Calcul Stochastique Appliqué À La Finance

Introduction au calcul stochastique
appliqu la nance
Damien Lamberton Bernard Lapeyre
Avant-Propos
Pour cette seconde dition, nous avons apport quelques modications au texte primitif.
Les premires concernent la correction derreurs plus ou moins importantes. Lerreur la plus
srieuse tait une afrmation fausse concernant les intgrales stochastiques (voir le rsum des
proprits de lintgrale stochastique la n de la section 4.1 du chapitre 3 et lexercice 15, qui
nous a t inspir par Marc YOR).
Nous avons ajout quelques sujets de problmes la n du chapitre 4. Ces problmes per-
mettent dintroduire et de traiter divers exemples doptions exotiques.
Nous avons complt la bibliographie de quelques titres rcents, en particulier sur le thme
des marchs incomplets, le chapitre 7 ne faisant quefeurer le sujet.
Enn, nous avons rcrit les programmes de simulation et danalyse numrique dans le lan-
gage C qui se rpand de plus en plus dans les banques.
Nous remercions les collgues qui nous ont signal des erreurs ou des coquilles. Il en reste
hlas srement et nous esprons que les lecteurs de cette nouvelle dition voudront bien nous
les signaler.
Damien Lamberton et Bernard Lapeyre.
Table des matires
Introduction 9
1 Le problme des options . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2 La notion darbitrage et la relation de parit call-put . . . . . . . . . . . . . . . 10
3 Le modle de Black-Scholes et ses extensions . . . . . . . . . . . . . . . . . . 11
4 Plan du livre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
5 Remerciements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1 Modles discrets 13
1 Le formalisme des modles discrets . . . . . . . . . . . . . . . . . . . . . . . 13
1.1 Les actifs nanciers . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2 Les stratgies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3 Stratgies admissibles et arbitrage . . . . . . . . . . . . . . . . . . . . 15
2 Martingales et arbitrages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1 Martingales et transformes de martingales . . . . . . . . . . . . . . . 16
2.2 Marchs nanciers viables . . . . . . . . . . . . . . . . . . . . . . . . 17
3 Marchs complets et valuation des options . . . . . . . . . . . . . . . . . . . 19
3.1 Marchs complets . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Evaluation et couverture des actifs conditionnels dans les marchs com-
plets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3 Premire approche des options amricaines . . . . . . . . . . . . . . . 22
4 Problme corrig : le modle de Cox, Ross et Rubinstein . . . . . . . . . . . . 23
2 Problme darrt optimal et options amricaines 27
1 Notion de temps darrt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2 Enveloppe de Snell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3 Dcomposition des surmartingales . . . . . . . . . . . . . . . . . . . . . . . . 30
4 Enveloppe de Snell et chanes de Markov . . . . . . . . . . . . . . . . . . . . 32
5 Application aux options amricaines . . . . . . . . . . . . . . . . . . . . . . . 32
5.1 Exercice et couverture des options amricaines . . . . . . . . . . . . . 33
5.2 Options amricaines et options europennes . . . . . . . . . . . . . . . 34
6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3 Mouvement brownien et quations diffrentielles stochastiques 39
1 Gnralits sur les processus temps continu . . . . . . . . . . . . . . . . . . 39
2 Le mouvement brownien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3 Martingales temps continu . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4 Intgrale stochastique et calcul dIt . . . . . . . . . . . . . . . . . . . . . . . 44
4.1 Construction de lintgrale stochastique . . . . . . . . . . . . . . . . . 45
4.2 Calcul dIt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5
6 TABLE DES MATIRES
4.3 Exemples dutilisation de la formule dIt . . . . . . . . . . . . . . . . 51
4.4 Formule dIt multidimensionnelle . . . . . . . . . . . . . . . . . . . 54
5 Equations diffrentielles stochastiques . . . . . . . . . . . . . . . . . . . . . . 55
5.1 Thorme dIt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.2 Le processus dOrnstein-Ulhenbeck . . . . . . . . . . . . . . . . . . . 58
5.3 Equations diffrentielles stochastiques valeurs vectorielles . . . . . . 59
5.4 Proprit de Markov des solutions dquations diffrentielles stochas-
tiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4 Modle de Black et Scholes 67
1 Description du modle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
1.1 Lvolution des cours . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
1.2 Les stratgies autonances . . . . . . . . . . . . . . . . . . . . . . . 68
2 Changement de probabilit. Thorme de reprsentation des martingales . . . . 69
2.1 Probabilits quivalentes . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.2 Thorme de Girsanov . . . . . . . . . . . . . . . . . . . . . . . . . . 70
2.3 Thorme de reprsentation des martingales browniennes . . . . . . . . 70
3 Evaluation et couverture des options dans le modle de Black et Scholes . . . . 71
3.1 Une probabilit sous laquelle
_
S
t
_
est une martingale . . . . . . . . . . 71
3.2 Pricing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.3 Couverture des calls et des puts . . . . . . . . . . . . . . . . . . . . . 74
4 Options amricaines dans le modle de Black-Scholes . . . . . . . . . . . . . . 75
4.1 Evaluation des options amricaines . . . . . . . . . . . . . . . . . . . 75
4.2 Puts perptuels, prix critique . . . . . . . . . . . . . . . . . . . . . . . 77
5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5 Evaluation des options et quations aux drives partielles 95
1 Calculs de prix doptions europennes pour les modles de diffusion . . . . . . 95
1.1 Gnrateur innitsimal dune diffusion . . . . . . . . . . . . . . . . . 96
1.2 Calculs desprances et quations aux drives partielles . . . . . . . . 98
1.3 Le cas du modle de Black et Scholes . . . . . . . . . . . . . . . . . . 100
1.4 Equation aux drives partielles sur un ouvert born et calcul desprance101
2 Rsolution numrique des quations paraboliques. . . . . . . . . . . . . . . . . 102
2.1 Localisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
2.2 La mthode des diffrences nies . . . . . . . . . . . . . . . . . . . . 104
3 Le problme des options amricaines . . . . . . . . . . . . . . . . . . . . . . . 107
3.1 Formulation du problme . . . . . . . . . . . . . . . . . . . . . . . . . 107
3.2 Le put amricain dans le modle de Black et Scholes . . . . . . . . . . 109
3.3 La mthode binomiale pour le calcul du put amricain . . . . . . . . . 113
4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
6 Modles de taux dintrt 117
1 Principes de la modlisation . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
1.1 Notion de courbe des taux . . . . . . . . . . . . . . . . . . . . . . . . 117
1.2 Courbe des taux en avenir incertain . . . . . . . . . . . . . . . . . . . 118
1.3 Options sur obligations . . . . . . . . . . . . . . . . . . . . . . . . . . 120
2 Quelques modles usuels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
2.1 Le modle de Vasicek . . . . . . . . . . . . . . . . . . . . . . . . . . 122
TABLE DES MATIRES 7
2.2 Le modle de Cox-Ingersoll-Ross . . . . . . . . . . . . . . . . . . . . 124
2.3 Autres modles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
7 Modles dactifs avec sauts 133
1 Processus de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
2 Description de lvolution de lactif risqu . . . . . . . . . . . . . . . . . . . . 135
3 Evaluation et couverture des options . . . . . . . . . . . . . . . . . . . . . . . 140
3.1 Les stratgies admissibles . . . . . . . . . . . . . . . . . . . . . . . . 140
3.2 Pricing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
3.3 Prix des calls et des puts . . . . . . . . . . . . . . . . . . . . . . . . . 143
3.4 Couverture des calls et des puts . . . . . . . . . . . . . . . . . . . . . 144
4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
8 Simulation et alogrithmes pour les modles nanciers 149
1 Simulation et modles nanciers . . . . . . . . . . . . . . . . . . . . . . . . . 149
1.1 La mthode de Monte Carlo . . . . . . . . . . . . . . . . . . . . . . . 149
1.2 Simulation dune loi uniforme sur [0, 1] . . . . . . . . . . . . . . . . . 150
1.3 Simulation des variables alatoires . . . . . . . . . . . . . . . . . . . . 150
1.4 Simulation de processus stochastiques . . . . . . . . . . . . . . . . . . 152
2 Quelques algorithmes utiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
2.1 Approximation de la fonction de rpartition dune gaussienne . . . . . 155
2.2 Implmentation informatique de la mthode de Brennan et Schwartz . . 156
2.3 Lalgorithme de Cox Ross pour le calcul du prix dune option amricaine 157
3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
Appendice 161
1 Variables alatoires gaussiennes . . . . . . . . . . . . . . . . . . . . . . . . . 161
1.1 Gaussiennes relles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
1.2 Vecteurs gaussiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
2 Esprance conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
2.1 Exemples de sous-tribus . . . . . . . . . . . . . . . . . . . . . . . . . 162
2.2 Proprits de lesprance conditionnelle . . . . . . . . . . . . . . . . . 163
2.3 Calculs desprances conditionnelles . . . . . . . . . . . . . . . . . . 164
3 Thorme de sparation des convexes . . . . . . . . . . . . . . . . . . . . . . 165
Bibliographie 167
Introduction
Si, lgard de plusieurs questions traites dans cette tude,
jai compar les rsultats de lobservation ceux de la
thorie, ce ntait pas pour vrier des formules tablies
par les mthodes mathmatiques, mais pour montrer seule-
ment que le march, son insu, obit une loi qui le do-
mine : la loi de la probabilit.
L. BACHELIER, Thorie de la Spculation (1900)
Le but de ce livre est de fournir une introduction aux techniques probabilistes ncessaires
la comprhension des modles nanciers les plus courants. Les spcialistes de la nance ont en
effet recours, depuis quelques annes, des outils mathmatiques de plus en plus sophistiqus
(martingales, intgrale stochastique) pour la description des phnomnes et la mise au point de
mthodes de calcul.
En ralit, lintervention du calcul des probabilits en modlisation nancire nest pas r-
cente : cest en tentant de btir une thorie de la spculation que Bachelier [Bac00] a dcou-
vert, au dbut du sicle, lobjet mathmatique appel aujourdhui mouvement brownien. Mais
elle a pris une dimension nouvelle partir de 1973, avec les travaux de Black-Scholes [BS73]
et Merton [Mer73] sur lvaluation (pricing en anglais) et la couverture des options. Depuis,
tandis que se dveloppaient les marchs doptions, les mthodes de Black-Scholes et Merton ont
t perfectionnes, tant au niveau de la gnralit que de la clart et de la rigueur mathmatique
et la thorie parat sufsamment avance pour tenter de la rendre accessible des tudiants.
1 Le problme des options
Notre expos est principalement centr sur le problme des options, qui a t le moteur de la
thorie et reste lexemple le plus frappant de la pertinence des mthodes de calcul stochastique
en nance. Une option est un titre donnant son dtenteur le droit, et non l obligation dacheter
ou de vendre (selon quil sagit dune option dachat ou de vente) une certaine quantit dun
actif nancier, une date convenue et un prix x davance. La description prcise dune
option se fait partir des lments suivants :
la nature de loption : on parle, suivant la terminologie anglo-saxonne, de call pour une
option dachat et de put pour une option de vente.
lactif sous-jacent, sur lequel porte loption : dans la pratique, il peut sagir dune action,
dune obligation, dune devise etc.
le montant, cest--dire la quantit dactif sous-jacent acheter ou vendre.
lchance ou date dexpiration, qui limite la dure de vie de loption ; si loption peut
tre exerce nimporte quel instant prcdant lchance, on parle doption amricaine,
si loption ne peut tre exerce qu lchance, on parle doption europenne.
10 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE
le prix dexercice, qui est le prix (x davance) auquel se fait la transaction en cas dexer-
cice de loption.
Loption, elle mme, a un prix, appel la prime. Lorsque loption est cote sur un march or-
ganis, la prime est donne par le march. En labsence de cotation, le problme du calcul de
la prime se pose. Et, mme pour une option cote, il peut tre intressant de disposer dune
formule ou dun modle permettant de dtecter dventuelles anomalies de march.
Examinons, pour xer les ides, le cas dun call europen, dchance T, sur une action, dont
le cours la date t est donn par S
t
. Soit K le prix dexercice. Il est clair que si, lchance T,
le prix K est suprieur au cours S
T
, le dtenteur de loption na pas intrt exercer. Par contre,
si S
T
> K, lexercice de loption permet son dtenteur de raliser un prot gal S
T
K, en
achetant laction au prix K et en la revendant sur le march au cours S
T
. On voit qu lchance,
la valeur du call est donne par la quantit :
(S
T
K)
+
= max(S
T
K, 0).
Pour le vendeur de loption, il sagit, en cas dexercice, dtre en mesure de fournir une action au
prix K, et, par consquent de pouvoir produire lchance une richesse gale (S
T
K)
+
. Au
moment de la vente de loption, quon prendra pour origine des temps, le cours S
T
est inconnu
et deux questions se posent :
1. Combien faut-il faire payer lacheteur de loption, autrement dit comment valuer
linstant t = 0 une richesse (S
T
K)
+
disponible la date T ? Cest le problme du
pricing.
2. Comment le vendeur, qui touche la prime linstant 0, parviendra-t-il produire la ri-
chesse (S
T
K)
+
la date T ? Cest le problme de la couverture.
2 La notion darbitrage et la relation de parit call-put
La rponse aux deux questions qui prcdent ne peut se faire qu partir dun minimum
dhypothses de modlisation. Lhypothse de base, retenue dans tous les modles, est que,
dans un march sufsamment uide, il ny a pas dopportunit darbitrage, cest--dire quil
est impossible de faire des prots sans prendre de risques. Nous traduirons cette hypothse en
termes mathmatiques dans le chapitre 1. Pour linstant, nous nous contenterons de montrer
comment, partir de cette simple hypothse, on peut tablir des relations entre les prix dun
call et dun put europen de mme chance T et de mme prix dexercice K, sur une action de
cours S
t
linstant t. Nous supposerons quil est possible demprunter ou de placer de largent
un taux constant r.
Dsignons par C
t
et P
t
les prix respectifs du call et du put linstant t. En labsence dop-
portunit darbitrage, on a la relation suivante, valable tout instant t < T et appele relation
de parit call-put :
C
t
P
t
= S
t
Ke
r(Tt)
.
Pour faire comprendre la notion darbitrage, montrons comment on pourrait raliser un prot
sans risque si on avait, par exemple :
C
t
P
t
> S
t
Ke
r(Tt)
.
A linstant t, on achte une action et un put et on vend un call. Cette opration dgage, linstant
t, un prot net gal
C
t
P
t
S
t
.
INTRODUCTION 11
Si cette somme est positive, on la place au taux r jusqu la date T, sinon, on lemprunte au
mme taux. A la date T, deux cas peuvent se prsenter :
S
T
> K : alors, le call est exerc, on livre laction, on encaisse la somme K et on solde
lemprunt ou le prt, de sorte quon se retrouve avec une richesse gale : K+e
r(Tt)
(C
t
P
t
S
t
) > 0.
S
T
K : alors, on exerce son put et on solde comme prcdemment, de sorte quon se
retrouve encore avec une richesse gale : K + e
r(Tt)
(C
t
P
t
S
t
).
Dans les deux cas, on a ralis un prot positif sans mise de fond initiale : cest un exemple
darbitrage.
On trouvera de nombreux exemples de relations darbitrage telles que la relation de parit
ci-dessus dans le livre de Cox et Rubinstein [CR85]. Nous ne passerons pas en revue toutes ces
relations darbitrage, mais nous montrerons comment on peut caractriser mathmatiquement
les marchs o il ny a pas darbitrage.
3 Le modle de Black-Scholes et ses extensions
Si les raisonnements par arbitrage fournissent de nombreuses relations intressantes, ils ne
sont pas sufsants pour obtenir des formules de prix. Pour cela, on a besoin de modliser de
faon plus prcise lvolution des cours. Black et Scholes ont t les premiers proposer un
modle conduisant une formule explicite pour le prix dun call europen sur une action ne
donnant pas de dividendes et une stratgie de gestion qui, dans le cadre du modle, permet
au vendeur de loption de se couvrir parfaitement, cestdire dliminer totalement le risque.
Le prix du call est, dans le modle de Black-Scholes, la somme dargent dont on doit disposer
initialement pour pouvoir suivre la stratgie de couverture et produire ainsi exactement la ri-
chesse (S
T
K)
+
lchance. De plus, la formule obtenue ne dpend que dun paramtre non
directement observable sur le march et appel volatilit par les praticiens.
Cest le recours la notion dintgrale stochastique pour exprimer les gains et les pertes
dans les stratgies de gestion de portefeuille qui permet dutiliser le calcul stochastique et, en
particulier, la formule dIt, et conduit des expressions calculables. De nombreuses exten-
sions des mthodes de Black et Scholes ont t dveloppes ces dernires annes. Nous nous
efforcerons, partir dune tude approfondie du modle de Black-Scholes sous sa forme la plus
simple, de donner au lecteur les moyens de comprendre ces diverses extensions.
4 Plan du livre
Les deux premiers chapitres sont consacrs ltude des modles discrets. On y voit le lien
entre la notion mathmatique de martingale et la notion conomique darbitrage, la notion de
march complet et l valuation des options dans le cadre des marchs complets. Le formalisme
adopt est celui de Harrison et Pliska [HP81] et nous avons repris lessentiel des rsultats de
[HP81] dans le chapitre 1 en prenant comme exemple le modle de Cox-Ross-Rubinstein. Le
chapitre 2 traite des options amricaines laide de la thorie de larrt optimal temps discret
qui relve de mthodes lmentaires et contient toutes les ides transposer dans le cas continu.
Le chapitre 3 introduit le lecteur aux principales notions de calcul stochastique utilises
dans le modle de Black-Scholes, qui est tudi en dtail au chapitre 4. Ce modle donne, pour
les options europennes, des formules explicites. Mais, pour traiter les options amricaines ou
faire des calculs dans des modles plus sophistiqus, on doit avoir recours des mthodes
numriques fondes sur le lien entre valuation des options et quations aux drives partielles
: ces questions font lobjet du chapitre 5.
Le chapitre 6 est une introduction assez succinte aux principaux modles de taux dintrt
et le chapitre 7 examine les problmes dvaluation et de couverture des options dans le cadre
de modles avec sauts trs simples. Dans ces modles, il ny a plus de couverture parfaite des
options, mais seulement une couverture optimale, en un sens prciser. De tels modles, moins
optimistes que le modle de Black-Scholes, semblent souvent rendre mieux compte de la ralit
des marchs.
Enn, pour permettre aux tudiants dappliquer la thorie de faon plus concrte, nous avons
inclu un chapitre sur la simulation des modles nanciers et lusage quon peut faire de linfor-
matique dans les questions dvaluation et de couverture des options. On trouvera galement,
dans chaque chapitre un certain nombre dexercices ou de problmes.
Ce livre nest quune introduction un domaine qui a dj suscit une abondante littrature.
Les indications bibliographiques donnes la n de certains chapitres suggrent au lecteur des
pistes de lectures complmentaires sur les sujets traits. Mais certains aspects importants des
mathmatiques de la nance ne sont pas abords, notamment les questions doptimisation et les
problmes dquilibre, pour lesquels on pourra se reporter [Duf88].
Nous avons plac quelques rappels mathmatiques en appendice. La lecture de ce livre
suppose de toute faon de bonnes connaissances en probabilits (correspondant essentiellement
aux sept premiers chapitres de [Bou86]).
5 Remerciements
Ce livre est issu dun cours enseign lEcole Nationale des Ponts et Chausses depuis 1988.
La mise en uvre de ce cours naurait pas t possible sans les encouragements de N. Bouleau.
Sous son impulsion, le CERMA (centre de mathmatiques appliques de lE.N.P.C.) stait
engag dans ltude des modles nanciers ds 1987, avec le soutien de la Banque Indosuez,
et, plus rcemment, de la Banque Internationale de Placement. Nous avons bnci, depuis,
de discussions nombreuses et stimulantes avec G. Pags, ainsi quavec dautres chercheurs du
CERMA, en particulier O. Chateau et G. Caplain.
Plusieurs personnes ont bien voulu lire les premires versions de notre travail et nous faire
part de leurs remarques : S. Cohen, O. Faure, C. Philoche, M. Picqu, X. Zhang. Enn, nous
remercions les collgues de luniversit ou de lI.N.R.I.A. qui nous ont aids de leurs conseils
ou de leurs encouragements : N. El Karoui, T. Jeulin, J.F. Le Gall, D. Talay.
Chapitre 1
Modles discrets
Le but de ce chapitre est de prsenter les principales ides de la thorie des options dans le
cadre mathmatiquement trs simple des modles discrets. Nous y reprenons essentiellement la
premire partie de [HP81]. Le modle de Cox-Ross-Rubinstein est prsent en n de chapitre
sous forme de problme corrig, pour illustrer la thorie de faon plus concrte.
1 Le formalisme des modles discrets
1.1 Les actifs nanciers
Un modle de march nancier discret est construit sur un espace probabilis ni (, T, P),
muni dune ltration, cest--dire dune suite croissante de sous-tribus de T : T
0
, T
1
, . . . , T
N
;
T
n
reprsente les informations disponibles linstant n et est appele, tribu des vnements
antrieurs linstant n. Lhorizon Nsera le plus souvent, dans la pratique, la date dchance
des options.
On supposera dans la suite que T
0
= {, }, T
N
= T = T() et P({}) > 0.
On suppose quil y a sur le march d + 1 actifs nanciers, dont les prix linstant n sont
donns par des variables alatoires S
0
n
, S
1
n
, . . . , S
d
n
valeurs strictement positives, mesurables
par rapport la tribu T
n
(les investisseurs ont connaissance des cours actuels et passs, mais pas
des cours futurs). Le vecteur S
n
= (S
0
n
, S
1
n
, . . . , S
d
n
) est le vecteur des prix linstant n. Lactif
numrot 0 reprsente les placements sans risque et on posera S
0
0
= 1. Si le taux dintrt
des placements sans risque sur une priode est constant et gal r on aura S
0
n
= (1 +r)
n
. Le
coefcient
n
= 1/S
0
n
apparat comme le coefcient dactualisation (de la date n la date 0) :
cest la somme dargent qui, investie linstant 0 dans lactif sans risque, permet de disposer
de 1 franc linstant n (si on compte les prix en francs). Les actifs numrots de 1 d seront
appels actifs risques.
1.2 Les stratgies
Une stratgie de gestion est dnie par un processus (simplement une suite dans le cas dis-
cret) alatoire =
__
0
n
,
1
n
, . . . ,
d
n
__
0nN
valeurs dans R
d+1
, donnant chaque instant n
les quantits
0
n
,
1
n
, . . . ,
d
n
des divers actifs, dtenues en portefeuille. On impose au processus
dtre prvisible au sens suivant :
i {0, 1, . . . , d}
_
_
_
i
0
est T
0
-mesurable
et, pour n 1 :
i
n
est T
n1
-mesurable.
La signication de cette hypothse est la suivante : le portefeuille la date n :
_
0
n
,
1
n
, . . . ,
d
n
_
,
est constitu au vu des informations disponibles la date (n1) et conserv tel quel au moment
des cotations la date n.
La valeur du portefeuille linstant n est donne par le produit scalaire :
V
n
() =
n
.S
n
=
d
i=0
i
n
S
i
n
,
la valeur actualise est :
V
n
() =
n
(
n
.S
n
) =
n
.
S
n
,
o
n
= 1/S
0
n
et

