Plan de la présentation

• Le théorème fondamental du calcul

Le lemme d’Itô • Le lemme d’Itô (versions de base)
• Un exemple : le modèle de marché de Black et Scholes
• Les processus d’Itô et leur variation quadratique
Les méthodes stochastiques dans les sciences de la gestion • Le lemme d’Itô (version unidimensionnelle)
6-640-93 • Exemple : le rendement de détention
• Le lemme d’Itô et le développement en série de Taylor
Geneviève Gauthier • Le processus de covariance quadratique
• La règle de multiplication
Dernière mise à jour : 23 juin 2003
• Exemple : la valeur actualisé d’un actif risqué
• Les processus d’Itô (une généralisation)
• Le lemme d’Itô (version multidimensionnelle)
• Exemple : le taux de change

Le théorème fondamental du calcul

Le lemme d’Itô est l’équivalent stochastique du théorème fondamental du
calcul. Il nous permettra de déterminer l’équation différentielle stochas-
tique satisfaite par certains processus stochastiques donnés.
Notation
df
Le théorème fondamental du calcul stipule que si dx : R → R représente
Soit (Ω, F, {Ft : 0 ≤ t ≤ T } , P ) un espace probabilisé muni d’une filtra- la dérivée de la fonction f : R → R, alors
tion et
b
df
f (b) − f (a) = (x) dx. (2)
W = {Wt : 0 ≤ t ≤ T } (1) a dx

un ({Ft} , P ) −mouvement brownien standard. Richard R. Goldberg, théorème 7.8A, page 205.

Exemple. si f (x) = x2, a = 0 et b = t, alors

t
t2 = 2x dx. (3)
0
1
Le théorème fondamental du calcul (suite)
Est-ce que cette règle est encore valable dans le contexte du calcul sto-
chastique ? Est-ce que

t
Wt2 = 2Ws dWs ? (4)
0
Rappel : est-ce que
Nous avons observé lors de la construction de l’intégrale
t
  stochastique
que les trajectoires du processus 0t Ws dWs : 0 ≤ t ≤ T pouvaient être Wt2 = 2Ws dWs ? (1)
0
négatives à certains instants :
Or, le membre de gauche de l’égalité (4) est nécessairement non-négatif
0 ,6
alors que celui de droite peut prendre des valeurs négatives. Il y a contra-
0 ,4

0 ,2 diction et nous concluons que l’équation (4) est fausse.

0

- 0 ,2 0 0 ,1 0 ,2 0 ,3 0 ,4 0 ,5 0 ,6 0 ,7 0 ,8 0 ,9 1

- 0 ,4

- 0 ,6

- 0 ,8

-1

- 1 ,2

- 1 ,4
t

Le lemme d’Itô
Le lemme d’Itô (suite)
Il existe, dans le cadre du calcul stochastique, l’équivalent du théorème
fondamental du calcul qui fut établi par K. Itô. Il faut noter qu’un terme Par exemple, si f (x) = x2, alors
s’ajoute.
f (Wt) = Wt2 et f (W0) = W02 = 0 (7)
et
Lemme d’Itô (première version). Soit W , un mouvement brownien con-
df d2f
struit sur l’espace probabilisé filtré (Ω, F, F, P ) et f : R → R, une fonc- (Ws) = 2Ws et (Ws) = 2. (8)
dw dw2
tion dont les deux premières dérivées existent et sont continues. Alors
En remplaçant dans l’équation d’Itô, nous obtenons
∀0 ≤ t ≤ T ,

