY
IQ
U
E
35
C
H
CHAPITRE 2. QUATION DE LA CHALEUR ET FORMULE DIT
P
O
LY
Chapitre 2
N
H
Introduction
2.1
C
O
IQ
U
E
quation de la chaleur et
formule dIt
P
O
LY
Les premires proprits du mouvement brownien mises en vidence par Bachelier et Einstein concernent le lien entre la distribution du mouvement brownien issu de x, et lquation
de la chaleur.
En fait, ces auteurs dduisent de la proprit daccroissements indpendants et de la stationnarit du phnomne modlis que la densit pt (x, y) de la loi de x + Wt , qui nest pas
suppose gaussienne a priori, ne dpend que de y x et vrifie lquation de convolution,
U
E
pt (x, y)ph (y, z)dy = pt+h (x, z)
L
E
(2.1.1)
Dsignons par pt (x)dx la probabilit pour qu lpoque t le cours se trouve au

niveau x, cest dire plus exactement soit compris dans lintervalle lmentaire
[x, x + dx].
Cherchons la probabilit pour que le cours z soit cot lpoque t + h, le cours
x ayant t cot lpoque t. En vertu du principe de la probabilit compose,
la probabilit cherche sera gale au produit de la probabilit pour que le cours
x soit cot linstant t multiplie par la probabilit pour que le cours x tant
cot linstant t, le cours z soit cot linstant t + h, cest dire multiplie
par ph (z x)dz. La probabilit cherche est donc
pt (x)ph (z x)dxdz.
LY
T
C
O
IQ
Citons les arguments de Bachelier, dans Thorie de la spculation pour justifier cette
relation.
O
L
IQ
U
E
36
2.2. LQUATION DE LA CHALEUR
pt (x)ph (z x)dx.
pt+h (z) =
C
H
Le cours pouvant se trouver lpoque t dans tous les niveaux x possibles, la

probabilit pour que le cours z soit cot linstant t + h sera
lim
1
P(|Wt | > ) = 0
t
C
O
t0
IQ
U
E
P
O
LY
Bachelier conclut en montrant que cette quation est vrifie par les fonctions de la forme
2 2
At eAt x pour lesquelles la fonction A2t est inversement proportionnelle au temps. Il nenvisage pas a priori dautres types de fonctions.
Largument heuristique de Bachelier ne serait plus accept comme une dmonstration
notre poque. Les hypothses exactes qui garantissent quun phnomne accroissements
indpendants homognes et centrs soit un mouvement brownien demande dintroduire une
hypothse supplmentaire 1 , savoir que
Lquation de la chaleur
2.2
(hypothse qui nest pas vrifie pour le processus de Poisson, qui est bien pourtant accroissements indpendants et stationnaires). Ce rsultat montre nanmoins la grande gnralit
des situations qui peuvent tre modlises par un mouvement brownien.
L
E
P
O
U
E
LY
1
exp((y
Revenons la loi de x+Wt de densit gaussienne g(t, x, y) := g(t, yx) = 2t
x) /2t), souvent appele dans ce contexte noyau de la chaleur. Lune des proprits fondamentales de ce noyau est la proprit de convolution exploite par Bachelier,
Z
g(t + s, x, y) =
g(t, x, z)g(s, z, y)dz
(2.2.1)
2
C
O
IQ
qui traduit que x + Wt+h est la somme des variables gaussiennes indpendantes x + Wt et
Wt+h Wt .
Un calcul direct sur la densit montre que le noyau gaussien est solution de lquation de
la chaleur, cest dire de lquation aux drives partielles (EDP)
1 00
gyy (t, x, y),
2
1 00
gt0 (t, x, y) = gxx
(t, x, y).
2
(2.2.2)
LY
T
gt0 (t, x, y) =
La densit gaussienne satisfait lquation de la chaleur (2.2.2), par rapport aux deux
variables x et y. Cette proprit est tendue une vaste classe de fonctions construites
partir du mouvement brownien.
1. La preuve peut tre trouve dans le livre de Breiman [3].
O
L
IQ
U
E
Le cas simple de fonction f (x)
2.2.1
37
1 00
uxx (t, x, f ),
2
u(0, x, f ) = f (x).
(2.2.3)
u0t (t, x, f ) =
C
H
R
Thorme 2.2.1 Considrons la fonction u(t, x, f ) = E[f (x+Wt )] = R g(t, x, y)f (y)dy, o
f est une fonction borlienne et borne 2 . La fonction u est indfiniment drivable en espace
et en temps pour t > 0 et vrifie lquation de la chaleur,
IQ
U
E
P
O
LY
Preuve:
N
H
LY
C
O
C
O
IQ
L
E
U
E
P
O
Lorsque la fonction considre est rgulire, une autre formulation peut tre donne
cette relation, qui jouera un rle important dans toute la suite.
LY
T
Proposition 2.2.2 Si f est une fonction borne de classe Cb2 (2 fois drivable drives
bornes 3 ), on a
1 00
u0t (t, x, f ) = u(t, x, fxx
),
2
|x|2
2
pour tout x, avec des constantes positives C et > t.
00 (x)| C exp
|f (x)| + |fx0 (x)| + |fxx
2
|x|
2. Cette condition peut tre relaxe en |f (x)| C exp 2 pour tout x, avec des constantes
positives C et : dans ce cas-l, la rgularit de la fonction u est assure pour t < seulement.
3. Comme pour le thorme 2.2.3,
de bornitude peut tre relche en la condition

lhypothse
O
L
IQ
38
1 00

fxx (x + Ws ) ds.
2
(2.2.4)
E
C
Z
E[f (x + Wt )] = f (x) +
soit sous une forme plus probabiliste
LY
Preuve:
IQ
U
E
E
C
E
C
Le cas gnral de fonction f (t, x)
2.2.2
IQ
U
E
O
LY
T
La Proposition 2.2.2 se gnralise facilement au cas o f dpend aussi du temps. Nous

laissons la preuve au lecteur.
E[ft0 (s, x + Ws ) +
LY
E[f (t, x + Wt )] = f (0, x) +
Proposition 2.2.3 Si f est une fonction borne de classe Cb1,2 (1 fois drivable en temps et
2 fois drivables en espace, avec des drives bornes 4 ), on a
1 00
fxx (s, x + Ws )]ds.
2
P
O
4. lhypothse de bornitude peut tre affaiblie en la condition |f (s, x)| + |ft0 (s, x)| + |fx0 (s, x)| +
2
00 (s, x)| C exp |x|
pour tout (s, x) [0, t] R, avec des constantes positives C et > t.
|fxx
2
39
IQ
E[f (t, x + Wt )] = f (0, x) + E
(ft0 (s, x
(2.2.5)
E
C

1 00
+ Ws ) + fxx (s, x + Ws ))ds .
2
Z
Si lon permute intgrale et esprance, lgalit prcdente se r-crit
Il sera particulirement intressant de pouvoir utiliser ce rsultat mme si t est alatoire. En

toute gnralit, ce ne sera vrai que si t est un temps darrt born.
LY
Thorme 2.2.4 Si f est une fonction borne de classe Cb1,2 , on a

Z
(ft0 (s, x + Ws ) +
(2.2.6)
IQ
pour tout temps darrt born U .
E
C
E
C
Preuve:
U
E
1 00
fxx (s, x + Ws ))ds
2
E[f (U, x + WU )] = f (0, x) + E
O
LY
T
IQ
U
E
LY
P
O
Des exemples dapplication du rsultat prcdent sont donns en exercice, notamment

pour dterminer la loi de certains temps datteinte ou tudier la rcurrence et la transience
du mouvement brownien multidimensionnel.
Application lquation de la chaleur dans un intervalle
2.2.3
IQ
40
E
C
Nous explicitons maintenant les solutions de lquation de la chaleur dans un intervalle :

cest une gnralisation partielle 5 du Thorme 2.2.1, qui les caractrisait lorsquelles taient
dfinies dans tout lespace. Lintroduction de donne frontire de type Dirichlet est relie au
temps de passage du mouvement brownien par cette frontire.
U
E
LY
Proposition 2.2.5 (quation de la chaleur avec condition de Dirichlet)

Considrons lquation aux drives partielles
0
1 00
ut (t, x) = 2 uxx (t, x), pour t > 0 et x ]a, b[

u(0, x) = f (0, x)
pour t = 0 et x [a, b].
u(t, x) = f (t, x)
pour x = a ou b, avec t 0.
Si il existe une solution u de classe Cb1,2 ([0, T ] [a, b]), alors elle est donne par
IQ
u(t, x) = E[f (t U, x + WU )]
E
C
E
C
avec U = Ta Tb t (selon les notations prcdentes, Ty est le premier temps datteinte de

y par la f.a. (x + Wt )t0 ).
O
LY
T
Preuve:
IQ
U
E
P
O
LY
5. en effet, le rsultat donne lunicit et non lexistence.
41
IQ
E
C
quation aux drives partielles pour le mouvement

brownien avec drive
2.2.4
U
E
(y x bt)2
1
exp
2
2 2 t
2 t
2
g( t, x + bt, y) = g( 2 t, x, y bt).
IQ
gb,2 (t, x, y)
LY
LEDP obtenue pour le mouvement brownien standard (voir lquation de la chaleur du

Thorme 2.2.3) stend sans difficult au mouvement brownien avec drive {Xtx = x + bt +
Wt , t 0} introduit au paragraphe 1.3.1.
Pour cela, il convient de dterminer lEDP satisfaite par la densit de la loi de Xt , qui
est une loi gaussienne de moyenne x + bt et de variance 2 t :
1 2 00 2
gxx ( t, x + bt, y) + bgx0 ( 2 t, x + bt, y) = Lb,2 gb,2 (t, x, y).
2
O
LY
T
t gb,2 (t, x, y) =
E
C
E
C
Nous introduisons le gnrateur associ ce processus, cest--dire loprateur du second

ordre dfini par
1
Lb,2 (x) = 2 00xx (x) + b0x (x).
(2.2.7)
2
Puisque g(t, x, y) satisfait lquation de la chaleur, la fonction x gb,2 (t, x, y) vrifie
Proposition 2.2.6 Considrons une fonction f borlienne borne. La fonction

Z
ub,2 (t, x, f ) = E[f (x + bt + Wt )] =
gb,2 (t, x, y)f (y)dy
U
E
IQ
satisfait lquation aux drives partielles

(
u0t (t, x, f ) = Lb,2 u(t, x, f ) = 21 2 u00xx (t, x, f ) + bu0x (t, x, f ),
u(0, x, f ) = f (x).
(2.2.10)

Lb,2 f (s, Xsx ) + ft0 (s, Xsx )ds .
(2.2.11)
E[f (U, XUx )] =f (0, x) + E
LY
P
O
Preuve:
(2.2.9)
De plus, si f est une fonction de classe Cb1,2 et U un temps darrt born, alors
Z t
E[f (t, Xtx )] =f (0, x) +
E[Lb,2 f (s, Xsx ) + ft0 (s, Xsx )]ds,
(2.2.8)
IQ
42
E
C
U
E
LY
N
E
C
Commentaires
O
LY
T
2.2.5
E
C
IQ
IQ
U
E
La reprsentation de la solution de lquation de la chaleur (2.2.3) comme E[f (x + Wt )]

montre que la trajectoire brownienne joue pour cette quation le mme rle que les caractristiques, solutions dquations diffrentielles du premier ordre, pour la rsolution des EDP
du premier ordre.
Mais ltape la plus importante est de passer de ce calcul, vrai en esprance, un calcul
trajectoriel.
1 00
fxx (x + Ws )ds
2
(2.2.12)
Z
It (f ) = f (x + Wt ) f (x)
Cette tape amorce par Paul Lvy dans les annes 30 a t complte par K. It dans
les annes 50. Plus prcisment, It interprte la quantit
P
O
LY
qui mesure la diffrence trajectorielle entre les deux membres de lquation (2.2.4), comme
une intgrale stochastique. Ce faisant, il introduit un calcul diffrentiel stochastique, le calcul
dIt, vrai sur les trajectoires et non plus seulement en moyenne.
Si nous considrons une fonction {x(t); t [0, T ]}, drivable en temps et f une fonction de
classe C 1 , par la rgle de diffrentiation compose, nous savons que
t
f (xt ) = f (xs ) +
fx0 (xu )x0u du.
(2.2.13)
43
IQ
2.3.1
Variation quadratique
Notations et dfinitions
LY
2.3
E
C
Dans le cas dterministe ou stochastique, la justification de cette dcomposition repose sur

ltude des variations infinitsimales des fonctions alatoires. Pour justifier le terme en drive
seconde qui apparat dans le formule avec le mouvement brownien, nous tudions dabord
les proprits de la variation quadratique du mouvement brownien.
IQ
U
E
Les accroissements du mouvement brownien dans un petit intervalle

(t, t+h) sont des v.a.
gaussiennes centres de variance h, qui se comportent donc comme h. La variation totale
nexiste pas, car les trajectoires ne sont pas diffrentiables, mais la variation quadratique a
des proprits intressantes.
Pour la dfinir et pour la bonne suite du chapitre, nous allons considrer des subdivisions
particulires du temps.
E
C
E
C
Dfinition 2.3.1 (Subdivision dyadique dordre n) Pour n entier, posons ti = i2n .

La subdivision de R+ dfinie par Dn = {t0 < < ti < } est appele subdivision dyadique
dordre n. Le pas n de la subdivision est donn par n = 2n .
O
LY
T
Dfinition 2.3.2 (Variation quadratique) La variation quadratique dun mouvement

brownien W associe la subdivision dyadique dordre n est dfinie, pour t 0, par
X
Vtn =
(Wti+1 Wti )2 .
(2.3.1)
ti t
2.3.2
Convergence
U
E
On a alors le rsultat remarquable suivant.
IQ
Proposition 2.3.3 (Convergence ponctuelle) Avec probabilit 1, on a
lim Vtn = t
pour tout t R+ .
LY
Remarque : Lorsque x est une fonction continment diffrentiable de R+ dans R, la vaP

riation quadratique Vtn = ti t [x(ti+1 ) x(ti )]2 tend vers 0 avec le pas de la subdivision.
P
0
2
En effet, daprs le thorme des accroissements finis, Vtn =
ti t [x (ti )(ti+1 ti )]
2
0
K n (T + 1), o K est un majorant de |x (t)| sur [0, T + 1] et tend donc vers 0 si n tend
vers 0.
P
O
Preuve:
2.3. VARIATION QUADRATIQUE
IQ
44
LY
E
C
IQ
U
E
O
LY
T
E
C
E
C
Comme consquence de cette proprit, nous avons la formule qui donne la dcomposition
de Wt2 .
Rt
0
Ws dWs est la limite p.s. de
ti t
Wti (Wti+1 Wti ), le long
o lintgrale stochastique
des subdivisions dyadiques.
IQ
U
E
Proposition 2.3.4 (Une premire formule dIt) Soit W un mouvement brownien

standard. Avec probabilit 1, on a pour tout t 0
Z t
Wt2 = 2
Ws dWs + t
(2.3.2)
Preuve:
P
O
LY
45
IQ
E
C
U
E
LY
IQ
E
C
La f.a. Vtn considre comme fonction de sa borne suprieure t est croissante et peut
sidentifier comme la fonction de rpartition de la mesure positive ponctuelle
X
(Wti+1 Wti )2 ti (.) = n (.)
E
C
i0
vrifiant n (f ) = i0 f (ti )(Wti+1 Wti )2 .

La convergence des fonctions de rpartition de n (.) (montre la Proposition 2.3.3)
peut alors tre tendue celle dintgrales impliquant des fonctions continues (pouvant tre
alatoires). Cest lobjet du rsultat suivant qui est de nature dterministe.
O
LY
T
ti t
IQ
U
E
Proposition 2.3.5 (Convergence en tant que mesure positive) Pour toute fonction
continue f , on a avec probabilit 1
Z t
X
f (ti )(Wti+1 Wti )2 =
lim
f (s)ds
pour tout t 0, la limite tant calcule le long des subdivisions dyadiques.
Preuve:
P
O
LY
2.4. LA FORMULE DIT
IQ
46
E
C
U
E
LY
La formule dIt
E
C
2.4
IQ
O
LY
T
E
C
Le calcul diffrentiel stend dautres fonctions que la fonction x x2 . Ce calcul est

ncessaire pour reprsenter trajectoriellement les variations infinitsimales de f (x + Wt ),
mais la formule classique du cas dterministe il faut ajouter un terme supplmentaire, d
au fait que la variation quadratique limite nest pas nulle.
U
E
Thorme 2.4.1 (Formule dIt) Soit f C 2 (R), une fonction deux fois drivable. Alors
avec probabilit 1, on a pour tout t 0
Z t
Z
1 t 00
f (x + Wt ) = f (x) +
fx0 (x + Ws ) dWs +
fxx (x + Ws ) ds.
(2.4.1)
2 0
0
LY
ti t
IQ
Pour des fonctions f dpendant aussi du temps de manire rgulire, la formule se gnralise
sous la forme
Z t
Z t
f (t, x + Wt ) =f (0, x) +
fx0 (s, x + Ws ) dWs +
ft0 (s, x + Ws ) ds
0
0
Z
1 t 00
fxx (s, x + Ws ) ds.
(2.4.2)
+
2 0
Rt
Le terme It (f ) = 0 fx0 (s, x + Ws )dWs sappelle lintgrale stochastique de fx0 (s, x + Ws ) par
rapport au mouvement brownien : cest la limite p.s. de
X 0
Itn (f, W ) =
fx (ti , x + Wti )(Wti+1 Wti )
P
O
le long de la subdivision dyadique dordre n.

Lorsque f a des drives bornes, lintgrale stochastique It (f ) est centre : E It (f ) = 0
(comparer avec (2.2.5) et voir les commentaires autour de lgalit (2.2.12)).
47
IQ
E
C
Preuve:
LY
IQ
U
E
O
LY
T
E
C
E
C
U
E
Il est maintenant facile den dduire une formule dIt pour le mouvement brownien avec
drive {Xtx = x + bt + Wt , t 0}.
IQ
Corollaire 2.4.2 Soit f une fonction de classe C 1,2 (R). Alors avec probabilit 1, on a pour
tout t 0
Z t
Z t
0
x
x
fx (s, Xs ) dWs +
fx0 (s, Xsx ) b ds
f (t, Xt ) = f (0, x) +
0
0
Z t
Z
1 t 2 00
0
x
ft (s, Xs ) ds +
fxx (s, Xsx ) ds.
+
2 0
0
P
O
LY
Preuve:
2.4. LA FORMULE DIT
E
C
IQ
48
LY
IQ
U
E
E
C
E
C
Les fonctions u(t, x, f ) = E[f (x + Wt )] introduites dans ce chapitre jouent un rle trs
important.
O
LY
T
Corollaire 2.4.3 Soit f une fonction continue, satisfaisant les hypothses de croissance du
Thorme 2.2.1 et u(t, x, f ) = E[f (x + Wt )] la fonction de classe C 1,2 pour t > 0 tudie dans
le thorme prcit.
La v.a. f (x + WT ) admet une reprsentation comme intgrale stochastique
Z T
f (x + WT ) = E[f (x + WT )] +
u0x (T s, x + Ws , f )dWs .
(2.4.3)
U
E
IQ
Il sagit de ce quon appelle un thorme de reprsentation dune v.a. comme intgrale stochastique. Il convient de bien noter que dans cette reprsentation la fonction intgre dans
lintgrale stochastique nest pas la drive de la fonction f mais celle de la solution de lEDP
u(t, x, f ).
Ce thorme est particulirement important en finance, car il permettra de construire

des stratgies de couverture de produits drivs.
LY
Preuve:
P
O
IQ
U
E
49
C
H
P
O
LY
IQ
U
E
Intgrale de Wiener
2.5
C
O
En gnral, il nest pas possible de dcrire explicitement la loi de lintgrale stochastique

0
f
(s, x+Ws )dWs . Le Thorme 2.4.1 nous assure seulement que si f est drives bornes,
0 x
cest une variable alatoire desprance nulle. Il existe pourtant une situation trs importante
(au moins en finance) o lintgrale stochastique linstant t a une loi gaussienne centre :
Rt
cest le cas de fx0 (s, x) = h(s) indpendant de x. Dans ce cas, 0 h(s)dWs est appele intgrale
de Wiener. Ses proprits sont rsumes dans le rsultat suivant.
U
E
P
O
LY
Rt
IQ
L
E
Proposition 2.5.1 (Intgrale de Wiener et intgration par parties) Soit f une fonction drivable, drive borne sur [0, T ].
Ws f 0 (s)ds +
f (s)dWs = f (t)Wt .
0
(2.5.1)
C
O
1. Avec probabilit 1, on a pour tout t [0, T ]
Rt
Le terme dintgrale stochastique 0 f (s)dWs est la limite p.s. de Itn (f, W ) =
X
f (ti )(Wti+1 Wti ) le long de la subdivision dyadique dordre n.
LY
T
ti t
Rt
2. La f.a. { 0 f (s)dWs ; t [0, T ]} est un processus gaussien (voir Appendice A.1),
trajectoires continues, centre, de carr intgrable et de fonction de covariance
t
Z
Cov(
st
f 2 (u)du.
f (u)dWu ) =
f (u)dWu ,
O
L
(2.5.2)
2.5. INTGRALE DE WIENER
IQ
50
st
f (u)g(u)du.
(2.5.3)
E
C
3. Pour une autre fonction g analogue, on a

Z t
Z s
Z
Cov(
f (u)dWu ,
g(u)dWu ) =
LY
Preuve:
IQ
U
E
E
C
E
C
U
E
O
LY
T
P
O
LY
IQ
Remarques :
Dans le cas dterministe, il suffit que la fonction f intgrer soit continue, pour que les
sommes de Riemann convergent vers lintgrale (voir la preuve ci-dessus). Dans le cas
stochastique, nous supposons que la fonction f est drivable pour avoir la convergence
p.s. des sommes de Riemann vers lintgrale stochastique.
Rt
Lintgrale stochastique 0 f (s, Ws )dWs sappelle intgrale de Wiener pour f (s, Ws ) =
f (s) dterministe et sappelle intgrale dIt dans le cas gnral f (s, Ws ) alatoire.
Rt
Rt
La relation E( 0 f (s)dWs )2 = 0 f 2 (s)ds dfinit une isomtrie entre les variables gaussiennes centres et les fonctions f de carr intgrable. Notre construction de lintgrale
de Wiener pour les fonctions f drivables peut donc stendre toute fonction f de
carr intgrable, en gardant les proprits nonces. En effet, pour f de carr intgrable, prenons une suite (fn )n de fonctions rgulires convergeant quadratiquement
Rt
vers f : 0 (f fn )2 (s)ds 0. Cette suite de fonctions est de Cauchy dans L2 ([0, t], ds)
Rt
et par lisomtrie, la suite de variables alatoires ( 0 fn (s)dWs )n est de Cauchy dans
Rt
Rt
L2 (, P). Notons sa limite de 0 f (s)dWs . Chaque variable alatoire 0 fn (s)dWs est
IQ
U
E
51
C
H
Rt
une intgrale de Wiener, donc de loi gaussienne centre et de variance 0 fn2 (s)ds : cette
proprit gaussienne se prserve la limite (voir Proposition ?? en Appendice A.1),
Rt
Rt
ce qui montre que 0 f (s)dWs est de loi gaussienne centre et de variance 0 f 2 (s)ds.
POUR EN SAVOIR PLUS
P
O
LY
Formule dIt pour dautres processus que le

mouvement brownien
IQ
U
E
2.6
N
H
Le cas unidimensionnel
2.6.1
C
O
On aura remarqu que la proprit centrale pour la preuve du Thorme 2.4.1 est que le
mouvement brownien est variation quadratique finie. En fait, cette proprit est satisfaite
par de nombreux processus stochastiques btis autour du mouvement brownien, ce qui sousentend quune formule dIt est galement valable pour ces processus.
Dans ce paragraphe, nous considrons seulement des processus qui prennent des valeurs
relles. Lextension multidimensionnelle est faite aprs.
P
O
LY
Dfinition 2.6.1 (Variation quadratique dun processus) Un processus continu X

est dit variation quadratique finie si pour t 0, la limite
X
Vtn =
(Xti+1 Xti )2
(2.6.1)
ti t
L
E
U
E
le long des subdivisions dyadiques dordre n, existe presque srement et est finie 6 . Cette
limite est note hXit et est appele le crochet 7 de X au temps t.
C
O
IQ
Dans le cas brownien X = W , nous avons hXit = t. De manire plus gnrale, il nest pas
difficile de voir que le crochet hXi est un processus continu et croissant. On peut lui associer
une mesure positive dhXit de sorte tendre immdiatement la Proposition 2.3.5 X.
ti t
LY
T
Proposition 2.6.2 (Convergence en tant que mesure positive) Pour toute fonction
continue f , on a avec probabilit 1
Z t
X
lim
f (ti )(Xti+1 Xti )2 =
f (s)dhXis
pour tout t 0, la limite tant calcule le long des subdivisions dyadiques dordre n.
6. notre dfinition nest pas standard par rapport la littrature sur le sujet, o en gnral la
subdivision na pas besoin dtre dyadique et la convergence peut avoir lieu en probabilit seulement.
Nous privilgions ici les ides, au dtriment du cadre gnral.
7. cette quantit joue un rle important dans la thorie des martingales.
O
L
IQ
U
E
52
2.6. FORMULE DIT POUR DAUTRES PROCESSUS
En reprenant la preuve du Thorme 2.4.1, on montre alors
C
H
Thorme 2.6.3 (Formule dIt pour X) Soit f C 1,2 (R) et X un processus variation quadratique finie. Alors avec probabilit 1, on a pour tout t 0
Z t
Z t
Z
1 t 00
f (t, Xt ) = f (0, X0 ) +
fx0 (s, Xs ) dXs +
ft0 (s, Xs ) ds +
fxx (s, Xs ) dhXis . (2.6.2)
2 0
0
0
P
O
LY
Rt
Le terme 0 fx0 (s, Xs )dXs sappelle lintgrale stochastique de fx0 (s, Xs ) par rapport X :
cest la limite p.s. de
X 0
fx (ti , Xti )(Xti+1 Xti )
ti t
IQ
U
E
La formule dIt (2.6.2) peut aussi scrire sous forme diffrentielle
1 00
fxx (t, Xt ) dhXit .
2
C
O
df (t, Xt ) = fx0 (t, Xt ) dXt + ft0 (t, Xt ) dt +
Preuve:
U
E
P
O
LY
N
H
LY
T
C
O
IQ
L
E
La question qui vient maintenant est comment calcule-ton pratiquement le crochet

dun processus X ? Le rsultat suivant regroupe les rgles de calcul les plus courantes.
O
L
IQ
U
E
53
C
H
Proposition 2.6.4 (Calcul de crochet) Considrons deux processus continus A et M

ayant les proprits suivantes :
A est variation finie 8 ;
M est variation quadratique finie.
Alors
P
O
LY
3. si Xt = Mt , alors hXit = 2 hM it .
2. si Xt = x + Mt , alors hXit = hM it .
1. hAit = 0.
4. si Xt = Mt + At , alors hXit = hM it .
0
[fm
(As , Ms )]2 dhM is .
C
O
Preuve:
Rt
IQ
U
E
5. si Xt = f (At , Mt ) avec f C 1 , alors hXit =
U
E
P
O
LY
C
O
IQ
L
E
LY
T
On peut ainsi dduire les crochets (et donc les formules dIt) dans les cas importants
suivants :
ti t
|Ati+1 Ati | existe et est finie. Cest le cas lorsque A est C 1 .
8. cest dire la limite de
Corollaire 2.6.5 (Crochets du mouvement brownien arithmtique et gomtrique)
O
L
IQ
54
Pour le mouvement brownien arithmtique Xt = x + bt + Wt , on a
hXit = hW it = 2 hW it = 2 t.
E
C
Ainsi
1 00
fxx (t, Xt ) 2 )dt + fx0 (t, Xt )dWt .
2
df (t, Xt ) = (ft0 (t, Xt ) + fx0 (t, Xt )b +
LY
En particulier, pour f (x) = exp(x), on a
1 2
)dt + exp(Xt )dWt .
2
d[exp(Xt )] = exp(Xt )(b +
(2.6.3)
U
E
Pour le mouvement brownien gomtrique Xt = X0 exp(bt + Wt ), on a

Z t
hXit =
2 Xs2 ds.
1 2
)dt + Xt dWt .
2
E
C
dXt = Xt (b +
Ainsi, dune part par (2.6.3), on a
IQ
df (t, Xt ) = ft0 (t, Xt ) + fx0 (t, Xt )(b +
E
C
Dautre part, une nouvelle application de la formule dIt gnrale donne

1 2
1 00
)Xt + fxx
(t, Xt ) 2 Xt2 dt + fx0 (t, Xt )Xt dWt .
2
2
2.6.2
O
LY
T
A noter que dans le cas du mouvement brownien arithmtique, nous retrouvons le Corollaire
2.4.2 via le Thorme 2.6.3 plus gnral.
Le cas multidimensionnel
U
E
Maintenant, le passage au cas de processus continus X prenant des valeurs dans Rd est
ais.
IQ
Dfinition 2.6.6 (Variation quadratique dun processus multidimensionnel)

Un processus continu X = (X 1 , . . . , X d ) valeurs dans Rd est dit variation quadratique
finie si pour t 0, la limite de
X k
hX k , X l in
(Xti+1 Xtki )(Xtli+1 Xtli )
(2.6.4)
t =
ti t
le long des subdivisions dyadiques dordre n, existe presque srement et est finie, pour tout
1 k, l d. La limite est note hX k , X l it et est appele le crochet crois de X k et X l au
temps t.
P
O
LY
Quelques proprits faciles :

Le crochet crois est symtrique : hX k , X l it = hX l , X k it .
Lorsque k et l sont gaux, hX k , X k it concide avec la dfinition unidimensionnelle du
crochet hX k it . Dans ce cas, nous utiliserons la notation unidimensionnelle plus courte.
IQ
U
E
(2.6.5)
C
H
Le crochet crois peut aussi tre dfini par la formule de polarisation :

1 k
hX k , X l it =
hX + X l it hX k X l it .
4
55
Le crochet obit aux rgles de bilinarit :
hX i + X j , X k + X l it = hX i + X k it + hX i + X l it + hX j + X k it + hX j + X l it .
P
O
LY
De ces dfinitions/proprits et de la Proposition 2.6.2, on dduit naturellement le rsultat

sur la convergence des variations quadratiques croises :
ti t
IQ
U
E
Proposition 2.6.7 Pour toute fonction continue f , on a avec probabilit 1

Z t
X
f (ti )(Xtki+1 Xtki )(Xtli+1 Xtli ) =
lim
f (s)dhX k , X l is
0
pour tout t 0, la limite tant calcule le long des subdivisions dyadiques dordre n.
C
O
Nous pouvons prsent noncer la formule dIt multidimensionnelle.
k=1
d Z
X
fx0 k (s, Xs ) dXsk +
ft0 (s, Xs ) ds
f (t, Xt ) = f (0, X0 )+
Thorme 2.6.8 (Formule dIt pour X multidimensionnel) Soit f C 1,2 (R+

Rd , R) et X un processus d-dimensionnel variation quadratique finie. Alors avec probabilit 1, on a pour tout t 0
d Z
1 X t 00
fxk ,xl (s, Xs ) dhX k , X l is .
2
0
LY
P
O
k,l=1
d
X
fx0 k (t, Xt ) dXtk + ft0 (t, Xt ) dt +
L
E
df (t, Xt ) =
U
E
Sous forme diffrentielle, cela peut aussi scrire

d
1 X 00
fxk ,xl (t, Xt ) dhX k , X l it .
2
k,l=1
IQ
k=1
d X
X
fx0 k (ti , Xti )(Xtki+1 Xtki )
C
O
Rt
P
Les termes dk=1 0 fx0 k (s, Xs ) dXsk sappellent les intgrales stochastiques de fx0 k (s, Xs ) par
k
rapport X et sont les limite p.s. de
LY
T
k=1 ti t
La preuve est trs proche de celle du Thorme 2.6.3 : elle sappuie sur une formule de Taylor
lordre 2 et la convergence des variations quadratiques croises (Proposition 2.6.7). Nous
laissons les dtails au lecteur.
Nous terminons ce paragraphe en nonant quelques rgles supplmentaires de calcul des
crochets croiss.
O
L
IQ
56
E
C
Proposition 2.6.9 (Calcul de crochet crois) Considrons des processus continus ayant
les proprits suivantes :
A = (A1 , A2 ) est variation finie ;
M = (M 1 , M 2 ) est variation quadratique finie.
On a les rsultat suivants.
p
p
1. si X 1 = M 1 + A1 et X 2 = M 2 + A2 , |hX 1 , X 2 it | hX 1 it hX 2 it .
2. hAk , Al it = 0 et hAk , M l it = 0.
LY
3. si X 1 = M 1 + A1 et X 2 = M 2 + A2 , alors
hX 1 , X 2 it = hM 1 , M 2 it .
U
E
4. si Xt1 = f (A1t , Mt1 ) et Xt2 = g(A2t , Mt2 ) avec f, g C 1 , alors