S
n
= (1,
n
S
1
n
, . . . ,
n
S
d
n
) est le vecteur des prix actualiss.
On dira quune stratgie est autonance si la relation suivante est ralise pour tout n
{0, 1, . . . , N1} :
n
.S
n
=
n+1
.S
n
.
Cette relation sinterprte de la faon suivante : linstant n, aprs avoir pris connaissance des
cours S
0
n
,. . .,S
d
n
, linvestisseur rajuste son portefeuille pour le faire passer de la composition
n
la composition
n+1
, le rajustement se faisant aux cours de la date n en rinvestissant
la valeur totale du portefeuille et rien de plus. Il ny a donc ni apports, ni retraits de fonds (en
particulier, il ny a pas de consommation).
Remarque 1.1 Lgalit
n
.S
n
=
n+1
.S
n
est videmment quivalente
n+1
.(S
n+1
S
n
) =
n+1
.S
n+1

n
.S
n
,
ou encore
V
n+1
() V
n
() =
n+1
.(S
n+1
S
n
).
A linstant n+1, la valeur du portefeuille est
n+1
.S
n+1
et la diffrence
n+1
.S
n+1
n+1
.S
n
reprsente le gain (net) d la variation des cours entre les instants n et n + 1. Une stratgie
autonance est donc une stratgie pour laquelle les variations de valeur du portefeuille viennent
uniquement des gains ds lagitation des cours.
La proposition suivante permet de prciser cette remarque en termes de quantits actuali-
ses.
Proposition 1.2 Les conditions suivantes sont quivalentes :
i) La stratgie est autonance.
ii) Pour tout n {1, . . . , N},
V
n
() = V
0
() +
n
j=1
j
S
j
,
o S
j
est le vecteur S
j
S
j1
.
iii) Pour tout n {1, . . . , N},
V
n
() = V
0
() +
n
j=1
S
j
,
o
S
j
est le vecteur

S
j

S
j1
=
j
S
j

j1
S
j1
.
Dmonstration : Lquivalence entre i) et ii) rsulte de la remarque 1.1. Lquivalence entre i)
et iii) sobtient en remarquant que
n
.S
n
=
n+1
.S
n
si et seulement si
n
.
S
n
=
n+1
.
S
n
.
Ch.1 MODLES DISCRETS 15
Cette proposition montre que, pour une stratgie autonance, la valeur actualise (et, donc,
la valeur tout court) du portefeuille est compltement dtermine par la richesse initiale et le
processus
_
1
n
, . . . ,
d
n
_
0nN
des quantits dactifs risques dtenues (cela vient simplement
du fait que
S
0
j
= 0). Plus prcisment, on peut noncer la proposition suivante :
Proposition 1.3 Pour tout processus prvisible
__
1
n
, . . . ,
d
n
__
0nN
et pour toute variable
V
0
T
0
-mesurable, il existe un et un seul processus prvisible
_
0
n
_
0nN
tel que la stratgie
=
_
0
,
1
, . . . ,
d
_
soit autonance et de valeur initiale V
0
.
Dmonstration : La condition dautonancement entrane :
V
n
() =
0
n
+
1
n
S
1
n
+ +
d
n
S
d
n
= V
0
+
n
j=1
_
1
j
S
1
j
+ +
d
j
S
d
j
_
Ce qui dtermine
0
n
. La seule chose vrier est la prvisibilit de
0
, qui est immdiate
partir de lgalit :
0
n
= V
0
+
n1
j=1
_
1
j
S
1
j
+ +
d
j
S
d
j
_
+
_
1
n
_
S
1
n1
_
+ +
d
n
_
S
d
n1
__
1.3 Stratgies admissibles et arbitrage
Nous navons pas impos de condition sur les signes des quantits
i
n
. Dire que
0
n
< 0,
signie que lon a emprunt la quantit |
0
n
| sur le march des placements sans risques. Dire
que
i
n
< 0 pour un i 1, cest dire quon a des dettes libelles en actifs risques (par suite
de ventes dcouvert). Les emprunts et les ventes dcouvert sont donc permis, mais nous
imposerons la valeur du portefeuille dtre positive ou nulle tout instant.
Dnition 1.4 Une stratgie est dite admissible si elle est autonance et si V
n
() 0 pour
tout n {0, 1, . . . , N}.
Linvestisseur doit donc tre en mesure de rembourser ses emprunts tout instant.
La notion darbitrage (ralisation dun prot sans prendre de risques) est alors formalise
de la faon suivante :
Dnition 1.5 Une stratgie darbitrage est une stratgie admissible de valeur initiale nulle et
de valeur nale non nulle.
La plupart des modles excluent toute possibilit darbitrage et lobjet de la section suivante est
de donner une caractrisation de ces modles grce la notion de martingale.
2 Martingales et arbitrages
An dexaminer les liens entre martingales et arbitrage, nous allons tout dabord introduire
la notion de martingale sur un espace de probabilit ni. Pour cela, lusage de lesprance
conditionnelle est indispensable et nous renvoyons le lecteur lappendice pour un expos des
principales proprits de cet outil.
2.1 Martingales et transformes de martingales
Dans ce paragraphe, on considre un espace de probabilit ni (, T, P), avec T = T()
et , P({}) > 0, muni dune ltration (T
n
)
0nN
(sans supposer T
N
= T, ni T
0
=
{, }). On dira quune suite (X
n
)
0nN
de variables alatoires est adapte la ltration si pour
tout n, X
n
est T
n
-mesurable.
Dnition 2.1 Une suite adapte (M
n
)
0nN
de variables alatoires relles est :
une martingale si E(M
n+1
|T
n
) = M
n
pour tout n N1.
une surmartingale si E(M
n+1
|T
n
) M
n
pour tout n N1.
une sousmartingale si E(M
n+1
|T
n
) M
n
pour tout n N1.
Ces dnitions stendent aux variables alatoires vectorielles : on dit par exemple quune suite
(M
n
)
0nN
de variables alatoires valeurs dans R
d
est une martingale si chaque composante
du vecteur M
n
dnit une martingale relle.
Dans un modle nancier, dire que le cours (S
i
n
)
0nN
de lactif i est une martingale revient
dire que, tout instant n, la meilleure estimation (au sens des moindres carrs) que lon puisse
faire de S
i
n+1
, partir des informations disponibles la date n, est donne par S
i
n
.
Les proprits suivantes, qui se dduisent aisment de la dnition qui prcde, consti-
tueront pour le lecteur de bons exercices de maniement de lesprance conditionnelle.
1. (M
n
)
0nN
est une martingale si et seulement si :
E(M
n+j
|T
n
) = M
n
j 0
2. Si (M
n
)
n0
est une martingale, on a pour tout n : E(M
n
) = E(M
0
).
3. La somme de deux martingales est une martingale.
4. On a videmment des proprits analogues pour les surmartingales et les sousmartingales.
Dnition 2.2 Une suite adapte (H
n
)
0nN
de variables alatoires est prvisible si, pour tout
n 1, H
n
est T
n1
mesurable.
Proposition 2.3 Soit (M
n
)
0nN
une martingale et soit (H
n
)
0nN
une suite prvisible par
rapport la ltration (T
n
)
0nN
. On pose M
n
= M
n
M
n1
. La suite (X
n
)
0nN
dnie
par :
X
0
= H
0
M
0
X
n
= H
0
M
0
+H
1
M
1
+ +H
n
M
n
pour n 1
est une martingale par rapport (T
n
)
0nN
.
(X
n
) est parfois appele transforme de la martingale (M
n
) par la suite (H
n
). Une cons-
quence de cette proposition et de la proposition 1.2 est que, dans les modles nanciers o les
prix actualiss des actifs sont des martingales, toute stratgie autonance conduit une valeur
nale actualise gale, en moyenne, la richesse initiale.
Dmonstration : Il est clair que (X
n
) est une suite adapte. De plus, pour n 0, on a :
E(X
n+1
X
n
|T
n
)
= E(H
n+1
(M
n+1
M
n
)|T
n
)
= H
n+1
E(M
n+1
M
n
|T
n
) car H
n+1
est T
n
-mesurable
= 0.
Do :
E(X
n+1
|T
n
) = E(X
n
|T
n
) = X
n
ce qui prouve que (X
n
) est une martingale.
La proposition suivante donne une caractrisation des martingales qui nous sera utile par la
suite.
Proposition 2.4 Une suite adapte de variables alatoires relles (M
n
) est une martingale si
et seulement si pour toute suite prvisible (H
n
), on a :
E
_
_
N
n=1
H
n
M
n
_
_
= 0
Dmonstration : Si (M
n
) est une martingale, il en est de mme, par la proposition 2.3, de la
suite (X
n
) dnie par : X
0
= 0 et, pour n 1, X
n
=
N
n=1
H
n
M
n
, pour toute suite prvisible
(H
n
). On a donc E(X
N
) = E(X
0
) = 0. Rciproquement, on remarque que si j {1, . . . , N},
tout vnement T
j
-mesurable A, on peut associer la suite (H
n
) dnie par H
n
= 0 pour n ,= j+
1 et H
j+1
= 1
A
. Il est clair que la suite (H
n
) est prvisible et lgalit E
_
N
n=1
H
n
M
n
_
= 0
donne :
E(1
A
(M
j+1
M
j
)) = 0
et par consquent E(M
j+1
|T
j
) = M
j
.
2.2 Marchs nanciers viables
Nous revenons maintenant aux modles de marchs discrets introduits au paragraphe 1.
Dnition 2.5 On dit que le march est viable sil nexiste pas de stratgie darbitrage.
Thorme 2.6 Le march est viable si, et seulement si, il existe une probabilit P
quivalente
1
P sous laquelle les prix actualiss des actifs sont des martingales.
Dmonstration :
a) Supposons quil existe une probabilit P
quivalente P sous laquelle les actifs ac-

tualiss sont des martingales. Alors, pour toute stratgie autonance (
n
), on a, daprs la
proposition 1.2 :
V
n
() = V
0
() +
n
j=1
j
.
S
j
.
1
Rappellons que deux probabilits P
1
et P
2
sont quivalentes si et seulement si, pour tout vnement A,
P
1
(A) = 0 P
2
(A) = 0. Ici, P
quivalente P signi e simplement que, pour tout , P
({}) > 0.
On en dduit, grce la proposition 2.3, que
_

V
n
()
_
est une martingale sous P
. Donc

V
N
()
a mme esprance sous P
que V
0
() :
E
_

V
N
()
_
= E
_

V
0
()
_
.
Si la stratgie est admissible et de valeur initiale nulle, on a donc E
_

V
N
()
_
= 0, avec
V
N
() 0. Do,

V
N
() = 0 puisque P
({}) > 0, pour tout .

b) La dmonstration de la rciproque est plus dlicate. Soit le cne convexe des variables
alatoires positives et non nulles. Le march est viable si et seulement si pour toute stratgie
admissible on a : V
0
() = 0

V
N
() / .
b1) A tout processus prvisible (
1
n
, . . . ,
d
n
), on associe le processus dni par :
G
n
() =
n
j=1
_
1
j
S
1
j
+ +
d
j
S
d
j
_
.
Cest le processus des gains actualiss cumuls dans toute stratgie autonance suivant les
quantits dactifs risqus
1
n
,. . .,
d
n
. Daprs la proposition 1.3, il existe un (unique) processus
(
0
n
) tel que la stratgie ((
0
n
,
1
n
, . . . ,
d
n
)) soit autonance et de valeur initiale nulle.

G
n
()
est alors la valeur actualise linstant n de cette stratgie et lhypothse de viabilit du march
entrane que si cette valeur est positive tout instant, cest--dire si

G
n
() 0, pour tout
n = 1, . . . , N, alors

G
N
() = 0. Le lemme suivant montre que, mme sans lhypothse de
positivit des

G
n
(), on a encore

G
N
() / .
Lemme 2.7 Si le march est viable, tout processus prvisible (
1
, . . . ,
d
) vrie :
G
N
() / .
Dmonstration : Supposons

G
N
() . On a clairement une contradiction de la viabilit
si

G
n
() 0 pour tout n {0, . . . , N}. Si cette dernire proprit na pas lieu, introduisons
lentier n = sup
_
k|P
_

G
k
() < 0
_
> 0
_
. On a :
n N1, P
_

G
n
() < 0
_
> 0 et m > n

G
m
() 0.
On dnit alors un nouveau processus en posant :
j
() =
_
0 si j n
1
A
()
j
() si j > n
o A est lvnement
_
G
n
() < 0
_
. En utilisant la prvisibilit de et le fait que A est T
n
-
mesurable on voit que est aussi prvisible. Dautre part :
G
j
() =
_
0 si j n
1
A
_

G
j
()

G
n
()
_
si j > n
Alors, on voit que

G
j
() 0 pour tout j {0, . . . , N} et que

G
N
() > 0 sur A ce qui
contredit la viabilit et achve la dmonstration du lemme.
b2) Il est clair que lensemble 1 des variables alatoires de la forme

G
N
(), avec pr-
visible valeurs dans R
d
, est un sous-espace vectoriel de lespace R
de toutes les variables

alatoires relles dnies sur . Daprs le lemme 2.7, le sous-espace 1 ne rencontre pas , ni
le convexe compact K = {X |
X() = 1}, qui est contenu dans . Il en rsulte, par le

thorme de sparation des convexes (voir lappendice), quil existe ( ())
tel que :
1. X K,
()X() > 0
2. Pour tout prvisible :
()

G
N
() () = 0
De la proprit 1, on dduit que () > 0 pour tout , de sorte que la probabilit P
dnie par :
P
({}) =
()
)
est quivalente P.
De plus, si on note E
lesprance par rapport la probabilit P
, la proprit 2 signie que,

pour tout processus prvisible (
n
) valeurs dans R
d
:
E
_
_
N
j=1
S
j
_
_
= 0.
On en dduit immdiatement que pour tout indice i {1, . . . , d} et toute suite prvisible (
i
n
),
valeurs relles, on a :
E
_
_
N
j=1
i
j
S
i
j
_
_
= 0,
ce qui entrane, grce la proposition 2.4 que, sous P
, les prix actualiss (
S
1
n
), . . . , (
S
d
n
) sont
des martingales.
3 Marchs complets et valuation des options
3.1 Marchs complets
Nous dnirons une option
2
europenne dchance N par la donne dune variable ala-
toire h 0, T
N
-mesurable, reprsentant le prot que permet lexercice de loption. Ainsi,
pour une option dachat ou call sur une unit dactif 1, au prix dexercice K, on a :
h =
_
S
1
N
K
_
+
et, pour une option de vente ou put sur une unit dactif 1 au prix dexercice
K : h =
_
K S
1
N
_
+
. Dans ces deux exemples (les plus importants dans la pratique), la variable
alatoire h est une fonction de S
N
seulement. Il existe des options pour lesquelles h dpend de
toutes les valeurs des cours jusqu lchance : S
0
, S
1
,. . ., S
N
. Cest le cas des options dites
asiatiques, dont le prix dexercice est gal la moyenne des cours observs sur une priode
donne, prcdant lchance.
Dnition 3.1 On dit que lactif conditionnel dni par h est simulable (ou atteignable
3
) sil
existe une stratgie admissible dont la valeur linstant N est gale h.
2
ou plus gnralement un bien contingent(contingent claim) ou actif conditionnel.
3
attainabledans certains articles amricains.
Remarque 3.2 Dans un march viable, pour que loption h soit simulable, il suft quil existe
une stratgie autonance de valeur gale h linstant N. En effet, si est une stratgie
autonance et si P
est une probabilit quivalente P sous laquelle les prix actualiss sont des
martingales, alors, sous P
,
_

