Chapitre 5

Équations différentielles stochastiques

Les équations différentielles stochastiques ont été d’abord étudiées par Itô, dans le but de
construire les diffusions (c’est-à-dire, processus continus et fortement markoviens dont les
générateurs sont des opérateurs différentiels du second ordre). C’est d’ailleurs dans ce but
qu’il avait introduit le calcul stochastique.
Ce dernier chapitre consiste à une introduction à la théorie des équations différentielles
stochastiques. On y étudie seulement les ingrédients essentiels de la théorie, à savoir l’exis-
tence et unicité de solution d’une équation différentielle à coefficients lipschitziens, ainsi que
la propriété de Markov forte de cette solution.

1. Existence et unicité de solution

Soit (Ω, F , (Ft ), P) un espace de probabilité filtré, et soit B un (F )t -mouvement brownien.
Soient σ : R+ × R → R et b : R+ × R → R des fonctions mesurables. On considère
l’équation différentielle stochastique (EDS) suivante :
! t ! t
(1.1) Xt = X0 + σ(s, Xs ) dBs + b(s, Xs ) ds.
0 0

Définition 1.1. Une solution pour l’EDS (1.1) est un processus (Xt , t ≥ 0) continu adapté
"t "t
tel que ∀t, 0 σ(s, Xs )2 ds < ∞, 0 |b(s, Xs )| ds < ∞, p.s., et que
! t ! t
Xt = X0 + σ(s, Xs ) dBs + b(s, Xs ) ds.
0 0

Remarque. (i) Si σ et b sont localement bornées (c’est-à-dire, bornées sur tout compact),
"t
alors pour tout processus continu adapté (Xt ), on a automatiquement ∀t, 0 σ(s, Xs )2 ds <
"t
∞, 0 |b(s, Xs )| ds < ∞.

39
40 Chapitre 5. Équations différentielles stochastiques

(ii) On écrit souvent la forme différentielle de l’équation :

dXt = σ(t, Xt ) dBt + b(t, Xt ) dt. ⊓

&

Plus généralement, on peut considérer les EDS en dimension quelconque. Soit B =

(B , · · · , B (m) ) un (Ft )-mouvement brownien à valeurs dans Rm (avec m ≥ 1), et soient
(1)

σ : R+ × Rd → Rd×m et b : R+ × Rd → Rd des fonctions mesurables. On écrit σ =

(σik )1≤i≤d, 1≤k≤m et b = (bi )1≤i≤d .
On considère l’EDS suivante :
! t ! t
Xt = X0 + σ(s, Xs ) dBs + b(s, Xs ) ds.
0 0

Une solution pour cette EDS est un processus X = (X (1) , · · · , X (d) ), où pour tout 1 ≤ i ≤ d,
(i) "t
(Xt , t ≥ 0) est un processus continu adapté, tel que ∀t, ∀1 ≤ k ≤ m, 0 σik (s, Xs )2 ds < ∞,
"t
0
|bi (s, Xs )| ds < ∞, p.s., et que
m !
# t ! t
(i) (i)
Xt = X0 + σik (s, Xs ) dBs(k) + bi (s, Xs ) ds, 1 ≤ i ≤ d.
k=1 0 0

Théorème 1.2. Supposons que σ et b sont des fonctions continues telles que pour une
certaine constante K > 0,

|σ(t, x) − σ(t, y)| + |b(t, x) − b(t, y)| ≤ K|x − y|,

|σ(t, x)| + |b(t, x)| ≤ K(1 + |x|), t ≥ 0, x, y ∈ Rd .

Supposons que E(|ξ|2) < ∞. Il existe alors une unique solution (Xt , t ≥ 0) telle que X0 = ξ.
De plus, pour tout t, E(sups∈[0, t] |Xs |2 ) < ∞.

Remarque. Dans l’énoncé du Théorème 1.2, | · | désigne la norme euclidienne. En plus,

pour tout réel T > 0, il y a unicité de solution pour l’EDS sur [0, T ]. !

Preuve du Théorème 1.2. Pour simplifier l’écriture, on écrit la preuve seulement pour le cas
unidimensionnel d = m = 1, et seulement pour l’EDS sur [0, T ].
Fixons un réel T > 0, et posons
$ % & '
E := (Xt , t ∈ [0, T ]) continu adapté, E sup |Xt |2 < ∞ .
t∈[0, T ]
§1 Existence et unicité de solution 41

On voit facilement que l’espace E, muni de la norme ∥X∥ := {E(supt∈[0, T ] |Xt |2 )}1/2 , est un
espace complet.
(Existence) Considérons, pour tout X ∈ E,
! t ! t
Φ(X)t := ξ + σ(s, Xs ) dBs + b(s, Xs ) ds, t ∈ [0, T ].
0 0