Z t
0
0
hX 1 , X 2 it =
fm
(A1s , Ms1 )gm
(A2s , Ms2 )dhM 1 , M 2 is .
IQ
5. si M 1 et M 2 sont deux mouvements browniens indpendants, alors
N
H
E
C
hM 1 , M 2 it = 0.
O
LY
T
E
C
Les second et troisime rsultats justifient que les composantes variation finie ne rentrent
pas en ligne de compte dans le calcul des crochets croiss des processus. Le quatrime rsultat donne un moyen de calcul de crochets entre deux intgrales stochastiques.
Preuve:
IQ
U
E
P
O
LY
57
IQ
E
C
Mouvement brownien vectoriel
2.7
U
E
Mouvement brownien vectoriel standard
2.7.1
LY
Nous prcisons les rsultats du paragraphe prcdent dans le cas du mouvement brownien
vectoriel, en commenant par le cas le plus standard. Nous ajoutons galement le lien avec
lquation de la chaleur multidimensionnelle. Les principales difficults sont de notation. Les
proprits des matrices symtriques joueront un rle important.
E
C
E
C
IQ
Dfinition 2.7.1 On appelle mouvement brownien vectoriel standard une f.a. trajectoires
continues, valeurs dans Rd , {Wt = (Wt1 , Wt2 , ....Wtd ); t R+ } telle que
W0 = 0 ;
tout accroissement Wt Ws o (0 s < t) suit une loi gaussienne sur Rd , centre de
matrice de covariance (t s)Id, o Id est la matrice identit.
Pour tout 0 = t0 < t1 < t2 ..... < tn , les accroissements Wti+1 Wti avec (0 i n)
sont indpendants.
LY
IQ
U
E
O
LY
T
Une consquence immdiate de la dfinition est que les f.a. des coordonnes ({Wti ; t
R+ }, i = 1, ...d) sont des mouvements browniens rels indpendants, et rciproquement des
mouvements browniens rels indpendants engendrent un mouvement brownien vectoriel.
P
O
Figure 2.1 Simulations de mouvement brownien standard dans R2 et R3 .
IQ
U
E
58
2.7. MOUVEMENT BROWNIEN VECTORIEL
quation de la chaleur. La densit de la loi du brownien vectoriel est la densit
gaussienne sur Rd , centre, de matrice de covariance, Id t, soit
(2t) 2
d
1 X
exp
|xi |2
2t i=1
C
H
g(t, x1 , x2 , ...xd ) =
!
.
IQ
U
E
P
O
LY
Les liens avec lquation de la chaleur (voir Thorme 2.2.1) sont tendus sans restriction
condition de se rfrer au Laplacien multidimensionnel, qui est la somme des drives
Pd
2
secondes unidimensionnelles, x =
i=1 xi xi . Lquation de la chaleur pour la fonction
u(t, x, f ) = E[f (t, x + Wt )] associe une fonction f borlienne borne dfinie sur Rd devient
(
P
u0t (t, x, f ) = 12 di=1 u00xi xi (t, x, f ) = 21 x u(t, x, f ),
u(0, x) = f (x),
x = (x1 , x2 , ...xd ).
C
O
Lorsque le mouvement brownien vectoriel est associ des mouvements browniens dcentrs, indpendants, de tendance (bi ; i = 1....d) et de coefficient de diffusion (i ; i = 1....d)
({Xtx = (x1 + b1 t + 1 Wt1 , ..., xd + bd t + d Wtd ); t R+ }), lEDP devient
(
P
P
u0t (t, x, f ) = 21 di=1 i2 u00xi xi (t, x, f ) + di=1 bi u0xi (t, x, f ),
u(0, x) = f (x),
x = (x1 , x2 , ...xd ),
soit en introduisant le gnrateur de ce processus

=
d
d
X
1 X 2 00
i gxi xi (t, x) +
bi gx0 i (t, x),
2 i=1
i=1
u0t (t, x, f )
Lu(t, x, f ).
LY
Lg(t, x)
P
O
La formule dIt pour {Xtx = (x1 + b1 t + 1 Wt1 , ..., xd + bd t + d Wtd ); t R+ }.
i=1
d Z
X
i=1
fx0 i (s, Xsx ) bi ds
d Z
1 X t 2 00
i fxi xi (s, Xsx ) ds.
ft0 (s, Xsx ) ds +
2 i=1 0
LY
T
fx0 i (s, Xsx ) i dWsi +
d Z
X
f (t, Xtx ) =f (0, x) +
C
O
IQ
L
E
U
E
Il sagit dune application directe de la formule dIt gnrale (Thorme 2.6.8). Il suffit de
calculer les crochets croiss entre les composantes de X x . De la Proposition 2.6.9, pour i 6= j
on dduit hX i , X j it = h i W i , j W j it = i j hW i , W j it = 0 car les mouvements browniens
W i et W j sont indpendants. Cela a pour consquence que les drives secondes croises
fx00i xj (i 6= j) napparaissent pas dans la formule dIt. Cela donne, pour des fonctions f de
classe C 1,2 (R+ Rd , R),
(2.7.1)
Applications. Le rsultat suivant renseigne sur la capacit du mouvement brownien mul-
tidimensionnel visiter un point donn, son voisinage ou bien partir linfini. Comme pour
la marche alatoire simple sur Zd , les comportements possibles dpendent de la dimension
d.
O
L
59
IQ
E
C
Thorme 2.7.2 (Rcurrence et transience) En dimension 2, le mouvement brownien

visite infiniment souvent tout ouvert non vide 9 avec probabilit 1 (on dira quil y a rcurrence
sur les ouverts), alors quen dimension 3, le nombre de visites est fini avec probabilit 1, cest-dire que le mouvement brownien part linfini (on dira quil y a transience).
Mouvement brownien vectoriel corrl
LY
2.7.2
La preuve est propose en exercice 2.7.
U
E
La modlisation des phnomnes physiques conduit souvent introduire des bruits de

perturbation corrls. En termes de mouvement brownien, cela revient introduire les processus vectoriels suivants :
E
C
E
C
IQ
Dfinition 2.7.3 On appelle mouvement brownien vectoriel (corrl) une f.a. trajectoires
continues, valeurs dans Rd , {Bt = (Bt1 , Bt2 , ....Btd ); t R+ } telle que
B0 = 0 ;
tout accroissement Bt Bs o (0 s < t) suit une loi gaussienne sur Rd , centre de
matrice de covariance (t s)K, o K est la matrice de covariance du vecteur gaussien
B1 .
Pour tout 0 = t0 < t1 < t2 ..... < tn , les accroissements Bti+1 Bti avec (0 i n)
sont indpendants.
U
E
O
LY
T
Cette dfinition est valable que la matrice de covariance K soit inversible, ou non.
La fonction alatoire associe la coordonne dindice i, B i est un mouvement brownien
unidimensionnel, de coefficient de diffusion i2 = Var(B1i ) = Kii , o Kii est le i-me terme
de la diagonale de la matrice K. Si de plus, pour tout i, Kii est gal 1, ces mouvements
browniens sont des browniens normaliss. Mais contrairement au cas du brownien vectoriel
standard, les coordonnes ne sont plus indpendantes.
IQ
Proposition 2.7.4 Soit B un mouvement brownien d-dimensionnel dont les coordonnes

sont des browniens corrls.
Il existe
une matrice orthogonale P telle que la matrice P KP = soit diagonale.
1
Soit la matrice diagonale dont les termes sont les inverses des racines carres
des
valeurs propres de lorsquelles sont non nulles, et zro sinon. La f.a {Wt =
( )1 P Bt ; t [0, T ]} est un mouvement brownien, dont les coordonnes sont des
browniens normaliss
indpendants, dont certains peuvent tre nuls.
Soit A = P ( ). La matrice A est une racine carre de K, au sens o AA = K et
Bt = AWt .
P
O
LY
Remarque : le mouvement brownien W nest pas unique, car toute transformation orthogonale dun mouvement
brownien est encore un mouvement brownien (voir exercice
C
??).Par
suite,
si
C
=
P
est une racine carre de K, cest dire vrifie CC =
C
C
C
C
P
(P ) = P (P ) = K, alors B = CW C o W C = (P C )1 B.
9. mais il ne visite pas les points.
2.7. MOUVEMENT BROWNIEN VECTORIEL
IQ
60
E
C
Preuve:
LY
IQ
U
E
O
LY
T
E
C
E
C
IQ
U
E
Exemple. Le mouvement brownien 2 dimensions (voir exercice 1.4).
P
O
LY
61
E
C
IQ
LEDP vectorielle. Considrons des browniens dcentres corrles de tendance et de
d
1X
aii u00xi xj +
2 i=1
u0t =
d
X
aij u00xi xj +
i u0xi
i=1
1i<jd
IQ
o aij est le terme gnral de la matrice de covariance K.
U
E
LY
matrice de covariance K : Xt = x+t+Bt = x+t+AWt avec les notations prcdentes. Par

changement de variable dans lEDP de la chaleur, nous dduisons que la fonction u(t, x, f ) =
E[f (x + t + Bt )] est solution de lEDP
E
C
La formule dIt pour Xt = x + t + Bt = x + t + AWt . Pour le brownien corrl
O
LY
T
E
C
dcentr, la formule dIt se gnralise aussi par changement de variables partir de (2.7.1).
On peut aussi la dduire directement de la formule dIt gnrale, en prenant le soin de
calculer les crochets croiss. En appliquant les rgles de calcul associes (Proposition 2.6.9),
on obtient
hX i , X j it = hB i , B j it = h
Ai,k W k ,
Aj,l W l it =
Ai,k Aj,l hW k , W l it
k,l
Ai,k Aj,k t = [AA ]i,j t := Ki,j t
U
E
ft0 (s, Xsx ) ds +
d Z
X
i=1
d Z
1X t
ai,i fx00i xi (s, Xsx ) ds +
2 i=1 0
fx0 i (s, Xsx ) dBsi +
fx0 i (s, Xsx ) i ds

X
1i<jd
ai,j fx00i xj (s, Xsx ) ds.
d Z
X
i=1
f (t, Xtx ) = f (0, x) +
Cela conduit
IQ
= ai,j t.
LY
La formule dIt pour le mouvement brownien gomtrique corrl. Ce
P
O
processus est dfini comme lexponentielle, composante par composante, du prcdent mouvement brownien arithmtique corrl, savoir Xt = (exp(x1 + 1 t + Bt1 ), . . . , exp(xd + d t +
Btd )). Dune part, dXti = Xti (i + 21 ai,i )dt + Xti dBti . Dautre part, le crochet crois se calcule
IQ
U
E
62
2.8. EXERCICES
d Z
X
fx0 i (s, Xs ) Xsi dBsi +
i=1
Xsi Xsj ai,j ds. Il en dcoule
d Z
X
fx0 i (s, Xs ) (i +
C
H
f (t, Xt ) =f (0, X0 ) +
Rt
via litem 4 de la Proposition 2.6.9 : on a hX i , X j it =
i=1
1
ai,i )Xsi ds
2
d Z
1X t
+
ft0 (s, Xs ) ds +
ai,i (Xsi )2 fx00i xi (s, Xs ) ds
2 i=1 0
0
X Z t
ai,j Xsi Xsj fx00i xj (s, Xs ) ds.
+
t
Exercices
Exercice 2.1
IQ
U
E
2.8
P
O
LY
1i<jd
C
O
U
E
P
O
LY
C
O
IQ
L
E
Exercice 2.2
LY
T
O
L
IQ
U
E
C
H
Exercice 2.3
IQ
U
E
P
O
LY
N
H
LY
C
O
N
H
LY
T
C
O
Exercice 2.4
IQ
L
E
U
E
P
O
O
L
63
IQ
U
E
2.8. EXERCICES
C
H
64
IQ
U
E
P
O
LY
Exercice 2.5 Intgration par parties et processus gaussien.
N
H
LY
C
O
U
E
P
O
N
H
LY
T
C
O
IQ
L
E
Exercice 2.6 F Temps datteinte dun niveau par un mouvement brownien avec
drive.
O
L
IQ
U
E
65
C
H
P
O
LY
IQ
U
E
Exercice 2.7 Rcurrence et transience du mouvement brownien.
N
H
LY
C
O
IQ
L
E
U
E
P
O
N
H
LY
T
C
O
Exercice 2.8 Les intgrales stochastiques ne sont pas toujours desprance nulle.
O
L
IQ
U
E
2.8. EXERCICES
C
H
66
P
O
LY
IQ
U
E
Exercice 2.9 F Loi du premier temps datteinte de deux niveaux.
N
H
LY
C
O
IQ
L
E
U
E
P
O
C
O
Exercice 2.10 F Un processus ressemblant au mouvement brownien (daprs K.

Hamza et F.C. Klebaner 2007).
LY
T
O
L
E
C
IQ
P
O
LY
IQ
U
E
O
LY
T
E
C
E
C
IQ
U
E
LY
67
2.8. EXERCICES
P
O
LY
IQ
U
E
O
LY
T
E
C
E
C
IQ
U
E
LY
E
C
IQ
68
69
E
C
IQ
CHAPITRE 3. QUELQUES PROCESSUS CONTINUS ESSENTIELS
LY
Chapitre 3
IQ
U
E
Quelques processus continus

essentiels
1. le mouvement brownien gomtrique,

2. le processus dOrnstein-Uhlenbeck,
O
LY
T
3. les quations diffrentielles stochastiques.
E
C
E
C
Nous prsentons quelques autres processus uni-dimensionnels, trajectoires continues, qui

drivent du mouvement brownien :
Dfinition et proprits
3.1.1
Mouvement brownien gomtrique
3.1
IQ
U
E
Nous donnons ensuite les formules dIt et les quations aux drives partielles associes
ces processus.
Le premier exemple est essentiel dans la modlisation des cours dactions et autres actifs financiers. Le second est un exemple important dapplication en physique et en finance
(pour modliser les courbes de taux dintrt, les volatilits stochastiques ou tout phnomne stochastique de retour la moyenne). Enfin, le dernier correspond une famille encore
plus gnrale, englobant formellement les deux premiers exemples, au dtriment ventuel des
proprits explicites.
LY
Dfinition 3.1.1 (du mouvement brownien gomtrique) Un mouvement brownien

gomtrique, de valeur initiale S0 > 0 dterministe, de coefficient de tendance (ou drive)
et de coefficient de diffusion , est un processus (St )t 0 dfini par
1
)t+Wt
P
O
St = S0 e( 2
o {Wt ; t 0} est mouvement brownien standard rel.
(3.1.1)
3.1. MOUVEMENT BROWNIEN GOMTRIQUE
IQ
70
LY
E
C
Comme largument de lexponentielle est de loi Normale, la variable St ( t fix) est dite
Log-Normale.
Cest un processus trajectoires continues, qui prend des valeurs strictement positives.
Comme nous le verrons dans le chapitre 7, le mouvement brownien gomtrique sert couramment de modle de prix dactifs financiers (voir Samuelson [30]). Ce choix se justifie dune
part, par la positivit de S et dautre part, par les proprits gaussiennes simples de ses
rendements :
les rendements Log(St )Log(Ss ) suivent une loi gaussienne de moyenne ( 12 2 )(ts)
et de variance 2 (t s).
Sti+1
Sti
; 0 i n 1} sont
U
E
Pour tout 0 < t1 < t2 ..... < tn , les accroissements relatifs {

indpendants, et de mme loi.
IQ
Lhypothse de rendement gaussien est invalid en pratique (voir les travaux de Mandelbrot
ds 1963), mais nanmoins, ce modle reste trs utilis dans toutes les salles de march, nous
y reviendrons.
O
LY
T
E
C
E
C
Densits de transition du processus. Des proprits dindpendances des accroissements browniens, il est facile de montrer que (St )t est un processus de Markov.
R
Son noyau de transition Q(t, S0 , dy) est dfini par E[f (St )|S0 ] = R f (y)Q(t, S0 , dy) =
R S
S
(t, S0 , y)f (y)dy avec une densit de transition g,2 (t, S0 , y) quon peut dterminer
g
R , 2
1
explicitement en fonction de la densit gaussienne g(t, y) = 2t
exp(y 2 /2t). En effet, on a
Z
1 2
E[f (St )|S0 ] =
f (S0 e( 2 )t+y )g( 2 t, y)dy
ZR
dz
1
f (z)g( 2 t, log(z/S0 ) ( 2 )t) ,
=
2
z
+
R
do
U
E

1
1
S
g,
2 t, log(y/S0 ) ( 2 )t
1y>0 .
2 (t, S0 , y) = g
2
y
(3.1.2)
IQ
Pourquoi appeler le paramtre de tendance de S alors que cest 12 2

qui apparat dans la moyenne des rendements ? Il faut chercher la raison dans la
LY
dcomposition dIt de S qui sobtient partir de la formule dIt sur le brownien. Appliquons
le corollaire 2.4.2 au mouvement brownien arithmtique Xt = log(S0 ) + ( 21 2 )t + Wt
00
et la fonction (t, z) = exp(z) (t0 (t, z) = 0, z0 (t, z) = zz
(t, z) = (t, z)) ; on obtient que
St = (t, Xt ) satisfait
Z t
Z t
Z t
1
1 2
St = S0 +
Ss dWs +
Ss ( 2 ) ds +
Ss ds
2
0
0
0 2
Z t
Z t
= S0 +
Ss ds +
Ss dWs .
P
O
Trs souvent, lcriture intgrale est transforme sous forme diffrentielle
dSt = St dt + St dWt ,
ou bien
dSt
= dt + dWt .
St
(3.1.3)
IQ
U
E
71
quation aux drives partielles pour le mouvement

brownien gomtrique
3.1.2
C
H
Cest cette dernire reprsentation qui justifie lappelation de comme paramtre de tendance.
1
[x]2 00xx (x) + x0x (x).
2
P
O
LY
LS
, 2 (x) =
Le gnrateur associ ce processus est donn par

(3.1.4)
IQ
U
E
Cest cet oprateur diffrentiel du second ordre qui donne la forme des EDPs que nous allons
S
crire. En effet, on vrifie par un calcul simple partir de lexpression (3.1.2) de g,
2 (t, S0 , y)
que (pour y > 0 fix)
1
S
S
[S0 ]2 S2 0 ,S0 g,
2 (t, S0 , y) + S0 S0 g, 2 (t, S0 , y)
2
S
= LS
, 2 g, 2 (t, S0 , y).
C
O
S
t g,
2 (t, S0 , y) =
R
S
Ainsi lquation satisfaite par u(t, S0 , f ) = E[f (St )|S0 ] = R+ g,
2 (t, S0 , y)f (y)dy est
S
t u(t, S0 , f ) = L,2 u(t, S0 , f ). Lopration de drivation sous lintgrale se justifie par le
thorme de drivation de Lebesgue, sous des hypothses appropries de croissance de ce qui
(y)|
apparat sous le signe intgrale. Il suffit par exemple que supy>0 |f
< + pour un p 0.
1+y p
U
E
P
O
LY
(y)|
> pour un p 0. La
Proposition 3.1.2 Considrons une fonction f avec supy>0 |f
1+y p
fonction (t, S0 ) 7 u(t, S0 , f ) = E[f (St )|S0 ] satisfait lquation aux drives partielles
(
pour (t, x) ]0, []0, [,
u0t (t, x, f ) = LS
, 2 u(t, x, f )
(3.1.5)
u(0, x, f ) = f (x) dans ]0, [.
De plus, si f est une fonction de classe Cb1,2 et U un temps darrt born, alors
t
0
E[LS
, 2 f (s, Ss ) + ft (s, Ss )]ds,
IQ
L
E
E[f (t, St )] =f (0, S0 ) +

E[f (U, SU )] =f (0, S0 ) + E

0
(LS
, 2 f (s, Ss ) + ft (s, Ss ))ds .
C
O
(3.1.7)
(3.1.6)
Formule dIt pour le mouvement brownien gomtrique
LY
T
3.1.3
Nous avons dj montr (3.1.5). Les quations (3.1.6) et (3.1.7) sobtiennent comme la
Proposition 2.2.3 et au Thorme 2.2.4.
Puisque St est une fonction du mouvement brownien Wt , f (St ) est aussi une fonction de
Wt . La dcomposition dIt de f (St ) sobtient donc immdiatement partir de la formule
dIt sur le brownien, en composant les fonctions (ou bien en appliquant la forme gnrale
du Thorme 2.6.3). On obtient ainsi
O
L
3.2. PROCESSUS DORNSTEIN-UHLENBECK
IQ
72
Thorme 3.1.3 (Formule dIt) Soit f C 1,2 (R+ R+ , R), une fonction continment
drivables une fois en t et deux fois en x. Alors avec probabilit 1, on a pour tout t 0
t
Z t
fx0 (s, Ss )Ss dWs +
[ft0 + LS
, 2 f ](s, Ss )ds
0
0
Z t
Z t
1
00
=f (0, S0 ) +
fx0 (s, Ss )dSs +
[ft0 (s, Ss ) + [Ss ]2 fxx
(s, Ss )]ds.
2
0
0
Z
Rt
0
(3.1.9)
fx0 (s, Ss )Ss dWs est une intgrale stochastique : cest la limite p.s. de
X
LY
Le terme
(3.1.8)
E
C
f (t, St ) =f (0, S0 ) +
fx0 (ti , Sti )Sti (Wti+1 Wti )
U
E
ti t
La forme intgrale (3.1.8) scrit aussi sous forme diffrentielle
IQ
le long de la subdivision dyadique dordre n. Lorsque f a des drives bornes, cette intgrale
stochastique est centre (comparer avec (3.1.6)).
(3.1.10)
E
C
3.2
E
C
d[f (t, St )] = fx0 (t, St )St dWt + [ft0 + LS

, 2 f ](t, St )dt.
Processus dOrnstein-Uhlenbeck
U
E
Le mouvement brownien physique ou processus dOrnstein-Uhlenbeck
3.2.1
O
LY
T
Revenons la physique et au mouvement brownien introduit par Einstein en 1905. Afin

de proposer une modlisation plus adquate du phnomne de diffusion des particules, nous
introduisons le processus dOrnstein-Uhlenbeck et ses principales proprits.
LY
IQ
Nous avons construit le mouvement brownien comme un modle pour une particule microscopique en suspension dans un liquide soumise lagitation thermique. Une critique
importante faite cette modlisation concerne lhypothse que les accroissements du dplacement sont indpendants, ignorant les effets de la vitesse de la particule au dbut de la
priode, dus linertie de la particule.
Introduisons la masse m de la particule et sa vitesse X(t).

La variation de la quantit de
mouvement mX(t + (t)) mX(t) est gale la rsistance du milieu pendant le temps t,
kX(t)t,
plus la variation de mouvement due aux chocs molculaires, quon peut supposer
accroissements indpendants, stationnaires, et donc associe un mouvement brownien
non normalis. Le processus ainsi modlis sappelle parfois le brownien physique.
P
O
Lquation des accroissements devient
m [X(t)]
= kX(t)t
+ mWt .
IQ
U
E
73
C
H
mX(t)
= mX(0)
+
Les trajectoires du mouvement brownien ntant pas diffrentiables, nous donnons un sens
une telle quation de manire intgrale
kX(s)ds
+ mWt .
0
P
O
LY
X(t)
est donc solution de lquation diffrentielle stochastique linaire (dite quation de
Langevin)
Z t
Vt = V0 a
Vs ds + Wt
0
Zt = V0 a
IQ
U
E
k
o a = m
. Nous ne savons pas a priori si cette quation admet une solution, puisque W nest
pas diffrentiable. Mais cette dernire difficult peut tre leve par un simple changement de
variable, en posant Zt = Vt Wt , qui nous conduit la nouvelle quation
(Zs + Ws )ds,
Zt = V0 eat
C
O
qui est une quation diffrentielle linaire ordinaire que lon peut rsoudre trajectoire par
trajectoire. La mthode de variation des constantes donne la reprsentation de lunique
solution de cette quation comme
aea(ts) Ws ds.
LY
La solution de lquation initiale est donc
Vt = V0 eat + Wt
aea(ts) Ws ds.
P
O
L
E
eas dWs = eat Wt
Vt = V0 eat +
ea(ts) dWs .
Proprits du processus dOrnstein-Uhlenbeck
3.2.2
aeas Ws ds.
C
O
On obtient ainsi
IQ
U
E
Cette dernire intgrale aussi se transformer par la formule dintgration par parties en une
intgrale de Wiener (voir Proposition 2.5.1) :
LY
T
Revenons lquation de Langevin et dcrivons les proprits du processus de vitesse

solution. Nous avons maintenant tous les lments pour tudier simplement ce nouveau
processus et montrer en quoi il diffre fondamentalement du mouvement brownien. Dans
toute la suite, nous supposons a > 0.
Thorme 3.2.1
O
L
IQ
74
dVt + aVt dt = dWt
1. Lquation de Langevin
(3.2.1)
E
C
possde pour toute condition initiale V0 donne, une solution unique donne par
Z t
Z t
Vt = V0 eat + Wt a
ea(ts) Ws ds = V0 eta +
ea(ts) dWs .
0
La f.a. continue V est appele processus dOrnstein-Uhlenbeck.
LY
2. Si V0 est une v.a. gaussienne indpendante de W , la f.a. V est un processus gaussien,

de paramtres
Var(Vt )
2
(1 e2at ),
2a
= ea(ts) Var(Vs )
pour t > s.
= Var(V0 )e2at +
Cov(Vt , Vs )
= E(V0 )ea t ,
U
E
E(Vt )
(3.2.2)
IQ
Cest un exemple de processus gaussien stationnaire, cest dire dont la fonction de

covariance est donne par
E
C
K O,U (s, t) = ea(ts) K O,U (s, s).
O
LY
T
E
C
3. Distribution invariante. En particulier, si la variable V0 est une v.a. gaussienne centre

2
et de variance Var(V0 ) = 2a , pour tout t Vt a mme distribution, qui est appele la
distribution invariante du processus dOrnstein-Uhlenbeck. La fonction de covariance
2
vaut alors K O,U (s, t) = ea(ts) 2a . On parle aussi dOrnstein-Uhlenbeck stationnaire.
U
E
4. Si V0 est une v.a. gaussienne indpendante de W , alors quand t +, E(Vt ) converge

2
vers 0, et Var(Vt ) converge vers
, et donc la v.a. Vt converge en loi vers la distri2a
bution invariante, qui est la distribution dquilibre.
IQ
Sur la figure 3.1, nous avons reprsent quelques trajectoires de ce processus, permettant
de visualiser le phnomne de retour moyenne nulle (les procdures de simulation sont
expliques au paragraphe A.4 en appendice).
Preuve:
P
O
LY
IQ
U
E
LY
E
C
IQ
O
LY
T
E
C
E
C
Figure 3.1 Trajectoires dOrnstein-Uhlenbeck avec V0 = 1, a = 2 et = 0.1.
U
E
IQ
Exemple. (Construction dun processus O.U. stationnaire.)
LY
P
O
75
IQ
76
O
LY
T
E
C
E
C
IQ
U
E
LY
E
C
EDP associe au processus dOrnstein-Uhlenbeck
3.2.3
U
E
Figure 3.2 Trajectoire de Xt = et B(e2t ).
IQ
Comme dans le cas du mouvement brownien, il est ais de dcrire lquation aux drives
partielles satisfaite par les fonctions v(t, x, f ) = E[f (Vt )|V0 = x].
Proposition 3.2.2 Loprateur elliptique associ au processus dOrnstein-Uhlenbeck est de

la forme
1
00
(t, x) axgx0 (t, x).
Lg(t, x) = 2 gxx
2
Pour une fonction f borlienne borne 1 donne, lEDP satisfaite par v(t, x, f ) = E[f (Vt )|V0 =
x] est
LY
vt0 (t, x, f ) = Lv(t, x, f ) pour (t, x) R+ R,
2
.
2a
positives C et
P
O
1. Cette condition peut tre relaxe en |f (x)| C exp
v(0, x, f ) = f (x) pour x R.

|x|2
2
pour tout x, avec des constantes
IQ
U
E
C
H
Preuve:
77
P
O
LY
C
O
IQ
U
E
U
E
Notes bibliographiques
P
O
LY
3.3.1
IQ
POUR EN SAVOIR PLUS
Equations diffrentielles stochastiques
LY
T
3.3
C
O
L
E
Le livre de Nelson [24] comporte une importante discussion sur le mouvement brownien
et le processus dOrnstein-Uhlenbeck, tant sur le plan des proprits mathmatiques que sur
leurs capacits modliser correctement le phnomne physique de diffusion des particules.
Dfinition
Nous commenons par donner une dfinition informelle des solutions dquation diffrentielle stochastique (EDS) qui gnralisent les quations diffrentielles ordinaires x0t = b(t, xt ).
O
L
IQ
U
E
78
3.3. EQUATIONS DIFFRENTIELLES STOCHASTIQUES
C
H
Dfinition 3.3.1 La f.a. relle (Xt )0tT est solution de lEDS avec point initial x, coefficient de drive b(, ) et coefficient de diffusion (, ) si pour t [0, T ]
Z t
Z t
(s, Xs )dWs
b(s, Xs )ds +
Xt = x +
0
o (Wt )t est un mouvement brownien standard rel.
La transformation de Lamperti (1964)
3.3.2
C
O
IQ
U
E
P
O
LY
Nous avons dj rencontr plusieurs exemples de telles quations :

mouvement brownien avec drive (dfinition 1.3.2) : prendre b(t, x) = b et (t, x) = .
mouvement brownien gomtrique (dfinition 3.1.1) : prendre b(t, x) = x et (t, x) =
x.
processus dOrnstein-Uhlenbeck (thorme 3.2.1) : prendre b(t, x) = ax et (t, x) =
.
Rsoudre une EDS (existence, unicit) avec des coefficients b et gnraux est possible sous
des conditions ad-hoc mais cela dpasse largement le cadre de ce livre. Ces questions sont
traites dans de nombreux ouvrages de calcul stochastique (voir par exemple [27]).
P
O
LY
Dans certains cas, la solution dune EDS se construit simplement partir du mouvement brownien, en se mettant sous la forme Xt = h(t, w0 + Wt ), cest--dire une fonction
du brownien (cest le cas par exemple du brownien gomtrique). Cela sobtient partir
dun changement de variables, connu dans ce contexte sous le nom de transformation de
Lamperti. Toutefois, cette situation nest pas gnrique et les solutions dEDS sont plutt
des fonctionnelles de la trajectoire brownienne comme le laisse deviner le cas du processus
Rt
dOrnstein-Uhlenbeck Vt = V0 eat + Wt a 0 ea(ts) Ws ds.
U
E
L
E
Thorme 3.3.2 (Rsolution, formule dIt, EDP) Soit une fonction 2 h : [0, T ]
R 7 E de classe C 1,2 et telle que pour tout t, la fonction y 7 h(t, y) est un diffomorphisme ; notons H(t, ) son inverse, de classe C 2 de E dans R. Alors pour tout x E,
IQ
Xt = h(t, H(0, x) + Wt )
Z
b(s, Xs )ds +
(s, Xs )dWs
Z
Xt = x +
C
O
est solution de lEDS
Lg(t, x) =
LY
T
avec b(t, y) = [h0t (t, ) + 21 h00xx (t, )] H(t, y) et (t, y) = [h0x (t, )] H(t, y). 3
Si de plus on dfinit L loprateur diffrentiel associ X par
1 2
00
(t, x)gxx
(t, x) + b(t, x)gx0 (t, x),
2
2. dans les exemples prcdents, E = R ou E = R+ .