t
t
t


P −p.s.
P −p.s. t df 1 t d2f Wt2 = 2 Ws dWs + 1ds = 2 Ws dWs + t (9)
f (Wt) − f (W0) = (Ws) dWs + (Ws) ds. (5) 0 0 0
0 dw 2 0 dw2
ce qui implique
Sous sa forme différentielle, l’équation (5) s’écrit
t
Wt2 − t
df 1 d2f Ws dWs = . (10)
df (Wt) = (Wt) dWt + (Wt) dt. (6) 0 2
dw 2 dw2
2
Le lemme d’Itô (suite)
Exemple :
La preuve donnée par K. Itô s’applique dans des situations beaucoup plus le modèle de marché de Black et Scholes
complexes que celle énoncée ci-dessus. Voici une première généralisation :
Le processus stochastique S = {St : 0 ≤ t ≤ T } représente l’évolution du
Lemme d’Itô (deuxième version). Soit W , un mouvement brownien con- prix d’un titre risqué où
struit sur l’espace probabilisé filtré (Ω, F, F, P ) et f : R× [0, ∞) → R,   
σ2
une fonction dont les dérivées partielles premières et deuxièmes existent et St = S0 exp µ− t + σWt , (14)
sont continues. Alors ∀0 ≤ t ≤ T , 2

t  µ et σ étant des constantes et W représente un mouvement brownien
∂f 1 ∂ 2f
f (Wt, t) − f (W0, 0) = (Ws, s) + (Ws, s) ds (11) standard.
0 ∂t 2 ∂w2

t
∂f
+ (Ws, s) dWs (12) Comme Wt est de loi N (0, t),
0 ∂w
    
qui s’exprime dans sa forme différentielle comme σ2 σ2
  µ− t + σWt est de loi N µ− t, σ 2t (15)
∂f 1 ∂ 2f ∂f 2 2
df (Wt, t) = (Wt, t) + (Wt, t) dt + (Wt, t) dWt. (13)
∂t 2 ∂w2 ∂w et St est de loi lognormale.

donc si S (0) est indépendante du mouvement brownien,

   
σ2
Un intermède : E [S (t)] = E [S (0)] E exp µ− t + σWt (17)
2
les moments d’une variable aléatoire de loi lognormale = E [S (0)] exp [µt] (18)
    
Si Z représente une variable aléatoire de loi normale centrée et réduite et σ2
E S 2 (t) = E S 2 (0) E exp 2 µ − t + 2σWt (19)
si a et b sont des constantes alors 2
 
a2 = E S 2 (0) exp 2µt + σ 2t (20)
E [exp [b + aZ]] = exp b + ; (16)
2
V ar [S (t)] = E S 2 (0) exp 2µt + σ 2t − E 2 [S (0)] exp [2µt] .(21)

3
 Exemple : le modèle de marché de Black et Scholes (suite)
Rappel
  
Exemple : le modèle de marché de Black et Scholes (suite) σ2
St = S0 exp µ− t + σWt . (24)
2
Utilisant le lemme d’Itô, il est possible de montrer que le processus sto- 
2
chastique S défini par En effet, si f (w, t) = S0 exp µ − σ2 t + σw , alors
  
σ2
St = S0 exp µ− t + σWt (22) f (Wt, t) = St f (W0, 0) = S0 (25)
2
est une solution à l’équation intégrale

t
t  
∂f σ2
St − S0 = µ Su du + σ Su dWu. (23) (w, t) = µ − f (w, t) (26)
0 0 ∂t 2
et
∂f ∂ 2f
(w, t) = σf (w, t) (w, t) = σ 2f (w, t) . (27)
∂w ∂w2

Exemple : le modèle de marché de Black et Scholes (suite)

Ainsi,

St − S0 (28) Exemple : le modèle de marché de Black et Scholes (suite)

