Intégrale stochastique

Plan

L’intégrale stochastique générale

Intégrale de Wiener

Exemples

Processus d’Itô

Formule d’Itô

Formule de Black & Scholes


Le processus B est un mouvement Brownien et FtB , t ≥ 0 est sa
filtration naturelle.

1
1 L’intégrale stochastique générale

On cherche à définir
 t
θs dBs
0

quand {θs , s ≥ 0} est un processus stochastique.

Définition 1.1 On dit que {θt , t ≥ 0} est un bon processus s’il est
(FtB )-adapté, càglàd, et si
 t 
E θs2 ds < +∞
0

pour tout t > 0.

2
1.1 Cas des processus étagés

Ce sont les processus du type


pn
θtn = θi 11]ti ,ti+1 ] (t)
i=0

où pn ∈ IN, 0 = t0 ≤ t1 . . . ≤ tpn et θi ∈ L2 (Ω, Fti , P ) pour tout

i = 0, . . . , pn . On définit
 t 
pn
It (θn ) = θsn dBs = θi (Bti+1 ∧t − Bti ∧t )
0 i=0

3
Propriétés:

E [It (θn )] = 0
 t 
2
Var [It (θn )] = E (θsn ) ds .
0
t
n
Les processus It (θ ) et It2 (θn ) − 0
(θ n 2
s ) ds sont des martingales.

4
1.2 Cas général

Si θ est un bon processus, il existe {θn , n ≥ 0} suite de processus

étagés telle que
 t 
E (θs − θsn )2 ds → 0
0

quand n ↑ +∞. Il existe une v.a. It (θ) de carré intégrable telle que

2
E |It (θ) − It (θn )| → 0

quand n ↑ +∞. On pose

 t
It (θ) = θs dBs
0

pour tout t ≥ 0.

5
Propriétés:

E [It (θ)] = 0
 t 
Var [It (θ)] = E θs2 ds .
0

Linéarité :

It (a1 θ1 + a2 θ2 ) = a1 It (θ1 ) + a2 It (θ2 ).

Propriétés de martingale : Pour tout bon processus θ, les

processus
 t
t → It (θ) et t → It (θ)2 − θs2 ds
0

6
sont des (FtB )-martingales continues.
 t 
E (It (θ) − Is (θ))2 FsB = E θu2 du FsB .
s

Propriété d’isométrie : Pour tous bons processus ϕ, θ et tout

s, t ≥ 0, on a
 s∧t 
E [Is (ϕ)It (θ)] = E θu ϕu du .
0

Le processus
 t
It (θ)It (ϕ) − θu ϕu du
0

est une (FtB )-martingale.

7
Proposition 1.2 Pour tout t ≥ 0 on a
 t
1 2
Bs dBs = (Bt − t).
0 2

8
Il est possible de définir It (θ) sous la seule condition
 t
θs2 ds < +∞ p.s.
0

Cependant, t → It (θ) n’est plus nécessairement une martingale.

Définition 1.3 Soit {Ft , t ≥ 0} une filtration et {Xt , t ≥ 0} un
processus (Ft )-adapté. On dit que X est une (Ft )-martingale
locale s’il existe une suite {τn , n ≥ 0} de (Ft )-temps d’arrêt telle
que
P [τn → +∞] = 1
et le processus X n : t → Xt∧τn est une martingale pour tout n ≥ 0.
Définition 1.4 On dit que {θt , t ≥ 0} est un bon processus local
s’il est càglàd, (FtB )-adapté, et si
 t
θs2 ds < +∞ p.s.
0

9
pour tout t > 0.

Soit θ un bon processus local. On peut définir It (θ) pour tout

t > 0, qui est une martingale locale. De même, en prenant la même
suite de temps d’arrêt, on montre que le processus
 t
It (θ)2 − θs2 ds
0

est une martingale locale.

10
1.3 Le crochet

Définition 1.5 Si Z est une martingale locale continue , < Z >

est l’unique processus croissant continu (Ft )-adapté tel que
t → Zt2 − < Z >t soit une (Ft )-martingale locale.