R
3. Inversement, partant de (t, y), la fonction H est dfinie par H(t, x) = 0x
constante additive prs.
O
L
1
dy,
(t,y)
une
79
IQ
v(0, x, f ) = f (x) pour x E.
E
C
vt0 (t, x, f ) = Lv(t, x, f ) pour (t, x) R+ E,
alors pour toute fonction f support compact, lEDP satisfaite par v(t, x, f ) = E[f (Xt )|X0 =
x] est
Le processus X est variation quadratique finie et son crochet est gal

Z t
2 (Xs )ds.
hXit =
0
LY
La formule dIt applique X scrit :
1 00
fxx (t, Xt ) 2 (t, Xt ) + ft0 (t, Xt ))dt
2
+ fx0 (t, Xt )(t, Xt )dWt
IQ
= (ft0 + Lf )(t, Xt )dt + fx0 (t, Xt )(t, Xt )dWt .
E
C
E
C
Preuve:
U
E
df (t, Xt ) = (fx0 (t, Xt )b(Xt ) +
O
LY
T
IQ
U
E
P
O
LY
La dtermination de b et se fait comme pour le mouvement brownien gomtrique (voir

quation (3.1.3)), nous laissons la preuve en exercice.
Pour lEDP, il suffit de dterminer comme auparavant lEDP satisfaite par la densit
de transition p(t, x, y) de X. Elle sexprime explicitement laide de la densit gaussienne :
1
(y)[h(0,)]1 (x))
p(t, x, y) = g(t,[h(t,)]
. Lhypothse de support compact sur f permet de
[h0x (t,)][h(t,)]1 (y)
justifier facilement la drivation de v(t, x, f ).
3.3. EQUATIONS DIFFRENTIELLES STOCHASTIQUES
IQ
80
E
C
Le calcul du crochet seffectue par application de la Proposition 2.6.4, item 5). La formule
dIt dcoule de la formule gnrale (Thorme 2.6.3) ou de celle du brownien (Thorme
2.4.1) en diffrentiant les changements de variables.
Lien processus/EDP. Ce que nous pointons dans le thorme prcdent, cest un lien
La reprsentation de Doss (1977)
E
C
3.3.3
E
C
IQ
U
E
LY
systmatique entre la dynamique de X (via ses coefficients b et ) et les coefficients de loprateur L de lEDP associe. Nous lavions observ sur quelques exemples (comme lquation
de la chaleur et le brownien) ; lcrire dans un cadre gnral dEDS montre la gnricit de ce
lien. Ces reprsentations de solution dEDP sous forme desprance sont connues sous le nom
de formules de Feynman-Kac (voir Durrett [7] par exemple) et sont le point de dpart dinnombrables rflexions dordre thorique (techniques probabilistes pour obtenir des rsultats
sur les EDPs, ou bien techniques EDPistes pour avoir des informations sur les lois des processus) ou dordre numrique (utiliser des outils dterministes ou stochastiques pour calculer
la solution stochastique ou dterministe). Le cadre multidimensionnel (que nous ne dcrivons
pas ici) est similaire. Enfin, nous ferons aussi la lumire sur cette relation processus/EDP
dans le cadre du processus de Poisson (voir chapitre 4).
u0x (x, y) = (u(x, y)),
U
E
O
LY
T
Une autre technique de construction de solution dEDS en dimension 1 est celle de Doss.
La solution X est construite comme une fonctionnelle explicite du mouvement brownien,
laide dquation diffrentielle ordinaire (EDO). Pour cela, nous supposons que les coefficients
b et sont indpendants du temps, borns, deux fois continment drivables, drives bornes, de sorte que les quantits introduites ci-dessous sont bien dfinies (pour les hypothses
prcises, voir [27] par exemple).
Notons u(x, y) la solution lEDO ( y fix)
IQ
u(0, y) = y.
(3.3.1)
1
.
(x, y)
u0y (x, y) =
Cette solution est strictement croissante en y et permet de dfinir la fonction (x, y) par
(3.3.2)
Introduisons alors f (x, y) = (x, y)(b 12 0 )(u(x, y)), et notons (Yt )t le processus solution
de lEDO
Yt0 = f (Wt , Yt ), Y0 = X0 .
(3.3.3)
LY
Le rsultat est alors le suivant :
Thorme 3.3.3 Le processus (Xt := u(Wt , Yt ))t est solution de

t
P
O
Xt = X0 +
b(Xs )ds +
(Xs )dWs .
0
IQ
U
E
81
C
H
On peut aussi vrifier que ce processus est variation quadratique finie. Les expressions de
son crochet et sa formule dIt sont identiques celles donnes au Thorme 3.3.2.
Preuve:
IQ
U
E
P
O
LY
N
H
LY
C
O
Exercices
IQ
L
E
3.4
U
E
P
O
C
O
Exercice 3.1 Un calcul fondamental de la finance de march sur les variables

log-normales.
LY
T
O
L
IQ
U
E
82
3.4. EXERCICES
C
H
P
O
LY
IQ
U
E
Exercice 3.2 Processus dOrnstein-Uhlenbeck avec coefficients inhomognes en

temps.
C
O
U
E
P
O
LY
C
O
IQ
L
E
Exercice 3.3
LY
T
O
L
E
C
IQ
LY
U
E
Exercice 3.4
E
C
IQ
O
LY
T
E
C
P
O
LY
IQ
U
E
83
3.4. EXERCICES
P
O
LY
IQ
U
E
O
LY
T
E
C
E
C
IQ
U
E
LY
E
C
IQ
84
85
E
C
IQ
CHAPITRE 4. PROCESSUS SAUTS
LY
Chapitre 4
IQ
U
E
Processus sauts
E
C
O
LY
T
4.1
E
C
Dans ce chapitre, nous tudions les processus sauts les plus simples, savoir les processus de Poisson composs. Nous nous restreignons aux intensits de saut indpendantes
du temps. Nous insistons sur les transformations exponentielles, qui permettent didentifier
les lois marginales, ou qui seront la base des changements de probabilit du chapitre 5. Du
point de vue modlisation, nous introduisons ensuite des modles mixtes superposant des
sauts et une partie brownienne. Enfin, comme dans le cas brownien, nous tablissons une
formule dIt et le lien avec les EDPs.
Processus de Poisson compos
U
E
Nous rappelons quun processus de Poisson (Nt )t de paramtre > 0 est un processus
de comptage dfini par
X
Nt =
1Tk t
k1
IQ
o les v.a. (Tk Tk1 )k0 sont des v.a. i.i.d. de loi exponentielle E() (par convention T0 = 0).
Cest un processus continu droite avec des limites gauche (on utilise souvent lacronyme
cdlg). On utilise aussi la dfinition suivante, qui est quivalente.
Dfinition 4.1.1 Processus de Poisson. (Nt )t est un processus de Poisson de paramtre

> 0 si
N0 = 0 ;
N est un processus accroissements indpendants ;
pour t > s, Nt Ns est une variable de Poisson de paramtre (t s) :
[(t s)]k
.
k!
N est le prototype de processus sauts (sauts de taille 1 uniquement). Il est intressant de
pouvoir considrer des sauts plus gnraux, damplitude alatoire relle de loi dcrite 1 par la
P
O
LY
P(Nt Ns = k) = e(ts)
1. on suppose dans la suite ({0}) = 0, cest--dire que les sauts sont diffrents de 0 ! !
4.1. PROCESSUS DE POISSON COMPOS
IQ
86
mesure de probabilit (dy). Cela conduit la dfinition du processus de Poisson compos :
E
C
Nt
X
Dfinition 4.1.2 Processus de Poisson compos. (Xt )t est un processus de Poisson

compos de caractristiques (, ) si
Xt =
Yi
i=1
LY
avec (Yi )i des v.a. i.i.d. de loi , N un processus de Poisson de paramtre > 0, (Yi )i et N
tant indpendants.
Le rsultat suivant caractrise compltement la loi du processus X.
U
E
Proposition 4.1.3 (Xt )t est un processus accroissements indpendants et stationnaires.

La loi de Xt est donne par sa fonction caractristique : pour u R, on a
1)
IQ
iuY
E(eiuXt ) = etE(e
En particulier, si Y est desprance finie, on a
E
C
E(Xt ) = tE(Y ).
E
C
Si Y est de variance finie, on a
Preuve:
U
E
O
LY
T
Var(Xt ) = tE(Y 2 ).
LY
IQ
P
O
IQ
U
E
87
C
H
Pour une fonction f donne, dfinissons
Nt
X
f (Yk ).
(4.1.1)
P
O
LY
Xt (f ) :=
k=1
Proposition 4.1.4 Pour tout u R et toute fonction f , on a

iuf (Y )
1)
Modle mixte brownien-Poisson
4.2
C
O
E(eiuXt (f ) ) = etE(e
IQ
U
E
Clairement, (Xt (f ))t est un processus de Poisson compos, avec des sauts damplitude f (Y ).
De la proposition 4.1.3, on obtient donc
Dfinitions
P
O
4.2.1
LY
Souvent, les phnomnes stochastiques modliser en finance sont la juxtaposition de

priodes trajectoires continues (de type mouvement brownien), intercales par des sauts
reprsentant des chocs imprvus (modliss par les sauts dun processus de Poisson compos).
Dans ce paragraphe, nous dfinissons de tels modles mixtes et donnons quelques-unes de
leurs proprits.
U
E
Nt
X
Yi ,
i=1
C
O
Xt = x + t + Wt +
IQ
L
E
Dfinition 4.2.1 (Modle mixte brownien-Poisson arithmtique) Un processus mixte

brownien-Poisson arithmtique de caractristiques (, , , ) scrit sous la forme
LY
T
3. les deux processus sont indpendants.
1. (Wt )t est un mouvement brownien standard ;

P t
2. ( N
i=1 Yi )t est un processus de Poisson compos avec intensit de saut et loi commune
pour les sauts (Yi )i ;
Ce modle correspond la simple superposition dun mouvement brownien et dun processus de Poisson compos. Cest encore un processus accroissements indpendants et
stationnaires. En passant lexponentielle, on obtient le processus mixte brownien-Poisson
gomtrique.
O
L
4.2. MODLE MIXTE BROWNIEN-POISSON
IQ
88
E
C
Dfinition 4.2.2 (Modle mixte brownien-Poisson gomtrique) Un processus mixte

brownien-Poisson gomtrique de caractristiques (, , , ) scrit sous la forme
!
Nt
X
1 2
St = S0 exp ( )t + Wt +
ln(1 + Yi )
(4.2.1)
2
i=1
o
LY

P t
2. ( N
i=1 ln(1 + Yi ))t est un processus de Poisson compos avec intensit de saut et loi
commune pour les sauts (Yi )i ;
3. les deux processus sont indpendants.
U
E
On suppose que Yi > 1 p.s. (autrement dit, le support de la mesure est dans ] 1, [).

Y
Nt
1
St = S0 exp ( 2 )t + Wt
(1 + Yi ).
2
i=1
(4.2.2)
E
C
IQ
On peut crire aussi
O
LY
T
4.2.2
E
C
Interprtons cette identit lorsque S modlise le cours dun titre financier. Entre deux sauts,
le titre se comporte comme un mouvement brownien gomtrique. A des intervalles de temps
de loi exponentielle de paramtre (correspondant par exemple larrive dinformations
importantes dans le march), le titre varie de Yi % (pour rendre compte de limpact de ces
informations).
Proprits
U
E
Nous nonons maintenant des rsultats sur les deux premiers moments et les proprits
de martingales de ces modles mixtes. La proprit de martingales est importante pour les
aspects valorisation de produits financiers (voir Chapitre 7).
E(Xt ) = x + t + tE(Y ),
IQ
Proposition 4.2.3 (Proprits dans le modle mixte brownien-Poisson arithmtique) Supposons que Y ait les deux premiers moments finis. Dans un tel modle, les
P t
moyenne et variance de Xt = x + t + Wt + N
i=1 Yi sont donnes par
Var(Xt ) = 2 t + tE(Y 2 ).
LY
De plus, (Xt )t est martingale (dans sa filtration naturelle) si et seulement si + E(Y ) = 0.
P
O
Preuve:
89
IQ
E
C
U
E
LY
N
E
C
E
C
IQ
O
LY
T
Proposition 4.2.4 (Proprits dans le modle mixte brownien-Poisson gomtrique) Supposons que Y ait les deux
finis. Dans un tel modle, les
premiers moments P
1 2
t
moyenne et variance de St = S0 exp ( 2 )t + Wt + N
sont donnes
i=1 ln(1 + Yi )
par
Var(St ) = [E(St )]2 et(
+E(Y 2 ))
U
E
E(St ) = S0 et(+E(Y )) ,

1 .
Preuve:
IQ
De plus, (St )t est une martingale (dans sa filtration naturelle) si et seulement si +E(Y ) =
0.
P
O
LY
4.3. QUATION DE LA CHALEUR INTGRO-DIFFRENTIELLE
IQ
90
E
C
IQ
U
E
LY
quation de la chaleur avec noyau intgrodiffrentiel
E
C
E
C
4.3
4.3.1
O
LY
T
Lobjectif de ce paragraphe est de mettre en vidence la connexion entre esprance de

processus et EDP. Pour cela, nous nonons des rsultats de type formule dIt en esprance
(voir Proposition 2.2.3 dans le cas brownien).
Modle mixte brownien-Poisson arithmtique
Xt = x + t + Wt +
Nt
X
Yi .
IQ
U
E
Ici, nous considrons le cas o le processus X est la somme dun mouvement brownien
avec drive et coefficient de diffusion , et dun processus de Poisson compos de caractristiques (, ) (avec indpendance des 2 processus) :
i=1
(4.3.1)
Pour exhiber le lien avec les EDPs, nous ntudions dabord que la partie avec sauts ( =
= 0).
Proposition 4.3.1 Si X est un processus de Poisson compos (, ) issu de x, alors pour

toute fonction 2 f Cb1,0 on a
Z t

Z
0
E(f (t, Xt )) = f (0, x) + E
ft (s, Xs ) + (f (s, Xs + y) f (s, Xs ))(dy) ds .
0
LY
(4.3.2)
P
O
2. si la mesure intgre toute fonction croissance exponentielle en linfini, alors on peut relcher la condition de bornitude sur f et sa drive en temps en une condition de croissance sousexponentielle en linfini.
91
IQ
E
C
Preuve:
LY
IQ
U
E
O
LY
T
E
C
E
C
IQ
U
E
Thorme 4.3.2 Si X est un processus mixte brownien-Poisson arithmtique de type

(4.3.1), alors pour toute fonction 3 f Cb1,2 on a
Z t
1
00
(s, Xs )
E(f (t, Xt )) = f (0, x) + E
ft0 (s, Xs ) + fx0 (s, Xs ) + 2 fxx
2
0

Z
+ (f (s, Xs + y) f (s, Xs ))(dy) ds .
(4.3.3)
LY
Remarque 4.3.3 Cest la gnralisation de ce que nous avons obtenu individuellement pour
le mouvement brownien (galit (2.2.10)) et pour le processus de Poisson compos (galit
(4.3.2)).
Comme pour le thorme 2.2.4, on peut remplacer dans le rsultat prcdent le temps t dterministe par un temps darrt U born.
Preuve:
P
O
3. l encore, on peut relcher les conditions de croissance sur f en fonction dhypothse supplmentaire sur .
4.3. QUATION DE LA CHALEUR INTGRO-DIFFRENTIELLE
IQ
92
LY
E
C
IQ
U
E
E
C
E
C
O
LY
T
Nous pouvons maintenant reprsenter la solution dEDP intgro-diffrentielle comme

esprance de fonction de processus mixte brownien-Poisson. La nouvelle qualification intgrodiffrentielle provient de la prsence du terme intgral en (dy).
u0t (t, x) + u0x (t, x) + 2 u00xx (t, x) ru(t, x)
Z
2
+ (u(t, x + y) u(t, x))(dy) = 0

R
u(T, x) = g(x)
IQ
U
E
Corollaire 4.3.4 (Formule de Feynman-Kac) Si u est une fonction de classe Cb1,2 solution de lEDP intgro-diffrentielle
pour x R,
C
rT
g(x + T + WT +
NT
X
!
Yi ) .
i=1
LY
u(0, x) = E e
alors
pour (t, x) ]0, T [R,
P
O
Preuve:
IQ
U
E
93
C
H
IQ
U
E
P
O
LY
N
H
Modle mixte brownien-Poisson gomtrique
LY
4.3.2
C
O
L
E
U
E
P
O
Par un changement de variable exponentielle St = exp(Xt ) (en changeant un peu la

forme des sauts et de la tendance), on dduit lanalogue des rsultats prcdents dans le
cadre qui nous intresse en finance. Nous nonons les rsultats sans preuve.
IQ

Y
Nt
1
St = S0 exp ( 2 )t + Wt
(1 + Yi ),
2
i=1
C
O
Thorme 4.3.5 Si S est un processus mixte brownien-Poisson gomtrique (, , , )
Z
1
00
ft0 (s, Ss ) + Ss fx0 (s, Ss ) + 2 Ss2 fxx
(s, Ss )
2
0

Z
+ (f (s, Ss (1 + y)) f (s, Ss ))(dy) ds .
LY
T
E(f (t, St )) = f (0, S0 ) + E
alors pour toute fonction f Cb1,2 on a
Corollaire 4.3.6 (Formule de Feynman-Kac) Si u est une fonction de classe Cb1,2 so-
O
L
IQ
U
E
94
4.4. FORMULE DIT
lution de lEDP intgro-diffrentielle
C
H
u0t (t, x) + xu0x (t, x) + 2 x2 u00xx (t, x) ru(t, x)
Z
2
+ (u(t, x(1 + y)) u(t, x))(dy) = 0

R
u(T, x) = g(x)
pour (t, x) ]0, T []0, [,
pour x ]0, [,
P
O
LY
alors

u(0, S0 ) = E erT g(ST ) .
Formule dIt
IQ
U
E
4.4
Notations sur les sauts
4.4.1
C
O
Nous passons maintenant de la dcomposition temporelle en esprance de f (t, Yt ) (o

Y = X ou Y = S) une dcomposition temporelle trajectorielle : cest la formule dIt.
Nous avons besoin de notations pralables spcifiques aux processus saut.
LY
Dfinition 4.4.1 Un processus (Zt )t est dit cdlg (continu droite avec des limites
gauche) si avec probabilit 1, pour tout t on a
limst Zs = Zt ;
la limite limst Zs existe : on la note Zt .
Le saut en t est dfini par Zt = Zt Zt .
C
O
IQ
L
E
U
E
P
O
Les processus mixtes brownien-Poisson arithmtiques et gomtriques sont des exemples

typiques de processus cdlg.
P t
Dans le cas arithmtique Xt = x + t + Wt + N
i=1 Yi , on a Xt = Yi si t est le
i-ime instant de saut.
QNt
Dans le cas gomtrique St = S0 exp ( 21 2 )t + Wt
i=1 (1 + Yi ), on a St =
St Yi si t est le i-ime instant de saut.
Si (Ti )i1 dsigne la suite des instants de sauts (avec la convention T0 = 0), on dfinit Y
tout instant par
Yt = Yi pour t ]Ti1 , Ti ],
(4.4.1)
4.4.2
LY
T
et Y0 = 0. On notera que Y est continu gauche. Avec ces notations, on a Xt = Yt et

St = St Yt .
Formule dIt
Nous commenons par dfinir lintgrale par rapport au processus de Poisson (Nt )t .
Comme N est un processus croissant, nous avons juste besoin dune intgrale au sens de
Riemann-Stieljes.
O
L
IQ
U
E
95
]r,t]
C
H
Dfinition 4.4.2 (Intgrale par rapport au processus de Poisson) Si (gt )t est une
fonction continue gauche, alors pour tout 0 r t
Z
X
X
g(Ti )1r<Ti t .
(4.4.2)
g(s)Ns =
g(s)dNs =
i1
r<st
Preuve:
]0,t]
IQ
U
E
P
O
LY
Proposition 4.4.3 (Formule dIt pour le processus de Poisson compos) ConsiP t

drons f : (t, x) R+ R une fonction de classe C 1,0 et Xt = x + N
i=1 Yi : alors
Z t
Z
f (t, Xt ) = f (0, x) +
ft0 (s, Xs )ds +
(f (s, Xs + Ys ) f (s, Xs ))dNs .
C
O
P
O
LY
IQ
L
E
C
O
E
U
E
LY
T
Remarque 4.4.4 Dans la formule dIt ci-dessus, crire Xs ou Xs dans lintgrale en ds

na pas dimportance, car les deux processus diffrent seulement aux instants de sauts qui sont
en quantit dnombrable (en fait finie ici) donc ngligeables pour la mesure de Lebesgue. Par
contre, cest crucial dcrire Xs dans lintgrale en dNs comme on peut sen rendre compte
dans la preuve.
Si X comporte en plus une partie Brownienne, alors on utilise la mme dcomposition tlescopique, mais entre deux instants de sauts, on applique la formule dIt pour le mouvement
brownien avec drive (corollaire 2.4.2). Cela donne :
O
L
IQ
U
E
96
4.4. FORMULE DIT
C
H
Thorme 4.4.5 (Formule dIt pour le processus mixte brownien-Poisson arithmtique) Considrons f : (t, x) R+ R une fonction de classe C 1,2 et Xt = x + t +
P t
Wt + N
i=1 Yi : alors avec probabilit 1, on a pour tout t 0
Z t
1
00
f (t, Xt ) =f (0, x) +
(ft0 (s, Xs ) + fx0 (s, Xs ) + 2 fxx
(s, Xs ))ds
2
0
Z
Z t
(f (s, Xs + Ys ) f (s, Xs ))dNs .
fx0 (s, Xs )dWs +
+
]0,t]
P
O
LY
Lintgrale stochastique par rapport W est la limite de

X 0
fx (ti , Xti )(Wti+1 Wti )
ti t
IQ
U
E
En comparant la formule trajectorielle prcdente avec celle en esprance (galit (4.3.3)),

on observe que si f Cb1,2 , alors
Applications au processus mixte brownien-Poisson gomtrique
4.4.3
C
O
1. lintgrale stochastique par rapport W est desprance nulle ;

Rt R

2. celle par rapport N a pour esprance E 0 R (f (s, Xs + y) f (s, Xs ))(dy)ds .
]0,t]
dSt
= dt + dWt + Yt dNt .
St
(4.4.3)
IQ
L
E
ou de manire quivalente
U
E
P
O
LY
Appliquons le rsultat qui prcde la fonction f (t, x) = exp(x) pour dduire la dcomposition dIt de S. On obtient
QNt
Corollaire 4.4.6 Soit St = exp ( 12 2 )t + Wt
i=1 (1 + Yi ) un processus mixte
brownien-Poisson gomtrique de caractristiques (, , , ). Alors
Z t
Z t
Z
St = S0 +
Ss ds +
Ss dWs +
Ss Ys dNs
LY
T
C
O
A partir du Thorme (4.4.5) on peut aussi dduire la dcomposition dIt de v(t, St )

(par composition de fonctions f (t, x) = v(t, exp(x)) et en ajustant la tendance et les sauts
de X).
QNt
Corollaire 4.4.7 Soit St = exp ( 21 2 )t + Wt
i=1 (1 + Yi ) un processus mixte
brownien-Poisson gomtrique de caractristiques (, , , ). Alors pour v : (t, x) R+ R+
une fonction de classe C 1,2 , on a
1
2
00
dv(t, St ) = (vt0 (t, St )+St vx0 (t, St ) + 2 St
vxx
(t, St ))dt + St vx0 (t, St )dWt
2
+ (v(t, St (1 + Yt )) v(t, St ))dNt .
(4.4.4)
Cest tout fait lanalogue de la dcomposition du Thorme 3.1.3 laquelle on ajoute la

contribution des sauts. Cest galement comparer avec la version en esprance (Thorme
4.3.5).
O
L
E
IQ
Exercices
4.5
E
C
Exercice 4.1 Superposition de processus de Poisson compos.
U
E
LY
E
C
IQ
P
O
LY
IQ
U
E
O
LY
T
E
C
97
4.5. EXERCICES
P
O
LY
IQ
U
E
O
LY
T
E
C
E
C
IQ
U
E
LY
E
C
IQ
98
IQ
U
E
99
C
H
CHAPITRE 5. CHANGEMENTS DE PROBABILIT
P
O
LY
Chapitre 5
IQ
U
E
Changements de probabilit
5.1.1
Gnralits
LY
T
5.1
C
O
IQ
L
E
U
E
P
O
LY
C
O
Les changements de probabilit sont dun usage courant en statistique et probabilit. La

thorie de lestimation par maximum de vraisemblance repose sur ltude des densits du
modle paramtrique par rapport une probabilit de rfrence. Cette fonction qui sappelle
la vraisemblance traduit le taux de dpendance du modle par rapport aux paramtres.
Dans les modles discrets, les changements de probabilit sont frquents, mais ils correspondent des transformations tellement simples, quil nest pas vraiment ncessaire de les
noncer comme telles. Toutefois, ils jouent un rle important dans les techniques de rduction
de variance dans les mthodes de Monte-Carlo (voir le paragraphe A.4 sur les simulations).
Les applications les plus spectaculaires apparaissent dans la thorie des espaces gaussiens,
du processus de Poisson, et plus gnralement dans ltude des martingales. De nombreuses
proprits des solutions dquations diffrentielles stochastiques en dcoulent.
La finance est un des domaines appliqus qui utilise le plus les changements de probabilit. Harrison et Pliska (1981,1983) [12, 13] les premiers ont montr limportance de cette
technique, qui est maintenant bien connue dans les salles de march : pour valuer les prix
de contrats financiers, on calcule des esprances sous une probabilit "risque-neutre", qui est
seulement quivalent la probabili historique de dpart. Au chapitre 7, nous reviendrons
sur ces aspects fondamentaux en finance de march.
Ce chapitre prsente dabord des gnralits sur les changements de probabilits, puis
nous tudions le cas des processus gaussiens et processus de Poisson.
Notions lmentaires et exemples
Nous travaillons sur un espace de probabilit de rfrence (, F, P). Ce peut tre lespace correspondant une des hypothses dun test statistique. En finance, cest lespace dit
"univers historique", en rfrence auquel on fait les tests statistiques.
O
L
5.1. GNRALITS
IQ
100
si A F .
Dfinition 5.1.1 Une probabilit Q sur lespace (, F) dfinit un changement de probabilit

(par rapport P), sil existe une v.a. Y , positive, telle que
E
C
Q(A) = E[Y 1A ]
(5.1.1)
La v.a. Y sappelle la densit ou la vraisemblance de Q par rapport P. On note en gnral

dQ = Y dP,
ou
ou
dQ
= Y.
dP
LY
Q = Y P,
On dira que les probabilits P et Q sont quivalentes, si la v.a. Y est strictement positive P
p.s., ce qui entrane que P est un changement de probabilit par rapport Q, de densit Y 1 .
IQ
U
E
Remarquons que pour Q soit une mesure de probabilit (de masse 1), il est ncessaire que
EP (Y ) = 1. Rciproquement, avec la contrainte de positivit, cette condition est suffisante
pour dfinir une mesure de probabilit Q.
Lorsque les probabilits sont quivalentes, la densit Y est souvent reprsente sous la
forme de eZ , o Z sappelle la log-vraisemblance.
E
C
Exemples
E
C
1. Le modle de Bernoulli.
U
E
O
LY
T
N
H
IQ
P
O
LY
2. Le modle binomial.
101
E
C
IQ
LY
IQ
U
E
E
C
Remarquons quavec ces exemples de changement de probabilit, la variance est modifie, ce

qui sera aussi le cas dans le modle poissonnien, mais pas forcment dans le modle gaussien.
Changement de probabilit et changement de tribus
E
C
5.1.2
IQ
U
E
O
LY
T
Il arrive frquemment que nous ayons calculer les probabilits dvnements qui ne
dpendent que dune partie de linformation a priori disponible. Dans le cas o interviennent
des probabilits quivalentes, il est important de prciser comment sont modifies les densits
dans ce contexte.
Nous prcisons le cadre mathmatique de cette tude : les vnements que nous souhaitons valuer sont mesurables par rapport une sous-tribu G de F. Dautre part, Q est une
probabilit quivalente P sur F, de densit Y , F-mesurable.
On dsigne par EP [Z|G] lesprance conditionnelle dune v.a. Z positive ou intgrable, par
rapport la sous-tribu G, cest dire lunique v.a. une galit p.s. prs, G-mesurable, qui
vrifie :
C G,
EP [Z1C ] = EP [EP [Z|G]1C ].
Thorme 5.1.2 Sous les hypothses prcdentes, la restriction de la probabilit Q la tribu

G admet une densit par rapport P, donne par
Y 1 = EP [Y |G].
EP [ZY |G]
EP [Y |G]
0
0
= 0.
P
O
avec la convention habituelle que
LY
EQ [Z|G] =
La rgle de Bayes donne le calcul de lesprance conditionnelle,
Preuve:
5.2. MODLES GAUSSIENS
IQ
102
LY
E
C
IQ
U
E
E
C
E
C
Le cas des gaussiennes relles
U
E
5.2.1
Modles gaussiens
5.2
O
LY
T
IQ
Dans les modles gaussiens, il existe des changements de probabilit qui conservent le
caractre gaussien des v.a. Ceci est vident dans le cas dune gaussienne relle partir de la
forme de la densit.
2 2
].
2
Y = exp[(U m)
Proposition 5.2.1 (Changement de probabilit et de moyenne) Soit U une v.a. gaussienne de moyenne m = mP et de variance 2 > 0 sous P. Posons
LY
Y est une v.a. positive, desprance 1, qui dfinit une nouvelle probabilit Q, sous laquelle U
est une v.a. gaussienne de variance 2 , et de moyenne
P
O
mQ = mP + 2 .
Preuve:
(5.2.1)
103
IQ
LY
E
C
IQ
U
E
E
C
E
C
O
LY
T
Les changements de probabilit dont les log-vraisemblances sont des polynmes dordre 2
conservent aussi le caractre gaussien, mais modifient la fois lesprance et la variance,
comme le montre le rsultat suivant.
IQ
2 2
exp[(U m)2 + (U m)
Q ].
Q
2
Y =
U
E
Proposition 5.2.2 (Changement de probabilit et de moyenne/variance) Soit U

une v.a. gaussienne de moyenne m = mP et de variance 2 = P2 > 0 sous P. Pour
2
] , 21 2 [ et R, posons Q2 = 12
2 > 0 et
Y est une v.a. positive, desprance 1, qui dfinit une nouvelle probabilit Q, sous laquelle U
est une v.a. gaussienne de variance Q2 , et de moyenne mQ = mP + Q2 .
LY
Preuve:
P
O
IQ
U
E
C
H
104
P
O
LY
IQ
U
E
C
O
LY
Dans la suite, concernant les changements de probabilit gaussienne, nous nous restreignons
au cas o seule la moyenne est modifie ( = 0). Ce choix se justifie par le fait que concernant
le mouvement brownien, seules les moyennes sont modifiables par changement de probabilit
(voir Thorme 5.2.4 ci-aprs). Nous mentionnons toutefois que le changement de variances
pour les vecteurs gaussiens est possible et a des applications en simulation dvnements
rares par chantillonnage prfrentiel (voir paragraphe A.4).
Changement de probabilit et changement de variable
IQ
L
E
U
E
P
O
Une autre manire dinterprter les rsultats prcdents est la suivante. Dans le cadre
de la Proposition 5.2.1, la variable alatoire translate U + 2 sous la probabilit P est
gaussienne, de variance 2 et de moyenne mP + 2 = mQ . Elle a donc la mme loi que la
v.a. U sous la probabilit Q.
De manire plus explicite, cela signifie que pour toute fonction f (borlienne) positive
2 2
)f (U )].
(5.2.2)
2
Ainsi le calcul de toute esprance relative la v.a (U + 2 ) se ramne au calcul dune
esprance relative la v.a U . Sans changer la v.a. U , en pondrant sa distribution dun
poids donn par Y , on peut modifier sa moyenne. Ce point est particulirement important
dans certaines expriences de statistique ou dans certains calculs mens par des mthodes
de Monte-Carlo.
5.2.2
LY
T
C
O
EP [f (U + 2 )] = EQ [f (U )] = EP [exp((U m)
Le cas vectoriel
Nous nous intressons maintenant la manire dont le mme changement de probabilit

transforme la loi dun vecteur gaussien. Le caractre gaussien est conserv, ainsi que la
matrice de variance/covariance, mais les moyennes sont modifies.
O
L
IQ
U
E
105
1
VarP (U ))
2
C
H
Y = exp(U EP (U )
Proposition 5.2.3 Soit (X1 , X2 ...Xn , U ) un vecteur gaussien. Sous la probabilit Q, de

densit Y par rapport P, o
le vecteur (X1 , X2 ...Xn ) est gaussien, de mme matrice de covariance sous P et sous Q, et
de vecteur des esprances
P
O
LY
EQ [Xi ] = CovP (Xi , U ) + EP [Xi ].

