Table des matires
Chapitre 1 Variation quadratique et Intgrale stochastique
Dans toute la suite de ce mmoire, on supposera donn un espace probabilis (, F , P). est un ensemble, F est une tribu contenue dans lensemble des parties de et P est une probabilit sur la tribu F .
1.1 Rappels
Dnition 1.1.1 Soit T un ensemble de R+ . Un processus stochastique rel (o simplement on dit un processus) X est la donne de (Xt )tT , o, t x, Xt est une variable alatoire dnie sur (, F ) valeurs dans (R, B(R). Pour x, la fonction t Xt (), t 0 est une trajectoire du processus X. Soient (Xt )tT et (Xt )tT deux processus stochastiques valeurs relles, avec (Xt )tT dni sur (, F , P) et (Xt )tT dni sur ( , F , P ). On dit quils sont quivalents si pour tous n 1, t1 , ..., tn T et B1 , ..., Bn B(R), on a : P(Xt1 B1 , ..., Xtn Bn ) = P(Xt1 B1 , ..., Xtn Bn )
Dnition 1.1.2 Soient X et Y deux processus. X est une modication de Y si, pour tout t 0, les variables alatoires Xt et Yt sont gales P p.s, cest dire pour tout t 0 on a P(Xt = Yt ) = 1. X et Y sont indistinguables si, P p.s., les trajectoires sont les mmes, cest dire P(Xt = Yt , t 0) = 1. La notion dindistinguabilit est plus forte que la notion de modication. Notons que si X est une modication de Y et si X et Y sont trajectoires continues droite (ou gauche) alors X et Y sont indistinguables. 1
1.1. Rappels
Dnition 1.1.3 (Filtration) Une famille (Ft )t0 de sous-tribus de F est une ltration de lespace (, F , P) si pour tout 0 s t on a Fs Ft . Lespace (, F , (Ft )t0 , P) est alors appel un espace de probabilit ltr. On note F := (Ft : t 0). Si chaque tribu Ft contient les ensembles ngligeables de F , la ltration est dite complte. Dnissons pour tout t 0 la tribu Ft+ :=
>0
Ft+ .
Alors (Ft+ )t0 est une nouvelle ltration. On dit que la ltration (Ft )t0 est continue droite si Ft+ = Ft pour tout t 0. Enn une ltration est dite standard si elle est complte et continue droite. Remarque 1.1.1 On peut toujours se ramener au cas dune ltration complte en remplaant Ft par F t := (Ft , N), o N dsigne la classe des ensembles ngligeables de F . De plus,remarquons que la ltration (Ft+ )t0 est la plus petite ltration continue droite contenant (Ft )t0 . Enn, si lon considre la ltration naturelle dun processus X trajectoires continues, i.e. pour tout t 0, Ft X := (Xs : s t), il se peut quelle ne soit pas continue droite. Soit B un mouvement brownien, Ft B := (Bs : 0 s t) et F := (Bt : t 0). Si N dsigne la classe des ensembles ngligeables de F B , on dnit Ft := (Ft B , N). La ltration (Ft )t0 sappelle la ltration standard du mouvement brownien, et comme son nom lindique, cest une ltration standard car elle est continue droite (rsultat admis) : Ft+ = Ft pour tout t 0. Dnition 1.1.4 (Processus mesurable, processus continu) Un processus X est dit mesurable si lapplication suivante : (R+ , B(R+ ) F ) (R, B(R)) (t, ) Xt () est mesurable. Un processus est dit continu si pour tout , t Xt () est continue (i.e. les trajectoires sont continues). Dnition 1.1.5 (Processus adapt) Un processus X est adapt la ltration (Ft )t0 (o Ft -adapt) si Xt est Ft -mesurable pour tout t 0.