Par polarité, on peut définir le crochet de deux (Ft )-martingales

locales M et N en écrivant
1
< M, N >t = (< M + N >t − < M >t − < N >t ) .
2
Le crochet < M, N > est aussi l’unique processus à variation finie
tel que le processus M N − < M, N > soit une martingale locale.

11
Enfin, la proposition suivante donne enfin de < M, N > une
importante construction trajectorielle :
Proposition 1.6 Soient M et N deux martingales locales
continues. Alors p.s. pour tout t ≥ 0,
n
2

< M, N >t = lim (Mtni − Mtni−1 )(Ntni − Ntni−1 )
n→+∞
i=1

où {tni , i = 0 . . . 2n } désigne la subdivision régulière sur [0, t].

 t  t
< I(θ) >t = θs2 ds et < I(θ), I(ϕ) >t = θs ϕs ds.
0 0
On dit que deux martingales continues sont orthogonales si leur
crochet est nul, c’est-à-dire si leur produit est une martingale. Par
exemple, deux Browniens indépendants sont des martingales
orthogonales.

12
2 Cas particulier: Intégrale de Wiener

13
2.1 Définition

On note L2 (IR+ ) l’ensemble des (classes d’équivalence des)

fonctions boréliennes f de IR+ dans IR de carré intégrable,
 +∞ 2
c’est-à-dire telles que 0 |f (s)| ds < ∞.
C’est un espace de Hilbert pour la norme
 ∞ 1/2
||f ||2 = f 2 (s) ds .
0

14
2.1.1 a. Fonctions en escalier
 +∞
Pour f = 11]u,v] , on pose 0
f (s)dBs = B(v) − B(u).
i=n
Soit f une fonction en escalier, f (s) = i=1 fi−1 11]ti ;ti+1 ] (s) on
pose
 +∞ 
i=n
f (s)dBs = fi−1 (B(ti ) − B(ti−1 )) .
0 i=1

def  +∞
La variable aléatoire I(f ) = f (s)dBs est une variable
0
 +∞ 2
gaussienne d’espérance nulle et de variance 0 f (s)ds.
L’intégrale est linéaire : I(f + g) = I(f ) + I(g). Si f et g sont des

fonctions en escalier E(I(f ) I(g)) = R+ f (s) g(s) ds. Le processus I
est un processus gaussien, c’est une martingale.

15
2.1.2 b. Cas général

Si f ∈ L2 (IR+ ), il existe une suite fn de fonctions en escalier qui

converge (dans L2 (IR+ )) vers f , c’est-à-dire qui vérifie
 ∞
|fn − f |2 (x) dx →n→∞ 0.
0

Dans ce cas, la suite fn est de Cauchy dans L2 (IR+ ). La suite de

∞
v.a. Fn = 0 fn (s) dBs est une suite de Cauchy dans l’espace de
Hilbert L2 (Ω) (en effet ||Fn − Fm ||2 = ||fn − fm ||2 →n,m→∞ 0),
donc elle est convergente. On pose
 ∞  ∞
def
I(f ) = f (s) dBs = lim fn (s) dBs
0 n→∞ 0

la limite étant prise dans L2 (Ω).

On dit que I(f ) est l’intégrale stochastique (ou intégrale de
Wiener) de f par rapport à B.

16
 2
∞
Le sous-espace de L (Ω) formé par les v.a. 0
f (s)dBs coı̈ncide
avec l’espace gaussien engendré par le mouvement Brownien.