V
n
()
_
est une martingale (en tant que transforme de martingale).
On a donc, pour n {0, . . . , N}

V
n
() = E
_

V
N
()|T
n
_
. Il est clair alors que, si

V
N
() 0
(en particulier si V
N
() = h), la stratgie est admissible.
Dnition 3.3 On dit que le march est complet si tout actif conditionnel est simulable.
Supposer quun march nancier est complet est une hypothse restrictive dont la justica-
tion conomique est moins claire que celle de lhypothse de viabilit. Lintrt des marchs
complets est quils se prtent une thorie trs simple de lvaluation et de la couverture des
actifs conditionnels. Le modle de Cox-Ross-Rubinstein, que nous tudierons plus loin, fournit
un exemple de modle de march complet dune grande simplicit. Le thorme suivant donne
une caractrisation des marchs viables et complets.
Thorme 3.4 Un march viable est complet si, et seulement si, il existe une seule probabilit
P
quivalente P sous laquelle les prix actualiss des actifs soient des martingales.
La probabilit P
apparatra dans la suite comme loutil de calcul des formules de prix et de

couverture.
Dmonstration :
a) Supposons le march viable et complet. Alors, toute variable alatoire h T
N
-mesurable
et positive peut scrire h = V
N
() o est une stratgie admissible, qui simule lactif condi-
tionnel h. Puisque est une stratgie autonance on a :
h
S
0
N
=

V
N
() = V
0
() +
N
j=1
j
.
S
j
.
Alors, si P
1
et P
2
sont deux probabilits sous lesquelles les prix actualiss sont des martingales,
_

V
n
()
_
0nN
est une martingale la fois sous P
1
et sous P
2
. Do pour i = 1 ou 2 :
E
i
_

V
N
()
_
= E
i
(V
0
()) = V
0
() ,
la dernire galit venant du fait que T
0
= {, }. On a donc :
E
1
_
h
S
0
N
_
= E
2
_
h
S
0
N
_
et, comme h est arbitraire, P
1
= P
2
sur la tribu T
N
, que lon a suppose gale T.
b) Supposons le march viable et non complet. Alors il existe une variable alatoire h 0
non simulable. Notons

1 lespace des variables alatoires de la forme :
U
0
+
N
n=1
n
.
S
n
, (1.1)
avec U
0
T
0
-mesurable et
__
1
n
, . . . ,
d
n
__
0nN
prvisible, valeurs dans R
d
. Il rsulte de la
proposition 1.3 et de la remarque 3.2 que la variable alatoire h/S
0
n
nappartient pas

1.

1
est donc un sous-espace strict de lespace de toutes les variables alatoires dnies sur (, T).
Alors, si P
est une probabilit quivalente P sous laquelle les prix actualiss sont des martin-
gales et si lon munit lespace des variables alatoires du produit scalaire (X, Y) E
(XY), on
voit quil existe une variable alatoire X non nulle et orthogonale au sous-espace

1.
Posons alors :
P
({}) =
_
1 +
X()
2|X|
_
P
({})
o |X|
= sup
|X()|. On dnit ainsi une probabilit (car E
(X) = 0) qui est quivalente

P, et distincte de P
. On a de plus
E
_
_
N
n=1
n
.
S
n
_
_
= 0
pour tout processus prvisible
__
1
n
, . . . ,
d
n
__
0nN
, ce qui entrane, par la proposition 2.4,
que (
S
n
)
0nN
est une P
-martingale.
3.2 Evaluation et couverture des actifs conditionnels dans les marchs
complets
On suppose le march viable et complet et on note P
lunique probabilit sous laquelle

les prix actualiss des actifs sont des martingales. Soit un actif conditionnel dni par une
variable alatoire T
N
-mesurable h 0 et soit une stratgie admissible simulant h, cest--
dire vriant :
V
N
() = h.
La suite
_

V
n
_
0nN
et par consquent, V
0
() = E
_

V
N
()
_
, do
V
0
() = E
_
h
S
0
N
_
et plus gnralement
V
n
() = S
0
n
E
_
h
S
0
N
|T
n
_
, n = 0, 1, . . . , N.
La valeur tout instant de toute stratgie admissible simulant h est donc compltement dter-
mine par h. Il est naturel dappeler V
n
() la valeur de loption : cest la richesse qui, dtenue
linstant n, permet, en suivant la stratgie partir de linstant n, de produire exactement la
richesse h linstant N.
Si, linstant 0, un investisseur vend loption au prix
E
_
h
S
0
N
_
,
il a la possibilit, en suivant une stratgie simulante , de restituer la richesse promise h
linstant N; cest dire quil peut se couvrir parfaitement.
Remarque 3.5 Il est important de noter que le calcul du prix ncessite seulement la connais-
sance de P
(pas celle de P). On aurait pu se contenter de partir de lespace probabilisable

(, T), muni de la ltration (T
n
), cest--dire, concrtement, de dnir tous les tats possibles
et lvolution de linformation disponible au cours du temps. Ds que lespace (, T) et la
ltration sont spcis, il est inutile, pour valuer des options par simulation, de dterminer
les vraies probabilits des divers tats possibles (en utilisant notamment une approche sta-
tistique). Ltude du modle de Cox-Ross-Rubinstein montrera comment, dans la pratique, les
calculs de prix et de couverture peuvent tre mens bien.
3.3 Premire approche des options amricaines
Une option amricaine pouvant tre exerce nimporte quel instant entre 0 et N, nous la
dnirons comme une suite (Z
n
) positive et adapte la ltration (T
n
), Z
n
reprsentant le
prot que permet lexercice de loption linstant n. Dans le cas dun call amricain sur une
unit dactif 1 au prix dexercice K, Z
n
=
_
S
1
n
K
_
+
; dans le cas dun put amricain, Z
n
=
_
K S
1
n
_
+
. Pour dnir la valeur de loption amricaine associe au processus (Z
n
)
0nN
,
nous allons raisonner par rcurrence en marche arrire partir de lchance N. Il est clair que
la valeur de loption linstant N est U
N
= Z
N
. A quel prix vendre loption linstant N1 ?
Si lacheteur exerce immdiatement, il fera le prot Z
N1
, sinon il exercera (ventuellement)
linstant N et le vendeur doit tre prt payer la richesse Z
N
linstant N. Le vendeur doit
donc encaisser linstant N1 une somme au moins gale Z
N1
et lui permettant de fournir
la richesse Z
N
linstant N. La somme qui, disponible linstant N 1, permet dobtenir la
richesse Z
N
linstant N, cest la valeur linstant N 1 dune stratgie admissible de valeur
nale Z
N
, cest--dire S
0
N1
E
_

Z
N
|T
N1
_
, avec

Z
N
= Z
N
/S
0
N
. Il est donc naturel de prendre
pour valeur de loption amricaine linstant N1 la quantit :
U
N1
= max
_
Z
N1
, S
0
N1
E
_

Z
N
T
N1
__
.
De proche en proche, on dnit la valeur de loption amricaine linstant n par la relation
de rcurrence suivante, valable pour n = 1, . . . , N :
U
n1
= max
_
Z
n1
, S
0
n1
E
_
U
n
S
0
n
T
n1
__
.
Dans le cas dun taux dintrt constant gal r sur chaque priode,
S
0
n
= (1 +r)
n
et :
U
n1
= max
_
Z
n1
,
1
1 + r
E
(U
n
|T
n1
)
_
.
Soit

U
n
=
Un
S
0
n
la valeur actualise de loption amricaine.
Proposition 3.6 La suite
_
U
n
_
0nN
est une P
-surmartingale. Cest la plus petite P
-
surmartingale majorant la suite
_
Z
n
_
0nN
.
Noter que, contrairement au cas europen, la valeur actualise de loption amricaine ne dnit
pas ncessairement une martingale sous P
.
Dmonstration : De la relation :
U
n1
= max
_
Z
n1
, E
_

U
n
|T
n1
__
,
on dduit que (

U
n
)
0nN
est une surmartingale majorant (

Z
n
)
0nN
. Soit maintenant une sur-
martingale (
T
n
)
0nN
majorant (

Z
n
)
0nN
. Alors

T
N

U
N
et si

T
n

U
n
on a :
T
n1
E
T
n
|T
n1
_
E
U
n
|T
n1
_
et donc :
T
n1
max
_

Z
n1
, E
U
n
|T
n1
__
=

U
n1
.
Ce qui dmontre que (T
n
) majore (

U
n
), par rcurrence descendante sur n.
4 Problme corrig : le modle de Cox, Ross et Rubinstein
Le modle de Cox-Ross-Rubinstein est une version discrtise du modle de Black-Scholes
(qui sera tudi au chapitre 4), dans laquelle il y a un seul actif risque, de prix S
n
linstant n,
0 n N, et un actif sans risque de rendement certain r sur une priode, de sorte que, avec
les notations des paragraphes prcdents : S
0
n
= (1 +r)
n
On fait les hypothses suivantes sur lvolution du cours de lactif risqu : entre deux p-
riodes conscutives, la variation relative des cours est soit a, soit b, avec 1 < a < b :
S
n+1
=
_
S
n
(1 +a)
S
n
(1 +b)
Le cours initial S
0
est donn. Lespace naturel des rsultats possibles est donc = {1 +a, 1 +
b}
N
, chaque N-uple reprsentant les valeurs successives de S
n+1
/S
n
, n = 0, 1, . . . , N 1. On
prend naturellement : T
0
= {, }, et T = T(). La tribu T
n
sera, pour n = 1, . . . , N, la tribu
(S
1
, . . . , S
n
) engendre par les variables alatoires S
1
,. . .,S
n
. Lhypothse dnissant P une
quivalence prs est que tous les singletons de ont une probabilit non nulle.
Introduisons les variables alatoires T
n
= S
n
/S
n1
, pour n = 1, . . . , N. Si (x
1
, . . . , x
N
)
est un lment de , on a P{(x
1
, . . . , x
N
)} = P(T
1
= x
1
, . . . , T
N
= x
N
). La connaissance de
P quivaut donc celle de la loi du N-uple (T
1
, T
2
, . . . , T
N
). Notons aussi que, pour n 1,
T
n
= (T
1
, . . . , T
n
).
1. Montrer que le prix actualis (
S
n
) est une martingale sous P si et seulement si
E(T
n+1
|T
n
) = 1 +r, n {0, 1, . . . , N 1}.
La relation E(
S
n+1
|F
n
) =

S
n
est quivalente E(
S
n+1
/
S
n
|F
n
) = 1, puisque

S
n
est F
n
-
mesurable et cette dernire galit quivaut E(T
n+1
|F
n
) = 1 +r.
2. En dduire que, pour que le march soit viable, il est ncessaire que r appartienne
lintervalle ]a, b[.
Si le march est viable, il existe une probabilit P
quivalente P, sous laquelle (
S
n
) est une
martingale. On a donc, daprs la question 1 :
E
(T
n+1
|F
n
) = 1 +r
et par consquent E
(T
n+1
) = 1 + r. Comme T
n+1
est valeurs dans {1 +a, 1 +b} et prend ces
deux valeurs avec une probabilit non nulle, on a ncessairement : (1 +r) ]1 +a, 1 +b[.
3. Donner des exemples darbitrages possibles si la condition ncessaire de viabilit obtenue
en 2 nest pas vrie.
Supposons par exemple r a. En empruntant une somme S
0
linstant 0, on peut acheter une
unit dactif risqu. A la date N, on rembourse lemprunt et on revend lactif risqu. Le pro t
ralis S
N
S
0
(1 + r)
N
est toujours positif ou nul, puisque S
N
S
0
(1 + a)
N
, et strictement
positif avec une probabilit non nulle. On a donc bien un arbitrage. Quand r b, larbitrage
sobtient en vendant lactif risqu dcouvert.
4. Pour toute la suite, on suppose que r ]a, b[ et on pose p = (b r)/(b a). Montrer
que (
S
n
) est une martingale sous P si et seulement et si les variables alatoires T
1
, T
2
,
. . ., T
N
sont indpendantes quidistribues, leur loi commune tant donne par : P(T
1
=
1 +a) = p = 1 P(T
1
= 1 + b). En dduire que le march est viable et complet.
Si les T
i
sont indpendantes et vri ent P(T
i
= 1 +a) = p = 1 P(T
i
= 1 +b), on a :
E(T
n+1
|F
n
) = E(T
n+1
) = p(1 +a) + (1 p)(1 +b) = 1 +r
et (
S
n
) est une martingale sous P, daprs la question 1.
Rciproquement, si, pour n = 0, 1, . . . , N1, E(T
n+1
|F
n
) = 1 +r, on peut crire :
(1 +a)E
_
1
{T
n+1
=1+a}
|F
n
_
+ (1 +b)E
_
1
{T
n+1
=1+b}
|F
n
_
= 1 +r
On en dduit, en utilisant lgalit
E
_
1
{T
n+1
=1+a}
|F
n
_
+E
_
1
{T
n+1
=1+b}
|F
n
_
= 1
que E
_
1
{T
n+1
=1+a}
|F
n
_
= p et E
_
1
{T
n+1
=1+b}
|F
n
_
= 1 p.On voit alors, en raisonnant par
rcurrence sur n que, pour tous x
i
{1 +a, 1 +b},
P(T
1
= x
1
, . . . , T
n
= x
n
) =
n
i=1
p
i
o p
i
= p si x
i
= 1 +a et p
i
= 1 p si x
i
= 1 +b, ce qui prouve que les T
i
sont indpendantes
quidistribues sous P et vri ent P(T
i
= 1 +a) = p.
Ainsi, on voit que la condition que (
S
n
) soit une martingale sous P dtermine la loi du N-uple
(T
1
, T
2
, . . . , T
N
) sous P, et donc la probabilit P elle-mme, de faon unique. Le march est donc
viable et complet.
5. On note C
n
(resp. P
n
) la valeur, linstant n, dun call (resp. dun put) europen sur une
unit dactif risqu au prix dexercice K et dchance N.
(a) Retrouver, partir des formules de prix sous forme desprances conditionnelles, la
relation de parit call-put :
C
n
P
n
= S
n
K(1 + r)
(Nn)
.
Notant E
lesprance par rapport lunique probabilit P
sous laquelle (
S
n
) est une mar-
tingale, on a :
C
n
P
n
= (1 +r)
(Nn)
E
((S
N
K)
+
(K S
N
)
+
|F
n
)
= (1 +r)
(Nn)
E
(S
N
K|F
n
)
= S
n
K(1 +r)
(Nn)
,
la dernire galit rsultant du fait que (
S
n
) est une martingale sous P
.
(b) Montrer que C
n
peut scrire sous la forme : C
n
= c(n, S
n
), o c est une fonction
que lon explicitera laide de K, a, b, r et p.
En crivant S
N
= S
n
N
i=n+1
T
i
, on obtient :
C
n
= (1 +r)
(Nn)
E
_
_
_
_
S
n
N
i=n+1
T
i
K
_
_
+
F
n
_
_
Comme, sous la probabilit P
, la variable alatoire
N
i=n+1
T
i
est indpendante de F
n
et
que S
n
est F
n
-mesurable, on peut crire, en utilisant la proposition 2.5 de lappendice :
C
n
= c(n, S
n
), o c est la fonction d nie par :
c(n, x)
(1 +r)
(Nn)
= E
_
_
x
N
i=n+1
T
i
K
_
_
+
=
Nn
j=0
(Nn)!
(Nn j)!j!
p
j
(1 p)
Nnj
_
x(1 +a)
j
(1 +b)
Nnj
K
_
+
6. Montrer que la stratgie de couverture parfaite dun call est dnie par une quantit dactif
risqu H
n
= (n, S
n1
) dtenir linstant n, o est une fonction que lon exprimera
partir de la fonction c.
Notant H
0
n
la quantit dactif sans risque dans le portefeuille simulant le call, on a :
H
0
n
(1 +r)
n
+H
n
S
n
= c(n, S
n
)
Puisque H
0
n
et H
n
sont F
n1
-mesurables, ce sont des fonctions de S
1
, . . .,S
n1
seulement et, S
n
tant gal S
n1
(1 +a) ou S
n1
(1 +b), lgalit ci-dessus implique :
H
0
n
(1 +r)
n
+H
n
S
n1
(1 +a) = c(n, S
n1
(1 +a))
et
H
0
n
(1 +r)
n
+H
n
S
n1
(1 +b) = c(n, S
n1
(1 +b))
Do, par soustraction,
(n, x) =
c(n, x(1 +b)) c(n, x(1 +a))
x(b a)
.
7. On utilise maintenant le modle pour pricer un call ou un put dchance T sur une
action. Pour cela, on fait tendre N vers linni en imposant les relations suivantes :
r = RT/N, log((1 + a)/(1 + r)) = /
N et log((1 + b)/(1 + r)) = /
N. Le
rel R sinterprte comme le taux dintrt instantan entre les instants 0 et T, puisque
e
RT
= lim
N
(1 +r)
N
, et
2
comme la variance limite, sous la probabilit P
, de la va-
riable alatoire log(S
N
), quand N tend vers linni, S
N
reprsentant le cours de laction
la date T.
(a) Montrer que si (Y
N
)
N1
est une suite de variables alatoires de la forme :
Y
N
= X
N
1
+ X
N
2
+ . . . +X
N
N
o, pour chaque N, les variables alatoires X
N
i
sont indpendantes quidistribues,
valeurs dans :
{

N
,

N
},
et de moyenne
N
, avec lim
N
(N
N
) = , alors la suite (Y
N
) converge en loi
vers une gaussienne de moyenne et de variance
2
.
Il suf t dtudier la convergence de la fonction caractristique
Y
N
de Y
N
. Le calcul donne :
Y
N
(u) = E
_
e
iuY
N
_
=
N
j=1
E
_
e
iuX
N
j
_
=
_
E
_
e
iuX
N
1
__
N
=
_
1 +iu
N