= f (Wt, t) − f (W0, 0) (29) Nous venons de démontrer que le processus stochastique S = {St : 0 ≤ t ≤ T }
où

t
t    
∂f ∂f 1 ∂ 2f σ2
= (Wu, u) dWu + (Wu, u) + (Wu, u) du (30) St = S0 exp µ − t + σWt (33)
0 ∂w 0 ∂t 2 ∂w2 2

t
t   
σ2 1 est une solution à l’équation différentielle stochastique
= σf (Wu, u) dWu + µ− f (Wu, u) + σ2f (Wu, u) du
0 0 2 2 dSt = µStdt + σStdWt. (34)

t
t
= σf (Wu, u) dWu + µf (Wu, u) du (31)
0 0

t
t
= σSudWu + µSudu. (32)
0 0
4
Les processus d’Itô Les processus d’Itô (suite)
Définition. On appelle processus d’Itô, un processus X = {Xt : 0 ≤ t ≤ T } Remarque. Premièrement, notons que si
à valeurs dans R tel que: 

T

t
t 2
EP |Hs| ds < ∞, (37)
Xt ≡ X0 + Ks ds + Hs dWs (35) 0
0 0
avec alors le processus M = {Mt : 0 ≤ t ≤ T } où

t
• K = {Kt : 0 ≤ t ≤ T } et H = {Ht : 0 ≤ t ≤ T } sont des processus
Mt ≡ Hs dWs (38)
adaptés à la filtration {Ft}, 0
T est une ({Ft} , P ) −martingale.
•P 0 |Ks| ds < ∞ = 1

T 2 Remarque. Par conséquent, si le coefficient de dérive est nul, c’est-à-dire

•P 0 |Hs| ds < ∞ = 1 que Kt = 0 pour tout 0 ≤ t ≤ T, alors le processus d’Itô X où

t
Écrit sous sa forme différentielle, le processus d’Itô devient Xt ≡ X0 + Hs dWs (39)
0
dXt = Kt dt + Ht dWt. (36) est une ({Ft} , P ) −martingale si et seulement si la condition (37) est
satisfaite.
Damien Lamberton et Bernard Lapeyre, page 53. Daniel Revuz et Marc Yor, page 129, proposition 1.23.

Le processus de variation quadratique

Rappel Le processus de variation quadratique (suite)

t
t
Xt ≡ X0 + Ks ds + Hs dWs (40)
0 0
Exemple. Le mouvement brownien est un processus d’Itô puisque

t
Définition. Soit X, le processus d’Itô défini à la ligne (40), alors nous Wt = 1dWs. (43)
0
définissons le processus de variation quadratique de X,
Par conséquent,

t
X = {Xt : 0 ≤ t ≤ T } , (41)
W t = 12ds = t. (44)
0
par

t
Xt ≡ Hs2 ds. (42)
0

5
Le lemme d’Itô: une généralisation
Lemme d’Itô (troisième version). Soit X, un processus d’Itô et
f : R → R, une fonction dont les deux premières dérivées existent et sont
continues. Alors ∀0 ≤ t ≤ T , Le lemme d’Itô (suite)
f (Xt) − f (X0) (45)
Tentative de justification!

t

P −p.s. df 1 t d2f Le lemme d’Itô pour les processus d’Itô est
= (Xs) dXs + (Xs) d Xs (46)
0 dx 2 0 dx2
t

P −p.s. df 1 t d2f

t
t  f (Xt) − f (X0) = (Xs) dXs + (Xs) d Xs . (48)
P −p.s. df df 1 d2f 0 dx 2 0 dx2
= (Xs) Hs dWs + (Xs) Ks + (Xs) Hs2 ds,
dx
0 0 dx 2 dx2 Nous retrouvons l’équation (5) comme cas particulier de l’égalité ci-dessus
c’est-à-dire que car W t = t.
 
df df 1 d2f
df (Xt) = (Xt) Ht dWt + (Xt) Kt + (Xt) Ht2 dt.
dx dx 2 dx2
(47)