17
2.2 Propriétés

• L’application f → I(f ) est linéaire

I(f + g) = I(f ) + I(g)

et isométrique de L2 (IR+ ) dans L2 (Ω)


E (I(f ) I(g)) = f (s)g(s) ds.
IR+

• La variable I(f ) est une v.a. gaussienne centrée de variance

 2
IR + f (s)ds appartenant à l’espace gaussien engendré par
(Bt , t ≥ 0) et elle vérifie pour tout t
   t
E Bt f (s)dBs = f (s)ds . (2.1)
IR+ 0

La propriété (2.1) est en fait une caractérisation de l’intégrale

18
 t
stochastique au sens où si pour tout t, E(ZBt ) = 0
f (s)ds, alors
 ∞
Z= f (s)dBs .
0

19
2.3 Processus lié à l’intégrale stochastique
t
De la même façon on définit 0 f (s)dBs pour f telle que
T
0
|f (s)|2 ds < ∞, ∀T , ce qui permet de définir l’intégrale
stochastique pour une classe plus grande de fonctions. On notera
L2loc cette classe de fonctions.

20
 t
Théorème 2.1 Soit f ∈ L2loc et Mt = 0
f (s)dBs .
a) Le processus M est une martingale continue, la v.a. Mt est
t 2
d’espérance 0 et de variance 0 f (s) ds.
b) Le processus M est un processus gaussien centré de
 t∧s 2
covariance 0 f (u) du à accroissements indépendants.
2
t 2
c) Le processus (Mt − 0 f (s) ds , t ≥ 0) est une martingale.
d) Si f et g sont dans L2loc , on a
 t∧s
t s
E( 0 f (u)dBu 0 g(u)dBu ) = f (u)g(u)du .
0

21
2.4 Intégration par parties

Théorème 2.2 Si f est une fonction de classe C 1 ,

 t  t
f (s) dBs = f (t)B(t) − f  (s)Bs ds.
0 0

On peut aussi écrire cette formule

d(Bt f (t)) = f (t)dBt + Bt f  (t)dt .

22
3 Exemples

23
3.1 Processus d’Ornstein-Uhlenbeck

Théorème 3.1 L’équation de Langevin

 t
Vt = − aVs ds + σBt + V0 , (3.1)
0

a pour unique solution

 t
Vt = e−ta V0 + e−(t−s)a σdBs . (3.2)
0

On écrit l’équation (3.1) sous forme condensée

dVt + aVt dt = σdBt , V0 donné

les données du problème sont la variable aléatoire V0 , le Brownien

B et les constantes a et σ.

24
Proposition 3.2 Le processus V , appellé processus
d’Ornstein-Uhlenbeck est gaussien d’espérance et de covariance

E(Vt ) = e−ta V,
 s
cov[Vs , Vt ] = e−(s−u)a σ 2 e−(t−u)a du , s ≤ t
0

En particulier, si V0 est une constante (v = 0)

σ 2 −a(s+t) 2as
cov[Vs , Vt ] = e (e − 1)
2a
σ2
et Var(Vt ) = (1 − exp −2at).
2a

25
En écrivant
 s
−sa
Vs = e V0 + e−(s−u)a σdBu
0
 s
Vs e(s−t)a = e−ta V0 + e−(t−u)a σdBu
0

on en déduit, pour s ≤ t
 t
−(t−s)a
Vt = Vs e + e−(t−u)a σdBu
s

ou encore
 t
Vt+s = Vs e −ta
+ u
e−(t−u)a σdB
0

 défini par B
où le processus B u = Bs+u − Bs est un MB
indépendant de Fs (donc de Vs ).

26
En particulier
E(f (Vt+s )|Fs ) = E(f (Vs e−ta + Y )|Fs ) = E(f (Vt+s )|Vs ) (dans cette
égalité Y est une v.a. indépendante de Fs ) ce qui établit le
caractère markovien de V .

Le calcul explicite peut se faire en utilisant que

E(f (Vs(x) e−ta + Y )|Fs ) = Ψ(Vs(x) )

(y)
avec Ψ(y) = E(f (ye−ta + Y )) = E(f (Vt )) où V (x) est la solution
de l’équation de valeur initiale x, soit
(x) −ta
 t −(t−s)a
Vt = e x + 0 e σdBs .