2
u
2
2N
+o(1/N)
_
N
.
Do : lim
N
Y
N
(u) = exp
_
iu

2
u
2
2
_
, ce qui prouve la convergence demande.
(b) Expliciter les valeurs limites du put, puis du call linstant 0.
Pour N x, le prix du put l instant 0 est donn par :
P
(N)
0
= (1 +RT/N)
N
E
_
_
K S
0
N
n=1
T
n
_
_
+
= E
_
(1 +RT/N)
N
K S
0
e
Y
N
)
_
+
o Y
N
=
N
n=1
log(T
n
/(1 + r)). Avec les hypothses de lnonc, les variables alatoires
X
N
j
= log(T
j
/(1 + r)) sont valeurs dans {/
N, /
N}, et indpendantes quidistri-

bues sous la probabilit P
. On a de plus :
E
(X
N
j
) = (1 2p)

N
=
2 e
/
N
e
/
N
e
/
N
e
/
N
La suite (Y
N
) est donc du type tudi dans la question 7a, avec =
2
/2. Si on pose
(y) = (Ke
RT
S
0
e
y
)
+
, on peut crire :
|P
(N)
0
E
((Y
N
)) |
=
_
_
(1 +RT/N)
N
K S
0
e
Y
N
)
_
+
_
Ke
RT
S
0
e
Y
N
_
+
_
(1 +RT/N)
N
e
RT
Do, en utilisant la convergence en loi de (Y

N
) et le fait que la fonction est continue bor-
ne (cest prcisment pour avoir une fonction borne que nous avons tudi le put dabord) :
lim
N
P
(N)
0
= lim
N
E
((Y
N
)) =
1
(Ke
RT
S
0
e
2
/2+y
)
+
e
y
2
/2
dy.
Lintgrale obtenue sexprime, aprs un calcul lmentaire, laide de la fonction de rpar-
tition F de la loi normale centre rduite, de sorte que :
lim
N
P
(N)
0
= Ke
RT
F(d
2
) S
0
F(d
1
),
o d
1
= (log(x/K) +RT +
2
/2)/, d
2
= d
1
et
F(d) =
1
e
x
2
/2
dx.
Pour le call, on obtient, en utilisant la relation de parit put-call : lim
N
C
(N)
0
= S
0
F(d
1
)
Ke
RT
F(d
2
).
Remarque 4.1 Dans les formules obtenues, le seul paramtre qui nest pas directement obser-
vable sur le march est . Linterprtation de comme variance suggre de lestimer par des
voies statistiques. Nous reviendrons sur cette question dans le chapitre 4.
Indications bibliographiques Nous avons suppos, dans ce chapitre, quil ny avait pas de
distribution de dividendes. En fait, on peut utiliser les mmes ides pour traiter les marchs
avec dividendes (cf. [HL88], chapitre 8). Le thorme de caractrisation des marchs complets
peut tre tendu des espaces de probabilit innis (cf. [DMW90], [Mor89]). A temps continu,
la formulation du problme est dlicate (cf. [HK79], [Str90] et [DS94]). La thorie des marchs
complets temps continu est dveloppe dans [HP81] et [HP83]. On trouvera une prsentation
lmentaire du modle de Cox-Ross-Rubinstein dans [CR85].
Chapitre 2
Problme darrt optimal et options amricaines
Le but de ce chapitre est de traiter lvaluation et la couverture des options amricaines et
de faire apparatre le lien entre ces questions et le problme darrt optimal. Pour cela, nous
aurons besoin de la notion de temps darrt, qui permet de modliser les stratgies dexercice
dune option amricaine, et de la notion denveloppe de Snell, qui est la cl de la rsolution du
problme darrt optimal. Lapplication de ces notions aux options amricaines sera prcise
dans le paragraphe 5 de ce chapitre.
1 Notion de temps darrt
Le dtenteur dune option amricaine peut lexercer tout moment, jusqu la date
dchance. La dcision dexercer ou de ne pas exercer linstant n se fera au vu des infor-
mations disponibles linstant n. Si on se place dans un modle discret construit sur un espace
probabilis ltr
_
, T, (T
n
)
0nN
, P
_
ni, on est conduit dcrire la date dexercice par une
variable alatoire appele temps darrt :
Dnition 1.1 Une variable alatoire , valeurs dans {0, 1, 2, . . . , N} est un temps darrt si,
pour tout n {0, 1, , N} :
{ = n} T
n
.
Remarque 1.2 Comme dans le chapitre prcdent, nous supposerons que T = T() et
P({}) > 0, . Cette hypothse nest dailleurs pas essentielle : si elle nest pas v-
rie, les rsultats exposs dans ce chapitre restent vrais condition de prendre les galits au
sens presque sr. Par contre, nous ne ferons pas les hypothses T
0
= {, } et T
N
= T, sauf
dans le contexte purement nancier du paragraphe 5.
Remarque 1.3 On pourra vrier, titre dexercice, que est un temps darrt si et seulement
si, pour tout n {0, 1, , N} :
{ n} T
n
.
Cette dnition quivalente du temps darrt est celle qui se gnralise au temps continu.
Introduisons maintenant la notion de suite arrte un temps darrt. Soit (X
n
)
0nN
une
suite adapte la ltration (T
n
)
0nN
et soit un temps darrt. La suite arrte linstant
est dnie par :
X
n
() = X
()n
()
cest dire que, sur lensemble { = j} on a :
X
n
=
_
X
j
si j n
X
n
si j > n.
Noter que X
N
() = X
()
() (= X
j
sur { = j}).
Proposition 1.4 Soit (X
n
) une suite adapte et soit un temps darrt. La suite arrte
(X
n
)
0nN
est adapte. Si, de plus, (X
n
) est une martingale (resp. une surmartingale), alors
(X
n
) est une martingale (resp. une surmartingale).
Dmonstration : On remarque que, pour n 1, on a :
X
n
= X
0
+
n
j=1
j
(X
j
X
j1
) ,
o
j
= 1
{j }
. Puisque {j } est le complmentaire de lensemble { < j} = { j 1},
le processus (
n
)
0nN
est prvisible.
Il est clair alors que (X
n
)
0nN
est adapte la ltration (T
n
)
0nN
. De plus, si (X
n
)
est une martingale, (X
n
) est aussi une martingale par rapport (T
n
), en tant que transforme
de la martingale (X
n
). On montre de mme que si la suite (X
n
) est une surmartingale (resp.
une sousmartingale), la suite arrte est encore une surmartingale (resp. une sousmartingale) en
utilisant la prvisibilit et la positivit de (
j
)
0jN
.
2 Enveloppe de Snell
Dans ce paragraphe, on se donne une suite (Z
n
)
0nN
adapte, et on se propose dtudier
la suite (U
n
)
0nN
dnie par les relations :
_
U
N
= Z
N
U
n
= max (Z
n
, E(U
n+1
|T
n
)) n N1.
Cette tude est motive par notre premire approche des options amricaines (paragraphe 3.3
du chapitre 1). Nous savons dj, par la proposition 3.6 du chapitre 1, que (U
n
)
0nN
est la
plus petite surmartingale majorant la suite (Z
n
)
0nN
. On lappelle enveloppe de Snell de la
suite (Z
n
)
0nN
.
La relation de rcurrence dnissant (U
n
) montre qu chaque instant, U
n
est au dessus de
Z
n
(avec galit pour n = N) et que, tant que lingalit est stricte, U
n
= E(U
n+1
|T
n
). Cela
suggre quen arrtant convenablement la suite (U
n
), on puisse obtenir une martingale, comme
le montre la proposition suivante.
Proposition 2.1 La variable alatoire dnie par :
0
= inf {n 0|U
n
= Z
n
}
est un temps darrt et la suite arrte (U
n
0
)
0nN
est une martingale.
Dmonstration : Puisque U
N
= Z
N
,
0
dnit bien un lment de {0, 1, , N} et lon a :
{
0
= 0} = {U
0
= Z
0
} T
0
,
et pour k 1 :
{
0
= k} = {U
0
> Z
0
} {U
k1
> Z
k1
} {U
k
= Z
k
} T
k
.
Pour montrer que (U
0
n
) est une martingale, on crit, comme dans la dmonstration de la
proposition 1.4 :
U
0
n
= U
n
0
= U
0
+
n
j=1
j
U
j
Ch.2 PROBLME DARRT OPTIMAL ET OPTIONS AMRICAINES 29
o
j
= 1
{
0
j}
. Do, pour n {0, 1, , N1} :
U
0
n+1
U
0
n
=
n+1
(U
n+1
U
n
)
= 1
{n +1
0
}
(U
n+1
U
n
)
On a, par dnition, U
n
= max (Z
n
, E(U
n+1
|T
n
)) et sur lensemble {n + 1
0
}, U
n
> Z
n
et par consquent U
n
= E(U
n+1
|T
n
). Do :
U
0
n+1
U
0
n
= 1
{n + 1
0
}
(U
n+1
E(U
n+1
|T
n
))
et, en conditionnant :
E
__
U
0
n+1
U
0
n
_
|T
n
_
= 1
{n +1
0
}
E ((U
n+1
E(U
n+1
|T
n
))| T
n
)
car {n +1
0
} T
n
(puisque le complmentaire de {n + 1
0
} est {
0
n}.
Do :
E
__
U
0
n+1
U
0
n
_
|T
n
_
, = 0
ce qui prouve que U
0
est une martingale.
Dans la suite, nous noterons T
n,N
lensemble des temps darrt qui prennent leurs valeurs dans
{n, n +1, , N}. Remarquons que, puisque est suppos ni, T
n,N
est un ensemble ni. La
proprit de martingale de la suite U
0
permet de montrer le rsultat suivant, qui fait le lien
entre enveloppe de Snell et problme darrt optimal.
Corollaire 2.2 Le temps darrt
0
vrie :
U
0
= E(Z
0
|T
0
) = sup
T
0,N
E(Z
|T
0
) .
Si Z
n
sinterprte comme la somme des gains dun joueur aprs n parties dun jeu de hasard,
on voit que sarrter de jouer linstant
0
permet de maximiser le gain moyen sachant T
0
.
Dmonstration : Puisque U
0
est une martingale, on a :
U
0
= U
0
0
= E(U
0
N
|T
0
) = E(U
0
|T
0
) = E(Z
0
|T
0
) .
Par ailleurs, si T
0,N
la suite arrte U
est une surmartingale. Do :

U
0
E(U
N
|T
0
) = E(U
|T
0
)
E(Z
|T
0
) ,
ce qui donne le rsultat.
Remarque 2.3 Une gnralisation immdiate du corollaire 2.2 donne :
U
n
= sup
T
n,N
E(Z
|T
n
)
= E(Z
n
|T
n
) ,
o
n
= inf {j n|U
j
= Z
j
}.
Dnition 2.4 On appelle temps darrt optimal pour la suite (Z
n
)
0nN
tout temps darrt
tel que :
E(Z
|T
0
) = sup
T
0,N
E(Z
|T
0
)
Il rsulte de ce qui prcde que
0
est un temps darrt optimal. Le rsultat suivant donne une
caractrisation des temps darrt optimaux qui montre que
0
est le plus petit temps darrt
optimal.
Thorme 2.5 Un temps darrt est optimal si et seulement si :
_
Z
= U
et (U
n
)
0nN
est une martingale.
(2.1)
Dmonstration : Si la suite arrte U
est une martingale, on a U

0
= E(U
|T
0
) et par cons-
quent, si (2.1) est vri, U
0
= E(Z
|T
0
), ce qui, compte tenu du corollaire 2.2, entrane
loptimalit de .
Rciproquement, si est optimal, on a :
U
0
= E(Z
|T
0
) E(U
|T
0
) .
Mais, puisque U
est une surmartingale :

E(U
|T
0
) U
0
.
Do :
E(U
|T
0
) = E(Z
|T
0
)
et puisque U
, U
= Z
.
De lgalit E(U
|T
0
) = U
0
et des ingalits :
U
0
E(U
n
|T
0
) E(U
|T
0
)
(qui rsultent du fait que (U
n
) est une surmartingale) on dduit aussi :
E(U
n
|T
0
) = E(U
|T
0
) = E(E(U
| T
n
)| T
0
) .
Mais on a U
n
E(U
| T
n
), do U
n
= E(U
| T
n
), ce qui prouve que (U
n
) est une
martingale.
3 Dcomposition des surmartingales
La dcomposition suivante (classiquement appele dcomposition de Doob) permet, dans
les modles de marchs viables et complets, dassocier toute surmartingale une stratgie de
gestion dans laquelle la consommation est autorise (voir ce sujet lexercice 5).
Proposition 3.1 Toute surmartingale (U
n
)
0nN
peut scrire de faon unique sous la forme :
U
n
= M
n
A
n
o (M
n
) est une martingale et (A
n
) un processus croissant, prvisible, nul en 0.
Dmonstration : Il est clair que le seul choix possible pour n = 0 est M
0
= U
0
et A
0
= 0.
On doit ensuite avoir :
U
n+1
U
n
= M
n+1
M
n
(A
n+1
A
n
) .
Do, en conditionnant par rapport T
n
et en utilisant les proprits de M et A :
(A
n+1
A
n
) = E(U
n+1
|T
n
) U
n
et
M
n+1
M
n
= U
n+1
E(U
n+1
|T
n
) .
(M
n
) et (A
n
) sont ainsi dtermins de manire unique et on voit que (M
n
) est bien une mar-
tingale et que (A
n
) est bien prvisible et croissant (parce que (U
n
) est une surmartingale).
Supposons maintenant que (U
n
) soit lenveloppe de Snell dune suite adapte (Z
n
). On peut
alors caractriser le plus grand temps darrt optimal pour (Z
n
) laide du processus croissant
(A
n
) intervenant dans la dcomposition de Doob de (U
n
) :
Proposition 3.2 Le plus grand temps darrt optimal pour (Z
n
) est donn par :
max
=
_
N si A
N
= 0
inf {n, A
n+1
,= 0} si A
N
,= 0.
Dmonstration : On voit facilement que
max
est un temps darrt en utilisant le fait que
(A
n
)
0nN
est prvisible. De lgalit U
n
= M
n
A
n
et du fait que A
j
= 0, pour j
max
, on
dduit que U
max
= M
max
ce qui entrane que U
max
est une martingale. Pour avoir loptimalit, il
suft par consquent de montrer lgalit :
U
max
= Z
max
.
Or :
U
max
=
N1
j=0
1
{
max
= j}
U
j
+ 1
{
max
= N}
U
N
=
N1
j=0
1
{
max
= j}
max (Z
j
, E(U
j+1
|T
j
)) + 1
{
max
= N}
Z
N
,
On a E(U
j+1
|T
j
) = M
j
A
j+1
et, sur lensemble {
max
= j}, A
j
= 0 et A
j+1
> 0, donc
U
j
= M
j
et E(U
j+1
|T
j
) = M
j
A
j+1
< U
j
. Par suite U
j
= max (Z
j
, E(U
j+1
|T
j
)) = Z
j
. Do
nalement :
U
max
= Z
max
.
Il reste dmontrer que cest le plus grand temps darrt optimal. Cela rsulte du fait que si
est un temps darrt vriant
max
et P( >
max
) > 0, alors
E(U
) = E(M
) E(A
) = E(U
0
) E(A
) < E(U
0
)
et par consquent U
ne peut pas tre une martingale.

4 Enveloppe de Snell et chanes de Markov
Le but de ce paragraphe est de montrer comment, dans un cadre markovien, les calculs
denveloppes de Snell peuvent tre mens bien. Une suite (X
n
)
n0
de variables alatoires
valeurs dans un ensemble ni E est appele chane de Markov si, pour tout entier n 1 et pour
tous lments x
0
, x
1
,. . ., x
n1
, x, y de E, on a :
P(X
n+1
= y|X
0
= x
0
, . . . , X
n1
= x
n1
, X
n
= x) = P(X
n+1
= y|X
n
= x)
La chane est dite homogne si le nombre P(x, y) = P(X
n+1
= y|X
n
= x) ne dpend pas de n.
La matrice P = (P(x, y))
(x,y)EE
, indexe par E E, est alors appele matrice de transition
de la chane. La matrice P a des coefcients positifs ou nuls et vrie :

yE
P(x, y) = 1,
pour tout x E; on dit que cest une matrice stochastique. Lorsquon travaille sur un espace de
probabilit ltr
_
, T, (T
n
)
0nN
, P
_
, on dnit la notion de chane de Markov par rapport
la ltration :
Dnition 4.1 Une suite (X
n
)
0nN
de variables alatoires valeurs dans ensemble E est une
chane de Markov homogne de matrice de transition P par rapport la ltration (T
n
)
0nN
si (X
n
) est adapte et si pour toute fonction f de E dans R, on a :
E(f (X
n+1
) |T
n
) = Pf (X
n
)
o Pf dsigne la fonction qui x E associe Pf(x) =
yE
P(x, y)f(y).
Noter que si lon interprte les fonctions de E dans R comme des matrices unicolonnes indexes
par E, Pf est bien le produit des deux matrices P et f. On vrie failement quune chane de
Markov au sens lmentaire est une chane de Markov par rapport sa ltration naturelle, dnie
par : T
n
= (X
0
, . . . , X
n
).
La proposition suivante est une consquence immdiate de la dnition prcdente et de la
dnition de lenveloppe de Snell.
Proposition 4.2 Soit (Z
n
) une suite adapte dnie par Z
n
= (n, X
n
), o (X
n
) est une
chane de Markov homogne de matrice de transition P, valeurs dans E et une fonction de
NE dans R. Alors, lenveloppe de Snell (U
n
) de la suite (Z
n
) est donne par U
n
= u(n, X
n
),
o la fonction u est dnie par les relations suivantes :
u(N, x) = (N, x) x E
et, pour n N1,
u(n, ) = max ((n, ), Pu(n +1, )) .
5 Application aux options amricaines
Nous nous plaons maintenant dans un modle de march viable et complet, construit sur
lespace
_
, T, (T
n
)
0nN
, P
_
et, comme dans les paragraphes 3.1 et 3.3 du chapitre 1, nous
noterons P
lunique probabilit sous laquelle les actifs actualiss sont des martingales.
5.1 Exercice et couverture des options amricaines
Dans le paragraphe 3.3 du chapitre 1, nous avons dni la valeur (U
n
) dune option amri-
caine dcrite par une suite (Z
n
), par les relations :
_
U
N
= Z
N
U
n
= max
_
Z
n
, S
0
n
E
_
U
n+1
S
0
n+1
|T
n
__
n N1.
La suite (

U
n
) dnie par

U
n
= U
n
/S
0
n
(valeur actualise de loption) est donc lenveloppe de
Snell sous P
de la suite (

Z
n
). Il rsulte du paragraphe 2 ci-dessus que lon a :
U
n
= sup
T
n,N
E
_

Z
|T
n
_
et par consquent :
U
n
= S
0
n
sup
T
n,N
E
_
Z
S
0
|T
n
_
.
Daprs le paragraphe 3, on peut crire :
U
n
=

M
n

A
n
,
o (

M
n
) est une P
martingale et (

A
n
) est un processus croissant prvisible nul en 0. Puisque
le march est complet, il existe une stratgie autonance telle que :
V
N
() = S
0
N
M
N
,
cest dire

V
N
() =

M
N
. Comme la suite
_

V
n
()
_
est une P
-martingale, on a :
V
n
() = E
_

V
N
()|T
n
_
= E
_

M
N
|T
n
_
=

M
n
,
et, par consquent :
U
n
=

V
n
()

A
n
.
Do :
U
n
= V
n
() A
n
,
o A
n
= S
0
n
A
n
. Il est clair sur cette expression que le vendeur de loption peut se couvrir
parfaitement puisque, en encaissant la prime U
0
= V
0
(), il peut produire une richesse gale
linstant n V
n
() qui majore U
n
donc Z
n
.
Quelle est la date dexercice optimale pour lacheteur de loption ? La date dexercice est
choisir parmi tous les temps darrt. Le dtenteur de loption na pas intrt exercer un
instant n o U
n
> Z
n
, car il perdrait un actif de valeur U
n
(loption) contre une richesse gale
Z
n
(venant de lexercice de loption). Donc une date dexercice optimal vrie U
= Z
.
Par ailleurs, il na pas intrt exercer aprs linstant
max
= inf {j, A
j+1
,= 0}
(qui est gal inf
_
j,

A
j+1
,= 0
_
), car, cet instant, en vendant loption, il peut se constituer
une richesse gale U
max
= V
max
() et, en suivant partir de cet instant la stratgie , il se
constitue un portefeuille dont la valeur est strictement plus grande que celle de loption aux
instants
max
+1,
max
+2, , N. On impose donc, comme seconde condition
max
, ce qui
permet de dire que

U
est une martingale. La conclusion de ce qui prcde est que les dates
dexercice optimales sont les temps darrt optimaux pour la suite (

Z
n
), sous la probabilit
P
. Pour prciser ce point, reprenons le point de vue du vendeur de loption. Si celui-ci se

couvre suivant la stratgie dnie plus haut et si lacheteur exerce un instant qui nest pas
optimal, on a U
> Z
ou A
> 0. Dans les deux cas, le vendeur ralise un prot V
() Z
=
U
+ A
, qui est strictement positif.