Tentative de justification! (suite) Exemple : le rendement de détention

Or Supposons que l’évolution S = {St : 0 ≤ t ≤ T } d’un actif risqué satisfait
l’équation différentielle stochastique
f (Xt) − f (X0) (49)
dSt = µSt dt + σSt dWt. (52)

t

df 1 t d2f
= (Xs) dXs + (Xs) d Xs (50) Le rendement de détention Rt de ce titre risqué, lorsque la capitalisation
0 dx 2 0 dx2
se fait de façon continue, est défini par

t
 
df 1 t d2f
= (Xs) (Ks ds + Hs dWs) + 2
(Xs) Hs2ds (51) St
Rt = ln
. (53)
0 dx 2 0 dx S0

t
t

df df 1 t d2f Utilisant le lemme d’Itô, nous pouvons montrer que R satisfait l’équation
= (Xs) Ks ds + (Xs) Hs dWs + (Xs) Hs2 ds
0 dx 0 dx 2 0 dx2 différentielle stochastique

t
t   
df df 1 d2f σ2
= (Xs) Hs dWs + (Xs) Ks + (Xs) Hs2 ds.
dRt = µ − dt + σdWt. (54)
0 dx 0 dx 2 dx2 2

6
 Exemple : le rendement de détention (suite)
Intermède : le théorème de Fubini.
Rappelons que
Ce qui suit est un cas particulier du théorème de Fubini. dSt = µSt dt + σSt dWt. (56)
Premièrement, vérifions que S est bien un processus d’Itô tel que Ht = σSt
Théorème. Si Y = {Yt : 0 ≤ t ≤ T } est un processus stochastique et Kt = µSt.
adapté tel que pour tout 0 ≤ t ≤ T , Yt ≥ 0 alors

t 
t
En effet, puisque nous avons déjà montré que
EP Ys ds = EP [Ys] ds, (55)   
0 0
σ2
c’est-à-dire que l’on peut interchanger l’intégrale et l’espérance. St = S0 exp µ− t + σWt (Ft − mesurable) (57)
2
Donald L.Cohn, page 159, proposition 5.2.1. est une solution de l’équation (56), les processus K = {Kt = µSt : 0 ≤ t ≤ T }
et H = {Ht = σSt : 0 ≤ t ≤ T } sont {Ft} −adaptés.

Exemple : le rendement de détention (suite)

De plus, comme St est une variable aléatoire non-négative, nous pouvons Exemple : le rendement de détention (suite)
 
 

utiliser le théorème de Fubini afin d’échanger les opérateurs EP et , ce T T
qui donne EP Hu2du = σ 2EP Su2 du (62)
0 0

 

T T
T
EP |Ku| du = |µ| EP Sudu (58) = σ2 EP Su2 du (63)
0 0
0

T

T
= |µ| EP [Su] du (59) = σ2 EP S02 exp 2µu + σ2u du (64)
0
0

T

T
= |µ| EP [S0] exp [µu] du (60) = σ 2EP S02 exp 2µu + σ 2u du (65)
0
0

T
2
= |µ| EP [S0] exp [µu] du (61) eT (2µ+σ ) − 1
0 = σ 2EP S02 (66)
2µ + σ2
eT µ − 1
= |µ| EP [S0] <∞
µ < ∞.
7
 Exemple : le rendement de détention (suite)
Maintenant, appliquons le lemme d’Itô. Si f (x) = ln xx alors
0

df 1 d2 f 1
(x) = et (x) = − 2 . (68)
dx x dx2 x
Ainsi,
Nous pouvons en déduire que dRt = df (St) (69)

T
T
|Ks| ds < ∞ et Hs2 ds < ∞ P − p.s. (67)  
0 0 df df 1 d2f
= (St) Ht dWt + (St) Kt + (St) Ht2 dt (70)
dx dx 2 dx2
 
1 1 1 1 2 2
= σSt dWt + µSt − σ St dt (71)
St St 2 St2
 
σ2
= σ dWt + µ − dt. (72)
2

Le lemme d’Itô : une autre généralisation

Exemple : le rendement de détention (suite)
Lemme d’Itô (quatrième version). Soit X, un processus d’Itô, c’est-à-
Or la forme intégrale de l’équation (54) dire que
 