En particulier, pour toute fonction f borlienne positive,
N
H
LY
C
O
Preuve:
IQ
U
E
EP [f (X1 + CovP (X1 , U )........, Xn + CovP (Xn , U ))] = EQ [f (X1 , X2 ..., Xn )]

1
EP [exp(U E(U ) VarP (U ))f (X1 , X2 ..., Xn )].
2
IQ
L
E
U
E
P
O
5.2.3
H
LY
T
C
O
La formule de Cameron-Martin
Les applications de ce thorme sont trs nombreuses. Lexemple le plus spectaculaire

est celui du mouvement brownien, que nous dcrivons ci-dessous.
O
L
IQ
106
E
C
Thorme 5.2.4 (Formule de Cameron-Martin) Soit {Wt ; t R+ } un mouvement

brownien standard, par rapport une probabilit P, et f une fonction continment drivable sur [0, T ].
RT
RT
La v.a. LT = exp[ 0 f (s)dWs 12 0 f 2 (s)ds] est une densit de probabilit, qui dfinit une nouvelle probabilit Q par rapport laquelle la fonction alatoire {WtQ = Wt
Z tT
f (s)ds; t R+ } est un mouvement brownien.
0
U
E
LY
En dautres termes, sous Q le mouvement brownien W se reprsente comme une f.a dIt de
dcomposition
Z tT
f (s)ds.
Wt = WtQ +
E
C
IQ
Nous nonons ce rsultat pour des fonctions f drivables, car cest pour de telles fonctions
RT
que nous avons contruit en dtail lintgrale de Wiener 0 f (s)dWs . Mais nous savons (voir
les remarques aprs la proprit 2.5.1) que cette intgrale a un sens si f est seulement une
fonction de L2 ([0, T ], dt) : cest sous cette hypothse minimale que la formule de CameronMartin est connue.
O
LY
T
E
C
Preuve:
U
E
LY
IQ
P
O
En particulier, pour toute fonction F dfinie sur lespace des fonctions continues, nous avons
que
.T
107
IQ
f (s)ds)] = EP [LT F (W. )]
EP [F (W. +
E
C
Exemple. tude du sup dun mouvement brownien dcentr.

ct = Wt + bt sur [0, T ], il suffit de connatre la loi du
Pour tudier la loi du sup de W
couple (WT , suptT Wt ). En effet, daprs la formule de Cameron-Martin,
1 2T
P(sup(Wt + bt) x) = EP [ebWT 2 b
1suptT Wt x ].
LY
tT
U
E
Un exemple dapplication statistique
5.2.4
Extensions. Le thorme 5.2.4 stend immdiatement au cas multidimensionnel en

considrant un brownien d-dimensionel et un vecteur ligne f .
LY
IQ
U
E
O
LY
T
E
C
E
C
IQ
Supposons que m(.) reprsente un signal temporel (dterministe) intressant, susceptible

dtre prsent ou absent tandis que W reprsente un bruit additif. La modlisation de cette
situation conduit videmment considrer les deux fonctions alatoires W correspondant
un bruit pur, et m(.) + W. correspondant un "signal utile", plong dans un bruit. La
probabilit P donne la loi du bruit.
Lobservateur de son ct na accs qu lune de ces deux fonctions alatoires dont il observe
une trajectoire = (t ; t [0, T ]), et en gnral, il ignore laquelle des deux fonctions est en
jeu, son problme tant prcisment de le dtecter.
Aussi, au lieu de considrer les deux fonctions alatoires W et X = m(.) + W. dont la loi est
mesure par la seule probabilit P, il lui est quivalent de considrer quil observe une seule
fonction alatoire X, qui modlise son observation, sous deux probabilits diffrentes. Ainsi
la trajectoire observe possde une probabilit a priori dtre observe gale P(d) ou
Q(d) suivant les cas.
Supposons que W est un processus de Wiener sous P, et m(t) la primitive dune fonction
Rt
(.) de carr intgrable, de telle sorte que m(t) = 0 (s)ds. La fonction m(t) est associe
RT
la covariance de la variable U = 0 (s)dWs avec le mouvement brownien (Wt )t avec une
covariance donne par CovP (U, Wt ) = m(t).
Z
Z T
1 T 2
Sous la probabilit Q = LT P, o LT = exp[
(s)ds], W est un
(s)dWs
2 0
0
processus dcentr, dont le paramtre de dcentralit est m(.).
La vraisemblance associe lobservation de est donne par LT , qui vaut 1 sil ny a
pas de signal, et qui peut tre trs grand sil y a effectivement un signal. On en dduit une
rgle de dcision, base sur cette remarque :
au vu de lobservation , on dcide que le signal tait prsent si
Z T
Z
1
1 T 2
1
U=
(s)dWs > VarP (U ) =
(s)ds = 2 .
(5.2.3)
2
2 0
2
0
P
O
Cette rgle nest pas infaillible ! Si le signal m(.) est rellement absent, la probabilit de
prendre une mauvaise dcision vaut
1
p := P[U > VarP (U )]
(5.2.4)
2
IQ
108
1
VarP (U )]
2
(5.2.5)
q := Q[U
tandis que si le signal m est rellement prsent, la probabilit derreur vaut
E
C
puisque suivant les cas, cest la probabilit P ou Q qui rgit lexprience.

Ces deux probabilits
Z
T
2 (s)ds, qui dpend non
se calculent facilement en fonction de la variance de U , 2 =
plus de m directement mais du carr de ses variations au cours du temps.
U
E
LY
Proposition 5.2.5 Les probabilits p et q sont gales N ( ), o N est la fonction de

2
rpartition de la loi normale
Z x
y2
1
e 2 dy.
N (x) =
2
E
C
E
C
Preuve:
IQ
En particulier, pour que la rgle de dcision soit satisfaisante (p, q 5%) il suffit que 4.
O
LY
T
IQ
U
E
LY
P
O
Notons que pour le test soit rellement efficace, il faut que la drive du signal lui-mme
RT
ait une norme dans L2 ([0, T ], dt), i.e. 0 2 (s)ds, suffisamment grande.
E
IQ
109
Modles poissonniens
5.3
E
C
Nous en venons maintenant au changement de probabilit pour les processus de Poisson

compos. Comme dans le cas brownien, les changements de probabilit possibles sont nombreux et nous nen dcrivons quun certain type, connu sous le nom de transformation de
Esscher.
LY
Thorme 5.3.1 Transformation de Esscher. Soit X un processus de Poisson compos

R
de caractristiques (, ) et f une fonction borlienne tels que R ef (y) (dy) = E(ef (Y ) ) <
+. Soit (Ft )0tT la filtration gnre par (Xt )0tT . La v.a.
Z
LT = exp[XT (f ) (ef (y) 1)T (dy)]
R
IQ
U
E
est une densit de probabilit sur FT , qui dfinit une nouvelle probabilit Q (quivalente P)
par rapport laquelle (Xt )0tT est un processus de Poisson compos de caractristiques
Z

ef (y) (dy)
(Q , Q ) = ef (y) (dy), R f (y)
.
e
(dy)
R
R
E
C
Ainsi, ce changement de probabilit modifie lintensit des sauts et la loi des sauts.
O
LY
T
E
C
Preuve:
U
E
LY
IQ
P
O
5.4. MODLES MIXTES BROWNIENS-POISSON
Modles mixtes browniens-Poisson
5.4
IQ
110
E
C
Nous terminons le chapitre en prcisant comment changer de probabilits dans un modle

mixte brownien-Poisson.
LY
Thorme 5.4.1 Soit X un processus de Poisson compos de caractristiques (, ) et W

un mouvement brownien standard indpendant de X. On dsigne par (Ft )0tT la filtraR
tion gnre par (Xt , Wt )0tT . Soit f une fonction borlienne tels que R ef (y) (dy) =
E(ef (Y ) ) < + et g une fonction de carr intgrable sur [0, T ]. La variable alatoire
Z T

Z
Z
1 T 2
g(s)dWs
LT = exp
g (s)ds exp XT (f ) (ef (y) 1)T (dy)
2 0
0
R
U
E
est une densit de probabilit sur FT , qui dfinit une nouvelle probabilit Q (quivalente P)
par rapport laquelle :
2. (WtQ = Wt
g(s)ds)0tT est un mouvement brownien standard ;

0
E
C
E
C
IQ
1. (Xt )0tT est un processus de Poisson compos de caractristiques

Z

ef (y) (dy)
(Q , Q ) = ef (y) (dy), R f (y)
;
e
(dy)
R
R
O
LY
T
3. les deux processus X et W sont indpendants.
Preuve:
IQ
U
E
P
O
LY
IQ
U
E
C
H
E
Exercices
5.5
111
IQ
U
E
P
O
LY
Exercice 5.1 Application du thorme de Cameron-Martin au mouvement brownien avec drift constant.
N
H
LY
C
O
IQ
L
E
U
E
P
O
N
H
LY
T
C
O
Exercice 5.2 F A propos de certains polynmes du mouvement brownien.
O
L
5.5. EXERCICES
IQ
112
LY
E
C
U
E
Exercice 5.3 F Formule de symtrie Call-Put (avec les prrequis du chapitre 7).
E
C
IQ
O
LY
T
E
C
P
O
LY
IQ
U
E
113
E
C
IQ
CHAPITRE 6. MARCHS FINANCIERS ET PRODUITS DRIVS
LY
Chapitre 6
E
C
IQ
U
E
Marchs financiers et produits

drivs
O
LY
T
E
C
Ce chapitre constitue une introduction descriptive aux marchs financiers et aux produits
drivs, retraant brivement leurs volutions depuis leurs origines jusqu nos jours. Un
produit driv est un produit financier, dfini partir dun autre produit financier plus
simple appel sous-jacent comme par exemple une action, un indice, une devise, une matire
premire ou un taux dintrt pour les sous-jacents les plus naturels. Le produit driv le
plus simple est le contrat terme o un acheteur et un vendeur sentendent pour changer
une date fixe un sous-jacent un prix dtermin lavance. Le contrat optionnel, ou option,
est une autre catgorie de produit driv, expliqu ultrieurement.
IQ
U
E
Dans cette prsentation, il sagit aussi de discuter de lutilit et de lutilisation des produits drivs dans les sphres conomique et financire : pourquoi et par qui sont-ils utiliss ?
Il y a de nombreux ouvrages sur le sujet ; ici nous nous inspirons du livre remarquable de
Chabardes et Delclaux [5], il est vrai peu rcent, mais pourtant combien en prise avec
lactualit dans son analyse.
P
O
LY
Evidemment, dans cette description, nous ne restons pas indiffrents la crise que nous
traversons, depuis lexplosion des sub-primes lt 2007. Ce contexte difficile nous permet
de mieux illustrer limportance des hypothses de modlisation et de calcul do drivent
les outils stochastiques pour la gestion dynamique des risques financiers. En effet, cette
priode de crise a mis jour des risques souvent sous-estims (risque de liquidit, risque
systmique. . .), risques qui en priode normale paraissent effectivement marginaux, mais qui
en situation extrme prennent une place essentielle vis--vis des risques de march (cest-dire de fluctuations habituelles des cours financiers). A la fin du chapitre, nous discuterons
des hypothses de modlisation et calcul, la lumire de la crise actuelle. Globalement, les
outils prsents dans cet ouvrage rpondent de manire satisfaisante aux problmatiques de
gestion des produits drivs, dans des priodes normales.
6.1. UN PEU DHISTOIRE
6.1.1
Un peu dhistoire
De lAntiquit au XIXe sicle
6.1
IQ
114
Le bouleversement des annes 70
IQ
6.1.2
U
E
O
LY
T
E
C
E
C
IQ
U
E
LY
E
C
Les premires formes des produits drivs remontent aux origines de lAntiquit : ils
portaient essentiellement sur les produits agricoles. Dans son roman Sinouh lgyptien
(1945) bas sur des recherches historiques minutieuses, Mika Waltari rapporte lexistence
des contrats terme sur les matires agricoles lpoque du pharaon Akhnaton (quatorze
sicles avant Jsus-Christ) : on pouvait acheter et vendre le bl, avant mme le dbut de la
semaille. Dans Les Politiques, Aristote raconte que le mathmaticien et philosophe grec Thals de Milet, dont chacun connat le clbre thorme, serait lauteur de la premire grande
spculation, sept sicles avant Jsus-Christ, concernant les olives. Par ses connaissances en
astronomie, il anticipa ds lhiver que la rcolte suivante serait abondante ; alors il loua
bon prix tous les pressoirs de Milet et de Chios, avant de les sous-louer le temps venu aux
trs nombreux cultivateurs, imposant un prix lev. Cet exemple illustre lutilit des calculs
de prvision des fins conomiques. Un autre exemple de produit driv remonte aux temps
des Romains, qui finanaient de grands travaux par la vente dobligations garanties par des
terres publiques. Bien plus tard, au XVIIe sicle en Hollande, le commerce de bulbes de
tulipe tait trs actif. A chaque printemps, le prix des bulbes pouvait varier fortement la
hausse ou la baisse, selon que lhiver prcdent avait t froid ou doux. Au lieu de proposer
seulement des achats/ventes terme des bulbes, les ngociants innovrent en introduisant
les premires options de vente donnant le droit (et non lobligation) de vendre les bulbes
une date fixe et un prix convenu lavance. Mais suite un hiver particulirement doux
conduisant leffondrement des prix des bulbes, les producteurs exercrent avantageusement
leurs options de vente. Dans limpossibilit dhonorer les prix garantis, les ngociateurs furent
rapidement ruins, mettant fin ce march doptions. Mentionnons aussi lexistence ds le
XVIIe sicle des marchs terme sur le riz au Japon, ou sur le bl et le btail aux USA ds
le XIXe sicle.
P
O
LY
Jusqu la fin des annes 60, les produits drivs sont crits surtout sur les matires
premires et agricoles, dans des volumes infimes compars ceux qui sont changs aujourdhui. Ce sont les accords de Bretton Woods de 1944 qui instaurent un systme de parit
entre lor et le dollar amricain, et une stabilit des taux de change entre les principales
monnaies mondiales. Mais ce systme est abandonn en 1971, rendant instables les taux de
change. Les dsquilibres macro-conomiques qui en rsultent conduisent des tensions sur
les taux dintrt, devenant leur tour volatiles. A la fin des annes 60, les fluctuations des
taux de change et des taux dintrt sont comparables, voire suprieures celles des cours
des matires premires. Par ailleurs le 1er choc ptrolier de 1973 contribue lui aussi des
variations importantes des cours des matires premires.
Ceci est concomitant avec une volont politique internationale douverture et de drglementation. Ainsi, le monde bascule rapidement dans un environnement financier drgul
et drglement. Les entreprises industrielles et commerciales sont soumises des risques
115
IQ
IQ
U
E
O
LY
T
E
C
E
C
IQ
U
E
LY
E
C
accrus, lis par exemple aux taux de change trs variables : cette situation dincertitude
croissante est inconfortable, tout particulirement lorsque recettes et dpenses sont libelles
dans des monnaies diffrentes (disons Dollar et Euro si on se replace dans le contexte actuel). Pour les aider et plus gnralement pour permettre aux compagnies dassurance et aux
banques de couvrir ces nouveaux risques, ont t crs des marchs organiss, les autorisant
intervenir massivement pour changer des produits assurant contre les variations des taux
de change par exemple.
Les premiers marchs de contrats terme sur taux dintrt, portant sur des titres
revenus fixes, obligations du Trsor et contrats 90 jours en dollars ont t crs en 1977
et 1981 Chicago. Maintenant toutes les maturits sont facilement ngocies. En 1982,
Kanzas City souvre le premier march sur indices boursiers. En dehors des Etats-Unis, des
marchs de taux voient le jour dans les diffrentes places. A Londres, le LIFFE ouvre en
1982, Paris, le MATIF en 1986. Progressivement se dveloppent des marchs proposant
de nouveaux produits, en particulier les options ngociables. En 1973 est cr Chicago le
premier march doptions, le Chicago Board Options Exchange, qui connait rapidement un
grand succs. Mais le nombre de sous-jacents et de produits traits reste pendant longtemps
trs limit par les autorits de surveillance. Lexcellent livre de Y. Simon [31], sur les marchs
de drivs, vous permettra dapprofondir cette priode passionnante, qui voit la naissance et
lessor des marchs de nouveaux instruments financiers, dits produits drivs.
LY
Figure 6.1 A gauche, nombre de transistors prsents dans les processeurs Intel. A
droite, volume journalier de transactions (moyenn sur 1 mois) des titres composant
lindice Dow Jones Industrial Average. Priode : 1970-2010. Les axes des ordonnes
sont en chelle logarithmique.
P
O
Mentionnons enfin le facteur technologique qui a accompagn et rendu possible lmergence de ces nouveaux marchs et nouveaux instruments financiers. Les progrs informa-
6.2. PRODUITS DRIVS
IQ
116
LY
E
C
tiques, concernant tant les aspects communication que stockage des donnes ou bien puissance de calculs, ont donn des moyens appropris pour traiter linformation lie aux masses
considrables de transactions et aux calculs complexes des produits drivs. Dailleurs, les
institutions financires sont de grands clients des constructeurs informatiques. Sur les graphes
de la Figure 6.1 avec laxe des ordonnes en chelle logarithmique, le lecteur remarquera la
similitude entre les croissances exponentielles de la puissance des ordinateurs (ici mesure en
nombre de transistors, illustrant la loi de Moore 1 ) et celles des volumes changs de titres
composant le clbre indice Dow Jones.
U
E
6.2.1
Produits drivs
Un peu de typologie
6.2
E
C
IQ
En gnral, ils sont dcrits par un chancier donnant les dates de paiement des flux
financiers qui caractrisent le contrat. Dans les cas simples, il y a une seule date ; dans les cas
plus avancs et notamment sur les taux dintrt, les dates sont multiples (trimestrielles). La
fin du contrat est appele la maturit ou chance. Les produits drivs sont essentiellement
de deux types.
LY
IQ
U
E
O
LY
T
E
C
1. Les contrats terme. A la signature, lacheteur et le vendeur conviennent de

lchange une date ou un chancier donn dun sous-jacent un prix fix. Du
point de vue des risques tout au long de la vie du contrat, la situation est symtrique
pour lacheteur ou le vendeur, chaque pouvant supporter des pertes. Lchange peut
seffectuer avec livraison physique du sous-jacent (physical settlement), ou bien avec
rglement montaire de lquivalent financier (cash settlement), nous ne rentrerons pas
dans ces dtails. Les exemples de tels contrats sont :
les contrats forwards. Ce sont des contrats de gr gr (Over The Counter ou OTC).
Le prix dchange fix signature est rgl maturit, en change du sous-jacent.
Lexemple du bl au temps des gyptiens, cit au dbut du chapitre, rentre dans ce
cadre. Ils taient utiliss de manire rgulire en 1860 Chicago pour le commerce
des crales et Londres pour celui des mtaux.
les contrats futures. Le principe est analogue aux contrats forwards, mais la diffrence principale tient au fait que ce sont des contrats standardiss changs sur des
marchs organiss. La cration des chambres de compensation fut une innovation
majeure qui favorisa lessor de ces marchs. En prsence dune chambre de compensation ds que deux oprateurs (disons A et B) ont ngoci la vente ou lachat dun
contrat, la transaction est enregistre par lorganisme qui se substitue lacheteur
et au vendeur et devient ainsi leur unique contrepartie. Cela permet lacteur A
de pouvoir revendre son contrat un autre intervenant, C par exemple, sans avoir
rechercher la contrepartie B avec laquelle il avait initialement ngoci. En compensation, la chambre de compensation exige des garanties financires de chaque
P
O
1. qui prdisait dans les annes 60 que le nombre de transistors par circuit doublerait environ
tous les 2 ans.
117
IQ
LY
E
C
contrepartie, pour que le contrat puisse tre honor. Des appels de marge sont raliss quotidiennement pour rgulariser les ventuelles pertes de chacun. Ce systme
assure une trs grande scurit aux intervenants. Il favorise la liquidit.
les swaps. Ces contrats de gr gr permettent dchanger un sous-jacent un
prix fixe, tout le long dun chancier donn. Typiquement, par un swap de taux
dintrt, on changera le paiement de taux variable contre un taux fixe, sur un
nominal donn. Les swaps ont fait leur apparition en France au milieu des annes
80.
E
C
IQ
U
E
2. Les options. Contre le paiement dune prime, lacheteur doption a le droit (mais
pas lobligation) dacheter (ou de vendre selon le sens de loption) un sous-jacent
un prix convenu dans le contrat optionnel. Loption dachat standard dit Call est le
prototype des options les plus utilises et elle servira de base pour le dveloppement
des chapitres suivants sur la gestion des risques. Illustrons celle-ci dans le contexte
voqu prcdemment dune entreprise cherchant se protger contre la hausse du
taux de change Dollar/Euro. Notons St la valeur de ce taux de change la date t
(1 $ = St e ). Lentreprise, dtentrice du Call, aura le droit dacheter 1 $ au prix
dexercice de K e (K, appel aussi strike, est une caractristique fixe du contrat)
lchance future T fixe. Deux cas de figure se prsentent lchance.
E
C
(a) Si 1 $ vaut moins que K e , alors lentreprise na pas intrt exercer son droit
et il est prfrable pour elle dacheter directement 1 $ sur le march des changes.
Dans ce cas, le gain confr lentreprise en T via le contrat optionnel est nul.
O
LY
T
(b) Si au contraire ST > K, il vaut mieux exercer le droit acheter 1$ au prix K e,

ce qui quivaut recevoir un flux financier gal ST K e (diffrence entre le
cours rel et le cours garanti).
U
E
Ces deux cas de figure peuvent se rsumer pour lentreprise dtentrice du Call recevoir
en T un montant gal max(0, ST K) := (ST K)+ e . Dans le cas dune option
de vente (Put) donnant un droit de vente, lquivalent montaire pour le dtenteur du
Put est max(K ST , 0) := (K ST )+ e .
IQ
Autrement dit, une option est une assurance contre les mouvements dfavorables du
prix du sous-jacent. Cette assurance a un cot (appel la prime) que lentreprise verse
initialement ( la date 0 disons) au vendeur de loption.
Mais encore. . .
6.2.2
Sur cet exemple, il apparat clair que du point de vue des risques, la situation est
dissymtrique entre acheteur et vendeur doption. Lacheteur ne peut rien perdre
maturit, alors que le vendeur peut devoir faire face une hausse dfavorable (ou
baisse) des cours dans le cas dun Call (ou Put).
P
O
LY
De tels contrats Call et Put sont trs usuels entre intervenants du march : on les appelle
options vanilles, en rfrence au parfum de glaces quon trouve de partout. A linverse, les
options les moins standards (souvent OTC) sont appeles options exotiques. Leur flux
maturit revt des formes diffrentes do elles tirent leur noms. On peut citer par exemple :
6.2. PRODUITS DRIVS
IQ
118
P
O
LY
IQ
U
E
O
LY
T
E
C
E
C
IQ
U
E
LY
E
C
les options digitales. Leur exercice donne un flux constant selon que le sous-jacent est
au-dessus ou en dessous du prix dexercice. Cest un produit trs risqu (fort effet de
levier), car prs de lchance et du prix dexercice, le contrat peut valoir rapidement
tout ou rien.
les options barrires. Leur sont attachs des droits dexercice dpendant dune clause
supplmentaire lie au fait que le sous-jacent a dpass, la hausse ou la baisse, un
certain niveau prdfini, appel barrire. Nous tudions leurs valorisations au Chapitre
9. Elles sont trs utilises sur les marchs des changes. Du fait de la barrire, elles sont
en gnral moins chres que loption vanille associe.
les options asiatiques. Leur flux chance dpend de la moyenne du sous-jacent sur
une priode. De ce fait, elles sont moins sensibles aux variations du sous-jacent. Elles
sont courantes dans les marchs des commodits.
les options lookback dpendent du minimum et maximum du sous-jacent, cela en fait
des options chres en gnral. Nous en valoriserons certaines au Chapitre 9.
les options quanto. Leur sous-jacent est libell dans une devise et le flux de loption
est rgl dans une autre devise.
De plus, les options avec exercice date fixe sont dites exercice europen, alors que lexercice
est dit amricain quand il peut intervenir tout moment, au choix du dtenteur. Dans cet
ouvrage, nous ntudierons que le premier type dexercice.
Alors que les contrats de gr gr (OTC) sont signs directement entre deux intervenants, avec des caractristiques sur mesure rsultant de lentente des deux parties, les autres
produits (futures et options standards) sont changs sur des marchs organiss. Leurs caractristiques sont moins varies (ce sont des produits dits lists), ce qui a pour effet positif
de concentrer les changes sur ces produits et en augmenter ainsi la liquidit. Dans ces
marchs organiss, les prix dchange sont connus de tous, ce qui fournit de la transparence
aux intervenants. Par ailleurs, un systme de chambre de compensation garantit que chaque
contrepartie assurera ses engagements : cela carte ainsi le risque de contrepartie.
Les sous-jacents peuvent tre eux aussi classifis en grande catgorie :
march de taux dintrt, avec comme sous-jacent des taux dintrt 3 mois ou 10 ans,
des taux de swap, des obligations, etc. . . ;
march de changes (ou FOREX pour FOReign EXchange), avec comme sous-jacent
des devises ;
march dactions (ou Equity), prenant les actions et indices comme sous-jacent ;
march des matires premires (mtaux, ptrole, crales, etc. . .).
Cette classification nest pas stricte. Il est frquent que les produits soient dcrits travers
plusieurs marchs. Prenons deux exemples :
un fonds formule, produit commercialement destin aux particuliers, offre au souscripteur au bout de quelques annes un gain li la performance dun panier dactions
ou dindices internationaux, avec une clause de garantie plancher de type obligataire.
Clairement, ce produit mlange des composantes actions, devises et taux dintrt.
une obligation convertible est un instrument de dette dune entreprise : lobligation
peut tre convertie en action, mlangeant ainsi des problmatiques actions et taux
dintrt. En fait, ce type de produit intgre une dimension nouvelle par rapport ce
119
IQ
Les drivs de crdit
6.2.3
LY
E
C
que nous avons dcrit, savoir le risque de contre-partie. En effet, il est possible que
lentreprise fasse faillite, et ne puisse pas rembourser tout ou partie de sa dette ; pour
les entreprises fragiles, ce risque est mme trs important. Ce risque-l, appel risque
de crdit, est de nature diffrente du risque march dcrit auparavant (risque li aux
fluctuations des cours) : par exemple, on peut se couvrir naturellement contre la hausse
future du dollar, en achetant aujourdhui du dollar, rduisant ainsi son exposition au
risque. Face un risque de dfaillance, la couverture est plus complexe, et parfois
mme impossible.
U
E
E
C
O
LY
T
Utilisation et utilit des produits drivs
6.2.4
E
C
IQ
U
E
Prcisment, un nouveau march du risque du crdit sest dvelopp la fin des annes 90, aux USA puis en Europe, pour rpondre aux besoins de transfert et de couverture
des risques de dfaillance. Les produits de base sont les CDS (Credit Default Swap), qui
permettent en change du paiement dun taux fixe sur un certain nominal de recevoir un
montant de ce nominal en cas de dfaillance dune entreprise. Mais rapidement bien dautres
produits drivs voient le jour (Collateralized Debt Obligations, Asset Back Securities, Credit Link Notes, etc. . .). Cela se dveloppe vitesse exponentielle 2 , aid par un mcanisme
sophistiqu de titrisation, qui permet de passer du contexte de dfaillance dentreprises
un cadre bien plus gnral de dfaillance. Ainsi, sans rentrer dans le dtail du montage, on
peut raliser un dcoupage de risques varis, puis un transfert des investisseurs potentiels sous forme de titres financiers (titrisation). Ainsi, dans Le Monde du 5 novembre 2005,
lit-on quAxa sest dcharg dune partie de ses risques sur lassurance automobile via ce
mcanisme de titrisation. On apprend en juin 2006 que lUnedic a fait de mme avec ses
futures cotisations dassurance-chmage. Les exemples sont nombreux, sortant de la sphre
strictement financire pour toucher toute la sphre conomique.
LY
IQ
Les produits drivs sont utiliss de deux manires.

La couverture du risque. Dans lexemple prcdent de lentreprise internationale
expos la hausse du dollar contre leuro, lacquisition dun produit driv va lui
permettre de simmuniser contre ce risque. Les produits drivs sont aussi utiliss
par des professionnels (traders) pour se constituer des couvertures sur mesure face
certains risques.
Linvestissement et la spculation. Le sens du terme spculateur mrite dtre
clarifi car il peut tre compris de plusieurs manires. Dans le sens courant, le spculateur fait plutt rfrence un individu qui joue en bourse, en prenant des risques
ventuellement importants ; nous sommes ici dans le registre du jeu, voire de la loterie.
Dans le milieu financier, le spculateur se dfinit diffremment : cest un individu qui,
P
O
2. La British Bankers Association (http ://www.bba.org.uk/publications/books-reportssubscriptions) indique dans son rapport 2003/2004 une augmentation vertigineuse des produits drivs de crdit sur la priode 1997-2004. Le montant nominal estim des risques assurs passe de 180
milliards de dollars 5021 milliards de dollars !
6.3. LE VENDEUR DOPTIONS : QUELLE GESTION DU RISQUE ?
IQ
120
E
C
O
LY
T
U
E
Le vendeur doptions : quelle gestion du risque ?
6.3
E
C
IQ
U
E
LY
E
C
partir danticipations ou prvisions conomiques et financires, va prendre des dcisions dinvestissement, en misant un montant faible et en attendant des plus-values
substantielles. Cest typiquement lactivit des socits de gestion.
Concernant les produis drivs, une de leurs caractristiques est davoir en gnral un
fort effet de levier : une fois verse la prime initiale, les gains (et pertes) maturit
peuvent tre trs importants en regard du montant de la prime. Ces produits offrent
un rendement potentiellement lev, mais aussi un risque tout aussi lev. Pour des
intervenants ayant des anticipations dvolution spcifique de cours (les spculateurs),
ce sont des outils naturels dinvestissement.
Quelques facettes de leur utilit ont t illustres travers les exemples mentionns
prcdemment.
Transfert des risques. Une entreprise expose au risque de change pourra trouver
intrt transfrer ce risque une contrepartie spcialise dans la gestion des risques.
Cest trs facile raliser par un produit driv. Les marchs organiss permettent
plus gnralement aux intervenants dchanger des risques, parfois dans lintrt des
deux parties.
Economie de fonds propres. Par ces mcanismes de transfert, les entreprises
peuvent se recentrer sur leurs activits industrielles et commerciales spcifiques, en
se dchargeant des risques dont elles ne sont pas spcialistes. Elles dgagent ainsi des
rserves qui peuvent tre rinvesties dans leur activit principale.
Spcialisation des investisseurs. Par les produis drivs, les investisseurs peuvent
transfrer des risques quils ne souhaitent pas grer, et ainsi se concentrer dans des
secteurs prcis pour lesquels ils dveloppent des comptences aigus.
Effet de levier pour spculateurs. Comme indiqu prcdemment, les spculateurs
la recherche de produits rendement lev, trouveront dans les produits drivs des
solutions ad-hoc.
IQ
Nous en venons maintenant la mthodologie de gestion dynamique de risque, par

exemple lie la vente dune option. Deux questions se posent aux intervenants de ces
marchs :
1. quel est le prix de tel contrat optionnel (ce qui dtermine le montant de la prime
que lacheteur doit verser au vendeur la signature du contrat) ? Cest la question de
valorisation.
2. quelle attitude doit adopter le vendeur une fois quil a vendu un tel produit et ainsi
endoss ( la place de lacheteur) le risque dune hausse du taux de change dollar/euro
maturit ? Cest la question de couverture du risque.
P
O
LY
En fait, nous verrons au Chapitre 7 que ces deux problmes sont trs lis et nous les rsoudrons simultanment. Comment couvrir un risque, comment diversifier une exposition ? Si
Bachelier avait tabli ds 1900 dans sa thse 3 [1] la connexion entre le prix de ce type dins-
3. Louis Bachelier, Thorie de la spculation, thse soutenue la Sorbonne en 1900.
121
IQ
Les hypothses sous-tendant une gestion dynamique efficace
IQ
6.4
U
E
O
LY
T
E
C
E
C
IQ
U
E
LY
E
C
truments financiers et des calculs probabilistes associs certains processus stochastiques,

la question de la couverture du risque na t vraiment rsolue quavec les travaux [2] [21]
de Black, Scholes et Merton 4 en 1973.
Diversification statique. lpoque, lide de diversification du risque est dj dans
lair, grce aux travaux pionniers de Markovitz 5 en 1952 sur loptimisation de portefeuille :
il propose une diversification statique du risque, fonde sur un grand nombre dactifs. Markovitz dfinit une allocation optimale, en lien avec une frontire efficiente dans le plan rendement/risque. La problmatique est encore diffrente en assurance de sinistres : la diversification sappuie sur le grand nombre dassurs (modliss comme indpendants pour faire agir
la loi des grands nombres et le thorme de la limite centrale). Mais ce type de diversification
ne peut tre la rponse adquate pour le vendeur dune option, car il na couvrir quun
seul contrat sur un seul sous-jacent.
Diversification dynamique. Le point de vue novateur de Black, Scholes et Merton,
qui constitue encore aujourdhui la cl de vote de la finance moderne, consiste diversifier
le risque sur le temps de manire infinitsimale (entre aujourdhui et lchance), cest--dire
mettre en uvre une stratgie dinvestissement dynamique. Pour le Call sur le taux de
change, cela se ralise en achetant ou en vendant des Dollars chaque instant. Le miracle est
complet lorsque Black, Scholes et Merton aboutissent lexistence dune stratgie dynamique
optimale, qui supprime tous les risques possibles dans tous les scnarii de march. Ce sera
dtaill au Chapitre 7.
Ce pas de gant a rendu possible lexplosion des nouveaux marchs organiss, dont nous
avons vu que le premier dentre eux souvre Chicago en 1973 (le CBOE, Chicago BOard
Options Exchange), suivi rapidement par bien dautres, aux tats-Unis dabord (Chicago,
Philadelphie, . . .), puis partout. La France embote le pas et cre le MATIF en 1986 (MArch
Terme International de France) puis le MONEP en 1987 (March des Options Ngociables
de Paris). Les progrs technologiques (informatique, communications...) et thoriques (mathmatiques) ont aussi largement favoris ces dveloppements spectaculaires.
LY
Nous insistons ds maintenant sur les hypothses de la mthodologie qui va tre prsente
dans les chapitres suivants, car prcisment, la crise financire actuelle illustre concrtement
le sens de ces hypothses et laisse bien voir ce qui peut se passer si lune de ces hypothses
nest plus valable. Dans cette discussion, il ne sagit pas de dmontrer que ce cadre mthodologique rend toute application impossible, mais au contraire que cette mthodologie
fonctionne bien dans des situations de march normales. En rsum, il y a des prcautions
dusage, qui sont parfois oublies par les praticiens.
P
O
4. pour cela, les deux derniers ont reu le Prix Nobel dconomie en 1997 (Black est mort en
1995).
5. Prix Nobel dconomie en 1990.
6.4. HYPOTHSES DE LA GESTION DYNAMIQUE EFFICACE
IQ
122
Le jeu dhypothses de travail est celui dun march sans friction, savoir :
1. il ny a pas de cots de transaction ;
2. il ny pas dimpts ou taxes (sur les transactions, ou les plus values) ;
E
C
3. il ny a pas dcart entre prix dachat et prix de vente des titres (fourchette de prix
nulle) ;
4. les transactions sont instantanes ;
LY
5. les titres ngociables sont trs liquides et indfiniment fractionnables ;

6. il ny a pas de restriction sur les ventes dcouvert ;
U
E
7. les participants du march sont preneurs de prix (ils ninfluencent pas les prix par leurs
achats et ventes).
IQ
Du cot de lanalyse mathmatique, la remise en cause dune ou partie de ces conditions fait
lobjet de recherches actuelles qui dpassent largement le niveau de cet ouvrage. Discutons
plutt de la validit de ces hypothses en pratique.
E
C
1.2. Labsence de cots de transaction est manifestement fausse pour les particuliers. En
revanche, les professionnels des salles de march, par lintermdiaire daccords globaux
entre eux, ne supportent pas de cots de transaction concernant les marchs liquides.
E
C
Concernant les taxes ou impts, leur prise en compte concernant les plus-values serait
possible. La prise en compte au niveau de chaque transaction relverait de la mme
problmatique que celle des cots de transaction.
IQ
U
E
O
LY
T
3.4.5. Les hypothses 3 5 traduisent une caractristique de grande liquidit du march.