5.2 Options amricaines et options europennes
Proposition 5.1 Soit (
n
la valeur linstant n dune option amricaine dcrite par une suite
adapte (Z
n
)
0nN
et soit c
n
la valeur linstant n de loption europenne dnie par la
variable alatoire T
N
-mesurable h = Z
N
. Alors, on a : (
n
c
n
.
De plus, si c
n
Z
n
, pour tout n, alors :
c
n
= (
n
n {0, 1, . . . , N}.
Lingalit (
n
c
n
est bien naturelle puisque loption amricaine donne plus de droits que
loption europenne.
Dmonstration : Puisque la valeur actualise
_

(
n
_
est une surmartingale sous P
, on a :
(
n
E
_

(
N
|T
n
_
= E
( c
N
|T
n
) = c
n
Do, lingalit : (
n
c
n
.
Si on a c
n
Z
n
, pour tout n, alors la suite ( c
n
), qui est une martingale sous P
, apparat
comme une surmartingale (sous P
) majorant la suite (

Z
n
) et par consquent :
(
n
c
n
n {0, 1, . . . , N}
Do lgalit.
Remarque 5.2 On vriera sans peine que si les relations de la proposition 5.1 ntaient pas
vries, il y aurait des opportunits darbitrage par des transactions sur les options.
Pour illustrer la proposition qui prcde, plaons-nous dans le cas dun march avec un seul
actif risqu, de prix S
n
linstant n et un taux dintrt sans risque constant, gal r 0 sur
chaque priode, de sorte que S
0
n
= (1 + r)
n
. Alors si, avec les notations de la proposition 5.1,
on prend Z
n
= (S
n
K)
+
, c
n
est le prix, la date n, dun call europen dchance N et de
prix dexercice K sur une unit dactif risqu et (
n
est le prix du call amricain correspondant.
On a :
c
n
= (1 + r)
N
E
((S
N
K)
+
|T
n
)
E
S
N
K(1 +r)
N
|T
n
_
=

S
n
K(1 +r)
N
,
en utilisant la proprit de martingale de (
S
n
). Do : c
n
S
n
K(1 + r)
(Nn)
S
n
K,
puisque r 0. Comme c
n
0, on a aussi c
n
(S
n
K)
+
et par la proposition 5.1, (
n
= c
n
.
Il y a donc galit entre le prix du call europen et le prix du call amricain correspondant.
Cette proprit nest pas vrie dans le cas du put, ni dans le cas de calls sur devises ou sur
actions distribuant des dividendes.
Remarque bibliographique : Pour des complments sur lenveloppe de Snell et larrt optimal,
on pourra consulter [Nev72] (chapitre VI) et [DCD83] (chapitre 5, paragraphe 1). Pour la thorie
de larrt optimal temps continu, voir [Kar81].
6 Exercices
Exercice 1 Soit un temps darrt par rapport une ltration (T
n
)
0nN
. On note T
len-
semble des vnements A tels que A { = n} T
n
, pour tout n {0, . . . , N}.
1. Montrer que T
est une sous-tribu de T

N
. T
est souvent appele tribu des vnements

antrieurs .
2. Montrer que la variable alatoire est T
-mesurable.
3. Soit X une variable alatoire relle. Montrer lgalit :
E(X|T
) =
N
j=0
1
{ = j}
E(X|T
j
)
4. Soit un temps darrt tel que . Montrer que T
.
5. Sous les mmes hypothses, montrer que si (M
n
) une martingale, on a
M
= E(M
|T
).
(On pourra traiter le cas = N dabord.)
Exercice 2 Soit (U
n
) lenveloppe de Snell dune suite adapte (Z
n
). Montrer, sans supposer
T
0
triviale que :
E(U
0
) = sup
T
0,N
E(Z
) ,
et plus gnralement que :
E(U
n
) = sup
T
n,N
E(Z
) .
Exercice 3 Montrer que est optimal au sens de la dnition 2.4 si et seulement si :
E(Z
) = sup
T
0,N
E(Z
) .
Exercice 4 Lobjet de cet exercice est dtudier le put amricain dans le modle de Cox-Ross-
Rubinstein. Les notations sont celles du chapitre 1.
1. Montrer que le prix T
n
, linstant n, du put amricain dchance N, de prix dexercice
K sur une action peut scrire :
T
n
= P
am
(n, S
n
)
o P
am
(n, x) est dnie par P
am
(N, x) = (K x)
+
et, pour n N 1
P
am
(n, x) = max
_
(K x)
+
,
f(n + 1, x)
1 +r
_
,
avec f(n + 1, x) = pP
am
(n +1, x(1 + a)) + (1 p)P
am
(n +1, x(1 +b)) et p =
br
ba
.
2. Montrer que la fonction P
am
(0, .) peut se mettre sous la forme :
P
am
(0, x) = sup
T
0,N
E
((1 +r)
(K xV
)
+
) ,
o la suite de variables alatoires (V
n
)
0nN
est dnie par : V
0
= 1 et, pour n 1,
V
n
=
n
i=1
U
i
, o les U
i
sont des variables alatoires dont on prcisera la loi conjointe
sous P
.
3. A partir de la formule de la question prcdente, montrer que la fonction x P
am
(0, x)
est convexe et dcroissante.
4. On suppose a < 0. Montrer quil existe un rel x
[0, K] tel que, pour x x
,
P
am
(0, x) = (K x)
+
et, pour x ]x
, K/(1 +a)
N
[, P
am
(0, x) > (K x)
+
.
5. Un agent dtient le put amricain linstant 0. Pour quelles valeurs du cours spot S
0
a-t-il
intrt exercer immdiatement son option ?
6. Montrer que la stratgie de couverture du put amricain est dnie par une quantit dactif
risqu H
n
= (n, S
n1
) dtenir linstant n, o est une fonction que lon exprimera
partir de la fonction P
am
.
Exercice 5 Stratgies de consommation. Les stratgies autonances dnies au chapitre 1
excluent toute possibilit de consommation. On peut introduire des stratgies de consommation
de la faon suivante : linstant n, aprs avoir pris connaissance des cours S
0
n
,. . .,S
d
n
, linvestis-
seur rajuste son portefeuille pour le faire passer de la composition
n
la composition
n+1
et dcide de la richesse
n+1
qui sera consomme la date n + 1. Le rajustement se faisant
aux cours de la date n, sil ny a pas dapports de fonds extrieurs, on doit avoir :
n+1
.S
n
=
n
.S
n

n+1
. (2.2)
Une stratgie de gestion avec consommation sera donc dnie par un couple (, ), o est
un processus prvisible valeurs dans R
d+1
, reprsentant les quantits dactifs dtenues en por-
tefeuille et = (
n
)
1nN
un processus prvisible valeurs dans R
+
, reprsentant la richesse
consomme chaque instant, les processus et tant lis par la relation (2.2), qui remplace
la condition dautonancement du chapitre 1.
1. Soit un processus prvisible valeurs dans R
d+1
et soit un processus prvisible va-
leurs dans R
+
. On pose V
n
() =
n
.S
n
et

V
n
() =
n
.
S
n
. Montrer que les conditions
suivantes sont quivalentes :
(a) Le couple (, ) dnit une stratgie de gestion avec consommation.
(b) Pour tout n {1, . . . , N},
V
n
() = V
0
() +
n
j=1
j
.S
j

n
j=1
j
.
(c) Pour tout n {1, . . . , N},
V
n
() = V
0
() +
n
j=1
j
.
S
j

n
j=1
j
/S
0
j1
.
2. Dans toute la suite, on suppose le march viable et complet et on note P
lunique pro-
babilit sous laquelle les prix actualiss des actifs sont des martingales. Montrer que si le
couple (, ) dnit une stratgie de gestion avec consommation, alors (

V
n
()) est une
surmartingale sous P
.
3. Soit (U
n
) une suite adapte telle que (

U
n
) soit une surmartingale sous P
. Montrer, en
utilisant la dcomposition de Doob, quil existe une stratgie de gestion avec consomma-
tion (, ) telle que V
n
() = U
n
, pour tout n {0, . . . , N}.
4. Soit (Z
n
), une suite adapte. On dit quune stratgie de gestion avec consommation (, )
couvre loption amricaine dnie par (Z
n
) si V
n
() Z
n
, pour tout n {0, 1, . . . , N}.
Montrer que la valeur (U
n
) de loption amricaine est la valeur dau moins une stratgie
de gestion avec consommation qui couvre (Z
n
) et que toute stratgie de gestion avec
consommation (, ) qui couvre (Z
n
) vrie V
n
() U
n
, pour tout n {0, 1, . . . , N}.
5. Soit x un nombre positif, reprsentant la richesse initiale dun investisseur et soit =
(
n
)
1nN
une suite prvisible valeurs dans R
+
. On dira que le processus de consom-
mation (
n
) est nanable partir de la richesse initiale x sil existe un processus pr-
visible valeurs dans R
d+1
tel que le couple (, ) dnisse une stratgie de gestion
avec consommation, avec, de plus : V
0
() = x et V
n
() 0, pour tout n {0, . . . , N}.
Montrer que (
n
) est nanable partir de la richesse initiale x, si et seulement si :
E
N
j=1
j
/S
0
j1
_
x.
Chapitre 3
Mouvement brownien et quations diffrentielles
stochastiques
Les deux premiers chapitres de ce livre ont t consacrs ltude de modles temps
discret. On a vu cette occasion limportance des notions de martingales, de stratgies au-
tonances. . . Nous allons tendre ces notions au cas du temps continu. En particulier, nous
introduirons les outils mathmatiques permettant de construire des modles dvolution dac-
tif et de calculer les prix doptions. Les outils techniques sont plus dlicats utiliser en temps
continu mais les ides essentielles diffrent peu de celles du temps discret.
Pourquoi considre-t-on des modles temps continu ? La premire motivation vient des
phnomnes que lon veut modliser : les variations des cotations sur les marchs organiss
sont en pratique tellement frquentes quun modle temps discret peut difcilement en rendre
compte. Dautre part les modles continus conduisent des mthodes de calcul plus explicites
que les modles discrets, mme sil faut parfois avoir recours des mthodes numriques. Ainsi,
le modle le plus utilis dans la pratique (le modle de Black et Scholes) est un modle temps
continu qui conduit une formule simple. Comme nous lavons signal dans lintroduction,
les liens entre processus stochastiques et nance ne sont pas nouveaux : en 1901, Bachelier
(voir [Bac00]) dans un mmoire intitul Thorie de la spculation est, non seulement lun des
premiers sintresser mathmatiquement aux proprits du mouvement brownien, mais aussi
donner des formules de calcul de prix pour certaines options.
Nous donnons quelques lments mathmatiques ncessaires la comprhension des mo-
dles temps continu. En particulier, nous introduirons le mouvement brownien, qui est lou-
til majeur du modle de Black et Scholes et sert construire la plupart des modles dactifs
en nance. Puis nous tendrons la notion de martingale au cas du temps continu, enn nous
construirons lintgrale stochastique dIt et nous introduirons le calcul diffrentiel qui lui est
associ : le calcul dIt.
Certaines dmonstrations sont rdiges en petits caractres, ce sont des dmonstrations tech-
niques quil est conseill de sauter lors dune premire lecture.
1 Gnralits sur les processus temps continu
Commencons par prciser ce que lon entend par processus temps continu.
Dnition 1.1 On appelle processus stochastique temps continu et valeurs dans un espace
E muni dune tribu c , une famille (X
t
)
tR
+ de variables alatoires sur un espace de probabilit
(, /, P) valeurs dans (E, c).
Remarque 1.2 Dans la pratique lindice t reprsente le temps.
Un processus peut aussi tre vu comme une fonction alatoire : chaque dans on
associe la fonction de R
+
dans E, t X
t
(), appele trajectoire du processus.
Un processus peut tre considr comme une application de R
+
dans E, nous sup-
poserons toujours que cette application est mesurable lorsque lon munit R
+
de la
tribu B(R
+
) / et E de la tribu c.
On considrera aussi des processus indexs par un intervalle de temps [0, T] born.
Comme dans le cas discret, on introduit la notion de ltration.
Dnition 1.3 Soit (, /, P) un espace de probabilit, une ltration (T
t
)
t0
est une famille
croissante de sous tribus de /.
Le tribu T
t
reprsente linformation dont on dispose linstant t. On dit quun processus
(X
t
)
t0
est adapt (T
t
)
t0
, si pour chaque t, X
t
est T
t
-mesurable.
Remarque 1.4 Dans la suite, les ltrations que lon considrera, auront la proprit suivante :
Si A / et si P(A) = 0, alors pour tout t, A T
t
.
Ceci exprime que T
t
contient tous les ensembles de mesure nulle de /. Le but de cette hypo-
thse technique est de permettre dafrmer que si X = Y P p.s. et que Y est T
t
-mesurable
alors X est aussi T
t
-mesurable.
On peut construire une ltration partir dun processus (X
t
)
t0
en posant T
t
= (X
s
, s
t). Cette ltration ne vrie pas, en gnral, lhypothse prcdente. Cependant si on remplace
la tribu T
t
par la tribu

T
t
engendre par T
t
et ^, lensemble des ensembles de probabilit nulle
(on dit aussi ngligeables) de /, on obtient une ltration vriant la condition souhaite. On
appelle cette ltration la ltration naturelle du processus (X
t
)
t0
. Quand on parle de ltration
pour un processus sans autres prcisions, il sagit de sa ltration naturelle. Un processus est
bien sr adapt sa ltration naturelle.
La notion de temps darrt nous sera utile comme dans le cas discret. Un temps darrt
modlise un temps alatoire qui dpend du processus de facon non anticipante ( un instant
donn t on sait si un temps darrt est plus petit que t). Formellement, la dnition est la
suivante :
Dnition 1.5 On appelle temps darrt par rapport une ltration (T
t
)
t0
une variable ala-
toire valeurs dans R
+
{+} telle que, pour tout t 0 :
{ t} T
t
On associe un temps darrt une tribu que lon note T
, dnie par :
T
= {A /, pour tout t 0 , A { t} T
t
} .
Cette tribu reprsente les informations disponibles avant linstant alatoire . On dmontre que
(voir exercices 8,9,10, 11,14) :
Proposition 1.6 Si S est un temps darrt, S est T
S
mesurable.
Si S est un temps darrt, ni presque srement, et (X
t
)
t0
est un processus adapt
continu, alors X
S
est T
S
mesurable.
Si S et T sont deux temps darrt tels que S T P p.s., alors T
S
T
T
.
Si S et T sont deux temps darrt alors S T = inf(S, T) est un temps darrt. En
particulier si S est un temps darrt et t est un temps dterministe S t est un temps
darrt.
Ch.3 MOUVEMENT BROWNIEN, QU. DIFF. STOCHASTIQUES 41
2 Le mouvement brownien
Un exemple particulirement important de processus stochastique est le mouvement brow-
nien. Il servira de base pour la construction de la plupart des modles dactifs nanciers et de
taux dintrt.
Dnition 2.1 On appelle mouvement brownien un processus stochastique (X
t
)
t0
valeurs
relles, qui est un processus accroissements indpendants et stationnaires dont les trajectoires
sont continues. Ce qui signie que :
continuit : P p.s. la fonction s X
s
() est une fonction continue.
indpendance des accroissements : Si s t, X
t
X
s
est indpendant de la tribu T
s
=
(X
u
, u s).
stationnarit des accroissements : si s t, la loi de X
t
X
s
est identique celle de
X
ts
X
0
.
Cette dnition permet de caractriser la loi de la variable alatoire X
t
. Ce rsultat est dlicat
tablir, nous renvoyons [GS80] pour sa dmonstration.
Thorme 2.2 Si (X
t
)
t0
est un mouvement brownien, alors X
t
X
0
est une variable alatoire
gaussienne de moyenne rt et de variance
2
t, r et tant des constantes relles.
Remarque 2.3 Un mouvement brownien est dit standard si :
X
0
= 0 P p.s. E(X
t
) = 0, E
_
X
2
t
_
= t.
Dans la suite, lorsque lon parlera de mouvement brownien, sans autre prcision, il sagira dun
mouvement brownien standard. Dans ce cas, la loi de X
t
prend la forme :
1
2t
e
x
2
2t
dx,
dx tant la mesure de Lebesgue sur R.
On peut dmontrer une proprit prcisant le caractre gaussien du mouvement brownien.
On vient de voir que pour tout t, X
t
est une variable alatoire gaussienne. On a une proprit
plus forte :
Thorme 2.4 Si (X
t
)
t0
est un mouvement brownien, si 0 t
1
< . . . < t
n
alors
(X
t
1
, . . . , X
tn
) est un vecteur gaussien.
On pourra consulter lappendice page 161 pour des prcisions sur les vecteurs gaussiens.
Dmonstration : Soit 0 t
1
< . . . < t
n
, alors le vecteur alatoire (X
t
1
, X
t
2
X
t
1
, , X
tn