σ2 d Xt = Kt dt + Ht dWt, (77)
dRt = µ − dt + σdWt (73)
2
et f : R× [0, ∞) → R, une fonction dont les dérivées partielles premières
est et deuxièmes existent et sont continues. Alors ∀0 ≤ t ≤ T ,

t  

σ2 t
Rt = R0 + σ dWs + µ − ds (74) f (Xt, t) − f (X0, 0) (78)
0 2 0
 
t
t

σ2 S P −p.s. ∂f ∂f 1 t ∂ 2f
= σWt + µ − t car R0 = ln 0 = ln 1 = 0 (75) = (Xs, s) dXs + (Xs, s) ds + (Xs, s) d Xs
2 S0 0 ∂x 0 ∂t 2 0 ∂x2
  
t
P −p.s. ∂f
σ2 = (Xs, s) Hs dWs (79)
∼ N µ− t; σ 2t . (76) 0 ∂x
2
t 
∂f ∂f 1 ∂ 2f
Dans le monde de Black et Scholes, les rendements sont gaussiens. + (Xs, s) Ks + (Xs, s) + (Xs, s) Hs2 ds.
0 ∂x ∂t 2 ∂x2
8
 Le lemme d’Itô et
le développement en série de Taylor
Le développement en série de Taylor de la fonction continue f : R → R
Le lemme d’Itô : une autre généralisation (dont les premières dérivées existent et sont continues) autour du point x0
est
Sous forme différentielle, nous obtenons 2
(x − x0)
∂f f (x) ∼
= f (x0) + f
(x0) (x − x0) + f

(x0) (81)
df (Xt, t) = (Xt, t) Ht dWt (80) 2
∂X  où ∼
= signifie qu’il s’agit d’une approximation.
∂f ∂f 1 ∂ 2f
+ (Xt, t) Kt + (Xt, t) + (Xt, t) Ht2 dt.
∂X ∂t 2 ∂X 2
Si la fonction continue f : R → R est deux fois continûment différentiable
alors le lemme d’Itô s’énonce comme suit :

t

1 t


f (Xt) = f (X0) + f
(Xs) dXs + f (Xs) d Xs (82)
0 2 0
où X est un processus d’Itô.

Le lemme d’Itô et
le développement en série de Taylor
La solution d’une équation différentielle stochastique
Si f
(Xs) et f

(Xs) pouvaient être remplacées respectivement par f
(X0)
et f

(X0), alors nous pourrions écrire

t
Remarque. La solution d’une équation différentielle stochastique (ÉDS)
1 t


f (Xt) = f (X0) + f
(Xs) dXs + f (Xs) d Xs (83) consiste à trouver le(s) processus stochastique(s) satisfaisant l’équation
0 2 0
donnée. Or, le lemme d’Itô permet l’inverse, c’est-à-dire qu’il permet de

t

∼ 1 t


= f (X0) + f
(X0) dXs + f (X0) d Xs (84) trouver l’ÉDS satisfaite par un processus stochastique donné. S’il advient
0 2 0 que le processus stochastique choisi satisfasse l’ÉDS donnée, alors nous

t t

1 aurons trouvé une solution à cette équation. En ce sens, le lemme d’Itô
= f (X0) + f
(X0) dXs + f

(X0) d Xs (85)
0 2 0 nous fournit des solutions à des ÉDS. Cependant, il ne s’agit pas d’une
1 méthode systématique permettant l’obtention de solutions. Son utilisation
= f (X0) + f
(X0) (Xt − X0) + f

(X0) (Xt − X0) . (86) demande du flair !
2
qui ressemble plus au développement en série de Taylor. Or, cette dernière
approximation n’est pas le lemme d’Itô.
9
 La règle de multiplication
La règle de multiplication nous est utile lorsque nous voulons étudier, par
exemple, le comportement du prix actualisé d’un actif lorsque nous con-
naissons les processus pour l’évolution du prix de l’actif et celui du facteur
Le processus de covariance quadratique d’actualisation.