En effet, sil y a beaucoup dintervenants actifs sur un march, on peut considrer
que le prix de vente demand par les vendeurs galise tout instant le prix dachat
des acheteurs, donnant lieu ainsi un seul prix. Sur le march des changes qui est le
plus liquide, cette hypothse est tout fait pertinente, les cours de change sont cots
avec plusieurs chiffres aprs la virgule. Pour dautres marchs, la ralit peut tre
lgrement diffrente : la fourchette de prix nest pas exactement nulle, puisque les
prix cots sont arrondis, au centime deuro par exemple ; nanmoins lapproximation
reste excellente pour les marchs trs liquides. Signalons enfin que cette hypothse
de fourchette quasi-nulle sest retrouve plusieurs fois en dfaut depuis le dbut de la
crise. Une illustration de ce phnomne est donne sur la Figure 6.2 : on y voit un saut
des taux interbancaires pendant lt 2007, indiquant la prfrence accrue des banques
pour conserver leurs liquidits horizon 3 mois.
Linstantanit des transactions est une hypothse idalise traduisant que le dlai
entre la prise de dcision dachat/vente et lachat/vente lui-mme est extrmement
court, de sorte que les prix nont pas eu le temps de varier. A la vue des progrs
technologiques, on peut considrer cette hypothse relativement bien satisfaite.
P
O
LY
Enfin, lindfinie fractionnabilit des titres est une hypothse mathmatique, qui permet de dfinir des stratgies de couverture comportant des nombres rels arbitraires de
titres ngociables. En pratique, seul un nombre entier de titres (ou un nombre dcimal
dans le cas de parts dOPCVM par exemple) est possible. Mais pour des portefeuilles
123
IQ
U
E
LY
E
C
IQ
O
LY
T
E
C
E
C
Figure 6.2 Diffrence hebdomadaire entre le taux EURIBOR 3 mois (taux de prt
moyen 3 mois, entre banques de la zone euro) et le taux EONIA (taux de prt interbancaire sur 24 heures), au cours de lanne 2007. Les deux augmentations en mars et
juin 2007 correspondent deux hausses des taux directeurs de la Banque Centrale Europenne de 0.25%. En dehors de ces anticipations, cette diffrence EURIBOR 3 mois
/ EONIA se situe autour de 0.1%. La hausse importante pendant lt 2007 indique
une rticence des banques se prter entre elles horizon de quelques mois, marquant
un manque de liquidit. Source : Euribor-EBF (http ://www.euribor-ebf.eu/).
U
E
de taille importante, ces approximations darrondi nont pas beaucoup dimpact. Cette
hypothse de fractionnabilit est donc raliste.
IQ
En revanche, la trs grande liquidit suppose des titres signifie galement quil ny
pas deffet de taille du portefeuille de couverture : le prix dune option donnant fois
le flux FT est gal fois le prix de loption donnant le flux FT . Cest vrai si est de
grandeur raisonnable, mais videmment faux si est ce point grand quon atteint
des tailles comparables aux actifs du march. En dautres termes, des produits drivs
de nominal trs grand sont, toutes choses gales par ailleurs, beaucoup plus dlicats
couvrir que ceux de nominal faible. Quand on examine la Figure 6.3 relatant les
positions des produits drivs et leur volution au fil des annes, on veut bien croire
que le risque de liquidit devient de plus en plus palpable au fil du temps et que la
croissance du march des drivs finit par devenir elle-mme une nouvelle source de
risques quand des tailles critiques sont atteintes.
LY
Par ailleurs, un autre effet indirect de la croissance des volumes des produits drivs
a t une moindre surveillance des risques associs chacun.
P
O
6. Cette hypothse est importante : elle assure une cohrence des prix et des stratgies de
couverture. Cela supporte la rgle de linarit de valorisation de produits financiers :
6.4. HYPOTHSES DE LA GESTION DYNAMIQUE EFFICACE
IQ
U
E
LY
E
C
IQ
124
E
C
E
C
Figure 6.3 Evolution des positions (en milliers de milliards de dollars US) sur les
marchs des produits drivs de gr gr, pendant la priode 1986-2007. Sources :
[5] et BIS Quaterly review, Dec 2007, International banking and financial market
developments (http ://www.bis.org).
O
LY
T
si un produit driv donne un flux FT1 , un second FT2 , leur diffrence de prix est le prix
du produit driv de flux FT1 FT2 . Cela justifie aussi que deux stratgies ayant mme
flux maturit se valorisent de la mme manire aujourdhui (prendre FT1 = FT2 dans
le raisonnement prcdent). Cest le fondement de la rgle de prix unique pour tout
produit financier (ou dabsence dopportunit darbitrage).
IQ
U
E
Voici une autre illustration plus concrte : pour se couvrir contre la baisse dune action,
il est ncessaire de vendre maintenant laction pour simmuniser contre la baisse future
possible. Ainsi, interdire les ventes dcouvert ne permet plus de couvrir les Puts, et
ce nest quun exemple. A certains moments forts de la crise, la vente dcouvert a t
interdite, dans le but denrayer la baisse des cours. Leffet secondaire tait de limiter
les couvertures possibles des risques.
7. Etre preneur de prix indique quon na pas dinfluence sur le march : cest le cas dun
petit investisseur. Cette hypothse est en lien avec la taille des nominaux couvrir,
dj mentionne. Elle est donc raliste tant que les nominaux des produits drivs sont
raisonnables.
P
O
LY
Nous esprons quen ayant rappel ces prcautions dusage, le lecteur cernera mieux
les limites dapplication de la mthodologie que nous allons dvelopper dans les chapitres
suivants.
IQ
U
E
125
C
H
CHAPITRE 7. COUVERTURE LA BLACK-SCHOLES-MERTON
P
O
LY
Chapitre 7
C
O
IQ
U
E
Couverture de produits
financiers : le point de vue de
Black-Scholes-Merton
IQ
L
E
March sans friction et absence darbitrage
C
O
7.1
U
E
P
O
LY
Nous exposons en dtail lapproche de Black-Scholes pour valoriser et couvrir une option,
en nous concentrant sur les Calls/Puts. Dans la suite, nous considrons uniquement le march
de la zone euro, o les prix sont exprims en e . Evidemment, ce choix de march est
arbitraire. En revanche, nous ne considrons pas dans cet ouvrage le cas plus complet de
marchs internationaux o diffrentes devises sont changes (par exemple du dollar, de
leuro, de la livre Sterling, du yen . . .). La mthodologie est similaire mais les notations sont
plus lourdes, ce qui complique les critures.
Les produits drivs tudis sont crits sur des sous-jacents de type action ou taux dintrt. Les options sur taux de change ou matires premires ont des spcificits que nous ne
discutons pas ici.
Dans toute la suite, nous supposerons que le march est sans friction : nous en rappelons
la dfinition, qui a t discute au chapitre prcdent.
LY
T
Dfinition 7.1.1 (March sans friction) Un march financier est dit sans friction si
il ny a pas de cots de transaction ;
il ny pas dimpts ou taxes (sur les transactions, ou les plus values) ;
il ny a pas dcart entre prix dachat et prix de vente des titres (fourchette de prix
nulle) ;
les transactions sont instantanes ;
les titres ngociables sont trs liquides et indfiniment fractionnables ;
O
L
7.1. MARCH SANS FRICTION ET ABSENCE DARBITRAGE
IQ
126
il ny a pas de restriction sur les ventes dcouvert ;

les participants du march sont preneurs de prix (ils ninfluencent pas les prix par leurs
achats et ventes).
LY
E
C
LAOA (Absence dOpportunit dArbitrage) est un des axiomes de base de la finance

de march. Il exprime lide simple quon ne peut pas faire de profit sans prendre
de risque : si tel tait le cas, des acteurs du march (les arbitrageurs) exploiteraient ces
opportunits, ce qui amnerait des corrections de prix faisant disparaitre ces opportunits.
Cette hypothse est assez naturelle dans un march sans friction.
U
E
Hypothse 7.1.2 (Absence dOpportunit dArbitrage) Dans un march sans friction, il y a AOA, cest dire quil est impossible de gagner de largent de faon certaine
partir dun investissement initial nul.
IQ
Cette loi de march est importante car elle assure une cohrence forte des prix de march des produits dj existants, mais aussi des options que nous cherchons valoriser. En
pratique, des opportunits darbitrage peuvent apparatre momentanment, mais elles sont
si rapidement limines quon peut considrer que lAOA prvaut tout le temps.
O
LY
T
E
C
E
C
Corollaire 7.1.3 (Unicit des prix) En AOA, si les valeurs de deux portefeuilles concident de faon certaine une date donne, alors ces deux portefeuilles ont la mme valeur
toute date intermdiaire.
Preuve:
IQ
U
E
P
O
LY
127
IQ
E
C
Voici deux exemples importants darbitrage, de type statique, cest--dire correspondant

des compositions de portefeuille restant fixes au cours du temps.
Exemple 1 : prix dun contrat terme. Nous dsignons par Ft (S, T ), le prix fix
LY
par contrat la date t auquel sera ngoci le titre S la date T . Cest le prix terme, ou le
prix forward de S en T .
IQ
U
E
La notion de prix forward est diffrencier de celle de prix comptant, correspondant

un rglement immdiat. Un raisonnement darbitrage statique permet de comparer le prix
de ce contrat au cours de S la date t. Il faut pour cela utiliser le zro-coupon dchance
T , dont le prix en t est B(t, T ) : cest un instrument de taux dintrt qui permet de recevoir
coup sr 1 e en T .
E
C
E
C
Proposition 7.1.4 Supposons que le titre S ne verse pas de dividende. Alors le prix forward
de S en T vaut
St
Ft (S, T ) =
.
(7.1.1)
B(t, T )
O
LY
T
Preuve:
IQ
U
E
P
O
LY
7.1. MARCH SANS FRICTION ET ABSENCE DARBITRAGE
IQ
128
E
C
Nous remarquons que la dtermination du prix du contrat forward est indpendante de

tout modle ! De mme, lexemple suivant nutilise aucun modle particulier.
LY
Exemple 2 : relation de parit Call-Put. Par analogie avec loption dachat (Call),
loption de vente (Put) donne le droit au dtenteur du contrat de vendre un titre sous-jacent S
au strike K chance T , ce qui quivaut pour lacheteur du Put recevoir un flux (KST )+ .
Pour lacheteur du Put, cest une assurance contre la baisse de lactif sous-jacent.
Un raisonnement darbitrage statique permet de relier une date donne le prix du Call
et du Put avec mmes caractristiques.
IQ
U
E
Proposition 7.1.5 Notons Callt (T, K) et Putt (T, K) le prix en t des Call et Put de prix
dexercice K et dchance T , crit sur le titre de cours S.
Si le titre ne distribue pas de dividende, la relation de parit Call-Put est donne par
Callt (T, K) Putt (T, K) = (Ft (S, T ) K)B(t, T ).
(7.1.3)
E
C
E
C
Plus gnralement, on a
O
LY
T
Preuve:
IQ
U
E
P
O
LY
(7.1.2)
Callt (T, K) Putt (T, K) = St KB(t, T ).
129
IQ
E
C
Par des raisonnements darbitrage statique, on peut galement montrer les relations
suivantes.
Proposition 7.1.6 On a
LY
1. (St KB(t, T ))+ Callt (T, K) St (relation de hedge) ;

Callt (T, K)
0 (relation de Bull spread) ;
K
3.
2 Callt (T, K)
0 (relation de Butterfly spread) ;
K 2
4.
Callt (T, K)
0 (relation de Calendar spread) si les taux dintrt court terme sont
T
positifs.
E
C
IQ
U
E
2.
O
LY
T
E
C
Preuve:
U
E
LY
IQ
P
O
7.2. MODLISATION PROBABILISTE DU MARCH
IQ
130
Modlisation probabiliste du march
7.2
Espace de probabilit et mouvement brownien
E
C
7.2.1
IQ
U
E
LY
E
C
Notre objectif est maintenant de donner un prix au option dachat, option de vente,
et plus gnralement tout contrat financier dont le flux terminal (en T ) est de la forme
h(ST ), o (St )t est un titre ngociable 1 comme une action par exemple. Pour y parvenir, il
est ncessaire de dfinir un modle probabiliste dvolution des cours. Dans cette dmarche
de modlisation, soulignons quil y a une diffrence importante avec ce quon peut observer
dans dautres domaines scientifiques : le phnomne dcrire nobit pas une loi physique,
comme la loi de Fourier dcrivant la rpartition stationnaire de la temprature dans un milieu
thermiquement conducteur, ou bien la loi dAmpre en lectrostatique, ou encore les lois de
la mcanique . . . Dans ces derniers cas, les phnomnes physiques dcrits sont immuables,
alors que les cours de bourse rsultent dun processus complexe doffres et demandes, non
stationnaire et changeant dans le temps. L encore, il convient dtre prudent sur la valeur
accorde un modle stochastique de finance : il permet de dvelopper une mthodologie de
gestion des risques et dobtenir des outils daide la dcision, quil est ncessaire de tester
sur des historiques 2 pour vrifier ladquation la situation courante. Toutefois, ce qui est
remarquable, cest la grande robustesse de cette approche en pratique.
IQ
Modlisation du titre sous-jacent
7.2.2
U
E
O
LY
T
E
C
Nous ralisons la modlisation des alas du march financier via un espace de espace de
probabilit filtr (, F, Ft , P) :
est lensemble de tous les scnarii de march possibles.
la tribu F reprsente la structure dinformation globale disponible sur le march.
ct )0tT , qui engendre une
les alas sont gnrs par un mouvement brownien rel (W
filtration croissante (F0 Ft FT ), dcrivant linformation disponible pour tous les
acteurs du march au fil du temps (toute le monde a la mme information, pas de dlit
diniti).
la probabilit P est appele probabilit historique ou objective.
LY
En 1900, Louis Bachelier [1] a propos une modlisation des cours comme des trajectoires
alatoires. Son modle brownien rend bien compte de laspect imprvisible des cours dactifs
financiers mais prsente linconvnient de donner des prix ngatifs. Samuelson [30] en 1965
remdie ce problme en prenant pour modle lexponentielle du brownien, cest--dire
un mouvement brownien gomtrique (voir Chapitre 3). Cest un processus trajectoires
continues, qui confre au cours la proprit davoir des rendements gaussiens, indpendants
et stationnaires. Finalement, cest un modle, qui en terme de nombre de paramtres, est
des plus parcimonieux : il dpend seulement de
P
O
1. Cest sur ce point quune option sur taux de change demande un traitement particulier, le taux
de change ntant pas un titre ngociable : on peut acheter des Euros ou des Dollars mais on ne peut
pas acheter le taux de change EuroDollar.
2. ce sont les dits backtests.
131
IQ
1. la tendance , correspondant au rendement (annualis) du titre espr par unit de

temps.
E
C
2. la volatilit , qui rend compte de la variabilit du titre. Sa valeur (annualise)

dpend normment du type de march (pour les actions : entre 20 et 50% ; pour le
change : entre 10 et 30 % ; pour les taux dintrt : entre 5 et 20 % ; pour les matires
premires : entre 50 et 300 %).
LY
Dfinition 7.2.1 (et Proposition) Le modle de Black-Scholes-Samuelson est dfini sous

forme de rendement instantan par
dSt
ct
= dt + dW
St
U
E
ct )t est un mouvement brownien standard sous P. Sous forme intgre

avec S0 = x, o (W
(voir les quations (3.1.1) et (3.1.3)), cela devient
ct
)t+ W
IQ
St = xe( 2
EP (St2 ) = x2 e(2+
)t
VarP (St ) = [EP (St )]2 e

1 .
(7.2.1)
E
C
EP (St ) = xet ,
Cest un modle log-normal dont les deux premiers moments valent
E
C
Notons r le taux dintrt sans risque 3 ; alors la prime de risque du titre vaut
r
.
O
LY
T
La dynamique de S se rcrit alors
(7.2.2)
dSt
ct + dt),
= rdt + (dW
St
(7.2.3)
Portefeuille dynamique
7.3
U
E
en recentrant le rendement de S autour du taux sans risque.
LY
IQ
Focalisons nous sur le cas du Call, ce qui nous donnera loccasion dintroduire les concepts
fondamentaux et le vocabulaire de circonstances.
Le vendeur de loption, en change de la prime verse par lacheteur la signature (au
temps 0), doit verser en T le flux (ST K)+ (appel plus gnralement payoff), sexposant
ainsi au risque de forte hausse du titre sous-jacent. Pour minimiser ce risque, laide de
la prime reue il va se constituer un portefeuille dynamique de couverture en achetant/vendant le titre. La valeur liquidative (ou Mark-to-Market) du portefeuille au cours
du temps est note (Vt )t . Lerreur de couverture T (ou tracking error) est la diffrence
entre le valeur du portefeuille constitu et le flux promis :
T = VT (ST K)+ .
P
O
Son objectif est videmment davoir une erreur de couverture nulle.
3. taux de rmunration de largent plac sans risque au jour le jour.
7.3. PORTEFEUILLE DYNAMIQUE
Portefeuille de couverture
7.3.1
IQ
132
E
C
IQ
U
E
LY
E
C
Formalisons mathmatiquement la notion de portefeuille dynamique du vendeur de loption. V0 est le montant initial de son portefeuille. Puis son investissement la date t consiste
en
(t) parts dactif risqu St . Si (t) > 0, il est long du titre (acheteur) ; si (t) < 0, il
est short du titre (vendeur).
0 (t) parts dactif sans risque St0 = ert de rendement r entre [t, t + dt], rmunrant
les liquidits (ou cash). Si 0 (t) est positif, cest un placement de liquidits ; sil est
ngatif, cest un emprunt.
Ces deux processus ( 0 (t), (t)) dfinissent la stratgie de portefeuille.
En pratique, les nombres de part sont ajusts tous les jours ou toutes les semaines,
disons des dates de ngociation (ou de trading) 0 = t0 < t1 < t2 < t3 < . . . < tn = T
o T est lhorizon de couverture. Le nombre de parts ( 0 (t), (t)) = (k0 , k ) dtenus sur la
priode ]tk , tk+1 ] dpend des conditions de march la date tk et de ce qui sest pass avant.
Mathmatiquement, cela se traduit par prendre (k0 , k ) adapts Ftk . Autrement dit, les
stratgies nanticipent pas sur le futur. Si ces quantits sont constantes dans le temps, la
gestion est statique sinon elle est dynamique. Dans la suite, nous supposons que le titre S ne
verse pas de dividende (voir le paragraphe 7.5.1 pour enlever cette hypothse).
E
C
Dfinition 7.3.1 (et proprits) Une stratgie simple de portefeuille investi dans le titre
S et dans le cash est la donne de deux processus ( 0 (t), (t)) de la forme
O
LY
T
(t) = 0 1[0,t1 ] (t) + . . . + k 1]tk ,tk+1 ] (t) + . . . + n1 1]tn1 ,tn ] (t)

(et de manire analogue pour 0 ) o les variables k0 , k sont Ftk -mesurables. La valeur
liquidative la date t du portefeuille associ est gale
Vt = 0 (t)St0 + (t)St ,
Les proprits qui en dcoulent sont :
Vt
St
= 0 (t) + (t) 0 .
St0
St
U
E
ou bien sous forme de valeur actualise
IQ
1. ( 0 (t), (t))t est continue gauche et Ft -adapt.
2. Vt est Ft -adapt 4 .
3. Pour t ]tk1 , tk ], intervalle sur lequel 0 (t) et (t) sont constants, la variation de la
valeur du portefeuille scrit 5
Z tk
0
Vtk Vt = k1
(St0k St0 ) + k1 (Stk St ) =
0 (u)dSu0 + (u)dSu
(7.3.1)
LY
ou de manire quivalente, sur les valeurs actualises,

Z tk
Stk
Vtk
Vt
St
Su
.
)
=
(u)d
k1
St0k
St0
St0k
St0
Su0
t
(7.3.2)
P
O
4. ici, V est continu gauche car S est continu. Pour les modles sauts, V nest a priori pas
continu gauche mais juste pourvu de limites gauche.
5. ici, on utilise que dtenir le titre napporte pas de flux supplmentaires de type dividende.
133
IQ
E
C
En fait, les variations de ( 0 (t), (t)) ne peuvent pas tre quelconques : nous devons notamment traduire que lapport dargent extrieur au cours de la gestion de la couverture nest
pas possible. Autrement, les variations de la valeur du portefeuille sont uniquement dues aux
variations du titre et du cash.
Cette contrainte, dite dautofinancement, se traduit sur les stratgies simples par
galit des valeurs liquidatives avant et aprs ngociation, soit
0
k1
St0k + k1 Stk = k0 St0k + k Stk .
LY
En utilisant la continuit droite du prix de S, observons que cette condition se traduit par
la continuit droite de V
Vtk = lim Vt .
ttk
IQ
U
E
Ainsi, les quations (7.3.1) et (7.3.2) sont valables mme pour t = tk1 et par recollement
des intervalles, cela devient

Z t
Z t
Vt
Su
0
0
Vt V0 =
(u)dSu + (u)dSu ,
V0 =
(u)d
.
0
S
Su0
t
0
0

Rt
Rt
Su
Lintgrale stochastique 0 (u)dSu ou 0 (u)d S
ci-dessus est simplement une somme
0
u
E
C
E
C
de Riemann car ((u))u est constant par morceaux.

Un portefeuille dont la stratgie satisfait cette condition dautofinancement sera dit portefeuille autofinanant. Nous rsumons ces proprits dynamiques :
O
LY
T
Dfinition 7.3.2 (et proposition) La valeur dun portefeuille autofinanant a pour dynamique
Z t
Vt = V0 +
0 (u)dSu0 + (u)dSu
0
Z t
Z t
= V0 +
rVu du +
(u)(dSu rSu du)
(7.3.3)
U
E
(u)Su0 + (u)Su ).
et Vu =
Sur les valeurs actualises, cela scrit

Z t
Z t
Su
Vt
(u)d
=
V
+
(u)d(eru Su ).
(7.3.4)
ert Vt = 0 = V0 +
0
St
Su0
0
0
IQ
(en utilisant
rSu0 du
dSu0
Le processus (Vt )t est compltement dtermin par V0 et ((t))t (le montant en cash se dduit
par St0 0 (t) = Vt (t)St ).
P
O
LY
Ces quations ont t compltement tablies pour des stratgies simples (constantes par morceaux). Dans la suite, nous prenons cette quation comme dfinition gnrale de
stratgie de portefeuille autofinanant, en autorisant des stratgies ( 0 (t), (t))t varier
Rt
en continu. Dans ce cas-l, une dfinition gnrale de lintgrale stochastique 0 (u)dSu est
ncessaire, sous des conditions prcises de mesurabilit et dintgrabilit de ((u))u , conditions plus faibles que celles que nous avons rencontres au chapitre 2 : cela va au del de ce
livre introductif et renvoyons le lecteur intress des ouvrages spcialiss comme [27].
En fait, dans la suite de ce livre, nous aurons juste besoin de (u) sous la forme u0x (u, Su ),
Rt
auquel cas lintgrale stochastique 0 u0x (u, Su )dSu a bien un sens (voir les chapitres 2 et 3).
7.3. PORTEFEUILLE DYNAMIQUE
Traduction du problme de couverture parfaite de loption
7.3.2
IQ
134
E
C
Le vendeur de loption doit dterminer un processus de couverture ((t))t et une richesse

initiale V0 tels que
dVt = rVt dt + (t)(dSt rSt dt)
Rsolution par quation aux drives partielles
E
C
7.3.3
IQ
U
E
LY
avec une erreur de couverture nulle T = 0 = VT h(ST ), o h(ST ) = (ST K)+ dans le
cas de la vente dun Call, h(ST ) = (K ST )+ dans le cas de la vente dun Put ou encore
h(ST ) = 1ST >K pour un Call binaire (ou Call digital).
Sil existe un tel portefeuille de couverture, loption et le portefeuille de couverture ont
mme valeur en T avec probabilit 1. En vertu de lAOA, leurs valeurs toute date intermdiaire concident. En particulier, V0 est la valeur de loption aujourdhui.
Dans le prochain paragraphe, nous donnons la solution ce problme de cible alatoire 6 , en cherchant un portefeuille dont la valeur la date t serait une fonction de la valeur
du titre St : Vt = v(t, St ). Il se trouve que v doit rsoudre une quation aux drives partielles
dont on connat la solution.
O
LY
T
E
C
Thorme 7.3.3 Soit h une fonction mesurable, croissance au plus linaire, pour laquelle
lEDP ci-dessous admet une solution rgulire v(t, x) sur ]0, T []0, +[ :
(
1 2 2 00
x vxx (t, x) + r x vx0 (t, x) + vt0 (t, x) rv(t, x) = 0,
2
(7.3.5)
v(T, x) = h(x).
U
E
Le flux h(ST ) est rpliquable par un portefeuille autofinanant, dont la valeur la date t est
v(t, St ), et celle du portefeuille de couverture est (t, St ) = vx0 (t, St ).
IQ
Preuve:
P
O
LY
6. on vise la valeur VT = h(ST ) en agissant sur ((t))t .
135
IQ
E
C
LY
La formule de Black et Scholes
Rsolution de lEDP par la formule de Feyman-Kac
E
C
7.4.1
E
C
7.4
IQ
U
E
De manire surprenante, la fonction prix v(t, x) ne dpend pas du rendement du titre : la

stratgie de portefeuille dynamique qui suit lvolution du march a permis dannuler leffet
de la tendance. En revanche, le processus de prix v(t, St ) dpend bien de la tendance, via
St .
En consquence, seule la volatilit devra tre value par le vendeur de loption pour
dterminer la fonction prix.
O
LY
T
Afin daboutir des formules explicites, nous r-interprtons la solution de lEDP comme
une esprance : cette reprsentation porte le nom de formule de Feynman-Kac.
Thorme 7.4.1 (formule de Feynman-Kac) Soit (St )t un titre fictif de dynamique :
U
E
dSt
= rdt + dWt ,
St
N
T
Preuve:
IQ

v(t, x) = EQ er(T t) h(ST )|St = x .
avec W un mouvement brownien sous une probabilit auxiliaire Q. Alors la solution de lEDP
dvaluation est donne par
P
O
LY
7.4. LA FORMULE DE BLACK ET SCHOLES
IQ
136
E
C
IQ
U
E
LY
Commentaires sur la fonction prix.
ct
)t+ W
= xe(r 2
ct +t)
)t+(W
IQ
St = xe( 2
U
E
O
LY
T
E
C
E
C
Le rgle de prix reste linaire par rapport au payoff h, ce qui est satisfaisant vis--vis
de lAOA.
Le titre fictif S na aucune ralit financire et ne sert qu reprsenter la fonction prix
de loption.
Si le titre S avait pour tendance = r, alors le prix aujourdhui de loption serait
V0 = EP (erT h(ST )), ce qui se relit comme le prix de loption est la moyenne des flux
futurs actualiss, rgle intuitivement raisonnable. Ce cas-l correspondant un titre
neutre au risque car sa prime de risque = r
= 0 est nulle.
Si le titre S a une tendance 6= r, alors la rgle prcdente V0 = EP (erT h(ST ))

de moyennisation sous la probabilit historique nest plus valable. Pour relier V0
moyenne sous la probabilit historique P, il est ncessaire de changer de probabilit.
Rappelons que daprs (7.2.3), on a
)t+Wt
Cela permet
, cest--dire que S a mme loi sous Q que S.
Ainsi St = xe(r 2
dcrire
ct + t dfinit un mouvement
Daprs le thorme 5.2.4 de Cameron-Martin, Wt = W
brownien avec drive sous P et un mouvement brownien standard sous une probabilit
Q approprie quivalente P sur FT . La probabilit Q correspondante est donne par

dQ
cT 1 2 T ).
= exp(W
dP FT
2
LY
V0 = EQ (erT h(ST ))
P
O
= EQ (erT h(ST ))
cT 1 2 T
rT W
2
= EP (e
(7.4.1)
h(ST )).
137
IQ
Une r-interprtation avec un point de vue risque-neutre
7.4.2
E
C
La rgle de valorisation reste donc une moyenne actualise des flux futurs, mais avec
1 2
c
une pondration eWT 2 T des scnarii de march.
La probabilit Q porte le nom de probabilit risque-neutre (ou probabilit neutre
au risque) car sous cette probabilit, S a pour tendance r (do une prime de risque
nulle).
U
E
LY
Nous donnons maintenant une autre preuve de lgalit (7.4.1), en mettant en jeu non pas
lEDP mais des proprits dintgrale stochastique. Cest lapproche moderne de la finance
quantitative, qui remonte sous cette forme aux travaux [12, 13] de Harrison et Pliska au
dbut des annes 80.
Nous commenons par un rsultat simple de martingale.
IQ
EQ (ert St |Fs ) = ers Ss
d(ert St ) = ert St dWt .
(s t),
Lemme 7.4.2 Sous la probabilit Q, lactif actualis (ert St )t est une intgrale stochastique
Ft -martingale :
E
C
E
C
Compte-tenu de cette proprit, Q sappelle aussi probabilit martingale.
O
LY
T
Preuve:
IQ
U
E
P
O
LY
IQ
U
E
138
(u)eru Su dWu .
erT h(ST ) = erT VT = V0 +
C
H
Au vue de lquation dautofinancement (7.3.4) sous forme actualise entre 0 et T , le

problme de rplication devient
P
O
LY
Sous Q (et non sous P), le dernier terme est une intgrale stochastique. On sait dans les bons
cas 7 que cela dfinit un processus desprance nul. Formellement, on obtient, par passage
lesprance sous Q, que
EQ (erT h(ST )) = V0 .
Les formules fermes
LY
7.4.3
C
O
IQ
U
E
Nous retrouvons ainsi la reprsentation prcdente. Toutefois, cette approche a des diffrences
importantes avec celle par EDP.
Par lEDP, on montre quil existe une stratgie de couverture, on donne sa forme et
on dtermine le prix de loption. Cest une approche constructive.
Par la probabilit risque-neutre en admettant lexistence dune stratgie de rplication,
on dduit seulement (mais directement) le prix du portefeuille associ, sous forme
desprance. Par diffrence avec lapproche EDP, il nest pas ncessaire davoir un
payoff comme simple fonction du titre en T , on pourra ainsi valoriser des payoffs
complexes dpendant de toute la trajectoire de S, payoffs dit path-dependent (voir le
chapitre 9 sur les options barrire et lookback).
U
E
P
O
La formule de Black et Scholes concerne plus spcifiquement les prix des Calls et des
Puts, que nous explicitons ci-dessous.
Thorme 7.4.3 (formule de Black-Scholes)
IQ
x
1
1
ln( ) t,
y
2

d1 (, x, y) = d0 (, x, y) +
d0 (, x, y) =
avec
C
O
L
E
1. La fonction prix dun Call de maturit T et de prix dexercice K est donne par
h
i
h
i
Call(t, x, T, K) = x N d1 (T t, xer(T t) , K) K er(T t) N d0 (T t, xer(T t) , K)
o N est la fonction de rpartition de la loi normale, centre rduite.
2. De plus, cette option est couverte par un portefeuille qui contient
LY
T
(t) = Call0x (t, St , T, K) = N [d1 (T t, St er(T t) , K)]

parts de titre S.
7. il faut des conditions sur ((u))u , conditions ici difficilement vrifiables car nous ne connaissons
pas ce processus.
O
L
IQ
U
E
139
3. De mme, la fonction prix dun Put de mmes caractristiques est donne par
C
H
Put(t, x, T, K) = K er(T t) N [d1 (T t, K, xer(T t) )] x N [d0 (T t, K, xer(T t) )]
Preuve:
IQ
U
E
P
O
LY
avec une couverture de (t) = Put0x (t, St , T, K) = N [d0 (T t, K, St er(T t) )] parts de

titre S.
N
H
LY
C
O
H
C
Les grecques
7.4.4
C
O
IQ
L
E
U
E
P
O
LY
T
Il est important pour la gestion des risques de disposer dindicateurs pertinents de ces
risques. On utilise trs souvent la sensibilit ou les drives de prix par rapport aux diffrents
paramtres du modle. On appelle communment ces indicateurs les grecques car on les note
avec des lettres de lalphabet grecque.
O
L
IQ
140
Proposition 7.4.4 (grecques) Les paramtres de sensibilit sont dfinies et donnes par
Call0x = Delta = = N (d1 ) ]0, 1[,
LY
E
C
Call0K = er(T t) N (d0 ) < 0,