X
t
n1
) est compos de variables alatoires gaussiennes (daprs le thorme 2.2) et indpen-
dantes (par dnition du mouvement brownien), ce vecteur est donc un vecteur gaussien. Il en
est donc de mme pour (X
t
1
, . . . , X
tn
).
On aura besoin dune dnition lgrement plus prcise dun mouvement brownien par rapport
une tribu T
t
.
Dnition 2.5 On appellera T
t
mouvement brownien un processus stochastique valeurs
relles et trajectoires continues qui vrie :
Pour tout t 0, X
t
est T
t
-mesurable.
Si s t, X
t
X
s
s
.
Si s t, la loi de X
t
X
s
est identique celle de X
ts
X
0
.
Remarque 2.6 Le premier point de la dnition prcdente prouve que (X
u
, u t) T
t
.
De plus, il est facile de vrier quun T
t
-mouvement brownien est un mouvement brownien par
rapport sa ltration naturelle.
3 Martingales temps continu
Comme dans le cas des modles temps discret, la notion de martingale est un outil essentiel
pour expliciter la notion darbitrage. La dnition suivante est une extension de celle du temps
discret.
Dnition 3.1 Soit (, /, P) un espace probabilis et (T
t
)
t0
une ltration de cet espace. Une
famille adapte (M
t
)
t0
de variables alatoires intgrables, (cest--dire vriant E(|M
t
|) <
+pour tout t) est :
une martingale si, pour tout s t, E(M
t
|T
s
) = M
s
.
une surmartingale si, pour tout s t, E(M
t
|T
s
) M
s
.
une sousmartingale si, pour tout s t, E(M
t
|T
s
) M
s
.
Remarque 3.2 On dduit de cette dnition que, si (M
t
)
t0
est une martingale, alors E(M
t
) =
E(M
0
), pour tout t.
Donnons des exemples de martingales que lon peut construire partir du mouvement brownien.
Proposition 3.3 Si (X
t
)
t0
est un T
t
-mouvement brownien standard :
1. X
t
est une T
t
-martingale.
2. X
2
t
t est une T
t
-martingale.
3. exp
_
X
t
(
2
/2)t
_
est une T
t
-martingale.
Dmonstration : Si s t alors X
t
X
s
est indpendante de la tribu T
s
. Donc E(X
t
X
s
|T
s
) =
E(X
t
X
s
). Mais un mouvement brownien standard est centr, donc E(X
t
X
s
) = 0. On en
dduit le premier point. Pour dmontrer le deuxime, remarquons que :
E
_
X
2
t
X
2
s
|T
s
_
= E
_
(X
t
X
s
)
2
+2X
s
(X
t
X
s
)|T
s
_
= E
_
(X
t
X
s
)
2
|T
s
_
+2X
s
E(X
t
X
s
|T
s
) ,
mais comme (X
t
)
t0
est une martingale E(X
t
X
s
|T
s
) = 0, et donc :
E
_
X
2
t
X
2
s
|T
s
_
= E
_
(X
t
X
s
)
2
|T
s
_
.
La stationnarit et lindpendance des accroissements du mouvement brownien permettent de
plus dafrmer que :
E
_
(X
t
X
s
)
2
|T
s
_
= E
_
X
2
ts
_
= t s.
La dernire galit est due au fait que X
t
suit une loi gaussienne centre de variance t. On en
dduit que E
_
X
2
t
t|T
s
_
= X
2
s
s, si s < t.
Pour dmontrer le dernier point, rappelons, tout dabord, que, si g est une gaussienne centre
rduite, on a :
E
_
e
g
_
=
_
+
e
x
e
x
2
2
dx
2
= e
2
/2
.
De plus, si s < t :
E
_
e
Xt
2
t/2
|T
s
_
= e
Xs
2
t/2
E
_
e
(XtXs)
|T
s
_
car X
s
est T
s
-mesurable, et comme X
t
X
s
est indpendante de T
s
, on a :
E
_
e
(XtXs)
|T
s
_
= E
_
e
(XtXs)
_
= E
_
e
Xts
_
= E
_
e
g
ts
_
= e
2
(ts)
2
Ce qui donne le rsultat annonc.
Si (M
t
)
t0
est une martingale, la relation E(M
t
|T
s
) = M
s
, peut tre tendue des temps
alatoires si ces temps sont des temps darrt borns. Ce rsultat est une extension de lexercice
1 du chapitre 2 au cas continu et porte le nom de thorme darrt. Nous admettons ce thorme
et renvoyons [KS88] page 19 pour sa dmonstration.
Thorme 3.4 (Thorme darrt.) Si (M
t
)
t0
est une martingale continue par rapport une
ltration (T
t
)
t0
, et si
1
et
2
sont deux temps darrt tels que
1

2
K, K tant une
constante relle nie, alors M
2
est intgrable et :
E(M
2
|T
1
) = M
1
P p.s. .
Remarque 3.5 Ce rsultat entrane que, si est un temps darrt born, alors E(M
) =
E(M
0
) (il suft dappliquer le thorme darrt avec
1
= 0,
2
= et de prendre lesp-
rance des deux membres).
Si M
t
est une sousmartingale, on a le mme thorme en remplacant lgalit prcdente
par :
E(M
2
|T
1
) M
1
P p.s.
Nous allons donner un exemple dapplication de ce rsultat au calcul des temps datteinte dun
point par le mouvement brownien.
Proposition 3.6 Soit (X
t
)
t0
un T
t
-mouvement brownien. Notons, si a est un nombre rel,
T
a
= inf {s 0, X
s
= a}, ou +si cet ensemble est vide.
Alors, T
a
est un temps darrt ni presque srement, dont la loi est caractrise par sa
transforme de Laplace :
E
_
e
Ta
_
= e
2|a|
.
Dmonstration : Nous supposerons que a 0. T
a
est un temps darrt, en effet, comme X
s
est continue :
{T
a
t} =
Q
+
_
sup
st
X
s
> a
_
=
Q
+
sQ
+
,st
{X
s
> a } .
Ce dernier ensemble est dans T
t
, ce qui prouve le rsultat. On notera dans ce qui suit x y =
inf(x, y).
Nous allons appliquer le thorme darrt la martingale M
t
= exp
_
X
t
(
2
/2)t
_
. On
ne peut pas appliquer le thorme darrt T
a
(qui nest pas born). Cependant, si n est un
entier positif, T
a
n est encore un temps darrt (voir proposition 1.6), qui est born, on peut
donc appliquer le thorme darrt. On obtient ainsi :
E(M
Tan
) = 1.
Mais M
Tan
= e
X
Tan
2
2
(Tan)
exp(a). De plus, si T
a
< +, lim
n+
M
Tan
= M
Ta
et si T
a
= +, on a pour tout t, X
t
a, do lim
n+
M
Tan
= 0. Le thorme de Lebesgue
donne donc E(1
{T
a
< +}
M
Ta
) = 1, soit, comme X
Ta
= a si T
a
< +:
E
_
1
{T
a
< +}
e
2
2
Ta
_
= e
a
.
En faisant tendre vers 0 on obtient que P(T
a
< +) = 1 (ce qui signie que le mouvement
brownien atteint la valeur a presque srement) puis :
E
_
e
2
2
Ta
_
= e
a
.
On traite le cas a < 0 en remarquant que :
T
a
= inf {s 0, X
s
= a} ,
avec (X
t
)
t0
qui est un T
t
-mouvement brownien (car cest un processus continu accroisse-
ments indpendants et stationnaires de moyenne nulle et de variance t).
Le thorme darrt permet aussi dobtenir des estimations pour le maximumdune martingale.
Si M
t
est une martingale, on peut borner le moment dordre 2 de sup
0tT
|M
t
|. Cette ingalit
est connue sous le nom dingalit de Doob.
Thorme 3.7 (Ingalit de Doob) Si (M
t
)
0tT
est une martingale continue, on a :
E
_
sup
0tT
|M
t
|
2
_
4E(|M
T
|
2
).
La dmonstration de ce rsultat est donne dans lexercice 13.
4 Intgrale stochastique et calcul dIt
Dans le cas des modles temps discret, la valeur actualise dun portefeuille de valeur
initiale V
0
et gr selon la stratgie autonance = (H
n
)
0nN
scrit :
V
0
+
n
j=1
H
j
(
S
j

S
j1
).
Cette valeur apparat comme une transforme de martingale sous une probabilit pour laquelle
le prix de lactif actualis (
S
n
)
0nN
est une martingale. Dans le cas des modles temps
continu, nous allons gnraliser cette formule laide dintgrales du type
_
t
0
H
s
d
S
s
.
Cependant les modles utiliss couramment pour dcrire lactif sont obtenus partir du
mouvement brownien. Or, une des proprits importantes du mouvement brownien est que
presque srement ses trajectoires sont nulle part diffrentiables. Autrement dit, si X
t
est un
mouvement brownien, il nexiste pas de points t de R
+
tels que
dXt
dt
ait un sens. On ne peut
donc pas dnir lintgrale prcdente par :
_
t
0
f(s)dX
s
=
_
t
0
f(s)
dX
s
ds
ds.
On peut donner, cependant, un sens prcis ce type d intgrales par rapport au mouvement
brownien. Cest ce que nous allons faire dans ce paragraphe. On appelle ces intgrales des
intgrales stochastiques.
4.1 Construction de lintgrale stochastique
Soit (W
t
)
t0
un T
t
-mouvement brownien standard sur un espace probabilis ltr
(, /, (T
t
)
t0
, P). Nous allons donner un sens
_
t
0
f(s, )dW
s
pour une classe de processus
f(s, ) adapts la ltration (T
t
)
t0
. On va commencer par construire lintgrale stochastique
sur un ensemble de processus dits lmentaires. Dans toute la suite, on xe T un rel strictement
positif et ni.
Dnition 4.1 On appelle processus lmentaire (H
t
)
0tT
un processus de la forme :
H
t
() =
p
i=1
i
()1
]t
i1
,t
i
]
(t)
o 0 = t
0
< t
1
< . . . < t
p
= T et
i
est T
t
i1
-mesurable et borne.
Lintgrale stochastique dun processus lmentaire H est alors, par dnition, le processus
continu (I(H)
t
)
0tT
dni par, si t ]t
k
, t
k+1
] :
I(H)
t
=
1ik
i
(W
t
i
W
t
i1
) +
k+1
(W
t
W
t
k
).
Notons que I(H)
t
peut scrire :
I(H)
t
=
1ip
i
(W
t
i
t
W
t
i1
t
),
ce qui prouve la continuit de la fonction t I(H)
t
. On notera
_
t
0
H
s
dW
s
pour I(H)
t
. On a
alors le rsultat essentiel suivant :
Proposition 4.2 Si (H
t
)
0tT
est un processus lmentaire :
_
_
t
0
H
s
dW
s
_
0tT
est une T
t
-martingale continue,
E
_
_
_
_
t
0
H
s
dW
s
_
2
_
_
= E
_
_
t
0
H
2
s
ds
_
,
E
_
_
sup
tT
_
t
0
H
s
dW
s
2
_
_
4E
_
_
T
0
H
2
s
ds
_
.
Dmonstration : Pour dmontrer cette proposition nous allons utiliser des processus temps discret. En effet,
pour tablir que
_
_
t
0
H
s
dW
s
_
est une martingale, il suf t de prouver que, pour tout t > s :
E
__
t
0
H
u
dW
u
|F
s
_
=
_
s
0
H
u
dW
u
Si lon ajoute s et t la subdivision t
0
= 0 < t
1
< . . . < t
p
= T, et si on pose M
n
=
_
tn
0
H
s
dW
s
et G
n
= F
tn
pour 0 n p, il suf t de vri er que M
n
est une G
n
-martingale. Pour dmontrer ceci, remarquons que :
M
n
=
_
tn
0
H
s
dW
s
=
n
i=1
i
(W
t
i
W
t
ii
)
avec
i
qui est G
i1
-mesurable. Dautre part X
n
= W
tn
est une G
n
-martingale (en effet, (W
t
)
t0
est un mouve-
ment brownien). (M
n
)
n[0,p]
apparat donc comme une transforme de la martingale (X
n
)
n[0,p]
. La proposition
2.3 du chapitre 1 prouve alors que cest une martingale. Le deuxime point sobtient, en remarquant que :
E(M
2
n
) = E
_
_
_
n
i=1
i
(X
i
X
i1
)
_
2
_
_
=
n
i=1
n
j=1
E(
i
j
(X
i
X
i1
)(X
j
X
j1
))
De plus, si i < j, on a :
E(
i
j
(X
i
X
i1
)(X
j
X
j1
)) =
= E(E(
i
j
(X
i
X
i1
)(X
j
X
j1
)| G
j1
))
= E(
i
j
(X
i
X
i1
)E(X
j
X
j1
|G
j1
)) .
Comme X
j
est une martingale, on a E(X
j
X
j1
|G
j1
) = 0. On en dduit que, si i < j :
E(
i
j
(X
i
X
i1
)(X
j
X
j1
)) = 0.
Si j > i on obtient le mme rsultat. En n si i = j, on a :
E
_
2
i
(X
i
X
i1
)
2
_
= E
_
E
_
2
i
(X
i
X
i1
)
2
G
i1
__
= E
_
2
i
E
_
(X
i
X
i1
)
2
G
i1
__
,
et nalement :
E
_
(X
i
X
i1
)
2
G
i1
_
= E
_
(W
t
i
W
t
i1
)
2
_
= t
i
t
i1
.
En regroupant ces rsultats on obtient :
E
_
_
_
n
i=1
i
(X
i
X
i1
)
_
2
_
_
= E
_
n
i=1
2
i
(t
i
t
i1
)
_
.
La continuit de t
_
t
0
H
s
dW
s
est claire sur sa d nition. Le troisime point est une consquence de lingalit
de Doob (3.7) applique la martingale continue
_
_
t
0
H
s
dW
s
_
t0
.
Remarque 4.3 On pose par dnition :
_
T
t
H
s
dW
s
=
_
T
0
H
s
dW
s

_
t
0
H
s
dW
s
Si t T, et si A T
t
, alors s 1
A
1
{t < s}
H
s
reste un processus lmentaire et il est facile
de vrier, sur la dnition de lintgrale, que :
_
T
0
1
A
H
s
1
{t < s}
dW
s
= 1
A
_
T
t
H
s
dW
s
. (3.1)
On vient de dnir et donner des proprits de lintgrale stochastique pour les processus l-
mentaires, nous allons maintenant tendre cette intgrale une classe de processus adapts :
H =
_
(H
t
)
0tT
, processus adapt (T
t
)
t0
, E
_
_
T
0
H
2
s
ds
_
< +
_
.
Proposition 4.4 Soit (W
t
)
t0
un T
t
-brownien. Alors il existe une unique application linaire J
de H dans lespace des T
t
-martingales continues dnies sur [0, T], telle que :
1. Si (H
t
)
tT
est un processus lmentaire, P p.s. pour tout 0 t T J(H)
t
= I(H)
t
.
2. Si t T, E
_
J(H)
2
t
_
= E
_
_
t
0
H
2
s
ds
_
.
Cette application linaire est unique au sens suivant, si J et J
sont deux prolongements linaires

vriant les proprits prcdentes alors :
P p.s. 0 t T, J(H)
t
= J
(H)
t
On note, si H H,
_
t
0
H
s
dW
s
= J(H)
t
.
De plus cette intgrale stochastique vrie les proprits suivantes :
Proposition 4.5 Si (H
t
)
0tT
un processus de H alors :
1. On a :
E
_
_
sup
tT
_
t
0
H
s
dW
s
2
_
_
4E
_
_
T
0
H
2
s
ds
_
(3.2)
2. Si est un T
t
-temps darrt :
P p.s.
_
0
H
s
dW
s
=
_
T
0
1
{s }
H
s
dW
s
(3.3)
Dmonstration : Nous admettrons que si (H
s
)
sT
est dans H, il existe une suite (H
n
s
)
sT
de processus
lmentaires tels que :
lim
n+
E
_
_
T
0
|H
s
H
n
s
|
2
ds
_
= 0.
On trouvera une dmonstration de ce rsultat dans [KS88] (page 134 problme 2.5).
Si H H et (H
n
)
n0
est une suite de processus lmentaires convergeant vers H, au sens prcdent, on a :
E
_
sup
tT
|I(H
n+p
)
t
I(H
n
)
t
|
2
_
4E
_
_
T
0
H
n+p
s
H
n
s
2
ds
_
. (3.4)
Il existe donc une sous suite H
(n)
telle que :
E
_
sup
tT
|I(H
(n+1)
)
t
I(H
(n)
)
t
|
2
_

1
2
n
La srie de fonctions de terme gnral I(H
(n+1)
) I(H
(n)
) est donc, presque srement, uniformment conver-
gente, do I(H
(n)
)
t
converge vers une fonction continue qui sera par d nition t J(H)
t
. En passant la
limite dans (3.4), on obtient :
E
_
sup
tT
|J(H)
t
I(H
n
)
t
|
2
_
4E
_
_
T
0
|H
s
H
n
s
|
2
ds
_
. (3.5)
Ceci entrane que (J(H)
t
)
0tT
ne dpend pas de la suite approximante. (J(H)
t
)
0tT
est une martingale, en
effet :
E(I(H
n
)
t
|F
s
) = I(H
n
)
s
.
De plus pour tout t lim
n+
I(H
n
)
t
= J(H)
t
en norme L
2
(, P) et la continuit dans L
2
(, P) de lesprance
conditionnelle permet de conclure.
De (3.5) et de E(I(H
n
)
2
t
) = E
_
_
T
0
|H
n
s
|
2
ds
_
on dduit que E(J(H)
2
t
) = E
_
_
T
0
|H
s
|
2
ds
_
. De mme de (3.5)
et de E(sup
tT
I(H
n
)
2
t
) 4E
_
_
T
0
|H
n
s
|
2
ds
_
, on dduit (3.2).
Lunicit du prolongement rsulte de la densit des processus lmentaires dans H.
Nous allons maintenant dmontrer (3.3). On remarque dabord que (3.1) reste valable si H H. Il suf t pour
cela dutiliser la densit des processus lmentaires dans H et (3.5).
On va ensuite dmontrer le rsultat pour des temps darrt de la forme =
1in
t
i
1
A
i
, o 0 < t
1
<
< t
n
= T, les A
i
tant disjoints et F
t
i
mesurables. On a dans ce cas :
_
T
0
1
{s > }
H
s
dW
s
=
_
T
0
_
_
1in
1
A
i
1
{s > t
i
}
_
_
H
s
dW
s
,
mais chaque 1
{s > t
i
}
1
A
i
H
s
est adapt (Ce processus est nul si s t
i
et vaut 1
A
i
H
s
sinon) et donc dans H. On
en dduit que :
_
T
0
1
{s > }
H
s
dW
s
=
1in
_
T
0
1
A
i
1
{s > t
i
}
H
s
dW
s
=
1in
1
A
i
_
T
t
i
H
s
dW
s
=
_
T
H
s
dW
s
,
puis que
_
T
0
1
{s }
H
s
dW
s
=
_
0
H
s
dW
s
.
Pour gnraliser ce rsultat, remarquons quun temps darrt quelconque peut tre approxim par une suite
dcroissante de temps darrt du type prcdent en posant :
n
=
0i2
n
(k +1)T
2
n
1
_
kT
2
n
<
(k +1)T
2
n
_
.
n
converge presque srement vers en dcroissant. On en dduit que presque srement
_
n
0
H
s
dW
s
tend vers
_
0
H
s
dW
s
par continuit de t
_
t
0
H
s
dW
s
. Dautre part :
E
_
_
_
T
0
1
{s }
H
s
dW
s