27
  t
Proposition 3.3 La variable aléatoire Vs ds est une v.a.
0
−at
gaussienne, de moyenne V0 1−ea et de variance
σ2 −at 2 σ2 1 − e−at
− 3 (1 − e ) + 2 (t − ).
2a a a

28
3.2 Modèle de Vasicek

drt = a(b − rt )dt + σdBt . (3.3)

La forme explicite de la solution est

 t
rt = (r0 − b)e−at + b + σ e−a(t−u) dBu .
0

L’égalité
 t
rt = (rs − b)e−a(t−s) + b + σ e−a(t−u) dBu , s ≤ t
s

établit le caractère Markovien de r.

29
• Si r0 est une constante, rt est une variable gaussienne de
−at σ2
moyenne (r0 − b)e + b, et de variance 2a (1 − exp −2at).

• En particulier, ce n’est pas une variable positive.

• Le processus r est gaussien de covariance

σ 2 −a(s+t) 2as
Cov(rs , rt ) = 2a e (e − 1) pour s ≤ t.

30
Proposition 3.4 Pour tout s < t, l’espérance et le variance
conditionnelle de r sont

E(rt |rs ) (rs − b)e−a(t−s) + b

=
σ2
vars (rt ) = (1 − e−2a(t−s) )
2a
t
Proposition 3.5 La variable 0 rs ds est une variable gaussienne
de moyenne
 t
1 − e−at
E( rs ds) = bt + (r0 − b)
0 a

σ2 −at 2 σ2 1 − e−at
et de variance − 3 (1 − e ) + 2 (t − ).
2a a a

31
On en déduit
 t
1
E(exp − ru du |Fs ) = exp(−M (t, s) + V (t, s)) .
s 2

32
Ces calculs sont utiles pour valoriser des zéro-coupons en finance :
si B(t, T ) est la valeur d’un ZC de maturité T , on a
  
T
B(t, T ) = E(exp − ru du |Ft )
t

et

1 − e−a(T −t)
B(t, T ) = exp b(T − t) + (rt − b)
a
2 2 −a(T −t)

σ −a(T −t) 2 σ 1−e
− 3 (1 − e ) + 2 (T − t − )
4a 2a a

33
4 Processus d’Itô

Ce sont des processus écrits sous la forme

 t  t
Xt = x + bs ds + σs dBs (4.1)
0 0

où b est un processus FB

t -adapté tel que
 t
|bs | ds < +∞ p.s.
0

pour tout t ≥ 0, et σ un bon processus local. On utilise la notation

formelle

dXt = bt dt + σt dBt
X0 = x.

34
Le coefficient b s’appelle la dérive (ou le drift) du processus, et σ
son coefficient de diffusion.

35
Le processus
 t
t → x + bs ds
0
est la partie à variation finie de X, et le processus
 t
t → σs dBs
0

la partie martingale de X (c’est a priori une martingale locale). La

décomposition (4.1) du processus X est unique, au sens où si X
admet une autre décomposition
 t  t
Xt = x + b̃s ds + σ̃s dBs ,
0 0

alors b ≡ b̃ et σ ≡ σ̃. En particulier, X sous la forme (4.1) est une

martingale locale si et seulement si b ≡ 0.

36
En fait, cette représentation des martingales locales dans une
filtration Brownienne est caractéristique, indépendamment de ce
que le processus soit a priori un processus d’Itô :

Théorème 4.1 [Théorème de représentation des

martingales locales] Soit B un mouvement brownien et M une
FtB -martingale locale continue. Alors il existe x ∈ IR et θ bon
processus local tel que
 t
Mt = x + θs dBs .
0

Ce théorème est extrémement important en Finance (marché

complet).

37
Si X 1 et X 2 sont deux processus d’Itô de décomposition
 t  t
Xti = x + bis ds + σsi dBs
0 0

pour i = 1, 2, leur crochet est par définition le crochet de leurs

parties martingales. Autrement dit
 t
1 2 1 2
< X , X > = < I(σ ), I(σ ) >= σs1 σs2 ds.
0

38
5 Formule d’Itô

On se donne un processus d’Itô réel X de décomposition (4.1) et

une fonction f : IR → IR suffisamment régulière.