Soient X ∈ E et Y ∈ E. On a, pour tout t ∈ [0, T ],

(! t (2 (! t (2
2 ( ( ( (
|Φ(X)t − Φ(Y )t | ≤ 2( {σ(s, Xs ) − σ(s, Ys)} dBs ( + 2( {b(s, Xs ) − b(s, Ys )} ds( .
0 0
"t
Comme E(supt∈[0, T ] |Xt |2 ) < ∞, 0 σ(s, Xs ) dBs , s ∈ [0, T ] est une martingale, ainsi que
"t
0
σ(s, Ys ) dBs , s ∈ [0, T ]. On peut donc appliquer l’inégalité de Doob pour voir que
$ ' $( ! T (2 '
2 ( (
E sup |Φ(X)t − Φ(Y )t | ≤ 8E ( {σ(s, Xs ) − σ(s, Ys )} dBs (
t∈[0, T ] 0
$% ! T &2 '
+2E |b(s, Xs ) − b(s, Ys )| ds .
0

Puisque E(supt∈[0, T ] {|Xt |2 + |Yt |2 }) < ∞, on a

$( ! T (2 ' $! T '
( (
E ( {σ(s, Xs ) − σ(s, Ys )} dBs ( = E |σ(s, Xs ) − σ(s, Ys )|2 ds .
0 0

On utilise maintenant la condition lipschitzienne et l’inégalité de Cauchy–Schwarz, pour

arriver à :
$ ' $ '
E sup |Φ(X)t − Φ(Y )t |2 ≤ (8K 2 T + 2K 2 T 2 )E sup |Xt − Yt |2 .
t∈[0, T ] t∈[0, T ]

Par conséquent,
∥Φ(X) − Φ(Y )∥ ≤ (8K 2 T + 2K 2 T 2 )1/2 ∥X − Y ∥.
On prend maintenant Yt := 0, t ∈ [0, T ]. Dans ce cas, puisque (a+b+c)2 ≤ 3(a2 +b2 +c2 ),
on a (! t (2 (! t (2
2 2 ( ( ( (
|Φ(0)t | ≤ 3|ξ| + 3( σ(s, 0) dBs ( + 3( b(s, 0) ds( ,
0 0
ce qui, comme tout à l’heure, nous donne
$ '
E sup |Φ(0)t |2 ≤ 3E(|ξ|2) + 12K 2 T + 3K 2 T 2 .
t∈[0, T ]

En particulier, Φ(0) ∈ E. On a donc Φ(X) ∈ E pour tout X ∈ E ; autrement dit, Φ est une
application de E dans E.
42 Chapitre 5. Équations différentielles stochastiques

On commence par supposer que T est suffisamment petit tel que 8K 2 T + 2K 2 T 2 < 1.
Dans ce cas, Φ : E → E est une application contractante ; elle admet donc un unique point
fixe. Or, si X est un point fixe de Φ, il est une solution. Ceci prouve la partie existence
lorsque T est petit.
(Unicité) Il suffit de prouver que toute solution est un élément de E. Soit (Xt , t ∈ [0, T ])
une solution. Posons

τn := inf{t ≥ 0 : |Xt | ≥ n}, inf ∅ := T.

Comme tout à l’heure, on obtient, pour tout t ∈ [0, T ],

$ ' $! t∧τn '
2 2 2 2
E sup |Xs | ≤ 3E(|ξ| ) + 12K E (1 + |Xs | ) ds
s∈[0, t∧τn ] 0
$! t∧τn '
2 2 2
+3K T E (1 + |Xs |) ds
0
$ ! t∧τn '
2 2 2 2 2
≤ 3E(|ξ| ) + (12K + 6K T )E (1 + |Xs | ) ds
0
$ ! t∧τn '
≤ a + bE |Xs |2 ds ,
0

où a := 3E(|ξ|2) + 12K 2 T + 6K 2 T 3 et b := 12K 2 + 6K 2 T 2 .

Si l’on note hn (t) := E{sups∈[0, t∧τn ] |Xs |2 }, t ∈ [0, T ], on a alors
! t
hn (t) ≤ a + b hn (s) ds, t ∈ [0, T ],
0

À ce stade, il convient de rappeler le lemme de Gronwall (dont la preuve est tout à fat
élémentaire) :

Lemme 1.3. Soit T > 0. Si h : [0, T ] → R+ est une fonction mesurable bornée telle que
"t
h(t) ≤ a + b 0 h(s) ds, ∀t ∈ [0, T ], alors h(t) ≤ aebt , t ∈ [0, T ].