1
Call00xx = Gamma = =
N 0 (d1 ) > 0,
x T t
Call0 = Vega = x T tN 0 (d1 ) = x2 (T t) > 0,

x
N 0 (d1 ) rKer(T t) N (d0 ) < 0,
Call0t = Theta = =
2 T t
Call0r = Rho = = (T t)Ker(T t) N (d0 ) > 0,
U
E
en omettant les arguments des fonctions d0 et d1 .
IQ
Rsultats numriques
7.4.5
On remarque que le prix de Call est convexe en le titre et croissant en la volatilit. Ces
diffrentes fonctions de prix et de sensibilits sont reprsentes sur la Figure 7.1.
E
C
Pour valuer numriquement la fonction de rpartition N (x) de la loi normale, on peut

utiliser lapproximation suivante (voir [15] p.271) : pour x 0
O
LY
T
E
C
1 2
1
N (x) = 1 e 2 x (a1 y + a2 y 2 + a3 y 3 + a4 y 4 + a5 y 5 ),
2
1
avec y =
,
a1 = 0.319381530,
a2 = 0.356563782,
1 + 0.2316419x
a3 = 1.781477937,
a4 = 1.821255978,
a5 = 1.330274429.
b = 0, 1201676,
c = 0.937298.
Pour x 0, on utilise le fait que N (x) = 1 N (x).
IQ
1 2
1
N (x) = 1 e 2 x (ay + by 2 + cy 3 ),
2
1
avec y =
,
a = 0, 4361836,
1 + 0, 33267x
U
E
Elle est prcise 107 . La suivante est prcise 105 (voir [33] p.110) : pour x 0
Call
K = 105e
5.37 e
44.7e
-39.33e
0.447
0.0224
28
-7.78
19.7
Call
K = 100e
7.52 e
55.8 e
-48.28e
0.558
0.0223
27.9
-7.94
24.1
LY
Call
K = 95e
10.2 e
66.8 e
-56.6 e
0.668
0.0205
25.7
-7.54
28.3
Valeurs
t=0
Prix
Montant en titres
Montant en cash
Delta
Gamma
Vega
Theta
Rho
P
O
Exemple. Prenons les paramtre suivants : x = 100e , r = 2%, = 25%, T = 0.5 (6

mois), pour un Call et un Put avec diffrents prix dexercice.
Put
K = 95e
4.27 e
-33.2e
37.47e
-0.332
0.0205
25.7
-5.67
-18.7
Put
K = 100e
6.52 e
-44.2e
50.72 e
-0.442
0.0223
27.9
-5.96
-25.4
Put
K = 105e
9.33e
-55.2e
64.53 e
-0.552
0.0224
28
-5.70
-32.3
141
IQ
A la vue de ces valeurs numriques, il y a des observations simples mais importantes

faire :
E
C
1. pour couvrir un Call (protection contre la hausse), le vendeur a besoin dacheter

le titre ( > 0). Pour financer cette position, il devient emprunteur (montant en
cash ngatif). La situation est inverse pour le vendeur de Put, qui vend le titre
et se retrouve prteur de cash.
LY
2. la diffrence du delta dun Call et dun Put de mme prix dexercice vaut 1 :
cette proprit est lie la relation de parit Call/Put. Cette mme relation de
parit assure que le Gamma et le Vega sont gaux pour un Call et un Put de
mmes caractristiques.
U
E
3. la volatilit tCall de loption dfinie comme le processus satisfaisant
est donne par
Call0x (t, St )
St
Call(t, St )
tCall =
IQ
dCall(t, St ) = Call(t, St )(. . . dt + tCall dWt )
O
LY
T
E
C
E
C
(lidentification vient en comparant avec lquation dautofinancement (??)). Prenons un exemple avec K = 100 : cela donne 0Call 185%. Cela illustre bien
leffet de levier des options : la volatilit (mesurant les fluctuations des cours) a
t multiplie par un facteur suprieur 7 en passant du sous-jacent loption.
U
E
Remarque 7.4.5 Une trs bonne approximation du prix dun Call de prix dexercice gal
la monnaie forward (K = xer(T t) ) est donne par la formule de Brenner-Subrahmanyam
(1994) (voir exercice 7.5) :
Call(t, x, T, K) 0.4x T t.
IQ
POUR EN SAVOIR PLUS
Le cas de titres versant des dividendes
7.5
Jusqu maintenant, nous avons suppos que le titre S ne verse pas de dividende. Dans ce
paragraphe, nous tendons lanalyse prcdente au cas de sous-jacent versant des dividendes.
Nous donnons trois exemples o il est ncessaire de considrer des dividendes.
P
O
LY
1. Le premier est le plus vident. Cest celui dune action qui dtache un dividende
une date connue (dividende discret). Par extension, cest le cas des indices composs
de titres versant des dividendes discrets : dans ce cas, il nest draisonnable de faire
lapproximation que lindice verse un taux de dividende continu.
7.5. LE CAS DE TITRES VERSANT DES DIVIDENDES
IQ
142
2. Le second exemple est li au fait que la vente dcouvert dactions, bien quautorise,
nest pas gratuite. Il y a un taux de prt (not q dans la suite et appel taux repo) que
paie le vendeur et que reoit le prteur de titres. Ainsi, dtenir une action revient
percevoir un taux de dividende continu en sus.
LY
E
C
3. Le troisime exemple est plus subtil et concerne le march des changes : bien que non
abord dans cet ouvrage, nous expliquons brivement ce cas. Un taux de change nest
pas un titre ngociable (on ngocie lune ou lautre des devises). Toutefois, un raisonnement darbitrage entre marchs internationaux montre que, valoriser une option sur
taux de change dollar-euro se ramne (dun point de vue du march e ) une option
sur un titre versant un dividende continu gal au taux dintrt du march $.
U
E
Dans la suite, nous reprenons la valorisation de Calls/Puts lorsque le sous-jacent verse

un taux de dividende continu, puis des dividendes des dates discrtes.
Le cas de titres versant un taux de dividende continu
IQ
7.5.1
Nous reformulons les principales dfinitions et rsultats dans le cas de dividende continu.
IQ
Preuve:
U
E
O
LY
T
E
C
E
C
Dfinition 7.5.1 (et proposition) Un portefeuille autofinanant investi dans le cash et le

titre S (versant un dividende continu au taux q par unit de temps) a pour valeur
liquidative en t Vt = 0 (t)St0 + (t)St , et sa dynamique est
Z t
Vt = V0 +
0 (u)dSu0 + (u)(dSu + qSu du)
0
Z t
Z t
= V0 +
rVu du +
(u)(dSu + (q r)Su du).
(7.5.1)
P
O
LY
IQ
U
E
143
C
H
P
O
LY
Comme prcdemment, le problme de couverture du contrat financier de flux h(ST ) se

traduit pour le vendeur du contrat par trouver le montant initial de la prime (V0 ) et la
stratgie de couverture, de sorte que son portefeuille autofinanant ait pour valeur h(ST )
chance :
dVt = rVt dt + (t)(dSt (r q)St dt) avec VT = h(ST ).
IQ
U
E
Alors, il nest pas difficile de voir que les thormes 7.3.3 et 7.4.1 deviennent dans un cadre
avec dividende continu :
C
O
Thorme 7.5.2 Soit h une fonction mesurable, croissance au plus linaire, pour laquelle
lEDP ci-dessous admet une solution rgulire v(t, x) sur ]0, T []0, +[ :
(
1 2 2 00
x vxx (t, x) + (r q) x vx0 (t, x) + vt0 (t, x) rv(t, x) = 0,
2
v(T, x) = h(x).
LY
Le flux h(ST ) est rpliquable par un portefeuille autofinanant, dont la valeur la date t est
v(t, St ), et celle du portefeuille de couverture est (t, St ) = vx0 (t, St ).
De plus, si (St )t un titre fictif de dynamique dSSt = (rq)dt+dWt avec W un mouvement

t
brownien sous une probabilit Q, alors la la solution de lEDP dvaluation est donne par

v(t, x) = EQ er(T t) h(ST )|St = x .
U
E
IQ
L
E
P
O
L encore, on peut interprter la rgle de prix laide dun changement de probabilit, nous
omettons les dtails. Nous retiendrons simplement que sous la probabilit risque-neutre Q,
les portefeuilles autofinanants actualiss sont des intgrales stochastiques mais pas le titre
risqu actualis ( cause du dividende) : la dynamique du titre sous Q est
C
O
dSt
= (r q)dt + dWt
St
La quantit = r q sappelle le cot de portage.

(mme dynamique que S).
Un calcul explicite laide des lois gaussiennes permet de donner une formule ferme
aux prix de Call et Put. Les fonctions d0 et d1 sont inchanges.
LY
T
Thorme 7.5.3 (formule de Black-Scholes avec dividende continu)

1. La fonction prix dun Call de maturit T et de prix dexercice K sur un titre versant
un dividende au taux continu q est donne par
h
i
Call(t, x, T, K) =xeq(T t) N d1 (T t, xe(rq)(T t) , K)
h
i
K er(T t) N d0 (T t, xe(rq)(T t) , K) .
O
L
IQ
144
2. De plus, cette option est couverte par un portefeuille qui contient
(t) = Call0x (t, St , T, K) = eq(T t) N [d1 (T t, St e(rq)(T t) , K)]

parts de titre S.
E
C
3. De mme, la fonction prix dun Put de mmes caractristiques est donne par
Put(t, x, T, K) =K er(T t) N [d1 (T t, K, xe(rq)(T t) )]
xeq(T t) N [d0 (T t, K, xe(rq)(T t) )]
LY
avec une couverture de
parts de titre S.
U
E
(t) = Put0x (t, St , T, K) = eq(T t) N [d0 (T t, K, St e(rq)(T t) )]
Le cas de titres versant des dividendes discrets
7.5.2
E
C
IQ
Supposons maintenant que le titre 8 S (,y) dtache un dividende aux dates discrtes
connues 0 < t1 < . . . < tn T . Le montant est suppos tre une fonction affine du titre : en
dautres termes, la date ti , le dividende comporte un montant fixe i 0 et un montant
(,y)
proportionnel gal yi S (yi [0, 1[). Ainsi, le montant global de dividende en ti vaut
ti
(,y)
E
C
i + yi Sti ,
O
LY
T
ce qui implique (par absence dopportunit darbitrage) que le titre S saute vers le bas la
valeur
(,y)
(,y)
(,y)
(,y)
Sti = Sti [i + yi Sti ] = Sti (1 yi ) i
(7.5.2)
E(erT (ST
K)+ )
(,y)
(,y)
U
E
juste aprs le paiement de dividende.

Pour couvrir un Call, le vendeur doption met en oeuvre une couverture dynamique
comme prcdemment. Nous laissons au lecteur le soin de vrifier les dtails. Au final, la
prime initiale de loption (prix du Call t = 0) vaut
(,y)
Lemme 7.5.4 Posons i,n =
n
Y
IQ
o S
suit une dynamique risque-neutre entre deux dates de dividendes (dSt
=
(,y)
(,y)
rSt dt + St dWt ), et le prix une date intermdiaire scrit de manire analogue.
(,y)
nest plus log-normale : cest une somme de v.a.
A cause des dividendes discrets, ST
log-normales corrles dont la loi nest pas explicitement connue. En effet, un calcul simple
par rcurrence (sur le nombre de dates) permet de montrer lidentit suivante.
(1 yj ) = (1 yn ) (1 yi+1 ) pour 0 i n avec la
j=i+1
Qn
(,y)
= 0,n ST
n
X
i=1
i i,n
ST
.
Sti
P
O
ST
LY
convention j=n+1 (1 yj ) = 1 (de telle sorte que n,n = 1), et notons St = S0 exp((r
1 2
)t + Wt ) le cours risque-neutre de lactif sans dividende. Alors
2
8. lexposant (, y) fait rfrence aux dividendes dfinis aprs.
145
IQ
E
C
Preuve:
LY
IQ
U
E
O
LY
T
E
C
E
C
(,y)
IQ
U
E
= 0,n ST reste
Remarquons que si la partie fixe i des dividendes est nulle, alors ST
(,y)
log-normal et le prix du Call E(erT (ST K)+ ) est encore donn par une formule de type
Black-Scholes, o lon remplace S0 par S0 0,n . Dans le cas i 6= 0, le calcul exact nest pas
possible : on peut avoir recours des mthodes de simulations Monte Carlo mais on peut
aussi dvelopper des approximations sappuyant sur lhypothse Si0 0.
et
n
X
i = i i,n er(T ti )
K () = K +
Thorme 7.5.5 (Dveloppement du prix au premier ordre en ) Posons

i .
i=1
n
X
i=1

2
i k CallBS (0, 0,n S0 e (T ti ) , T, K () )
LY
Alors le prix dun Call sur un actif avec dividende discret est reli au prix Black-Scholes sans
dividende et ses grecques par rapport K :

E(erT (ST K)+ ) =CallBS 0, 0,n S0 , T, K ()
P
O

i 2
k CallBS (0, 0,n S0 , T, K () ) + O sup
.
S0
i
IQ
U
E
146
C
H
Preuve:
P
O
LY
C
O
IQ
U
E
LY
IQ
X
2
2
i j e (T ti tj ) k2 CallBS (0, 0,n S0 e (2T ti tj ) , T, K () )
n
X
n
X
i=1
j=1
n
X
2
i k2 CallBS (0, 0,n S0 e (T ti ) , T, K () )
1i,jn
2
LY
T
1
2
C
O
L
E
U
E
P
O
Lavantage de cette approximation en petit dividende est sa facilit dutilisation car tous
les termes valuer relvent de la formule explicite de Black-Scholes. Comme on le voit
dans la preuve, la cl pour avoir un dveloppement explicite est lutilisation du thorme
de changement de probabilit de Cameron-Martin. Sur le mme principe, il nest pas trs
difficile de poursuivre le dveloppement limit lordre 2, 3 . . .. Nous renvoyons [9]. Par
exemple, le terme dordre 2 ajouter la formule prcdente est gal
k2 CallBS (0, 0,n S0 , T, K () )

i 3
.
S0
avec une erreur dordre O supi
j=1
O
L
IQ
U
E
Exercices
7.6
C
H
Exercice 7.1
P
O
LY
C
O
IQ
U
E
P
O
LY
Exercice 7.2 Collar.
C
O
IQ
L
E
U
E
LY
T
O
L
147
IQ
U
E
148
7.6. EXERCICES
C
H
Exercice 7.3 Proprits qualitatives des Calls.
P
O
LY
C
O
IQ
U
E
P
O
LY
Exercice 7.4 Prix arbitrables.
C
O
IQ
L
E
U
E
LY
T
O
L
IQ
U
E
C
H
Exercice 7.5 Approximation la monnaie forward de prix de Call.
P
O
LY
C
O
IQ
U
E
P
O
LY
Exercice 7.6 Primes de risque et absence dopportunit darbitrage.
C
O
IQ
L
E
U
E
LY
T
O
L
149
IQ
U
E
150
7.6. EXERCICES
C
H
Exercice 7.7 F Assurance perptuelle contre la baisse dun titre.
P
O
LY
C
O
IQ
U
E
P
O
LY
Exercice 7.8 F Effet de levier.
C
O
IQ
L
E
U
E
LY
T
O
L
IQ
E
C
Exercice 7.9 La sur-rplication en temps discret.
LY
IQ
U
E
P
O
LY
IQ
U
E
O
LY
T
E
C
E
C
151
7.6. EXERCICES
IQ
U
E
O
LY
T
E
C
E
C
IQ
U
E
LY
E
C
IQ
152
P
O
LY
Figure 7.1 Prix de Call. En haut gauche : profil de prix Call et payoff (x K)+ .
En haut droite : surface de prix en fonction de x et T . En bas gauche : surface du
en fonction de x et T . En bas droite : surface du en fonction de x et T .
153
O
LY
T
E
C
E
C
IQ
U
E
LY
E
C
IQ
P
O
LY
IQ
U
E
Figure 7.2 La nappe correspond la surface de prix dun Call, i.e. Call(t, x, T, K),
comme fonction de t et de x. La courbe en bleu fonc est une simulation de prix du
titre (St )0tT pendant la dure de vie de loption. Pour avoir le processus de prix de
loption (Callt = Call(t, St , T, K))0tT au cours du temps, on value la fonction prix
le long du cours du titre (on projette sur la surface ce qui donne la courbe rouge) :
la ralisation correspondante du processus de prix de Call est la courbe verte. Les
paramtres de loption sont S0 = K = 100, = 25%, r = 2% et T = 1 an.
7.6. EXERCICES
P
O
LY
IQ
U
E
O
LY
T
E
C
E
C
IQ
U
E
LY
E
C
IQ
154
155
E
C
IQ
CHAPITRE 8. MISE EN PRATIQUE
LY
Chapitre 8
IQ
U
E
Mise en pratique
E
C
Estimation de la volatilit
E
C
8.1
Ce chapitre complte le prcdent sous un angle plus oprationnel. Nous discutons de

lestimation des paramtres (calibration), de la performance de la couverture dynamique et
de limpact du risque de modle sur la couverture.
U
E
Volatilit historique
8.1.1
O
LY
T
Ce paramtre nest pas observable instantanment sur le march, il faut donc len extraire
par une voie ou une autre. Comme nous lavons vu dans la formule de Black et Scholes, le
paramtre de volatilit joue un rle trs important ; on va jusqu dire que les traders vendent
ou achtent la volatilit.
IQ
La premire voie est la plus naturelle, elle consiste estimer statistiquement partir
de lobservation des cours. Cela conduit la volatilit historique. Dun point de vue
pratique, on utilise que les rendements logarithmiques du modle de Black-Scholes-Merton
sont gaussiens et indpendants :

1
loi
Log(Sti+1 ) Log(Sti ) = N ( 2 )(ti+1 ti ), 2 (ti+1 ti ) .
2
P
O
LY
On peut ainsi calculer un estimateur du maximum de vraisemblance conduisant lcarttype empirique. Le graphe 8.1 montre le rsultat de cette estimation sur les donnes de
lindice franais CAC40 sur la priode 1990-2010. Ce quon observe, cest un manque de
stationnarit dans les donnes, ce qui impose de restreindre les observations une plage
rcente (60 jours sur le graphe). Mentionnons quen plus des cours douverture et de clture,
on peut utiliser aussi les plus hauts et plus bas (ce qui de toute faon ne rsout pas le problme
de stationnarit). Cette dure destimation de 60 jours nest pas vraiment compatible avec
la notion de volatilit instantane, dont nous avons besoin a priori.
8.1. ESTIMATION DE LA VOLATILIT
IQ
U
E
LY
E
C
IQ
156
Volatilit implicite
E
C
8.1.2
E
C
Figure 8.1 Volatilit historique annualise du CAC40 calcule partir des cours
de clture des 60 derniers jours.
O
LY
T
En fait, la mthodologie prcdente nest pas adopte par les financiers dans le cadre de
la couverture doptions. On privilgie une approche implicite, qui extrait le paramtre de
volatilit des prix doptions cots sur le march par lintermdiaire de la formule de Black et
Scholes :
Call(t, St , T, K, impl ) = Callt (T, K)
(pour une cotation de lactif St ).
IQ
U
E
On obtient ainsi la volatilit implicite impl . Ce paramtre est celui qui est rvl par
les prix doptions cotes et que, dune certaine manire, le march anticipe pour la priode
future [t, T ]. La volatilit implicite est une reprsentation intrinsque des prix de march,
qui permet une comparaison facile des prix pour diffrents prix dexercice, bien que ceux-ci
ne soient pas du mme ordre de grandeur. Le calcul effectif de impl repose sur une inversion
de la formule de Black-Scholes, ce qui est valid par le rsultat suivant.
LY
Proposition 8.1.1 La fonction 7 Call(t, St , T, K, ) est une bijection croissante de

[0, +] dans [(St Ker(T t) )+ , St ]. De plus, les bornes darbitrage (relation de hedge)
donne que le prix de march Callt (T, K) [(St Ker(T t) )+ , St ]. Il existe donc une unique
volatilit impl galisant prix du modle et prix du march.
P
O
Preuve:
157
IQ
E
C
U
E
LY
N
E
C
E
C
IQ
O
LY
T
Exemple. Si le prix de Call est cot Callt (T, K) = 4.98e pour K = 100e , une maturit
T t = 0.25 (3 mois), un titre de valeur St = 98.1e , un taux dintrt r = 2%, alors
impl = 28.7% car Call(t, St , T, K, impl ) = 4.98e .
IQ
U
E
Remarquons que par la relation de parit Call/Put, la volatilit implicite est la mme si on
considre un Call ou un Put, toutes choses gales par ailleurs.
Sous cette forme, le paramtre impl semble dpendre de (t, T, K), mais devrait tre
constant si le modle est bien celui de Black-Scholes-Merton. La Figure 8.2 montre le calcul
de la volatilit implicite
K 7 impl (t, T, K)
LY
pour diffrents prix dexercice pour des Calls, invalidant ainsi lhypothse de modle de
Black-Scholes-Merton. Le phnomne est connu sous le nom de smile de volatilit (volatility smile), cause de la forme vaguement parabolique dun sourire. La volatilit implicite a
tendance tre plus leve pour les prix dexercices dans ou hors la monnaie 1 correspondant
S0 erT K et S0 erT K, alors quelle lest moins la monnaie 2 S0 erT K. Sur certains
actifs sous-jacents (comme les indices, voir lEurostoxx50 sur la Figure 8.2), on observe plutt
un skew de volatilit (volatility skew) correspondant une surface oblique, dcroissante
avec K. Ce phnomne sexplique ainsi : la plus grande valeur de volatilit implicite pour
K S0 traduit une sur-cote relative des prix de Put pour de tel prix dexercice. Cette
pression la hausse sur les prix de Put nest quune rponse au grand nombre dinvestisseurs acheteurs de protection contre une chute des cours (nombreux gestionnaires de fond
P
O
1. on parle alors de Call OTM (out-of-the-money) ou ITM (in-the-money).

2. on parle alors de Call ATM (at-the-money).
8.2. COUVERTURE DYNAMIQUE
IQ
158
Conclusion
8.1.3
E
C
se couvrent contre un krach boursier). Inversement, sur certaines matires premires (voir
le cacao sur la Figure 8.2), les entreprises ou investisseurs se protgent contre une envole
des cours : ainsi, il y a une pression acheteuse sur les Calls pour K S0 , induisant un
skew invers. Enfin, sur les marchs des changes, vue la symtrie du changes, en gnral la
surface de volatilit implicite ressemble davantage un smile.
Couverture dynamique
8.2
IQ
U
E
O
LY
T
E
C
E
C
IQ
U
E
LY
Le modle de Black-Scholes-Merton nest pas valide, il reste nanmoins trs utilis pour
dfinir des reprsentations de prix (via la volatilit implicite et des conventions de march
analogues). Une des principales raisons est de disposer de formules fermes pour le prix et la
couverture, donc rapides valuer. Ce modle est aussi trs utilis comme premire approximation, autour de laquelle on va pouvoir dvelopper des variantes/perturbations et atteindre
des modles plus avancs, qui seront en meilleure adquation avec les donnes de march.
Dans le chapitre 10, nous incorporons par exemple des sauts dans la dynamique de prix et
tudions ces implications. Mais il existe bien dautres modles (modles volatilit locale,
volatilit stochastique...), dont le traitement dtaill dpasse le niveau de cet ouvrage. Un
tel modle est tudi dans lexercice 9.6.
Signalons un point important : le rejet du modle de Black-Scholes-Merton en tant que
modle ne remet pas en cause la mthodologie de couverture du risque, par un portefeuille
de couverture dynamique. Ce principe stend toute une varit de modles.
En observant les graphes de donnes de la figure 8.2, le lecteur pourrait sinterroger
sur le sens de calculer des prix de Calls avec un modle, puisque les prix sont
dj connus sur le march. Dans les annes 1980, la volatilit implicite tait utilise
pour calculer la couverture de loption. Depuis ces dernires annes, les contrats doptions
standards, encore appels vanilles, sont devenus tellement liquides quil nest plus vraiment
ncessaire de les couvrir, puisquon peut les revendre ds quon veut sen dbarrasser. Ils
sont utiliss en couverture doptions plus exotiques. En fait, les modles sont ncessaires
pour valoriser et couvrir les contrats de gr gr, les prix de Call ne servant alors que de
rfrences pour calibrer le modle et ses paramtres. On cherche ainsi des modles cohrents
avec les smiles de volatilit.
Alors que nous avons trouv une solution mathmatique la couverture de loption par
un portefeuille autofinanant, cette solution ncessite des adaptations pour tre mise en
pratique. En effet, pour un Call par exemple, la solution trouve prconise de dtenir toute
date t un nombre Call0x (t, St , T, K) de titres, ce qui conduit deux considrations pratiques :
LY
1. l encore, il est ncessaire de connaitre la volatilit du modle (le Delta en dpend),

volatilit quon aura au pralable estime (voir la discussion prcdente).
P
O
2. le rajustement de la couverture doit tre continu en temps, ce qui videmment ne

peut tre satisfait parfaitement.
159
IQ
E
C
Volatilit implicite et Risk-Management
E
C
8.3
IQ
U
E
LY
E
C
Cest ce second point que nous discutons. En pratique, un re-balancement quotidien ou

hebdomadaire des positions est ralis : cela induit une erreur de couverture (tracking error).
Plus le re-balancement est frquent, plus cette erreur est faible, jusqu devenir nulle la
limite en temps continu. Sur la figure 8.3, nous reportons les distributions de cette tracking
error, calcules par simulations, dans plusieurs cas. La colonne de droite correspond un
rajustement hebdomadaire (52 jours/an), alors qu gauche cest quotidien (252 jours/an).
On observe effectivement une diminution de lerreur de couverture lorsque la frquence de
re-balancement augmente. Dans le cas du Call, on peut montrer que cela dcroit comme la
racine carre de cette frquence. Par ailleurs, en dpit des apparences, ces distributions ne
sont pas gaussiennes.
Linfluence de rendement historique du titre est notable, et conduit des distributions
significativement diffrentes. Lorsque est trs positif, on observe de plus un biais ngatif
de la distribution de lerreur de couverture.
Pour terminer, mentionnons que les praticiens nutilisent pas que la couverture en Delta
(immunisant contre les variations dordre 1 des cours), mais la combinent des insensibilisations dordre 2 ou par rapport dautres paramtres (volatilit...) : ce sont les stratgies
dites en Delta-Gamma, Delta-Vega... Pour cela, les calculs de grecques sont utiles.
U
E
O
LY
T
Le paramtre de volatilit implicite est un outil cl du Risk-Management, puisquil permet

partir de la connaissance dun prix doption de mettre en place les stratgies de couverture
et les mesures de sensibilit associes, par le biais des grecques.
Le Vega est une mesure de lexposition une mauvaise estimation de la valeur de la
volatilit. Rappelons quil est "proportionnel" au Gamma. Cest un outil de mesure du
risque de modle, calcul par la tracking error, reprsentant la diffrence entre la valeur du
portefeuille de couverture mis en place avec de mauvais paramtres et le payoff de loption.
IQ
Proposition 8.3.1 Supposons que lon utilise tort la formule de Black et Scholes avec une
volatilit constante BS alors que la vraie volatilit instantane de lactif est t ventuellement alatoire, mais inconnue, pour donner le prix C BS dun produit driv dont le payoff
est h(ST ).
La stratgie de couverture est mise en place laide de la volatilit BS ; cela conduit une
erreur de rplication (tracking error) maturit, donne par
Z T

1 BS 2
eT = VT (BS (h)) h(ST ) =
er(T t)
( ) t2 St2 BS (t, St , BS )dt. (8.3.1)
2
0
P
O
LY
Dans le cas des Calls, on peut exploiter les liens entre Gamma et Vega pour transformer
lquation

Z T
BS
t2
eT =
er(T t)
1 BS
VegaBS (t, St , BS )dt.
2(T t)
( )2
0
Preuve:
8.3. VOLATILIT IMPLICITE ET RISK-MANAGEMENT
IQ
160
LY
E
C
IQ
U
E
E
C
E
C
O
LY
T
P
O
LY
IQ
U
E
Cette estimation de lerreur peut tre utilise pour justifier de certaines approximations
faites dans le march sur les volatilits. De nombreux produits dont la volatilit est structurellement alatoire sont valus avec une formule de Black Scholes. Lorsque la volatilit
choisie majore la vraie volatilit, le rsultat est favorable au trader (dans (8.3.1), on a eT 0)
si le Gamma est positif, cest dire si le prix est convexe. Nous savons que cette proprit
vraie pour les Calls stend tous les payoffs convexes.
161
IQ
U
E
O
LY
T
E
C
E
C
IQ
U
E
LY
E
C
IQ
P
O
LY
Figure 8.2 Des exemples de surface de volatilit implicite (T, K) 7 impl (0, T, K).
En haut gauche : lEUROSTOXX50. En haut droite : le cacao. En bas (Source :
Bloomberg) : le taux de change Dollar-Yen.
8.3. VOLATILIT IMPLICITE ET RISK-MANAGEMENT
O
LY
T
E
C
E
C
IQ
U
E
LY
E
C
IQ
162
P
O
LY
IQ
U
E
Figure 8.3 Distributions des erreurs de couverture avec re-balancement hebdomadaire (gauche) ou quotidien (droite). Linfluence du rendement du titre est aussi
compare (1re ligne : = 30% r, 2me ligne = r, 3me ligne = 30% r).
Les paramtres de loption sont S0 = K = 100, = 25%, r = 2% et T = 1 an.
163
E
C
IQ
CHAPITRE 9. AU DEL DES OPTIONS DACHAT ET DE VENTE
LY
Chapitre 9
IQ
U
E
Au del des options dachat et

de vente
9.1.1
E
C
O
LY
T
9.1
E
C
Nous prsentons dans ce chapitre quelques morceaux choisis en mathmatiques financires, allant des options exotiques jusquau risque de crdit en passant par les taux dintrt. L encore, nous privilgions des modlisations partir du mouvement brownien et nous
aboutissons des formules fermes pour le prix et couverture de produits associs.
Options barrires
Introduction
P
O
LY
IQ
U
E
Les options barrires (barrier options) sont des exemples trs standards doptions exotiques, cest--dire des contrats financiers dont le flux chance dpend de toute la trajectoire du cours du titre entre aujourdhui et lchance. Ces options sont aussi connues sous
le nom doptions dclenchement (trigger options). Ces options OTC sont trs liquides sur
le march des changes, car les intervenants sappuient sur lanalyse technique (introduisant
des niveaux de support et de rsistance, i.e. les barrires) pour dvelopper des anticipations.
Un Down-In Call (DIC) donne le droit son dtenteur dacheter le titre en T au prix
K (Call) et son droit est activ seulement si le titre franchit (In) une barrire basse
D (Down) pendant la dure de vie du contrat. Son exercice revient recevoir un flux
gal (ST K)+ 1D T o D = inf{t 0 : St D}.
Cest un Down-Out Call (DOC) si la clause dactivation est de ne pas descendre en
dessous de D (loption est alors dsactive) : le payoff vaut alors (ST K)+ 1T <D .
Le contrat devient Up-In Call (UIC) si le titre doit franchir une barrire haute U (Up),
avec pour flux quivalent (ST K)+ 1U T o U = inf{t 0 : St U }.
En combinant les Up/Down, In/Out, Call/Put, on obtient ainsi 8 variantes. On considrera aussi des options barrires binaires. Par exemple, un Binary Down-In Call
IQ
U
E
164
9.1. OPTIONS BARRIRES
C
H
(BinDIC) a pour flux 1ST K 1D T .