_
T
0
1
{s
n
}
H
s
dW
s
2
_
_
= E
_
_
T
0
1
{ < s
n
}
H
2
s
ds
_
Ce dernier terme tend vers 0 par convergence domine, donc
_
T
0
1
{s
n
}
H
s
dW
s
tend dans L
2
(, P) (et presque
srement pour une sous suite) vers
_
T
0
1
{s }
H
s
dW
s
. Ceci permet dobtenir lgalit (3.3) pour tout temps
darrt.
Nous aurons besoin dun rsultat permettant de relaxer lhypothse dintgrabilit portant sur
(H
s
). Posons :
H =
_
(H
s
)
0sT
est un processus adapt (T
t
)
t0
,
_
T
0
H
2
s
ds < + P p.s.
_
.
La proposition suivante permet de prolonger lintgrale stochastique de H

H.
Proposition 4.6 Il existe une unique application linaire

J de lespace

H dans lespace vecto-
riel des processus continus dnis sur [0, T], telle que :
1. Proprit de prolongement. Si (H
t
)
0tT
est un processus lmentaire alors :
P p.s. , 0 t T,

J(H)
t
= I(H)
t
.
2. Proprit de continuit : Si (H
n
)
n0
est une suite de processus de

H telle que
_
T
0
H
n
s
2
ds
tend vers 0 en probabilit alors sup
tT
|
J(H
n
)
t
| tend vers 0 en probabilit.
On note toujours
_
t
0
H
s
dW
s
pour

J(H)
t
.
Remarque 4.7 Il est important de noter que dans ce cas
_
_
t
0
H
s
dW
s
_
0tT
nest pas (nces-
sairement) une martingale.
Dmonstration : Il est facile de dduire de la proprit de prolongement et de la proprit de continuit que,
si H H alors P p.s. , t T,

J(H)
t
= J(H)
t
.
Soit H

H, posons T
n
= inf
_
0 s T,
_
s
0
H
2
u
du n
_
(+ si cet ensemble est vide), et H
n
s
=
H
s
1
{s T
n
}
.
Montrons, tout dabord, que T
n
est un temps darrt. Comme {T
n
t} = {
_
t
0
H
2
u
du n}, il nous suf t
de prouver que
_
t
0
H
2
u
du est une variable alatoire F
t
-mesurable. Mais ce rsultat est vrai si H est un processus
lmentaire, et donc par densit si H H. En n si H

H,
_
t
0
H
2
u
du qui est la limite presque sre, lorsque K tend
vers +, de
_
t
0
H
2
u
Kdu est aussi F
t
-mesurable. Il est alors facile de voir que les processus H
n
s
sont adapts et
borns donc dans H. De plus :
_
t
0
H
n
s
dW
s
=
_
t
0
1
{s T
n
}
H
n+1
s
dW
s
.
Lgalit (3.3) prouve alors que :
_
t
0
H
n
s
dW
s
=
_
tTn
0
H
n+1
s
dW
s
.
Donc sur lensemble {
_
T
0
H
2
u
du < n}, pour tout t T, J(H
n
)
t
= J(H
n+1
)
t
. Comme
n0
{
_
T
0
H
2
u
du < n} =
{
_
T
0
H
2
u
du < +}, on peut d nir presque srement un processus
J(H)
t
en posant sur {
_
T
0
H
2
u
du < n} :
t T

J(H)
t
= J(H
n
)
t
.
Le processus t

J(H)
t
est presque srement continu, par d nition. La proprit de prolongement est vri e
par construction. Il reste donc prouver la proprit de continuit de

J. Pour cela remarquons que :
P
_
sup
tT
J(H)
t

_
P
_
_
T
0
H
2
s
ds
1
N
_
+P
_
_
_
_
_
1
_
_
T
0
H
2
u
du <
1
N
_
sup
tT
J(H)
t

_
_
_
_
_
.
Si lon note
N
= inf
_
s T,
_
s
0
H
2
u
du
1
N
_
(+ si cet ensemble est vide), alors sur
_
_
T
0
H
2
u
du <
1
N
_
,
lgalit (3.3) prouve que, pour tout t T :
_
t
0
H
s
dW
s
=

J(H)
t
= J(H
1
)
t
=
_
t
0
H
1
s
1
{s
N
}
dW
s
=
_
t
0
H
s
1
{s
N
}
dW
s
.
Do, en utilisant (3.2) pour le processus s H
s
1
{s
N
}
:
P
_
sup
tT
J(H)
t

_
P
_
_
T
0
H
2
s
ds
1
N
_
+
4
2
E
_
_
T
0
H
2
s
1
{s
N
}
ds
_
P
_
_
T
0
H
2
s
ds
1
N
_
+
4
N
2
On en dduit que si
_
T
0
H
n2
s
ds tend vers 0 en probabilit, alors sup
tT
|
J(H
n
)
t
| tend vers 0 en probabilit.
Pour prouver la linarit de

J, considrons deux processus de

H, H et K et les deux suites H
n
t
et K
n
t
d nies
comme au dbut de la dmonstration, telle que
_
T
0
(H
n
s
H
s
)
2
ds et
_
T
0
(K
n
s
K
s
)
2
ds tendent en probabilit vers
0. On peut alors passer la limite dans lgalit J(H
n
+ K
n
)
t
= J(H
n
)
t
+ J(K
n
)
t
, grce la proprit de
continuit de

J. On obtient ainsi la linarit de

J.
En n, le fait que si H

H alors
_
T
0
(H
t
H
n
t
)
2
dt tend vers 0 en probabilit et la proprit de continuit
prouvent lunicit du prolongement.
Nous allons rsumer les conditions dexistence de lintgrale stochastique par rapport un
mouvement brownien, et les hypothses qui permettent dafrmer quil sagit dune martingale.
Rsum :
Soit (W
t
)
t0
un T
t
-mouvement brownien et (H
t
)
0tT
un processus T
t
-adapt. On peut dnir
lintgrale stochastique (
_
t
0
H
s
dW
s
)
0tT
ds que
_
T
0
H
2
s
ds < + P p.s. . Le processus
(
_
t
0
H
s
dW
s
)
0tT
est une martingale si E
_
_
T
0
H
2
s
ds
_
< +. Cette condition nest cependant
pas ncessaire. Remarquons, toutefois, que la condition E
_
_
T
0
H
2
s
ds
_
< +est quivalente :
E
_
_
sup
t[0,T]
_
_
t
0
H
s
dW
s
_
2
_
_
< +,
et que , dans ce cas on a lgalit :
E
_
_
_
_
T
0
H
s
dW
s
_
2
_
_
= E
_
_
T
0
H
2
s
ds
_
. (3.6)
Ces proprits sont dmontres dans lexercice 15.
4.2 Calcul dIt
Nous allons maintenant introduire un calcul diffrentiel sur ces intgrales stochastiques. On
appelle ce calcul calcul dIt et loutil essentiel en est la formule dIt.
La formule dIt donne, en particulier, la facon de diffrencier t f(W
t
) si f est une
fonction deux fois continment diffrentiable. Lexemple suivant prouve que le prolongement
naf du calcul diffrentiel usuel est vou lchec. Supposons que lon veuille diffrencier
t W
2
t
et lexprimer en fonction de dW
t
. Pour une fonction f(t) diffrentiable nulle en
0, on a f(t)
2
= 2
_
t
0
f(s)
f(s)ds = 2
_
t
0
f(s)df(s). Dans les cas du mouvement brownien et de
lintgrale stochastique on ne peut avoir une formule du mme type : W
2
t
= 2
_
t
0
W
s
dW
s
. En
effet, daprs ce qui prcde,
_
t
0
W
s
dW
s
est une martingale (car E
_
_
t
0
W
2
s
ds
_
< +), nulle
en zro. Si elle tait gale W
2
t
elle serait positive, et une martingale nulle en 0 ne peut tre
positive que si elle est nulle.
Commencons par prciser la dnition de la classe de processus pour laquelle on peut non-
cer la formule dIt.
Dnition 4.8 Soient (, T, (T
t
)
t0
, P) un espace probabilis muni dune ltration et
(W
t
)
t0
un T
t
mouvement brownien. On appelle processus dIt, un processus (X
t
)
0tT

valeurs dans R tel que :
P p.s. t T X
t
= X
0
+
_
t
0
K
s
ds +
_
t
0
H
s
dW
s
,
avec :
X
0
T
0
-mesurable.
(K
t
)
0tT
et (H
t
)
0tT
des processus adapts T
t
.
_
T
0
|K
s
|ds < + P p.s.
_
T
0
|H
s
|
2
ds < + P p.s.
On peut dmontrer (voir exercice 16) le rsultat suivant, qui prcise lunicit de la dcomposi-
tion prcdente.
Proposition 4.9 Soit (M
t
)
0tT
est une martingale continue telle que :
M
t
=
_
t
0
K
s
ds, avec P p.s. ,
_
T
0
|K
s
|ds < +,
alors :
P p.s. t T, M
t
= 0.
Ceci entrane que :
La dcomposition dun processus dIt est unique. Ce qui signie que si :
X
t
= X
0
+
_
t
0
K
s
ds +
_
t
0
H
s
dW
s
= X
0
+
_
t
0
K
s
ds +
_
t
0
H
s
dW
s
alors :
X
0
= X
0
dP p.s. H
s
= H
s
ds dP p.p. K
s
= K
s
ds dP p.p.
Si (X
t
)
0tT
est une martingale de la forme X
0
+
_
t
0
K
s
ds +
_
t
0
H
s
dW
s
, alors K
t
= 0
dt dP p.p..
La formule dIt prend la forme suivante (nous ladmettons sans dmonstration et nous ren-
voyons [Bou88] pour une dmonstration lmentaire dans le cas du brownien ou [KS88]
pour une dmonstration complte) :
Thorme 4.10 Soit (X
t
)
0tT
un processus dIt :
X
t
= X
0
+
_
t
0
K
s
ds +
_
t
0
H
s
dW
s
,
et f une fonction deux fois continment diffrentiable, on a :
f(X
t
) = f(X
0
) +
_
t
0
f
(X
s
)dX
s
+
1
2
_
t
0
f
(X
s
)d < X, X >
s
o, par dnition :
< X, X >
t
=
_
t
0
H
2
s
ds,
et :
_
t
0
f
(X
s
)dX
s
=
_
t
0
f
(X
s
)K
s
ds +
_
t
0
f
(X
s
)H
s
dW
s
.
De mme si (t, x) f(t, x) est une fonction deux fois diffrentiable en x et une fois diffren-
tiable en t, ces drives tant continues en (t, x) (on dit dans ce cas que f est de classe C
1,2
),
on a :
f(t, X
t
) = f(0, X
0
) +
_
t
0
f
s
(s, X
s
)ds
+
_
t
0
f
x
(s, X
s
)dX
s
+
1
2
_
t
0
f
xx
(s, X
s
)d < X, X >
s
.
4.3 Exemples dutilisation de la formule dIt
Commencons par traiter un exemple lmentaire. Si f(x) = x
2
et X
t
= W
t
, on a K
s
= 0 et
H
s
= 1, donc :
W
2
t
= 2
_
t
0
W
s
dW
s
+
1
2
_
t
0
2ds.
On obtient :
W
2
t
t = 2
_
t
0
W
s
dW
s
.
Comme E
_
_
t
0
W
2
s
ds
_
< +, on retrouve le fait que W
2
t
t est une martingale.
Nous allons maintenant nous intresser aux solutions (S
t
)
t0
de :
S
t
= x
0
+
_
t
0
S
s
(ds + dW
s
) . (3.7)
On crit souvent ce type dquation sous la forme :
dS
t
= S
t
(dt + dW
t
) , S
0
= x
0
. (3.8)
Cela signie que lon cherche un processus adapt (S
t
)
t0
tel que les intgrales
_
t
0
S
s
ds et
_
t
0
S
s
dW
s
aient un sens, et qui vrie, pour chaque t :
P p.s. S
t
= x
0
+
_
t
0
S
s
ds +
_
t
0
S
s
dW
s
.
Faisons tout dabord un calcul formel, posons Y
t
= log(S
t
) o S
t
est une solution de lquation
prcdente. S
t
est un processus dIt avec K
s
= S
s
et H
s
= S
s
. Appliquons la formule
dIt f(x) = log(x) (au moins formellement car f(x) nest pas de classe C
2
!). On obtient en
supposant que S
t
est positif :
log(S
t
) = log(S
0
) +
_
t
0
dS
s
S
s
+
1
2
_
t
0
1
S
2
s
2
S
2
s
ds,
soit, en utilisant (3.8) :
Y
t
= Y
0
+
_
t
0
_

2
/2
_
dt +
_
t
0
dW
t
.
On en dduit que :
Y
t
= log(S
t
) = log(S
0
) +
_

2
/2
_
t +W
t
.
Il semble donc que :
S
t
= x
0
exp
__

2
/2
_
t + W
t
_
soit une solution de lquation (3.7). Vrions rigoureusement cela. S
t
= f(t, W
t
) o :
f(t, x) = x
0
exp
__

2
/2
_
t +x
_
.
La formule dIt donne :
S
t
= f(t, W
t
)
= f(0, W
0
) +
_
t
0
f
s
(s, W
s
)ds
+
_
t
0
f
x
(s, W
s
)dW
s
+
1
2
_
t
0
f
xx
(s, W
s
)d < W, W >
s
.
Mais, comme < W, W >
t
= t :
S
t
= x
0
+
_
t
0
S
s
_

2
/2
_
ds +
_
t
0
S
s
dW
s
+
1
2
_
t
0
S
s
2
ds,
et nalement :
S
t
= x
0
+
_
t
0
S
s
ds +
_
t
0
S
s
dW
s
.
Remarque 4.11 On aurait pu obtenir (exercice) le rsultat prcdent en appliquant la formule
dIt S
t
= (Z
t
), avec Z
t
= (
2
/2)t + W
t
(qui est un processus dIt) et (x) =
x
0
exp(x).
On vient donc de dmontrer lexistence dune solution de (3.7). Nous allons maintenant prou-
ver que cette solution est unique. Pour cela, nous allons utiliser une proprit gnralisant la
formule dintgration par parties dans le cas des processus dIt.
Proposition 4.12 (Formule dintgration par parties.) Soient X
t
et Y
t
deux processus dIt,
X
t
= X
0
+
_
t
0
K
s
ds +
_
t
0
H
s
dW
s
et Y
t
= Y
0
+
_
t
0
K
s
ds +
_
t
0
H
s
dW
s
. Alors :
X
t
Y
t
= X
0
Y
0
+
_
t
0
X
s
dY
s
+
_
t
0
Y
s
dX
s
+ < X, Y >
t
avec la convention que :
< X, Y >
t
=
_
t
0
H
s
H
s
ds.
Dmonstration : On a, daprs la formule dIt :
(X
t
+ Y
t
)
2
= (X
0
+Y
0
)
2
+2
_
t
0
(X
s
+ Y
s
)d(X
s
+Y
s
)
+
_
t
0
(H
s
+ H
s
)
2
ds
X
2
t
= X
2
0
+2
_
t
0
X
s
dX
s
+
_
t
0
H
2
s
ds
Y
2
t
= Y
2
0
+ 2
_
t
0
Y
s
dY
s
+
_
t
0
H
2
s
ds.
Do, en faisant la diffrence entre la premire ligne et les deux suivantes :
X
t
Y
t
= X
0
Y
0
+
_
t
0
X
s
dY
s
+
_
t
0
Y
s
dX
s
+
_
t
0
H
s
H
s
ds.
Montrons, maintenant, lunicit dune solution de lquation (3.7). Notons que :
S
t
= x
0
exp
__

2
/2
_
t + W
t
_
est une solution de (3.7) et supposons que (X
t
)
t0
en soit une autre. On va chercher exprimer
la diffrentielle stochastique de X
t
S
1
t
. Posons :
Z
t
=
S
0
S
t
= exp
__
+
2
/2
_
t W
t
_
,
= +
2
et
= . Alors Z
t
= exp
__
2
/2
_
t +
W
t
_
et le calcul fait prc-
demment prouve que :
Z
t
= 1 +
_
t
0
Z
s
(
ds +
dW
s
) = 1 +
_
t
0
Z
s
__
+
2
_
ds dW
s
_
.
On peut alors exprimer la diffrentielle de X
t
Z
t
grce la formule dintgration par parties
pour les processus dIt :
d(X
t
Z
t
) = X
t
dZ
t
+Z
t
dX
t
+ d < X, Z >
t
.
Ici, on a :
< X, Z >
t
=<
_
.
0
X
s
dW
s
,
_
.
0
Z
s
dW
s
>
t
=
_
t
0
2
X
s
Z
s
ds.
On en dduit que :
d(X
t
Z
t
) = X
t
Z
t
__
+
2
_
dt dW
t
_
+X
t
Z
t
(dt +dW
t
) X
t
Z
t
2
dt = 0
X
t
Z
t
est donc gal X
0
Z
0
, ce qui entrane que :
t 0, P p.s. X
t
= x
0
Z
1
t
= S
t
.
Les processus X
t
et Z
t
tant continus, ceci prouve que :
P p.s. t 0, X
t
= x
0
Z
1
t
= S
t
.
On vient ainsi de dmontrer la proposition suivante :
Thorme 4.13 , tant deux nombres rels, (W
t
)
t0
tant un mouvement brownien et T
un rel strictement positif, ll existe un processus de It unique (S
t
)
0tT
qui vrie, pour tout
t T :
S
t
= x
0
+
_
t
0
S
s
(ds + dW
s
) .
Ce processus est donn par :
S
t
= x
0
exp
__