On peut appliquer le lemme de Gronwall à hn car elle est bien bornée (par E(|ξ|2) + n2 ) ;
on a alors hn (T ) ≤ aebT < ∞.
On fait n → ∞. Comme a et b ne dépendent pas de n, il résulte du lemme de Fatou (ou
de convergence monotone) que
$ '
E sup |Xs |2 ≤ aebT < ∞.
s∈[0, T ]
§2 Diffusions et propriété de Markov 43

En particulier, X ∈ E. D’où l’unicité. Ceci termine la preuve du théorème lorsque T est

suffisamment petit.
Pour conclure pour T quelconque, il suffit de choisir m assez grand, et de raisonner
T T 2T
successivement sur les intervalles [0, m ], [ m , m ], etc. !

Exemple 1.4. Considérons l’EDS sur R:

dXt = αXt dBt + βXt dt,

avec condition initiale X0 = x. Le Théorème 1.2 nous garantit l’unicité de la solution.

α2
On vérifie facilement, par la formule d’Itô, que la solution est Xt = xeαBt +(β− 2
)t
. Ce
processus, qui est souvent utilisé pour modéliser le cours d’une action en mathématiques
financières, est appelé le “mouvement brownien géométrique”. !

2. Diffusions et propriété de Markov

Durant toute la section, on suppose que les coefficient σ et b ne dépendent que de x. Par
abus de notation, on continue à les appeler σ et b qui sont maintenant définies sur Rd au lieu
de R+ × Rd . Remarquons que si elles sont lipschtziennes, alors elles satisfont les conditions
du Théorème 1.2.

Théorème 2.1. (Propriété de Markov forte) Supposons que σ et b ne dépendent que de

x et sont lipschtziennes. Supposons que E(|ξ|2) < ∞. Si T est un temps d’arrêt fini p.s., et
si F : C(R+ , Rd ) → R+ est mesurable, alors
) *
E F (XT +t , t ≥ 0) | FT = ϕ(XT ), p.s.,

où ) *
ϕ(x) := E F (Xtx , t ≥ 0) ,

et (Xtx , t ≥ 0) désigne la solution de l’EDS avec X0 = x.

Remarque. Le théorème nous dit que pour tout temps d’arrêt fini T , la loi conditionnelle
du “futur” (XT +t , t ≥ 0) connaissant le passé (et le présent) FT est la loi de X partant
de XT , qui ne dépend que du présent à l’instant T . Dans le cas particulier σ = Id, b = 0,
le théorème se réduit à la propriété de Markov forte du mouvement brownien, formulée de
manière légèrement différente. !
44 Chapitre 5. Équations différentielles stochastiques

On s’intéresse aux processus fortement markoviens et à trajectoires continues, du type

considéré dans le Théorème 2.1. Il est important de pouvoir attacher des martingales à ces
processus de diffusion.

Théorème 2.2. Supposons que les conditions du Théorème 2.1 sont satisfaites. Soit f :
Rd → R une fonction de classe C 2 et à support compact. Soit
d d d
1 ## ∂2f # ∂f
L f (x) := (σσ ∗ )ij (x) (x) + bi (x) (x),
2 i=1 j=1 ∂xi ∂xj i=1
∂xi

où σ ∗ désigne la transposée de la matrice σ. Si X est la solution de notre EDS, alors

! t
f (Xt ) − f (X0 ) − L f (Xs ) ds, t ≥ 0,
0

est une martingale continue.

Preuve. Soit
# m !
d # t
∂f
Mt := (Xs )σik (Xs ) dBs(k) , t ≥ 0.
i=1 k=1 0 ∂xi
On a, par la formule d’Itô,
! t#d ! d d
∂f (i) 1 t # # ∂2f
f (Xt ) = f (X0 ) + (Xs ) dXs + (Xs ) d⟨X (i) , X (j) ⟩s
0 i=1 ∂xi 2 0 i=1 j=1 ∂xi ∂xj
! t# d
∂f
= f (X0 ) + Mt + (Xs )bi (Xs ) ds
0 i=1 ∂xi
! d d m
1 t # # ∂2f #
+ (Xs ) σik (Xs )σjk (Xs ) ds
2 0 i=1 j=1 ∂xi ∂xj
k=1
! t
= f (X0 ) + Mt + L f (Xs ) ds.
0

∂f
Pour tout t, sups∈[0, t] | ∂x i
(Xs )σik (Xs )| est bornée. Donc (Mt , t ≥ 0) est une martingale.
D’où le théorème. !

Remarque. On traduit le Théorème 2.2 en disant que L est le générateur infinitésimal

(qui est un opérateur différentiel du second ordre) du processus de Markov X. Le processus
X permet de donner une approche ou une interprétation probabiliste de nombreux résultats
analytiques concernant l’opérateur L . Ces liens entre probabilités et analyse ont été une
motivation importante pour l’étude des équations différentielles stochastiques. !