Théorème 5.1 [Première formule d’Itô] Supposons f de classe

C 2 . Alors
 t  t
 1
f (Xt ) = f (x) + f (Xs )dXs + f  (Xs )σs2 ds.
0 2 0

Si f est à dérivées bornées, et σ borné, le processus

t  
1 t 
f (Xt ) − 0 f (Xs )bs ds − 2 0 f (Xs )σs2 ds est une martingale.

Cette formule s’écrit sous forme condensée

1
df (Xt ) = f  (Xt )dXt + f  (Xt )σt2 dt
2

39
 
1
= f  (Xt )bt + f  (Xt ) σt2 dt + f  (Xt )σt dBt
2
1 
= f (Xt )bt dt + f (Xt ) d X t + f  (Xt )σt dBt .

2
On utilise souvent la notation
1
df (Xt ) = f  (Xt )dXt + f  (Xt )dXt · dXt
2
avec la table de multiplication

dt dBt
dt 0 0
dBt 0 dt

40
En particulier, t → f (Xt ) est un processus d’Itô de dérive
 t 
1
f  (Xs )bs + f  (Xs )σs2 ds
0 2
et de partie martingale
 t
f  (Xs )σs dBs .
0

Quand les dérivées sont bornées, l’intégrale stochastique

apparaissant dans la formule est une vraie martingale, et on en
déduit :
  t 
1
E [f (Xt )] = E [f (X0 )] + E f  (Xs )bs + f  (Xs )σs2 ds
0 2
 t  
1
E f (Xt ) | FsB = f (Xs ) + E f  (Xu )bu + f  (Xu )σu2 du FsB
s 2

41
Théorème 5.2 [Deuxième formule d’Itô] Soit f une fonction
définie sur IR+ × IR de classe C 1 par rapport à t, de classe C 2 par
rapport à x. On a
 t  t  t
1
f (t, Xt ) = f (0, X0 )+ ft (s, Xs )ds+ fx (s, Xs )dXs + 
fxx (s, Xs )σs2 ds.
0 0 2 0

On peut écrire cette formule sous forme différentielle :


1 
df (t, Xt ) = ft (t, Xt ) + fxx (t, Xt )σt2 dt + fx (t, Xt )dXt
2
  1 
= ft (t, Xt )dt + fx (t, Xt )dXt + fxx (t, Xt )d X t .
2

1
= ft (t, Xt ) + fx (t, Xt )bt + fxx 
(t, Xt )σt2 dt
2
+fx (t, Xt )σt dBt

42
Exemple fondamental: Le mouvement brownien géométrique,
ou processus log-normal est défini par l’équation
 t  t
Xt = x + µ Xs ds + σ Xs dBs
0 0

avec µ, σ ∈ IR. On montre que

Xt = x exp µt + σBt − σ 2 t/2 .

Dans le cas où µ et σ sont des fonctions déterministes :

 t  t
Xt = x + µ(s)Xs ds + σ(s)Xs dBs
0 0
 t  t  t 
1
Xt = X0 exp − µ(s)ds + σ(s)ds − σ 2 (s)ds .
0 0 2 0

43
Théorème 5.3 [Troisième formule d’Itô] Soient X 1 et X 2
deux processus d’Itô issus de x1 (resp. de x2 ) de coefficient de
dérive b1 (resp. b2 ), de coefficient de diffusion σ 1 (resp. σ 2 ) et
portés respectivement par deux Browniens B 1 et B 2 corrélés avec
Bi
coefficient ρ. On suppose que b , σ sont i i
Ft -adaptés. Soit f une
fonction de IR2 dans IR de classe C 2 à dérivées bornées. On a
 t  t
f (Xt1 , Xt2 ) = f (x1 , x2 ) + f1 (Xs1 , Xs2 ) dXs1 + f2 (Xs1 , Xs2 ) dXs2
0 0
 t
1 
 1 2  2 2 
+ f11 (Xs1 , Xs2 )  1 2 1 2  1 2
σs + 2 ρ f12 (Xs , Xs )σs σs + f22 (Xs , Xs ) σs ds
2 0

où fi désigne la dérivée par rapport à xi et fij


la dérivée seconde
par rapport à xj puis xi , i, j = 1, 2.