1.1. Rappels
Remarque 1.1.2 Un processus X est toujours adapt sa ltration naturelle FtX = (Xs ; 0 s t). Dnition 1.1.6 (Processus progressivement mesurable) Un processus X est progressivement mesurable par rapport la ltration (Ft )to (o Ft -progressif), si pour tout t 0 lapplication suivante : ([0, t] , B([0, t]) Ft ) (R, B(R)) (s, ) Xs () est mesurable. Un processus progressivement mesurable est mesurable et adapt. On peut galement noter que si X est un processus mesurable et adapt alors il possde une modication progressivement mesurable. Rappelons galement le rsultat suivant : Proposition 1.1.1 Si X est un processus stochastique dont les trajectoires sont continues droite (ou continues gauche) alors X est mesurable et X est progressivement mesurable sil est de plus adapt. Dnition 1.1.7 Soit M un processus stochastique. 1) On dit que M est une sur-martingale par rapport la ltration (Ft )t0 (o Ft -sur-martingale) si : (i) M est Ft -adapt ; (ii) pour tout t 0, E[|Mt |] < ; (iii) pour tous s t, E[Mt |Fs ] Ms p.s. 2) On dit que M est une sous-martingale par rapport la ltration (Ft )t0 (o Ft -sous-martingale) si : (i) M est Ft -adapt ; (ii) pour tout t 0, E[|Mt |] < ; (iii) pour tous s t, E[Mt |Fs ] Ms p.s. 3) On dit que M est une martingale par rapport la ltration (Ft )t0 (o Ft martingale) si M est une sous-martingale et sur-martingale par rapport la ltration (Ft )t0 . Exemple 1.1.1 Soit X L1 (, F , P). On pose Xt = E[X|Ft ] pour tout t 0. On a, pour s < t, E[X|Ft ] = E[E[X|Ft ]|Fs ] = E[X|Fs ] = Xs . Par suite (Xt )t0 est une Ft martingale. Une martingale M est dite de carr intgrable si pour chaque t 0, Mt L2 . Thorme 1.1.1 (Ingalits maximales de Doob). Soit M une Ft -martingale continue. Alors pour tout T > 0 et tout p 1, on a lingalit suivante : P( sup |Mt | > a)
0tT
E[|MT |p ] , a > 0. ap
Par ailleurs, si la Ft -martingale a tous ses lments dans Lp pour p > 1, on a aussi p p ) E[|MT |p ]. E[( sup |Mt |)p ] ( p1 0tT
1.2. Variation quadratique
Consquence. Si M est une Ft -martingale continue de carr intgrable alors pour tout T > 0 on a E[( sup |Mt |)2 ] 4E[|MT |2 ].
0tT
Proposition 1.1.2 Soit M une Ft -martingale de carr intgrable, alors, pour s t, on a: E[(Mt Ms )2 |Fs ] = E[M2 M2 |Fs ] s t Preuve. E[(Mt Ms )2 |Fs ] = E[M2 |Fs ] 2E[Mt Ms |Fs ] + E[M2 |Fs ] s t = E[M2 |Fs ] 2E[Mt Ms |Fs ] + M2 s t = E[M2 M2 |Fs ]. s t On remarque de plus que M2 est une Ft -sous-martingale.
1.2 Variation quadratique
Soit X = (Xt )t0 un processus stochastique valeurs relles sur (, F , P). X = (Xt )t0 admet une variation quadratique sil existe un processus stochastique rel Y = (Yt )t0 tel que lon ait : pour tout t > 0, pour toute suite de subdivisions (n )n1 de [0, t] de terme gnrale n = {0 = tn < tn < ... < tn = t} dont le pas |n | = sup |tn tn | tend vers 0, la suite n 0 1 i i1 de variables alatoires Qn (X) := t
i=1 1in n
(Xtn Xtn )2
i i1
converge en probabilit, quand n , vers Yt . On note Yt =< X, X >t ou(< X >t ). (< X, X >t )t0 sappelle la variation quadratique de X = (Xt )t0 . Les deux rsultats suivants donnent les rapports entre processus variation borne et variation quadratique nie. Proposition 1.2.1 Soit X un processus continu variation borne sur [0, T]. Alors X est de variation quadratique nulle sur [0, T]. Preuve. Soit n = {0 = tn < tn < ... < tn = T} une subdivision de [0, T]. Alors pour n 0 1 presque tout :
n n
|X () X
i=1 tn i
tn i1
()| sup |X () X
1in tn i
tn i1
()|
i=1
|Xtn () Xtn ()|.
i i1
1.2. Variation quadratique
La continuit uniforme de X sur lintervalle [0, T] entrane sup |Xtn () Xtn ()| 0 quand |n | 0. De plus i1 ce qui termine la dmonstration.
n n n i=1 |Xti () Xti1 ()| 1in
i
V[0,T] (X)() < ,
Proposition 1.2.2 Si B = (Bt )t0 est un mouvement brownien rel, alors B admet une variation quadratique et P p.s., < B >t = t, pour tout t 0. Preuve. Soit n = {0 = tn < tn < ... < tn = t} une subdivision de [0, t]. Nous voulons n 0 1 n montrer que E[Qt (B)] = t et Var[Qn (B)] 0, |n | 0. Notant que : t E[(Btn Btn )2 ] = Var[(Btn Btn )] = tn tn i i1
i i1 i i1
nous avons :
n n
E[Qn (B)] = t
i=1
E[(Btn Btn ) ] =
i i1
(tn tn ) = t i i1
i=1
comme attendu. Par ailleurs : Var[(Btn Btn )2 ] = E[(Btn Btn )2 (tn tn )2 ] i i1
i i1 i i1
= E[(Btn Btn )4 ] 2(tn tn )2 E[(Btn Btn )2 ] + (tn tn )2 . i i1 i i1
i i1 i i1
Et comme :
E[(Btn Btn )4 ] = 3(tn tn )2 i i1
i i1
Var[(Btn Btn )2 ] = 2(tn tn )2 i i1
i i1
il vient :
n
Var[Qn (B)] = t
i=1 n
Var[(Btn Btn )2 ]
i i1
=
i=1 n
2(tn tn )2 i i1 2 || || (tn tn ) = 2|n |t 0, |n | 0. i i1
i=1