Définition. Soit X et Y deux processus d’Itô tels que Théorème (la règle de multiplication). Soit X et Y deux processus
d’Itô tels que
 dt + H
dXt = Kt dt + Ht dWt et dYt = K  dW (87)
t t t  dt + H
dXt = Kt dt + Ht dWt et dYt = K  dW . (89)
t t t
alors le processus X, Y  est défini pour tout t ∈ [0, T ] par La règle de multiplication est

t
X, Y t = sds.
HsH (88) dXtYt = Xt dYt + Yt dXt + d X, Y t (90)
0
 
 dt + H
= Xt K  dW + Y (K dt + H dW ) + H H

t t t t t t t t tdt (91)
   
=  +Y K +H H
XtK  
t t t t t dt + XtHt + YtHt dWt. (92)

Exemple : la valeur actualisée d’un actif risqué (suite)

Exemple :
la valeur actualisée d’un actif risqué Le processus Y = βX représente l’évolution de la valeur actualisée du prix
du titre. La règle de multiplication entraı̂ne que

Supposons que le processus stochastique X, satisfaisant l’équation dYt = dβ tXt (96)

dXt = µXt dt + σXt dWt, (93) = β t dXt + Xt dβ t + d β, Xt (97)

 
est l’évolution du prix d’un titre risqué. Le processus β t = e−rt :t≥0
est notre facteur d’actualisation. Notons que = β t (µXt dt + σXt dWt) + Xt (−rβ tdt) (98)
d
β t = −re−rt = −rβ t, (94) = (µ − r) β tXt dt + σβ tXt dWt (99)
dt
c’est-à-dire que le processus β est un processus d’Itô satisfaisant l’équation
= (µ − r) Yt dt + σYtdWt. (100)
différentielle
Sous sa forme intégale, cette dernière équation s’écrit
dβ t = −rβ t dt. (95)
t
t
Yt = Y0 + (µ − r) Ys ds + σ Ys dWs. (101)
0 0
10
 Les processus d’Itô : une généralisation

Définition. Soit W (1), ..., W (n), des mouvements browniens indépendants

construits sur l’espace probabilisé filtré (Ω, F, {Ft : 0 ≤ t ≤ T } , P ). Pour
tout i ∈ {1, 2, ..., m}, nous définissons le processus X (i) par
Le lemme d’Itô multidimensionnel (i) (i)

t
(i)
n
t
 (i,k) (k)
Xt = X0 + Ks ds + Hs dWs (102)
0 k=1 0
Il se peut que le phénomène que nous aimerions modéliser comporte plusieurs
sources d’incertitude. C’est pourquoi nous considérons des processus du où
(1) (m)
type processus d’Itô qui font intervenir plusieurs mouvements browniens. • X0 , ..., X0 sont des variables aléatoires F0−mesurables,
• les processus K (i), i ∈ {1, 2, ..., m} et H (i,k), i ∈ {1, 2, ..., m} et
k ∈ {1, 2, ..., n}  {Ft} −adaptés,
 sont 
m  T  (i)
•P i=1 0 Ks  ds < ∞ = 1,

 T (i,k) (j,k∗)
• P 0 Hs Hs ds < ∞ = 1, i, j ∈ {1, 2, ..., m} et k, k∗ ∈ {1, 2, ..., n} .