Parfois, pour les options barrire dsactivante, une prime est verse en compensation,
on parle doption barrire avec rebate.
Enfin, au lieu de constater en temps continu le franchissement de la barrire, cela
peut tre fait seulement certaines dates de fixing. Ces options barrires discrtes ne
bnficient pas de formules fermes comme leurs analogues continues dans le modle
de Black-Scholes. Dans la suite du chapitre, nous considrons seulement le cas continu.
Une autre manire de classer les options barrires consiste regarder leur payoff la barrire.
P
O
LY
1. Si celui-ci est nul, ce sont des options barrires dite regular. Cest par exemple le cas
dun DOC/DIC avec K D.
IQ
U
E
2. Si celui-ci est non nul, elles sont de type reverse. Cest par exemple le cas dun
DOC/DIC avec K < D.
C
O
Les options barrires sont des contrats difficiles couvrir en gnral, car prs de la
barrire et de lchance, on ne sait pas si le droit va tre activ ou pas, et selon les cas,
les flux court terme sont trs diffrents. Dans le cas reverse, on peut montrer que le de
loption peut tendre vers linfini ( ! !), ce qui est trs dlicat en pratique. Le cas regular est
plus simple car le reste born.
Les options barrires sont moins chres que les Calls et Puts quivalents sans barrire,
car il y a une clause supplmentaire dactivation ou de dsactivation.
Pour la valorisation, il est quivalent de valoriser un In ou un Out avec mmes caractristiques : en effet, comme (ST K)+ 1 T + (ST K)+ 1T < = (ST K)+ , par AOA les
prix en t sont lis par la mme relation en faisant intervenir celui dun Call :
DOCt + DICt = Callt .
LY
(9.1.1)
U
E
EDP et esprance risque-neutre
L
E
9.1.2
P
O
Dans la suite, nous donnons des prix explicites ces options. Cest beaucoup plus dlicat
que dans le cas des Calls et Puts, car le payoff dpend non seulement de ST mais aussi du
franchissement ou non de la barrire... Nous autorisons le titre verser un dividende continu.
LY
T
C
O
IQ
Thorme 9.1.1 (Prix des options barrires : EDP et esprance risque-neutre)

Considrons une option barrire Down-Out-Call (DOC) de payoff (ST K)+ 1D >T sur un
titre S log-normal de tendance , de volatilit et versant un dividende au taux q.
1) EDP. Le prix linstant t du contrat est donn Vt = 1t<D v(t, St ) o v est solution de
lEDP
0
0
1 2 2 00
t [0, T ], x D,
2 x vxx (t, x) + (r q) x vx (t, x) + vt (t, x) rv(t, x) = 0,
v(T, x) = (x K)+ ,
x > D,
v(t, x) = 0,
t [0, T ], x D.
Loption est couverte par lachat de (t) = 1t<D vx0 (t, St ) titres S.
2) Valorisation risque-neutre. Notons Q la probabilit risque-neutre quivalent P, sous
laquelle le titre (St )t a pour dynamique :
dSt
= (r q)dt + dWt ,
St
O
L
(9.1.2)
165
IQ
(avec W un Q-mouvement brownien). Alors la solution de lEDP dvaluation du DOC est

donne par

v(t, x) = EQ er(T t) (ST K)+ 1T <D |St = x
E
C
o D = inf{s t : Ss D}.
LY
Preuve:
IQ
U
E
O
LY
T
E
C
E
C
U
E
IQ
Par la relation darbitrage (9.1.1), on dduit que le prix dune DIC linstant 0 est

DIC(0, x, T, K, D) = EQ erT (ST K)+ 1T D |S0 = x .
(9.1.3)
Nous nous intresserons aussi son analogue digitale, la BinDIC dont le payoff est
1ST >K 1T D . Remarquons que
1ST >K 1T D = K [(ST K)+ 1T D ] ,
LY
ce qui induit par AOA la mme relation sur les prix toute date intermdiaire, cest--dire
P
O
BinDIC(0, x, T, K, D) = K DIC(0, x, T, K, D)

= K EQ erT (ST K)+ 1T D |S0 = x

= EQ erT 1ST >K 1T D |S0 = x .
(9.1.4)
(9.1.5)
IQ
U
E
166
C
H
Le mme raisonnement tient aussi pour les Call/Put binaires de payoff 1ST >K et 1ST <K :
h
i
BinC(0, x, T, K) = K Call(0, x, T, K) = erT N d0 (T, xe(rq)T , K) .
(9.1.6)
BinP(0, x, T, K) = K Put(0, x, T, K) = erT N [d1 (T, K, xe(rq)T )].
(9.1.7)
P
O
LY
Dans la suite, nous dterminons des formules fermes pour les prix de DIC et BinDIC. Par
AOA, on peut directement dduire celles pour les UICet BinUIC de mmes caractristiques.
Des formules analogues existent pour les autres options barrires. Les rsultats sexpriment
en fonction de prix de Call/Put standard et dun paramtre donn par
=1
2
o = r q.
2
(9.1.8)
IQ
U
E
Il y a deux approches pour obtenir des formules fermes.
C
O
1. Calculer lesprance sous Q du payoff qui dpend de ST = xe(rq 2 )T +WT et

1 2
{D T } = {mintT St D} = {xemintT [(rq 2 )t+Wt ] D}. Ainsi, on voit que
la connaissance de la loi jointe de ((r q 21 2 )T +WT , mintT [(r q 12 2 )t+Wt ])
devrait permettre (aprs un calcul dintgrale double) dobtenir des formules explicites
(comme pour le Call standard). Dans le cas o r q 21 2 = 0, cette loi jointe est
relie directement celle de la valeur en T dun brownien standard et son minimum
sur lintervalle. Nous lavons obtenue par le principe de symtrie au chapitre 1. Dans
le cas r q 12 2 6= 0, il faut en plus faire un changement de drive/changement de
probabilit via le thorme de Cameron-Martin. Ces calculs sont possibles, mais ils
sont longs et fastidieux. Nous renvoyons par exemple [29].
LY
2. Notre prsentation suit de prs celle de [8], qui exploite des formules de symtrie sur
les barrires, dveloppes initialement par Carr, Ellis et Gupta [4].
U
E
P
O
Au pralable, nous commenons par noncer quelques proprits simples des Calls et
Puts standards, proprits quil est facile de justifier partir des formules fermes.
L
E
Lemme 9.1.2 (Proprits simples des Call/Put standard)

1. Symtrie Call-Put. On a
Put(t, x, T, K) = Put(t, x, T, K).

(9.1.10)
Prix des DIC regular (D K) dans le cas = 1 (r = q)
9.1.3
et
Call(t, x, T, K) = Call(t, x, T, K)
(9.1.9)
C
O
2. Homognit des fonctions prix. Pour tout > 0, on a
IQ
Call(t, xe(T t) , T, K) = Put(t, Ke(T t) , T, x).
LY
T
Proposition 9.1.3 Considrons la fonction prix du DIC regular (D K) dans le cas r = q.

1. Si x D, loption est active immdiatement et se transforme en Call :
DIC(t, x, T, K, D) = Call(t, x, T, K).
La rplication est statique et consiste acheter un Call de caractristiques (T, K).
O
L
IQ
U
E
2. Si x > D, on a
167
K
D2
Put t, x, T,
D
K

D2
Kx
K
, T, x = Call t, D, T,
= Call t,
.
D
K
D
(9.1.11)
C
H
DIC(t, x, T, K, D) =
Preuve:
IQ
U
E
P
O
LY
La couverture consiste (tant que Su > D) lachat de K

Puts de caractristiques
D
D2
(T, K ), puis linstant o loption est active, lachat dun Call de caractristiques
(T, K).
C
O
U
E
P
O
LY
C
O
Prix des DIC regular (D K) dans le cas gnral
LY
T
9.1.4
IQ
L
E
Lorsque loption est active immdiatement (x D), le DIC est quivalent un Call, il
ny a donc rien de plus justifier par rapport avant.
Pour x > D, cest diffrent et modifi ainsi.
O
L
IQ
U
E
168
C
H
Proposition 9.1.4 Considrons les fonctions prix du DIC et BinDIC regular (D K).
Pour x > D, on a
x 1
Kx
Call t, D, T,
,
D
D
x
Kx
BinDIC(t, x, T, K, D) =
BinC t, D, T,
.
D
D
P
O
LY
DIC(t, x, T, K, D) =
IQ
U
E
On rappelle que les formules fermes pour les prix des Calls binaires BinC sont donns en
(9.1.6).
Preuve:
C
O
P
O
LY
H
E
Prix des DIC reverse (D > K)
LY
T
9.1.5
C
O
IQ
L
E
U
E
Il reste donner les formules dans le cas reverse pour x > D.
Proposition 9.1.5 Considrons les fonctions prix du DIC et BinDIC reverse (D > K).
O
L
169
IQ
Pour x > D, on a
BinDIC(t, x, T, K, D) = BinC(t, x, T, K) er(T t)
E
C
+ BinP(t, x, T, D) + BinDIC(t, x, T, D, D),

DIC(t, x, T, K, D) = Call(t, x, T, K) Call(t, x, T, D) (D K)BinC(t, x, T, D)
+ DIC(t, x, T, D, D) + (D K)BinDIC(t, x, T, D, D).
U
E
LY
Les options barrires droite de lgalit sont de type regular, on connat donc leur prix sous
forme ferme.
Preuve:
E
C
E
C
IQ
O
LY
T
IQ
U
E
Taux dintrt : modle de Vasicek
9.2
P
O
LY
Nous donnons dans ce paragraphe une brve introduction la modlisation stochastique

des taux dintrt.
Les instruments de base sont les obligations zro-coupon de diverses chances T . Nous
relions la modlisation de leur dynamique celle du taux dintrt court terme (rt )t (ou
taux spot). Nous dtaillons le modle de Vasicek [32] pour celui-ci, puis son extension
9.2. TAUX DINTRT : MODLE DE VASICEK
IQ
170
Obligation zro-coupon
E
C
9.2.1
moderne (modle de Hull & White). Dans la rubrique pour en savoir plus, nous abordons
la question de la valorisation des Calls sur zro-coupon.
RT
LY
B(t, T ) dsigne le prix en t dun zro-coupon dchance T , cest--dire le prix payer

en t pour recevoir 1 e en T . Si le taux court est (rt )t dterministe, alors on a par AOA :
Z T
rs ds).
(9.2.1)
B(t, T ) = exp(
t
IQ
U
E
En effet, le placement de exp( t rs ds) en cash la date t donne aprs capitalisation 1 e

en T .
RT
Lorsque (rt )t est alatoire, la quantit exp( t rs ds) dpend du futur aprs t et ne peut
pas tre le prix en t. Pour satisfaire la proprit dadaptation la filtration Ft et respecter
lAOA, il est ncessaire de prendre

Z T

B(t, T ) = EQ exp(
rs ds)Ft
(9.2.2)
E
C
Le modle de Vasicek [32] pour le taux court
9.2.2
IQ
U
E
O
LY
T
E
C
avec un calcul sous la (une) probabilit risque-neutre Q. Nous ne rentrons pas dans une
argumentation dtaille de cette relation qui dcoule de larbitrage. Nous ladmettons et
mentionnons seulement que cette proprit est en fait analogue ce qui a t obtenu dans le
cadre de la modlisation la Black-Scholes-Merton. En effet au lemme 7.4.2, nous avons tabli
que le titre actualis est une Ft -martingale sous Q. Dans le cas du zro-coupon St = B(t, T ),
cela scrit
Rt
Rt
RT
RT

e 0 rs ds B(t, T ) = e 0 rs ds St = EQ e 0 rs ds ST Ft = EQ e 0 rs ds Ft
Rt
puisque B(T, T ) = 1. Le facteur exp( 0 rs ds) tant Ft -adapt, on peut simplifier lgalit
ci-dessus par ce terme et ainsi obtenir la relation (9.2.2).
Cette relation semble donner une importance cruciale la modlisation du taux dintrt
court terme. Dautres points de vue (Heath-Jarrow-Morton [14], modles de march ...)
cherchent mieux comprendre la structure par termes, en cohrence avec lAOA, ce qui est
fondamental pour la gestion efficace des produits de taux dintrt.
LY
Sa structure est trs simple. Ce modle rend compte dun phnomne de retour la
moyenne du taux dintrt court terme, en utilisant naturellement un processus dOrnsteinUhlenbeck (voir chapitre 3).
On suppose que (rt )t a pour dynamique sous la probabilit risque-neutre Q
drt = a(b rt ) dt dWt
r0 = r
(9.2.3)
P
O
(avec W un Q-mouvement brownien). Cela correspond un modle sous la probabilit hisct avec b = b .
torique P de la forme drt = a(b rt ) dt dW
a
171
IQ
Proprits de (rt )t
E
C
9.2.3
Mettre la place de ne change pas la loi du processus (rt )t car W est encore un
mouvement brownien. En fait le signe - devant est plutt une convention dcriture, qui
assure par la suite une volatilit positive du zro-coupon (voir thorme 9.2.3).
Nous rsumons dans le rsultat suivant les principales proprits du taux court.
LY
Proposition 9.2.1 La solution de lquation (9.2.3) est donne par :

Z t
rt = b + (r0 b)ea t
ea(ts) dWs .
(9.2.4)
CovQ (rs , rt ) = ea(st) Var(rt )
VarQ (rt ) =
(s > t).
2
(1 e2at ),
2a
IQ
EQ (rt ) = b + (r0 b)ea t ,
U
E
1. Cest un processus gaussien, avec
E
C
RT
2. La variable I(t, T ) = t rs ds est gaussienne, de moyenne (conditionnellement rt )
m(T t) et de variance 2 (T t), o :
Preuve:
U
E
O
LY
T
E
C
1 ea(T t)
,
a

2
2
1 ea(T t)
.
2 (T t) = 3 (1 ea(T t) )2 + 2 T t
2a
a
a
m(T t) = b(T t) + (rt b)
LY
IQ
P
O
IQ
172
Prix des zro-coupons
LY
9.2.4
E
C

RT
De lgalit B(t, T ) = EQ exp( t rs ds)rt et des proprits gaussiennes de I(t, T ) =
RT
rs ds conditionnellement rt , on dduit que B(t, T ) se calcule comme une transforme de

Laplace
1 2
B(t, T ) = em(T t)+ 2 (T t)
U
E
IQ
ce qui conduit
2
.
2a2
O
LY
T
R = b
E
C
E
C
Thorme 9.2.2 (Prix des zro-coupons dans un modle de Vasicek) Dans le modle de Vasicek, le prix dun zro-coupon dchance T est donn par :

1 ea(T t)
2
B(t, T ) = exp R (T t) (R rt )
+ 3 (1 ea(T t) )2
a
4a
Une formule dIt permet de dduire la dynamique des zro-coupons et donc leur volatilit.
Proposition 9.2.3 (Volatilit des zro-coupons) Dans le modle de Vasicek, on a
a(T t)
IQ
avec (t, T ) = 1e
U
E
dB(t, T )
= rt dt + (t, T )dWt
B(t, T )
Le fait que (t, T ) sannule lorsque t T traduit qu chance, le prix du zro-coupon

devient dterministe (1 e ).
Preuve:
P
O
LY
IQ
U
E
173
C
H
Courbe des taux
C
O
IQ
L
E
U
E
P
O
LY
C
O
9.2.5
IQ
U
E
P
O
LY
Figure 9.1 Diffrents types de courbe de taux possibles dans un modle de Vasicek.
Le zro-coupon B(t, T ) est reli au taux actuariel R(t, T ) dfini par
LY
T
B(t, T ) = e(T t)R(t,T t) .

La courbe des taux actuariels la date t est la fonction
1
7 R(t, ) = ln[B(t, t + )].
Par la forme explicite des prix des zro-coupons, nous dduisons
O
L
IQ
174
Proposition 9.2.4 (Courbe des taux dans un modle de Vasicek) La courbe des taux
de la date t est donne par :
1 ea
2
+ 3 (1 ea )2
a
4a
E
C
R(t, ) = R (R rt )
avec lim R(t, ) = R pour tout t.
Modle de Hull-White 1 facteur
E
C
9.2.6
IQ
U
E
LY
Le graphe 9.1 montre diffrentes courbes de taux possibles dans un tel modle. Cela ressemble
bien des configurations de march, mais ne couvre pas le cas de courbes inverses o un
creux apparat moyenne maturit : cest un dfaut majeur de ce modle. Une autre critique
du modle est que la courbe des taux dpend linairement du taux court, ce qui ninduit
au fil du temps que des dplacements parallles de la courbe des taux. En ralit, il y a
aussi des facteurs de pente et courbure. Enfin, le modle ne prend comme donne initiale
que le taux court aujourdhui, alors que cest toute la courbe des taux qui est donne a
priori, pour satisfaire labsence dopportunit darbitrage. En fait, autoriser le coefficient b
dpendre du temps permet de rpondre de manire satisfaisante aux premires et troisimes
critiques : cest le modle de Hull & White 1 facteur. Mais il y a bien dautres modlisations
cohrentes avec larbitrage...
O
LY
T
E
C
Nous re-dveloppons brivement le modle de Vasicek en autorisant le paramtre b

dpendre du temps. Il sagit de spcifier la forme de (b(t))0tT pour que la courbe des
taux initiale du modle concide avec celle observe sur le march. Pour bien diffrencier les
valeurs du modle et celles du march, nous rajoutons en exposant Mark. (pour Market) ou
Mod. (pour Model) quand ncessaire. Introduisons la famille de taux court forward
Z T
f Mark. (t, T ) = T ln(B Mark. (t, T )) ou B Mark. (t, T ) = exp(
f Mark. (t, s)ds).
t
IQ
U
E
En particulier, lobservation de la courbe des taux en t = 0 est quivalente celle de

(f Mark. (0, T ))0T . Nous dfinissons alors le modle de taux court par
Z t
2
rtMod. = f Mark. (0, t) eat
eas dWs + 2 (1 eat )2 .
(9.2.5)
2a
0
2
(1 e2at ) artMod. ]dt dWt ,
2a
drtMod. = [t f Mark. (0, t) + af Mark. (0, t) +
Reste justifier que cela conduit bien des prix de zro-coupons cohrents avec les prix de
Rt
march observs la date initiale. Dabord, en appliquant la formule dIt eat 0 eas dWs ,
on obtient la forme diffrentielle
P
O
LY
pourvu que t 7 f Mark. (0, t) soit drivable. Cette reprsentation correspond bien un modle
de Vasicek gnralis avec coefficients dterministes dpendant du temps. Ensuite, par un
calcul de transforme de Laplace de loi gaussienne comme dans le modle de Vasicek, on
obtient une expression explicite de

Z T

B Mod. (t, T ) = EQ exp(
rsMod. ds)Ft .
t
Sans rentrer dans le dtail les calculs, cela conduit lidentit

B Mark. (0, T )
1 ea(T t) Mod.
Mark.
exp
(r
f
(0,
t))
t
B Mark. (0, t)
a

2
exp 3 (1 e2at )(1 ea(tt) )2 .

4a
E
C
B Mod. (t, T ) =
175
IQ
U
E
LY
En prenant t = 0, et puisque r0Mod. = f Mark. (0, 0), on retrouve bien B Mod. (0, T ) = B Mark. (0, T )
pour toute maturit T , montrant bien la cohrence du modle de taux court (9.2.5) avec la
courbe des taux du march. Un calcul dIt direct montre que lquation de la dynamique
des zro-coupons (B Mod. (t, T ))0tT est identique celle du modle de Vasicek (Proposition
9.2.3).
Risque de crdit : modles structurels
IQ
9.3
N
H
Modle de la firme de Merton
9.3.1
IQ
U
E
O
LY
T
E
C
E
C
Le risque de crdit peut se dfinir comme le risque de solvabilit dun metteur de dette.
Les principales proccupations sont de mesurer le risque de crdit et de le valoriser des
fins de transfert. Depuis une dizaine dannes, lactivit autour du crdit et des produits
drivs de crdit na cess daugmenter une allure exponentielle pour atteindre en 2005
plus de 8000 milliards de dollars dencours (prs de 5 fois le PIB de la France !). La crise
des subprimes a t un coup darrt cette croissance devenue draisonnable et a rvl de
nombreuses faiblesses dans le systme de mesure et gestion des risques sous-jacents.
Nous faisons une brve introduction aux modlisations sous-jacentes et renvoyons [28]
pour de nombreuses rfrences et un tour dhorizon sur le sujet. En fait, notre prsentation
est axe sur les modles dits structurels. Ce sont des modles de risque de crdit o
une entreprise considre fait dfaut (cessation de paiement) lorsque la valeur de ses actifs
ne suffit plus faire face sa dette. Les modles de rfrence sont celui de Merton [22],
CreditGrades de JP Morgan ou Moodys KMV. Ces modles sont aussi appels modles de
la firme.
Les obligations mises par lentreprise tant plus risques que celles mise par ltat, leur
rendement est plus lev. La diffrence de rendement dfinit le spread de crdit, donne
observable sur le march que nous cherchons retrouver travers un modle.
P
O
LY
Dans ce modle simplifi, on suppose que le capital de lentreprise a t structur en

deux parties 1 :
une partie action (equity) ;
une partie dette (debt) sous la forme dun zro-coupon de nominal B et dchance T .
On note Et la valeur en t de la partie action et Dt celle de la dette. On suppose que la valeur
totale
Vt = Et + Dt
1. il ny pas de possibilit de convertir la dette en actions (obligations convertibles).
9.3. RISQUE DE CRDIT : MODLES STRUCTURELS
IQ
176
dVt
= dt + dWt .
Vt
des actifs de lentreprise suit un modle log-normal :
E
C
On suppose que le dfaut ne peut intervenir qu lchance T , lors du remboursement des

obligations leurs dtenteurs. Le dfaut a lieu seulement si VT < B. Deux cas se produisent :
1. il y a dfaut en T : les actionnaires ne reoivent rien et les cranciers reoivent VT .
LY
2. il ny a pas dfaut en T : les dtenteurs dobligations rcuprent le nominal B et les

actionnaires le reliquat VT B.
Du point de vue des cranciers, ils reoivent chance un flux gal
U
E
min(VT , B) = B (B VT )+ .
E
C
IQ
Pour valuer la valeur de la dette, nous suivons lapproche de valorisation des options (chapitre 7), en supposant implicitement que la valeur totale des actifs de lentreprise est un titre
ngociable sur le march, ou du moins quil est rpliquable par des titres ngociables. La
valorisation de la dette seffectue par un calcul risque-neutre Q. Dans cette perspective, nous
supposons que le taux dintrt court terme de la banque centrale (non risque) vaut r.
E
C
Thorme 9.3.1 Dans un modle de la firme de Merton, la valeur de la dette Dt est la

diffrence dun zro-coupon et dun Put sur V de prix dexercice B :
Dt = EQ (er(T t) min(VT , B)|Vt )
O
LY
T
= Ber(T t) Put(t, St , T, B)
= Vt N (d1 ) + Ber(T t) N (d0 )
Preuve:
IQ
U
E
r(T t)
avec d1 = 1T t ln( Vt e B
) + 12 T t et d0 = d1 T t.
La valeur de la dette peut sexprimer aussi en fonction du levier dendettement (leverage
r(T t)
ratio) lt = Be Vt
:

N (d1 )
+ N (d0 ) .
Dt = Ber(T t)
lt
P
O
LY
177
IQ
E
C
U
E
LY
IQ
Le taux actuariel Y (t, T ) de la dette se dfinit par Dt = B exp(Y (t, T )(T t)). Comme
Dt < Ber(T t) , on a Y (t, T ) > r. Le spread de crdit S(t, T ) = Y (t, T ) r en mesure la
diffrence.
E
C
E
C
Proposition 9.3.2 Dans un modle de la firme de Merton, le spread implicite 2 de crdit

vaut
B
1
log( ) r.
S(t, T ) =
T t
Dt
En particulier, lchance le spread de crdit a deux comportements distincts :
O
LY
T
1. limtT S(t, T ) = 0 si VT > B ;
Preuve:
U
E
2. limtT S(t, T ) = + si VT B.
H
C
LY
IQ
P
O
2. le terme implicite fait rfrence ici au spread obtenu via un modle et non via des donnes de
march.
9.3. RISQUE DE CRDIT : MODLES STRUCTURELS
IQ
178
E
C
O
LY
T
E
C
E
C
IQ
U
E
LY
U
E
Figure 9.2 Courbe de spread implicite en fonction de la maturit T t, pour

diffrentes volatilits. Le spread est croissant avec la volatilit. Paramtres : V0 = 100,
B = 80, r = 2.5%.
IQ
On peut aussi dduire la valeur des paramtres usuels en risque de crdit.
Proposition 9.3.3 Dans un modle de la firme de Merton,
1. la probabilit de dfault (probabilit de subir une perte) est
pt = Q(VT < B|Vt ) = N (d0 );
EQ (VT 1VT <B |Vt )

Vt N (d1 )
=
;
B Q(VT < B|Vt )
Ber(T t) N (d0 )
LY
t =
2. le taux de recouvrement (recovery rate) en cas de dfaut est
3. le taux de perte en cas de dfaut (Loss Given Default ou LGD) vaut

EQ ((B VT )1VT <B |Vt )
= 1 t .
B Q(VT < B|Vt )
P
O
t =
179
IQ
E
C
Preuve:
LY
IQ
U
E
O
LY
T
E
C
E
C
U
E
Extensions du modle de la firme
9.3.2
IQ
On pourrait aussi considrer que le dfaut a lieu ds que la valeur des actifs devient
infrieure un certain niveau Bt dfini dans le contrat de la dette (modle de Black-Cox
1976). Autrement dit, le dfaut est le premier temps de passage dune barrire :
N
H
= inf{t : Vt Bt }.
Le crancier peroit alors une fraction f < 1 du nominal soit linstant de dfaut, soit
chance. Pour le crancier, cela revient dtenir une option barrire. En effet, dans le
cas de recouvrement chance T , le flux pour le crancier est
f B1 T + B1 >T .
P
O
LY
Le calcul de la valeur de la dette se ramne ainsi celui du prix des options barrires (voir
paragraphe 9.1 et exercice ??).
Ces approches ne sont pas entirement satisfaisantes car dune part, il est dlicat de
dterminer correctement les paramtres dfinissant la valeur totale des actifs, de prendre
9.4. OPTIONS LOOKBACK
IQ
180
POUR EN SAVOIR PLUS
IQ
N
Options lookback
E
C
9.4
U
E
LY
E
C
en compte compltement les conditions dmission de la dette, limpact de la procdure de

liquidation dans le calcul de la perte sachant le dfaut... dautre part, le spread implicite
maturit courte peut sannuler (voir figure (9.2)), ce qui nest conforme aux rsultats
empiriques (qui exhibent plutt des spreads non nuls, traduisant un dfaut possible horizon
trs court). En fait, ce dernier point est propre la modlisation choisie pour les instants
de dfaut : quand la valeur des actifs sapproche de la barrire, on pressent le dfaut. Pour
viter de prvoir le dfaut, on peut prendre une barrire alatoire de loi log-normale. Cest
lapproche CreditGrades de JP Morgan.
Une alternative consisterait ajouter des sauts log-normaux la dynamique de la valeur
totale des actifs V . On renvoie au modle sauts de Merton (voir chapitre 10).
O
LY
T
E
C
Ce sont dautres exemples trs standards doptions exotiques. Leur flux chance sont
fonctions du plus bas ou du plus haut du titre sous-jacent (ou des deux) sur la priode de
vie du contrat. Pour un Call lookback par exemple, cela permet davoir le droit dacheter le
titre au plus bas sur la priode ! Le flux terminal est ST min0tT St . Ce sont des options
chres en gnral. Leur prix peuvent se dduire de celui des options barrires.
Nous appliquons ltude des prix doptions barrires aux options lookback, de payoff
(ST KmT )+ avec mT = min St .
tT
IQ
U
E
Cette section peut tre saute en premire lecture. Nous admettons 3 quil existe un portefeuille de couverture de ce produit et que le prix du portefeuille de couverture correspondant
est lesprance sous la probabilit risque-neutre du payoff actualis :
MinCall(0, x, T, K) = EQ (erT (ST KmT )+ )
(la dynamique de S sous Q est donne par (9.1.2)).
Thorme 9.4.1 (Prix dune option lookback)

1. Si K 1, alors MinCall(0, x, T, K) = (1 K)xeqT + KMinCall(0, x, T, 1).
2. Si K 1, alors selon le signe de = r q on a
LY
MinCall(0, x, T, K)
(
2
2
Call(0, 1, T, K) + K
Put(0, K 2/ , T, 1; , |2/|)
2
=x
2
2
Call(0, 1, T, K) + K
Call(0, K 2/ , T, 1; , |2/|)
2||
si > 0,
si < 0.
P
O
3. on peut le montrer comme pour les cas prcdents, en passant par un argument dEDP
rinterprter comme esprance ensuite.
181
IQ
E
C
Preuve:
LY
IQ
U
E
Call sur zro-coupon dans un modle de Vasicek
9.5
U
E
O
LY
T
E
C
E
C
LY
IQ
Nous tendons maintenant les formules de Black-Scholes-Merton au cas o le titre sur

lequel on a loption dachat dchance T , est un zro-coupon dchance T + . Le payoff
associ est donc (B(T, T + ) K)+ .
Pour la valorisation, nous suivons la mthodologie par EDP, en incorporant un nouvel
ingrdient. Une rsolution lgante passe par un changement de rfrence montaire (changement de numraire), cest--dire quau lieu dvaluer les portefeuilles en e (de valeur
Vt
).
Vt ), on les value en nombre de zro-coupon dchance T (de valeur B(t,T
)
Rcrivons la contrainte dautofinancement dans ce cadre, en se restreignant des stratgies investies uniquement dans les zro-coupons dchance T et T + . Les quantits investies correspondantes la date t sont ( T (t), T + (t)). La valeur liquidative du portefeuille
est Vt = T (t)B(t, T ) + T + (t)B(t, T + ) e , ou bien dans le nouveau numraire
P
O
B(t, T + )
Vt
= T (t) + T + (t)
.
B(t, T )
B(t, T )
9.5. CALL SUR ZRO-COUPON DANS UN MODLE DE VASICEK
IQ
182
La contrainte dautofinancement conduit

B(t, T + )
Vt
d
= T + (t)d
.
B(t, T )
B(t, T )
(9.5.1)
E
C
Lobjectif de couverture du vendeur du contrat est davoir chance

(B(T, T + ) K)+
B(T, T + )
VT
=
=
K
B(T, T )
B(T, T )
B(T, T )
+
LY
en utilisant que B(T, T ) = 1. On introduit Xt pour la valeur du zro-coupon dchance

T + dans le nouveau numraire :
U
E
B(t, T + )
.
B(t, T )
Xt =
IQ
Proposition 9.5.1 (EDP dvaluation) Sil existe une fonction rgulire u : (t, x)
]0, T []0, +[7 u(t, x) solution de lEDP
(
1 2
x [(t, T + ) (t, T )]2 u00xx (t, x) + u0t (t, x) = 0,
2
u(T, x) = (x K)+ ,
O
LY
T
E
C
E
C
alors le flux (B(T, T + ) K)+ est rpliquable par un portefeuille autofinanant dont la
valeur la date t est Vt = u(t, Xt )B(t, T ) e . La couverture consiste en T + (t) = u0x (t, Xt )
et T (t) = u(t, Xt ) u0x (t, Xt )Xt .
Preuve:
IQ
U
E
P
O
LY
IQ
U
E
C
H
183
IQ
U
E
P
O
LY
Ce qui est remarquable dans lapproche prcdente, cest quavec un bon choix de numraire, on a pu saffranchir des problmes dactualisation entre t et T . Remarquons aussi
que les calculs prcdents sont galement valables pour le modle Hull-White introduit au
paragraphe 9.2.6.
LEDP prcdente est trs semblable lEDP dvaluation (7.3.5) du Call sur un titre
standard. La diffrence essentielle est que le paramtre de volatilit (t, T + ) (t, T ) nest
pas constant mais variable dans le temps (tout en restant dterministe). Toutefois, cela ne
change pas la possibilit dun calcul de la solution sous
ferme. Il suffit de remplacer
q forme
RT
dans la formule Black-Scholes le terme par t,T = T 1t t |(u, T + ) (u, T )|2 du.
Thorme 9.5.2 (Prix de Call sur zro-coupon) Le prix dune option de maturit T ,
de prix dexercice K sur zro-coupon de maturit T + est donn par
C
O
Callzc (t, K, T, T + ) = B(t, T + )N (d1 ) KB(t, T )N (d0 ),
B(t, T + ) 1
1
t,T T t,
d0 =
Log
KB(t, T )
2
t,T T t
d1 = d0 + t,T T t,
Z T
1
2t,T =
|(u, T + ) (u, T )|2 du.
T t t
Exercices
U
E
9.6
P
O
LY
La couverture consiste la date t en lachat de N (d1 ) zro-coupons dchance T + et en

la vente de KN (d0 ) zro-coupons dchance T .
C
O
IQ
L
E
Exercice 9.1 Call forward-start.
LY
T
O
L
IQ
U
E
9.6. EXERCICES
184
C
H
P
O
LY
Exercice 9.2 valuation et couverture doptions sur moyenne.
C
O
IQ
U
E
U
E
P
O
LY
C
O
IQ
L
E
Exercice 9.3 F Option asiatique.
LY
T
O
L
IQ
U
E
185
C
H
P
O
LY
Exercice 9.4 Les options barrires : lEDP et linterprtation comme esprance.
C
O
IQ
U
E
C
O
IQ
L
E
Exercice 9.5
U
E
P
O
LY
LY
T
O
L
9.6. EXERCICES
IQ
186
E
C
LY
Exercice 9.6 F Modle log-normal dcal (Displaced log-normal diffusion,

daprs M. Rubinstein 1983).
IQ
U
E
O
LY
T
E
C
E
C
P
O
LY
IQ
U
E
IQ
U
E
187
C
H
CHAPITRE 10. MODLES FINANCIERS AVEC SAUTS
P
O
LY
Chapitre 10
IQ
U
E
Modles financiers avec sauts
10.1
LY
C
O
Nous avons vu au chapitre 8 que, la modlisation des titres par un mouvement brownien
gomtrique ne permet pas de rendre compte de smile ou skew de volatilit implicite. Une
solution partielle consiste introduire des sauts dans la dynamique de prix. Ce chapitre
se concentre sur le cas de modle mixte brownien-Poisson compos. Nous soulignons les
difficults de rplication parfaite dans ce cadre avec sauts. Les outils de calcul stochastique
associ, de connexion avec les EDP intgro-diffrentielles et de changement de probabilit
sont tirs des chapitres 4 et 5.
Modle mixte brownien-Poisson gomtrique
IQ
(10.1.1)
C
O
L
E
Y

Nt
1
(1 + Yi )
St = S0 exp ( 2 )t + Wt
2
i=1
U
E
P
O
Nous rappelons la dfinition dun processus mixte brownien-Poisson gomtrique de caractristiques (, , , ). Il scrit sous la forme
LY
T
3. les deux processus tant indpendants.