44
Proposition 5.4 [Formule d’intégration par parties]
 t  t  t
Xt1 Xt2 = x1 x2 + Xs1 dXs2 + Xs2 dXs1 + ρ σs1 σs2 ds.
0 0 0

d(X 1 X 2 )t = Xt1 dXt2 + Xt2 dXt1 + d X 1 , X 2 t .

45
6 Formule de Black & Scholes
On considère un marché financier comportant un actif dit sans
risque de taux constant r et de prix St0 = ert et un actif risqué dont
le prix S vérifie
dSt = b St dt + σ St dBt
soit
St = S0 exp σBt + (b − σ 2 /2)t

On fixe un horizon T > 0 et on souhaite donner le prix d’un actif

financier qui versera h(ST ) à la date T .

Le cas d’un call Européen de maturité T et de strike K

correspond au cas h(x) = (x − K)+ .

46
On procède par duplication (hedging): on forme un portefeuille
constitué d’ α parts de l’actif sans risque (le montant de la richesse
investie dans cet actif est αert ) et de βt parts de l’actif risqué.
On va trouver un portefeuille auto-financant de valeur terminale
h(ST ). La valeur de ce portefeuille à la date t est

Vt = αt St0 + βt St .

La condition d’auto-financement se formalise par

dVt = αt dSt0 + βt dSt ;

soit
dVt = rVt dt + βt St ((b − r)dt + σdBt )

47
On suppose que la valeur du portefeuille à la date t est une fonction
déterministe du temps et de la valeur de l’actif risqué, soit V (t, St ).
En utilisant la deuxième formule d’Itô, on calcule

∂V ∂V σ 2 St2 ∂ 2 V
dVt = (t, St ) + b St (t, St ) + (t, St ) dt
∂t ∂x 2 ∂x2

∂V
+ σSt (t, St ) dBt .
∂x
En identifiant avec la condition d’auto-financement,
∂V ∂V
σβt St = σSt (t, St ) soit βt = (t, St ),
∂x ∂x
ce qui entraı̂ne alors
∂V ∂V σ 2 St2 ∂ 2 V
rSt (t, St ) + (t, St ) + (t, St ) − rV (t, St ) = 0
∂x ∂t 2 ∂x2
avec pour condition terminale V (T, ST ) = h(ST ).

48
Comme St est une v.a. qui peut prendre toutes les valeurs de IR+ ,
on en déduit que V satisfait l’EDP

1 2 2 ∂2V
rx ∂V
∂x (t, x) +
∂V
∂t (t, x) + 2 σ x ∂2x (t, x) − rV (t, x) = 0

(6.1)

avec pour condition terminale V (T, x) = h(x).

Dans le cas d’un call européen h(x) = (x − K)+ , et pour σ > 0,
cette équation se résout alors en :

V (t, x) = xN (d1 ) − Ke−r(T −t) N (d2 )

49
où N est la fonction de répartition d’une v.a. gaussienne standard :
 x
1 −u2 /2
N (x) = √ e du,
2π −∞
et avec les notations
  
1 1 √
d1 = √ ln xer(T −t) /K + σ 2 (T − t) et d2 = d1 −σ T − t.
2σ T − t 2
La quantité
∂C
(t, St ) = N (d1 )
∂x
qui représente la couverture du marché, soit le nombre de parts de
l’actif sous jacent utilisées pour répliquer l’option s’appelle le Delta
de l ’option et représente aussi la sensibilité du prix de l option par
rapport au prix du sous jacent.

50
Comme conséquence de la formule d’Itô appliquée aux EDS, on
verra plus tard une formule probabiliste pour le prix du call :

C(t, St ) = er(t−T ) E (ST − K)+ | Ft

lorsque le S a pour dynamique

dSt = rSt dt + σ St dBt .

Cette interprétation est fondamentale en Finance, et fait

intervenir un changement de probabilité.

51