Le lemme d’Itô multidimensionnel

Leur processus de covariance quadratique
Le lemme d’Itô. Soit W (1), ..., W (k), des mouvements browniens indépendants
    
Définition. Le processus X (i), X (j) = X (i), X (j) :0≤t≤T construits sur l’espace probabilisé filtré (Ω, F, {Ft : 0 ≤ t ≤ T } , P ) for-
t
défini par mant les processus d’Itô définis à la ligne (102) et f : Rm × [0, ∞) → R,
∂f ∂f 2
  n
t
 une fonction continue telle que les dérivées partielles ∂x , , ∂ f et
(i,k) (j,k) i ∂s ∂xi∂xj
X (i), X (j) = Hs Hs ds. (103) ∂ 2f
t
k=1 0 ∂xi∂s , i, j ∈ {1, ..., m} existent et sont continues. Alors ∀t ≥ 0,
Notons que (1) (m) (1) (m)
    f Xt , ..., Xt , t − f X0 , ..., X0 ,0 (106)
X (i), X (j) = X (j), X (i) (104)
m


et P −p.s.  t ∂f (1) (m) (i) t ∂f (1) (m)
    = Xs , ..., Xs , s dXs + Xs , ..., Xs , s ds
0 ∂x 0 ∂t
X (i), X (i) = X (i) . (105) i=1 i
m  m
t  
1 ∂ 2f (1) (m)
+ Xs , ..., Xs , s d X (i), X (j) .
2 i=1 j=1 0 ∂xi∂xj s

11
Exemple : le taux de change Exemple : le taux de change (suite)
Supposons que le processus stochastique X, satisfaisant l’équation L’évolution Y du prix de l’action en dollars canadiens est telle qu’à chaque
instant,
dXt = µXtdt + σXtdWt, (107)
Yt = XtCt. (111)
représente l’évolution du prix d’une action en livres sterling. Notons que
Soit la fonction f : R2 → R définie par
d Xt = σ2Xt2dt.
Admettons que l’évolution de la valeur en dollars canadiens de la livre f (x, c) ≡ xc. (112)
sterling est modélisée par le processus C où Notons que
 + γC dW .
dCt = αCtdt + βCtdW (108) Yt = f (Xt, Ct) , ∀t ≥ 0, (113)
t t t

Si les mouvements browniens W et W  sont construits sur le même espace que les dérivées premières sont
probabilisé filtré et sont indépendants, alors ∂f ∂f
    (x, c) = c (x, c) = x (114)
∂x ∂c
d Ct = β 2Ct2 + γ 2Ct2 dt = β 2 + γ 2 Ct2dt (109)
et que les dérivées secondes sont
∂ 2f ∂ 2f ∂ 2f
d X, Ct = (σXtγCt + 0βCt) dt = σγXtCtdt. (110) (x, c) = (x, c) = 0 et (x, c) = 1. (115)
∂x2 ∂c2 ∂x∂c

Exemple : le taux de change (suite). Le lemme d’Itô nous donne Références

dYt = df (Xt, Ct) (116)
Martin Baxter et Andrew Rennie (1996). Financial Calculus, an introduc-
∂f ∂f
= (Xt, Ct) dXt + (Xt, Ct) dCt (117) tion to derivative pricing, Cambridge university press.
∂x  ∂c 
∂ f 2 ∂ f 2
1 (Xt, Ct) d Xt + ∂x∂c (Xt, Ct) d X, Ct 
+  ∂x∂22f ∂ 2f
 Donald L. Cohn (1980). Measure Theory, Birkhäuser.
∂c∂x (Ct, Xt) d C, Xt + ∂c2 (Xt, Ct) d Ct
2 +
Richard R. Goldberg (1976). Methods of real analysis, second edition,
= CtdXt + XtdCt + d X, Ct (118)
Wiley.
 
 + γC dW + σγX C dt
= Ct (µXtdt + σXtdWt) + Xt αCtdt + βCtdWt t t t t
Damien Lamberton et Bernard Lapeyre (1991). Introduction au calcul
stochastique appliqué à la finance, Ellipses.

= (µXtCt + αXtCt + σγXtCt) dt + (σXtCt + γCtXt) dWt + βXtCtdWt

Daniel Revuz et Marc Yor (1999). Continuous martingales and brownian

.
= (µ + α + σγ) Ytdt + (σ + γ) YtdWt + βYtdW (119)
t motion, third edition, Springer.
12