P t
2. ( N
i=1 ln(1 + Yi ))t est un processus de Poisson compos avec intensit de saut et loi
commune pour les sauts (Yi )i , avec Yi > 1 p.s. ;
Entre deux instants de sauts, le modle volue comme un mouvement brownien gomtrique.
Puis, des intervalles de temps de loi exponentielle E() des sauts se produisent, induisant
une variation de S de Y %.
Les proprits de ses moments sont rsumes ainsi (voir chapitre 4).
O
L
10.1. MODLE MIXTE BROWNIEN-POISSON GOMTRIQUE
IQ
188
Proposition 10.1.1 Supposons que Y ait les deux premiers moments finis. Dans un tel
modle, les moyenne et variance de St sont donnes par
+E(Y 2 ))
E
C
Var(St ) = [E(St )]2 et(
E(St ) = S0 et(+E(Y )) ,

1 .
LY
De plus, (ert St )t est une martingale (dans sa filtration naturelle) si et seulement si +

E(Y ) = r.
Modle de Merton [23]
10.1.1
U
E
La proprit de martingales est importante car on a dj vu que la valorisation de produits

financiers se fait laide de nouvelle probabilit sous laquelle le titre actualis est martingale
(quand il ny a pas de dividende).
IQ
Cest un modle standard o les sauts (1 + Yi )i sont des variables log-normales de paraloi
E
C
mtres (ln(1 + m), 2 ) (m > 1) : ln(1 + Yi ) = N (ln(1 + m) 2 /2, 2 ). Ainsi, le paramtre

m sinterprte comme la moyenne des sauts Y : m = E(Y ).
loi

1 2
)t + (ln(1 + m) 2 /2)k, 2 t + 2 k . (10.1.2)
2
O
LY
T
Loi(ln(St /S0 )|Nt = k) = N (
E
C
Proposition 10.1.2 Dans un modle de Merton,

conditionnellement un nombre k de sauts, St a la loi log-normale avec paramtres :
IQ
Preuve:
U
E
(ert St )t est martingale si et seulement si + m = r.
P
O
LY
189
IQ
E
C
Modle de Kou et Wang [18]
LY
10.1.2
Le cas de sauts constants (et gaux m) est atteint en prenant = 0
(dy) = p1 e1 y 1y>0 dy + q2 e2 y 1y<0 dy
(10.1.3)
IQ
avec p 0, q 0, p + q = 1, 1 > 1, 2 > 0.
U
E
Dans ce modle, les sauts (ln(1 + Yi ))i ont une loi double exponentielle
E
C
Proposition 10.1.3 Dans un modle de Kou-Wang, (ert St )t est martingale si et seulement si + ( 1p1 2q+1 ) = r.
O
LY
T
E
C
Preuve:
U
E
LY
IQ
P
O
Ce modle a t dvelopp plus rcemment que le modle de Merton : il a lavantage de
10.2. COUVERTURE DOPTION
IQ
190
Couverture doption
Les sauts comme nouvelles sources de risque
10.2.1
E
C
10.2
conduire des procdures numriques simplifies de valorisation, notamment pour les options barrires, et ce, grce aux bonnes proprits des lois exponentielles (voir exercice 10.6).
dVt = rVt dt + (t)St (( r)dt + dWt + Yt dNt ),
IQ
U
E
LY
La mthodologie de couverture par un portefeuille dynamique autofinanant reste valable, indpendamment de la prsence ou non de sauts dans les cours des titres. Par contre,
alors que dans le chapitre 7 avec un portefeuille investi dans le titre risqu (et le cash), il
avait t possible de suivre les fluctuations browniennes du march de sorte annuler parfaitement lerreur de couverture, ce nest pas plus possible lorsquil y a des sauts. Voyons
cela en cherchant un portefeuille de couverture dune option de payoff h(ST ), dont la valeur
liquidative la date t serait de la forme Vt = v(t, St ). Lquation dautofinancement est
comparer avec la formule dIt :
E
C
dv(t, St ) = Av(t, St )dt + St vx0 (t, St )dWt + (v(t, St (1 + Yt )) v(t, St ))dNt
E
C
en notant
1 2 2
xx (t, x).
(10.2.1)
2
Si lon essaye dgaliser les parties browniennes dun ct, et les parties sauts de lautre, on
obtient
O
LY
T
A(t, x) = t (t, x) + xx (t, x) +
St (t) = St vx0 (t, St ),
U
E
(t)St Yt = v(t, St (1 + Yt )) v(t, St ),
Couverture parfaite dans le cas dun nombre fini de

sauts possibles
10.2.2
IQ
et ce, pour tout scnario de cours St et de saut Yt . Les seules solutions v(t, S) vraisemblables
sont les fonctions affines en S, qui videmment ne permettent pas dobtenir chance
nimporte quelle fonction flux, comme h(S) par exemple.
Ce petit calcul informel montre que chaque saut possible est un risque part entire qui
ncessiterait une couverture spcifique.
P
O
LY
Supposons ici que les sauts Yi ne prennent quun nombre M fini de valeurs possibles
y1 , , yM : ({y1 , , yM }) = 1. Pour couvrir ces M sources de risque supplmentaires,
lide est davoir recours M autres instruments ngociables (it )1iM . Ce sont par exemple
des options (Call et Put) crites sur le titre S. Supposons que leur prix est une fonction
rgulire de (t, St ) :
it = i (t, St ).
191
IQ
Leur dynamique est
dit = Ai (t, St )dt + x i (t, St )St dWt + [i (t, St + Yt ) i (t, St )]dNt .
i (t)(dit rit dt)
U
E
M
+1
X
Vt = rVt dt +
LY
E
C
Considrons
autofinanant
de valeur Vt investi en nombre (t) =
un portefeuille
1 (t)
1t
..
..
de titres
(et le reste en cash). Par convention, le titre M + 1 est
.
.
M +1
M +1
(t)
t
+1
simplement le titre risqu initial : M
= St ((t, x) = x). La dynamique du portefeuille 1
t
est
i=1
St dWt
O
LY
T
E
C
E
C
IQ
A1 (t, St ) r1t
x 1 (t, St )
.
..
dt + (t)
..
= rVt dt + (t)
.
+1
M +1
AM +1 (t, St ) rM
(t, St )
x
t
1
1
(t, St (1 + Yt )) (t, St )
..
dNt .
+ (t)
.
M +1 (t, St (1 + Yt )) M +1 (t, St )
Point de vue EDP de valorisation. Cherchons un portefeuille dont la valeur serait

une fonction v de (t, St ), soit
dv(t, St ) = Av(t, St )dt + vx0 (t, St )St dWt + (v(t, St (1 + Yt )) v(t, St ))dNt .
IQ
(t, x)
x M +1 (t, x)
M +1
(t, x(1 + y1 )) M +1 (x)

..
.
M +1 (t, x(1 + yM )) M +1 (x)
vx0 (t, x)
v(t, x(1 + y1 )) v(t, x)
.
..
.
v(t, x(1 + yM )) v(t, x)
..
.
LY
x 1 (t, x)
1
(t, x(1 + y1 )) 1 (x)
..
.
1 (t, x(1 + yM )) 1 (x)
U
E
Pour que les termes browniens et sauts soient les mmes pour tout St et Yt {y1 , , yM },
il suffit de prendre (t) = (t, St ) avec la fonction (vectorielle) de couverture (t, x) dfinie
par
P
O
1. il sagit ici simplement de lextension de (7.3.3) pour 1 titre risqu au cas de M + 1 titres
risqus.
IQ
192
M
X
i (t, x)(v(t, x(1 + yi )) v(t, x))
E
C
(t, x) = (t, x)vx0 (t, x) +
Pour peu que la matrice de gauche soit inversible (ce qui signifie dune certaine manire que
les titres (it )1iM +1 ne sont pas redondants entre eux), on obtient
i=1
(t, x, y)(v(t, x(1 + y)) v(t, x))(dy)
(t, x)vx0 (t, x)
LY
IQ
1 2 00
vxx (t, x)
2 Z
E
C
vt0 (t, x) + (x (t,

x))vx0 (t, x) +
x, y)(v(t, x(1 + y)) v(t, x))(dy)

(t,
= rv(t, x) +
U
E
pour certaines pondrations vectorielles , i , provenant de la rsolution du systme. Les

valeurs exactes nous importent peu ici mais plutt la forme.
des termes en dt
de
Lgalisation
A1 (t, x) r1 (t, x)
..
,
dv(t, St ) et dVt conduit enfin Av(t, x) = rv(t, x)+(t, x)
.
M +1
M +1
A
(t, x) r
(t, x)
ce qui quivaut
E
C
O
LY
T
Si on ajoute une condition terminale v(t, x) = h(x), on

pour certaines fonctions
et .
obtient une EDP intgro-diffrentielle bien pose : la fonction v solution fournit alors une
stratgie de couverture optimale (il suffit de remonter les calculs).
IQ
U
E
Conclusion. La construction dune stratgie de couverture parfaite a t possible car nous

avons cherch une couverture du risque avec autant dinstruments ngociables (ici M + 1)
que de sources de risque ( savoir un brownien et M diffrentes valeurs possibles de saut). Si
en revanche il y a une infinit de sauts possibles (modle de Merton ou Kou-Wang),
alors le vendeur du contrat ne peut pas couvrir parfaitement sa position. On
parlera de march incomplet 2 .
P
O
LY
Point de vue valorisation risque-neutre. Si on admet que le corollaire (4.3.6)

reste valable pour des coefficients , , dpendant de (t, x), on voit que lEDP intgrodiffrentielle ci-dessus sinterprte comme lesprance de erT h(ST ) pour un certain processus S mlangeant une partie brownienne et une partie sauts. Avec les outils vus jusqu
maintenant, il nest pas possible de dfinir correctement le processus en question : il aurait
une tendance locale et une mesure de sauts locale (i.e. dpendant de la valeur courante de
S). Ce calcul sinterprte aussi comme un changement de probabilit et on pourrait vrifier
que la probabilit de valorisation est risque-neutre (les titres actualiss (ert it )1iM +1
sont martingales). Tout ceci va au del de cet ouvrage. Nous renvoyons [17] pour de plus
amples dtails.
2. tout contrat financier raisonnable nest pas rpliquable parfaitement.
E
IQ
193
Couverture imparfaite en moyenne quadratique
10.2.3
E
C
Une alternative la couverture parfaite (gnrant une tracking error nulle) consiste
minimiser (dans un certain sens) lerreur de rplication. On propose de regarder ici le cas
dun Call avec un critre quadratique pour la minimisation :
E(VT (ST K)+ )2 .
LY
Pour que les calculs soient plus simples, on suppose que la probabilit historique est risqueneutre (ce qui na pas raison dtre vraie en pratique), cest--dire que r + E(Y ) = 0
(voir proposition 10.1.1). Nous suivons la prsentation de [19].
On commence par introduire une certaine EDP intgro-diffrentielle de valorisation.
E
C
E
C
IQ
U
E
Proposition 10.2.1 Soit v la fonction dfinie pour t T et x > 0 par v(t, x) =

E(er(T t) (ST K)+ |St = x). Alors v est de classe C ([0, T []0, [) et est solution de
lEDP
1
00
vt0 (t, x) + xvx0 (t, x) + 2 x2 vxx

(t, x) rv(t, x)
Z
2
+ (v(t, x(1 + y)) v(t, x))(dy) = 0 pour (t, x) ]0, T []0, [,

R
v(T, x) = (x K)+
pour x ]0, [.
Preuve:
U
E
O
LY
T
De plus, v est croissante convexe en x et vx0 est borne par 1.
LY
IQ
P
O
IQ
U
E
194
C
H
P
O
LY
Thorme 10.2.2 Considrons un portefeuille autofinanant de valeur initiale V0 , investi

seulement dans le cash et le titre S, la stratgie ((t))t tant Ft -adapte continue gauche
et borne. Alors lerreur quadratique de couverture du Call de caractristiques (T, K) par ce
portefeuille vaut
IQ
U
E
E[erT VT erT (ST K)+ ]2

Z T
2
=[V0 v(0, S0 )]2 + E
e2rs Ss
2 [vx0 (s, Ss ) (s)]2 ds
0
C
O

e2rs [v(s, Ss (1 + y)) v(s, Ss ) (s)ySs ]2 (dy)ds .
Preuve:
U
E
P
O
LY
C
O
IQ
L
E
LY
T
Corollaire 10.2.3 (Couverture en moyenne quadratique) Le portefeuille optimal de
O
L
195
IQ
E
C
couverture dun Call en moyenne quadratique a pour valeur initiale V0 = v(0, S0 ) et stratgie

Z
v(t, St (1 + y)) v(t, St )
1
2 0
R
(t) = 2
(dy)
.
v
(t,
S
)
+
y
t
x
St
+ R y 2 (dy)
R
LY
Preuve:
IQ
U
E
E
C
E
C
U
E
O
LY
T
IQ
Nous remarquons que sil ny a pas de sauts ( = 0), nous retrouvons bien la couverture en
usuelle. Par contre, la prsence de sauts modifie la couverture. Par exemple si les sauts sont
tous positifs (Y 0 p.s.), on peut sattendre couvrir avec plus de titres quen standard.
Cest effectivement le cas, car v(t, x) tant convexe en x, on a
Z
Z
v(t, St (1 + y)) v(t, St )
y
(dy) vx0 (t, St ) y 2 (dy),
St
R
R
Formule de Merton pour les Calls
LY
10.3
et donc (t) vx0 (t, St ).
P
O
Dans le cas de sauts log-normaux (modle de Merton [23]), il est possible de donner des
formules quasi-explicites aux prix de Call. Nous admettons pour cela (voir la discussion du
paragraphe prcdent) que le prix est donn par lesprance du payoff (ST K)+ actualis,
10.3. FORMULE DE MERTON POUR LES CALLS
IQ
U
E
LY
E
C
IQ
196
E
C
Figure 10.1 Une surface de volatilit implicite dans le modle de Merton, montrant
un smile.
O
LY
T
E
C
calcule sous une probabilit neutre au risque Q rendant le titre actualis martingale. On
supposera que sous Q, le titre suit encore un modle de Merton : en particulier (en supposant
quil ny a pas de dividende) on a
+ m = r
(voir Proposition 10.1.2).
Thorme 10.3.1 (Formule de Merton pour les Calls) Dans un modle de Merton
risque-neutre sans dividende, le prix dun Call la date 0 est
2 + 2 k/T .
Preuve:
o Call est la formule de Black-Scholes avec volatilit
U
E
[T ]k
2 k
2
Call(0, S0 (1 + m)k emT , T, K; BS
= 2 +
)
k!
T
k0
eT
IQ
EQ (erT (ST K)+ ) =
P
O
LY
IQ
U
E
197
C
H
IQ
U
E
P
O
LY
N
H
Exercices
10.4
C
O
Sur la figure (10.1), nous reprsentons la volatilit implicite dans un tel modle. On
observe que la prsence de sauts dans la dynamique permet de reproduire un smile, comme
on peut en observer dans le march.
LY
Exercice 10.1
IQ
L
E
U
E
P
O
C
O
LY
T
Exercice 10.2
O
L
10.4. EXERCICES
IQ
198
E
C
U
E
LY
E
C
IQ
E
C
Exercice 10.3
U
E
O
LY
T
IQ
P
O
LY
Exercice 10.4 On suppose que le titre S suit un modle mixte brownien-Poisson gomtrique, avec > 0, > 0. Nous considrons un portefeuille de couverture dun Call sur S,
dont la stratgie est constitue uniquement du cash et du titre. On dfinit
v(t, x) = E(er(T t) (ST K)+ |St = x)
o lesprance est calcule sous la probabilit risque-neutre.
IQ
U
E
1. Montrer que si la couverture est parfaite alors pour tout 0 s T
C
H
v(s, Ss (1 + y)) v(s, Ss ) vx0 (s, Ss )ySs = 0
avec probabilit 1, pour -presque tout y.
2. Montrer que v est convexe en x.
P
O
LY
3. En dduire quil ny a pas de couverture parfaite.
IQ
U
E
Exercice 10.5 F Quelques formules dans un modle de Merton.
N
H
LY
C
O
IQ
L
E
U
E
P
O
N
H
LY
T
C
O
Exercice 10.6 F Suite de lexercice 7.7.
O
L
199
10.4. EXERCICES
IQ
200
LY
E
C
U
E
Exercice 10.7 F Stratgie du coussin.
E
C
IQ
O
LY
T
E
C
P
O
LY
IQ
U
E
E
U
E
C
IQ
201
LY
Quelques mots de conclusion
P
O
LY
IQ
U
E
O
LY
T
E
C
E
C
IQ
U
E
Cette visite guide se termine et nous esprons que le lecteur aura apprci ce tour
dhorizon introductif. Bien sr, beaucoup reste tre dit sur le calcul stochastique, dans sa
version traditionnelle (nous renvoyons par exemple au livre de Revuz et Yor [27]), et sur ses
applications la valorisation et couverture doptions. Ce domaine est trs actif au niveau de
la recherche acadmique.
Mais cela ne concerne pas uniquement, comme nous lavons trait dans cet ouvrage,
lvaluation et la gestion de produits drivs. Ce qui est important (et impuls sous les
recommandations du Comit de Ble), cest une vision globale des risques au niveau bancaire,
cest--dire lagrgation des risques au niveau le plus haut. Ainsi, le trader va grer le risque
du produit driv chang, puis le risque et la couverture vont tre agrgs au niveau de son
portefeuille, puis au niveau de la salle de march o il travaille, puis enfin au niveau de la
banque. Cette vision globale a t adopt ds 1998, avec la Value At Risk (V@R), indicateur
de risque mesurant le seuil de pertes potentielles un horizon donn et pour un quantile
donn. Cet indicateur rglementaire est reli au montant de fonds propres immobiliser en
regard des risques pris, pour faire face des pertes a priori rares. Il est crucial alors de bien
apprhender et modliser les dpendances complexes entre les diffrentes activits.
La crise a montr lexistence de nouveaux risques, laisss longtemps de cot. Comme
expliqu au chapitre 6, le risque de liquidit doit tre intgr dans la modlisation de la
gestion des risques. Quand les praticiens et les marchs sorganisent autour dune mme
vision des risques travers un mme modle (copule gaussienne pour le risque de crdit
par exemple), il devient aussi crucial danalyser le risque de modle. Le nombre limit de
banques de financement et dinvestissement, chacune ayant les autres comme contrepartie,
induit un risque systmique (effet domino de contagion). La modlisation et lanalyse de
tous ces risques sont de vrais dfis relever, pour mieux guider les prochaines volutions
rglementaires et permettre de nouveau aux marchs financiers de faire jouer plein leur
rle de financement du monde conomique.
LY
P
O
P
O
LY
T
U
E
IQ
E
P
LY
U
E
IQ
E
C
E
C
E
C
IQ
202
203
E
C
IQ
A. APPENDICES
LY
Annexe A
IQ
U
E
Appendices
A propos des gaussiennes
N
H
E
C
A.1
Variables gaussiennes
O
LY
T
A.1.1
E
C
Nous commenons par rappeler quelques proprits lmentaires des v.a. gaussiennes.
IQ
U
E
P
O
LY
204
Vecteurs gaussiens
E
C
A.1.2
IQ
A.1. A PROPOS DES GAUSSIENNES
LY
IQ
U
E
E
C
O
LY
T
U
E
Processus gaussien
A.1.3
E
C
LY
IQ
P
O
205
IQ
A. APPENDICES
Quelques rappels de thorie de lintgration
E
C
A.2
U
E
Tribus et variables alatoires
IQ
A.2.1
LY
Nous donnons dans cet appendice quelques rappels sur la thorie de lintgration abstraite
et les tribus. Fondamentalement, lintroduction des espaces probabiliss donne un cadre et
un formalisme rigoureux, pour rendre compte de certains phnomnes complexes. Bien que
dun accs assez rbarbatif, les rappels qui suivent se proposent dnoncer les proprits
fondamentales dans une forme qui permet leur application directe dans le cadre de cet
ouvrage.
O
LY
T
E
C
E
C
U
E
Mesures et distributions de probabilit
LY
A.2.2
IQ
P
O
206
IQ
A.2. QUELQUES RAPPELS DINTGRATION
LY
E
C
IQ
Indpendance et conditionnement
A.2.3
U
E
E
C
E
C
INDPENDANCE
U
E
O
LY
T
IQ
P
O
LY
ESPRANCE CONDITIONNELLE
E
IQ
A. APPENDICES
E
C
U
E
LY
E
C
Fonctions alatoires et loi temporelle
O
LY
T
A.2.4
E
C
IQ
IQ
U
E
P
O
LY
207
208
Formule de Lvy-Khintchine
E
C
A.3
IQ
A.4. SIMULATION
LY
IQ
U
E
E
C
O
LY
T
A.4
E
C
Simulation
Simulation de variables alatoires
LY
A.4.1
IQ
U
E
Ce paragraphe est destin donner quelques notions sur la simulation de processus en lien
avec les applications en finance. Lvaluation et la couverture des produits financiers peuvent
se ramener valuer des esprances ou leurs drives : rapidement, lutilisateur se retrouve
en dehors du cadre des formules exactes et doit avoir recours aux mthodes numriques. Les
mthodes de Monte-Carlo, qui soffrent lui, prsentent lavantage dtre flexibles et faciles
dimplmentation. En contrepartie, elles sont connues pour converger lentement. Dans ce
chapitre, nous faisons le point sur quelques mthodes de simulation et dacclration de
convergence. Un panorama plus complet est donn dans [11].
P
O
E
H
IQ
A. APPENDICES
LY
E
C
U
E
E
C
IQ
MTHODE DINVERSION
O
LY
T
E
C
IQ
U
E
P
O
LY
MTHODE DE REJET
209
210
E
C
IQ
A.4. SIMULATION
LY
IQ
U
E
E
C
E
C
SIMULATION DUNE V.A. GAUSSIENNE
U
E
O
LY
T
IQ
A.4.2
LY
Calcul desprance par mthode de Monte Carlo
P
O
Nous cherchons valuer E(X), o X est une v.a. relle satisfaisant pour simplifier
Var(X) < +.
E
IQ
A. APPENDICES
E
C
LE PRINCIPE
LY
IQ
U
E
O
LY
T
E
C
E
C
U
E
LA MTHODE DES VARIABLES DE CONTRLE
LY
IQ
P
O
211
212
IQ
A.4. SIMULATION
E
C
LA MTHODE DE LCHANTILLONNAGE PRFRENTIEL
U
E
LY
E
C
IQ
P
O
LY
IQ
U
E
O
LY
T
E
C
E
E
C
IQ
B. CORRECTION DES EXERCICES
E
C
IQ
Correction des exercices
U
E
LY
Annexe B
O
LY
T
E
C
IQ
U
E
P
O
LY
213
E
IQ
214
E
C
U
E
LY
E
C
IQ
O
LY
T
E
C
IQ
U
E
P
O
LY
E
N
IQ
B. CORRECTION DES EXERCICES
LY
E
C
IQ
U
E
E
C
E
C
U
E
O
LY
T
IQ
LY
P
O
215
E
H
IQ
216
LY
E
C
IQ
U
E
O
LY
T
E
C
E
C
U
E
P
O
LY
IQ
217
E
C
IQ
BIBLIOGRAPHIE
LY
Bibliographie
U
E
[1] L. Bachelier. Thorie de la spculation. PhD thesis, Ann. Sci. cole Norm. Sup., 1900.
IQ
[2] F. Black and M. Scholes. The pricing of options and corporate liabilities. J. Polit.
Econ., 81 :637654, 1973.
[3] L. Breiman. Probability. Society for Industrial and Applied Mathematics (SIAM),
Philadelphia, PA, 1992. Corrected reprint of the 1968 original.
E
C
[4] P. Carr, K. Ellis, and V. Gupta. Static hedging of path dependent options. Journal of
Finance, 53 :11651190, 1998.
E
C
[5] P. Chabardes and F. Delcaux. Les produits drivs. Gualino diteur, 1996.
[6] L. Devroye. Nonuniform random variate generation. Springer-Verlag, New York, 1986.
O
LY
T
[7] R. Durrett. Brownian motion and martingales in analysis. Wadsworth Mathematics

Series. Wadsworth International Group, Belmont, CA, 1984.
[8] N. El Karoui and M. Jeanblanc. Options exotiques. Finance, pages 4967, Sept. 1999.
U
E
[9] P. Etore and E. Gobet. Stochastic expansion for the pricing of Call options with discrete
dividends. Preprint, 2010.
[10] H. Fllmer. Calcul dIt sans probabilits. In Seminar on Probability, XV (Univ.

Strasbourg, Strasbourg, 1979/1980) (French), pages 143150. Springer, Berlin, 1981.
IQ
[11] P. Glasserman. Monte Carlo Methods in Financial Engineering. Springer, 2003.
[12] J. Harrison and S. Pliska. Martingales and stochastic integrals in the theory of continuous trading. Stochastic Process. Appl., 11(3) :215260, 1981.
[13] J. Harrison and S. Pliska. A stochastic calculus model of continuous trading : complete
markets. Stochastic Process. Appl., 15(3) :313316, 1983.
[14] D. Heath, R. Jarrow, and A. Morton. Bond pricing and the term structure of interest
rates : a new methodology for contingent claims valuation. Econometrica, 60, 1992.
LY
[15] J. Hull. Options, futures et autres actifs drivs, traduit par P. Roger. Pearson Education
France, 5me dition, 2004.
[16] K. It. On stochastic differential equations. Mem. Amer. Math. Soc., 1951(4), 1951.
P
O
[17] M. Jeanblanc and M. Pontier. Optimal portfolio for small investor in a market model
with discontinuous prices. Applied Mathematics and Optimization, 22(287310), 1990.
E
IQ
218
[18] S. Kou and H. Wang. Option pricing under a double exponential jump diffusion model.
Management Science, 50(9) :11781192, 2004.
E
C
[19] D. Lamberton and B. Lapeyre. Introduction au calcul stochastique en Finance. Collection Mathmatiques et Applications 9 - Ellipses, 1991.
[20] P. Lvy. Sur certains processus stochastiques homognes. Compositio Math., 7 :283339,
1939.
LY
[21] R. Merton. Theory of rational option pricing. Bell J. Econom. and Management Sci.,
4 :141183, 1973.
[22] R. Merton. On the pricing of corporate debt : the risk structure of interest rates. Journal
of Finance, 29 :449470, 1974.
U
E
[23] R. Merton. Option pricing when underlying stock returns are discontinuous. Journal
of Financial Economics, 3 :125144, 1976.
IQ
[24] E. Nelson. Dynamical theories of Brownian motion. Princeton University Press, Princeton, N.J., 1967.
[25] Y. Perez. An invitation to sample paths of Brownian motion. Lectures notes edited by
V. Balint and M. Elchanan, Stanford, 2000.
E
C
E
C
[26] W. Press, S. Teukolsky, W. Vetterling, and B. Flannery. Numerical recipes in C. Cambridge University Press, Cambridge, second edition, 1992. The art of scientific computing.
O
LY
T
[27] D. Revuz and M. Yor. Continuous martingales and Brownian motion. 3nd ed. Grundlehren der Mathematischen Wissenschaften. 293. Berlin : Springer, 2005.
[28] T. Roncalli. Gestion des risques financiers. Econometrica, 2004.
[29] M. Rubinstein and E. Reiner. Breaking down the barriers. Risk, 4(8) :2835, 1991.
U
E
[30] P. Samuelson. Proof that properly anticipated prices fluctuate randomly. Industrial
Management Review, 6 :4249, 1965.
[31] Y. Simon. Les marchs drivs. Economica, 1997.
IQ
[32] O. Vasicek. An equilibrium characterisation of the term of structure. Journal of Financial Economics, 5 :177188, 1977.
P
O
LY
[33] P. Wilmott. Derivatives, the theory and practice of financial engineering. John Wiley&Sons, 1998.

Calcul Stochastique Et Finance Stochastique

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Calcul Stochastique Et Finance Stochastique

Încărcat de

Drepturi de autor:

Formate disponibile

IQ

Les outils stochastiques des

Une visite guide de Einstein Black-Scholes

Nicole El Karoui et Emmanuel Gobet

Editions de lEcole Polytechnique, 2011

A USAGE STRICTEMENT PERSONNEL

Version WEB sans figure, exercice, preuve, appendice

Les outils stochastiques des marchs financiers

Les outils stochastiques des marchs financiers

Les outils stochastiques des marchs financiers

Meriem, Hakim, Noureddine,

Les outils stochastiques des marchs financiers

Les outils stochastiques des marchs financiers

TABLE DES MATIRES

Table des matires

2 quation de la chaleur et formule dIt

Les outils stochastiques des marchs financiers

TABLE DES MATIRES

3 Quelques processus continus essentiels

Les outils stochastiques des marchs financiers

TABLE DES MATIRES

4.3.1 Modle mixte brownien-Poisson arithmtique . . . . . . . . . .

6 Marchs financiers et produits drivs

Les outils stochastiques des marchs financiers

TABLE DES MATIRES

Les outils stochastiques des marchs financiers

9 Au del des options dachat et de vente

7.3.2 Traduction du problme de couverture parfaite de loption

TABLE DES MATIRES

B Correction des exercices

Les outils stochastiques des marchs financiers

10 Modles financiers avec sauts

TABLE DES MATIRES

Les outils stochastiques des marchs financiers

CHAPITRE 1. LE MOUVEMENT BROWNIEN

Bref historique du mouvement brownien

Historiquement, le mouvement brownien est associ lanalyse de mouvements

Robert Brown (1773-1858)

Les outils stochastiques des marchs financiers

1.1. BREF HISTORIQUE DU MOUVEMENT BROWNIEN

Louis Bachelier (1870-1946)

Les outils stochastiques des marchs financiers

Norbert Wiener 1 (1894-1964).

CHAPITRE 1. LE MOUVEMENT BROWNIEN

En 1923, Norbert Wiener (1894-1964) construit rigoureusement la fonction alatoire

Paul Lvy 2 (1886-1971)

1. Source : archives du "Mathematisches Forschungsinstitut Oberwolfach"

Les outils stochastiques des marchs financiers

1.2. LE MOUVEMENT BROWNIEN ET SES TRAJECTOIRES

rentielles stochastiques, dont ltude sera ensuite systmatise par K. It (1915-2008) ;

Le mouvement brownien et ses trajectoires

Mais lHistoire connat parfois des rebondissements incroyables. En effet en 2000,

3. Source : archives du "Mathematisches Forschungsinstitut Oberwolfach"

Les outils stochastiques des marchs financiers

CHAPITRE 1. LE MOUVEMENT BROWNIEN

Processus alatoire, signal alatoire en sont synonymes.

Dfinition 1.2.1 (du mouvement brownien standard) Un mouvement brownien

Les outils stochastiques des marchs financiers

1.2. LE MOUVEMENT BROWNIEN ET SES TRAJECTOIRES

Remarques Il y a beaucoup dinformations dans cette dfinition qui demandent

1. Ltat du systme la date t, Wt , est une v.a. gaussienne, de moyenne 0,

2. La probabilit pour que Wt appartienne un petit intervalle [x, x + dx] est

P(Wt [x, x + dx]) = g(t, x)dx =