2
/2
_
t + W
t
_
.
Remarque 4.14 Le processus S
t
que lon vient dexpliciter servira de modle standard
pour le prix dun actif nancier. On lappelle modle de Black et Scholes.
Lorsque = 0, S
t
est une martingale (voir proposition 3.3), ce type de processus porte le
nom de martingale exponentielle.
Remarque 4.15 Soit un ouvert de R et (X
t
)
0tT
un processus dIt qui vrie, pour tout
t T, X
t
. Si, de plus, f est une fonction deux fois continment diffrentiable de louvert
dans R, on peut justier rigoureusement lextension de la formule dIt dans ce cas :
f(X
t
) = f(X
0
) +
_
t
0
f
(X
s
)dX
s
+
1
2
_
t
0
f
(X
s
)H
2
s
ds.
Ce rsultat permet en particulier de justier lapplication de la formule dIt, pour un processus
strictement positif et pour la fonction log.
4.4 Formule dIt multidimensionnelle
La formule dIt se gnralise aux cas o la fonction f dpend de plusieurs processus dIt et
lorsque ces processus dIt sexpriment en fonction de plusieurs mouvements browniens. Cette
gnralisation se rvle utile, par exemple, pour les modles de taux dintrt sophistiqus.
Dnition 4.16 On appelle T
t
-mouvement brownien p-dimensionnel un processus valeurs
dans R
p
, (W
t
)
t0
adapt T
t
, avec W
t
= (W
1
t
, . . . , W
p
t
), o les (W
i
t
)
t0
sont des T
t
-
mouvements browniens standards indpendants.
On gnralise dans ce cadre la notion de processus dIt.
Dnition 4.17 On dit que (X
t
)
0tT
est un processus dIt si :
X
t
= X
0
+
_
t
0
K
s
ds +
p
i=1
_
t
0
H
i
s
dW
i
s
o :
K
t
et les (H
i
t
) sont adapts (T
t
).
_
T
0
|K
s
|ds < + P p.s. .
_
T
0
_
H
i
s
_
2
ds < + P p.s. .
La formule dIt prend alors la forme suivante :
Proposition 4.18 Soient (X
1
t
, . . . , X
n
t
) n processus dIt :
X
i
t
= X
i
0
+
_
t
0
K
i
s
ds +
p
j=1
_
t
0
H
i,j
s
dW
j
s
alors si f est une fonction deux fois diffrentiable en x et une fois diffrentiable en t, ces drives
tant continues en (t, x) :
f(t, X
1
t
, . . . , X
n
t
) = f(0, X
1
0
, . . . , X
n
0
) +
_
t
0
f
s
(s, X
1
s
, . . . , X
n
s
)ds
+
n
i=1
_
t
0
f
x
i
(s, X
1
s
, . . . , X
n
s
)dX
i
s
+
1
2
n
i,j=1
_
t
0
2
f
x
i
x
j
(s, X
1
s
, . . . , X
n
s
)d < X
i
, X
j
>
s
o :
dX
i
s
= K
i
s
ds +
p
j=1
H
i,j
s
dW
j
s
,
d < X
i
, X
j
>
s
=
p
m=1
H
i,m
s
H
j,m
s
ds.
Remarque 4.19 Si (X
s
)
0tT
et (Y
s
)
0tT
sont deux processus dIt, on peut dnir formelle-
ment le crochet de X et Y (que lon a not < X, Y >
s
) par les rgles suivantes :
< X, Y >
t
est bilinaire et symtrique.
<
_
.
0
K
s
ds, X
.
>
t
= 0 si (X
t
)
0tT
est un processus dIt.
<
_
.
0
H
s
dW
i
t
,
_
.
0
H
s
dW
j
t
>
t
= 0 si i ,= j
<
_
.
0
H
s
dW
i
t
,
_
.
0
H
s
dW
i
t
>
t
=
_
t
0
H
s
H
s
ds
Cette dnition permet de retrouver la formule du crochet donne dans la proposition prc-
dente.
5 Equations diffrentielles stochastiques
Nous avons tudi en dtail, au paragraphe 4.2 les solutions de lquation :
X
t
= x +
_
t
0
X
s
(ds + dW
s
).
On peut considrer des quations dune forme plus gnrales :
X
t
= Z +
_
t
0
b(s, X
s
)ds +
_
t
0
(s, X
s
)dW
s
. (3.9)
On appelle ces quations des quations diffrentielles stochastiques. Une solution de (3.9)
porte le nom de diffusion. Ces quations permettent de construire la plupart des modles
dactifs utiles en nances, aussi bien lorsque lon cherche modliser des actifs que des taux
dintrt. Nous allons tudier quelques proprits des solutions de ces quations.
5.1 Thorme dIt
Prcisons, tout dabord, ce que lon entend par une solution de (3.9).
Dnition 5.1 On se place sur un espace de probabilit (, /, P) muni dun ltration (T
t
)
t0
.
On se donne, b : R
+
R R, : R
+
R R, Z une variable alatoire T
0
-mesurable et
(W
t
)
t0
un T
t
-mouvement brownien. Trouver une solution lquation (3.9) signie trouver
un processus stochastique (X
t
)
t0
continu T
t
-adapt, qui vrie :
Pour tout t 0, les intgrales
_
t
0
b(s, X
s
)ds et
_
t
0
(s, X
s
)dW
s
ont un sens :
_
t
0
|b(s, X
s
)|ds < +et
_
t
0
|(s, X
s
)|
2
ds < + P p.s. .
(X
t
)
t0
vrie (3.9) cest--dire :
t 0 P p.s. X
t
= Z +
_
t
0
b(s, X
s
) ds +
_
t
0
(s, X
s
) dW
s
.
Remarque 5.2 On note formellement (3.9) sous la forme :
_
dX
t
= b(t, X
t
) dt + (t, X
t
) dW
t
X
0
= Z
Le thorme suivant donne des conditions sufsantes sur b et pour avoir un rsultat dexis-
tence et dunicit pour (3.9).
Thorme 5.3 Si b et sont des fonctions continues, telles quil existe K < +, avec :
1. |b(t, x) b(t, y)| + |(t, x) (t, y)| K|x y|
2. |b(t, x)| + |(t, x)| K(1 + |x|)
3. E(Z
2
) < +
alors, pour tout T 0, (3.9) admet une solution unique dans lintervalle [0, T]. De plus cette
solution (X
s
)
0sT
vrie :
E
_
sup
0sT
|X
s
|
2
_
< +
Lunicit signie que si (X
t
)
0tT
et (Y
t
)
0tT
sont deux solutions de (3.9), alors :
P p.s. 0 t T, X
t
= Y
t
.
Dmonstration : Posons :
E =
_
(X
s
)
0sT
, processus continu et F
t
-adapt, tel que E
_
sup
sT
|X
s
|
2
_
< +
_
E muni de la norme X =
_
E
_
sup
0sT
|X
s
|
2
_
est un espace vectoriel norm complet. Pour dmontrer lexis-
tence nous allons utiliser un argument dexistence dun point xe pour une application contractante. Soit lap-
plication qui un processus (X
s
)
0sT
associe un processus ((X)
s
)
0sT
d ni par :
(X)
t
= Z +
_
t
0
b(s, X
s
)ds +
_
t
0
(s, X
s
)dW
s
.
Si X est dans E, (X) est bien d nie, de plus si X et Y sont deux lments de E en utilisant le fait que, (a+b)
2
2(a
2
+b
2
) on obtient :
|(X)
t
(Y)
t
|
2
2
_
sup
0tT
_
t
0
(b(s, X
s
) b(s, Y
s
))ds
2
+sup
0tT
_
t
0
((s, X
s
) (s, Y
s
))dW
s
2
_
donc en utilisant lingalit (3.2) :
E
_
sup
sT
|(X)
t
(Y)
t
|
2
_
2E
_
sup
0tT
_
_
t
0
|b(s, X
s
) b(s, Y
s
)|ds
_
2
_
+8E
_
_
T
0
((s, X
s
) (s, Y
s
))
2
ds
_
2(K
2
T
2
+4K
2
T)E
_
sup
0tT
|X
t
Y
t
|
2
_
Do (X) (Y)
_
2(K
2
T
2
+4K
2
T)X Y. De plus, on a (on note 0 pour le processus identiquement
nul) :
|(0)
t
|
2
3
_
Z
2
+ sup
0tT
_
t
0
b(s, 0)ds
2
+ sup
0tT
_
t
0
(s, 0)dW
s
2
_
en remarquant que (a +b + c)
2
3(a
2
+b
2
+c
2
). Et donc :
E
_
sup
0tT
|(0)
t
|
2
_
3(E(Z
2
) +K
2
T
2
+ 4K
2
T) < +.
On en dduit que est une application de E dans E de norme de Lipschitz majore par k(T) =
_
2(K
2
T
2
+4K
2
T).
Nous commen cons par supposer que T est suf samment petit pour que k(T) < 1. est alors une application
contractante de E dans E. Elle admet donc un point xe unique dans E. De plus, si X est un point xe de , cest
une solution de (3.9). Ceci prouve lexistence. Dautre part, une solution de (3.9) qui est dans E est un point xe
de . Ceci prouve lunicit dune solution de (3.9) dans E. Pour dmontrer lunicit dans la classe de tous les
processus de It, il suf t de prouver quune solution de (3.9) est forcment dans E. Soit X une solution de (3.9),
nous noterons T
n
= inf{s 0, |X
s
| > n} et f
n
(t) = E
_
sup
0stTn
|X
s
|
2
_
. Il est facile de vri er que f
n
(t) est
une fonction nie et continue. En faisant le mme genre destimation que prcdemment on obtient :
E
_
sup
0utTn
|X
u
|
2
_
3
_
E(Z
2
) + E
_
_
tTn
0
K(1 + |X
s
|)ds
_
2
+4E
_
_
tTn
0
K
2
(1 + |X
s
|)
2
ds
_
_
3
_
E(Z
2
) +2(K
2
T + 4K
2
)
_
t
0
_
1 + E
_
sup
0usTn
|X
u
|
2
__
ds
_
.
Cela donne lestimation suivante :
f
n
(t) a +b
_
t
0
f
n
(s)ds.
Nous allons maintenant utiliser une version du lemme de Gronwall.
Lemme 5.4 (Lemme de Gronwall) Si f est une fonction continue, telle que pour tout 0 t T, f(t) a +
b
_
t
0
f(s)ds, alors f(T) a(1 +e
bT
).
Dmonstration : Posons u(t) = e
bt
_
t
0
f(s)ds. On a u
(t) = e
bt
(f(s) b
_
t
0
f(s)ds) ae
bt
. Par intgra-
tion, on obtient u(T) a/b et f(T) a(1 +e
bT
).
On en dduit ici que f
n
(T) < K < +, K tant une constante fonction de T mais indpendante de n. Le lemme
de Fatou donne alors , en passant la limite en n, que pour tout T :
E
_
sup
0sT
|X
s
|
2
_
< K < +.
X est donc dans E. Ceci termine la dmonstration dans le cas o T est petit.
Pour conclure pour T quelconque, il suf t de prendre n assez grand et de raisonner successivement sur les
intervalles [0, T/n], [T/n, 2T/n], ,[(n 1)T/n, T].
5.2 Le processus dOrnstein-Ulhenbeck
Le processus dOrnstein-Ulhenbeck est la solution unique de lquation suivante :
_
dX
t
= cX
t
dt + dW
t
X
0
= x
On peut expliciter cette solution. En effet, posons Y
t
= X
t
e
ct
et crivons la formule dintgra-
tion par parties :
dY
t
= dX
t
e
ct
+ X
t
d(e
ct
) +d < X, e
c.
>
t
.
Mais < X, e
c.
>
t
= 0 car d(e
ct
) = ce
ct
dt. On en dduit que dY
t
= e
ct
dW
t
puis que :
X
t
= xe
ct
+ e
ct
_
t
0
e
cs
dW
s
.
On peut calculer la moyenne et la variance de X
t
:
E(X
t
) = xe
ct
+e
ct
E
_
_
t
0
e
cs
dW
s
_
= xe
ct
(en effet E
_
_
t
0
(e
cs
)
2
ds
_
< +, et donc
_
t
0
e
cs
dW
s
est une martingale nulle linstant 0 donc
de moyenne nulle). De mme :
Var(X
t
) = E
_
(X
t
E(X
t
))
2
_
=
2
E
_
_
e
2ct
_
_
t
0
e
cs
dW
s
_
2
_
_
=
2
e
2ct
E
_
_
t
0
e
2cs
ds
_
=
2
1 e
2ct
2c
On peut dmontrer que X
t
est une variable alatoire gaussienne, en effet X
t
scrit
_
t
0
f(s)dW
s
o f(.) est une fonction dterministe du temps et
_
t
0
f
2
(s)ds < + (voir exercice 12). Plus
prcisment, le processus (X
t
)
t0
est un processus gaussien. Cela signie que si
1
, ,
n
sont des rels et si 0 t
1
< < t
n
1
X
t
1
+ +
n
X
tn
est une variable
alatoire gaussienne. Pour se convaincre de ceci, il suft de remarquer que :
X
t
i
= xe
ct
i
+
_
+
0
1
{s t
i
}
e
cs
dW
s
= m
i
+
_
t
0
f
i
(s)dW
s
.
Alors
1
X
t
1
+ +
n
X
tn
=
n
i=1
i
m
i
+
_
t
0
(
n
i=1
i
f
i
(s)) dW
s
est bien une variable ala-
toire gaussienne (car cest, comme prcdemment, une intgrale stochastique dune fonction
dterministe du temps).
5.3 Equations diffrentielles stochastiques valeurs vectorielles
On peut gnraliser ltude des quations diffrentielles stochastiques aux cas o le proces-
sus volue dans R
n
. Cette gnralisation est utile, dans les applications la nance, lorsque lon
cherche construire des modles pour des paniers dactions ou de devises. On se donne :
W = (W
1
, . . . , W
p
) un T
t
-mouvement brownien pdimensionnel.
b : R
+
R
n
R
n
, b(s, x) = (b
1
(s, x), , b
n
(s, x)).
: R
+
R
n
R
np
(lensemble des matrices n p),
(s, x) = (
i,j
(s, x))
1in,1jp
.
Z = (Z
1
, . . . , Z
n
) une variable alatoire T
0
-mesurable valeur dans R
n
.
et lon considre lquation diffrentielle stochastique :
X
t
= Z +
_
t
0
b(s, X
s
) ds +
_
t
0
(s, X
s
) dW
s
, (3.10)
o il faut comprendre que lon cherche un processus (X
t
)
0tT
valeurs dans R
n
adapt
(T
t
)
t0
et tel que P p.s. , pour tout t et pour tout i n, on a presque srement :
X
i
t
= Z
i
+
_
t
0
b
i
(s, X
s
)ds +
p
j=1
_
t
0
i,j
(s, X
s
)dW
j
s
.
Le thorme dexistence et dunicit se gnralise de la facon suivante :
Thorme 5.5 Si x R
n
, |x| est la norme euclidienne de x et si R
np
, ||
2
=
1in, 1jp
2
i,j
. On suppose que :
1. |b(t, x) b(t, y)| + |(t, x) (t, y)| K|x y|
2. |b(t, x)| + |(t, x)| K(1 + |x|)
3. E(|Z|
2
) < +
alors il existe une solution unique lquation (3.10). De plus cette solution vrie, pour tout
T :
E
_
sup
0sT
|X
s
|
2
_
< +
La dmonstration est identique celle du cas valeurs dans R.
5.4 Proprit de Markov des solutions dquations diffrentielles stochas-
tiques
La proprit de Markov pour un processus (X
t
)
t0
signie que le comportement futur de ce
processus aprs t dpend uniquement de X
t
et non de ce qui sest pass avant t. Ce point est
essentiel dans les calculs de prix doptions. Il permet de prouver que le prix dune option sur un
actif markovien ne dpend que du prix de lactif linstant t.
Mathmatiquement, on dira quun processus (X
t
)
t0
vrie la proprit de Markov par
rapport une ltration (T
t
)
t0
pour laquelle il est adapt, si pour toute fonction f borlienne
borne et pour tous s et t, tels que s t :
E(f (X
t
) |T
s
) = E(f (X
t
) |X
s
) .
Nous allons noncer dans ce paragraphe la proprit de Markov pour une solution de (3.9). On
notera (X
t,x
s
, s t) la solution de lquation (3.9) partant de x linstant t et X
x
= X
0,x
la
solution de lquation partant de x linstant 0. X
t,x
vrie pour s t :
X
t,x
s
= x +
_
s
t
b
_
u, X
t,x
u
_
du +
_
s
t
_
u, X
t,x
u
_
dW
u
.
A priori, X
t,x
.
est dni pour tout (t, x) presque srement. On peut cependant, sous les hypo-
thses du thorme 5.3, construire un processus dpendant de (t, x, s) qui est P p.s. continu
en ces trois variables et tel que X
t,x
s
soit solution de lquation prcdente. Cest un rsultat
dlicat dmontrer (on trouvera sa dmonstration dans [RW87]) que nous allons admettre.
La proprit de Markov est une consquence dune proprit de ot vrie par les solu-
tions dune quation diffrentielle stochastique. Cest une gnralisation de la proprit de ot
des quations diffrentielles ordinaires.
Lemme 5.6 Sous les conditions du thorme 5.3, si s t :
X
0,x
s
= X
t,X
x
t
s
P p.s.
Dmonstration : Nous ne donnons que lide gnrale de cette dmonstration. On a, pour tout x :
P p.s. X
t,x
s
= x +
_
s
t
b
_
u, X
t,x
u
_
du +
_
s
t
_
u, X
t,x
u
_
dW
u
.
On en dduit, successivement, que P p.s. pour tout y R :
X
t,y
s
= y +
_
s
t
b
_
u, X
t,y
u
_
du +
_
s
t
_
u, X
t,y
u
_
dW
u
,
puis que :
X
t,X
x
t
s
= X
x
t
+
_
s
t
b
_
u, X
t,X
x
t
u
_
du +
_
s
t
_
u, X
t,X
x
t
u
_
dW
u
.
Ces rsultats sont intuitifs, mais pour les justi er en dtail il faut utiliser la continuit de y X
t,y
.
. Nous laissons
de cot les dtails de leurs dmonstrations. Cela admis, on remarque que X
x
s
est aussi solution de lquation
prcdente, en effet, si t s :
X
x
s
= x +
_
s
0
b(u, X
x
u
) du +
_
s
0
(u, X
x
u
) dW
u
= X
x
t
+
_
s
t
b(u, X
x
u
) du +
_
s
t
(u, X
x
u
) dW
u
.
Lunicit des solutions de cette quation prouve, alors, que X
0,x
s
= X
t,Xt
s
pour t s.
La proprit de Markov prend dans ce cas la forme suivante :
Thorme 5.7 Soit (X
t
)
t0
une solution de (3.9). Cest un processus de Markov par rapport
la ltration (T
t
)
t0
du mouvement brownien. Plus prcisment, on a, pour toute fonction
borlienne borne f :
P p.s. E(f (X
t
) |T
s
) = (X
s
),
o (x) = E(f(X
s,x
t
)).
Remarque 5.8 On note souvent lgalit prcdente sous la forme :
E(f (X
t
) |T
s
) = E(f(X
s,x
t
))|
x=Xs
.
Dmonstration : Nous ne donnerons quune esquisse de la dmonstration. Pour une dmonstration complte
on pourra consulter [Fri75].
La proprit de ot prouve que, si s t, X
x
t
= X
s,X
x
s
t
. Dautre part, on peut dmontrer que X
s,x
t
sexprime
de fa con mesurable en fonction des accroissements du brownien (W
s+u
W
s
, u 0) et de x (ce rsultat est
naturel mais dlicat justi er en dtail (voir [Fri75])). Si lon admet ce rsultat, pour un s et un t xs on a
X
s,x
t
= (x, W
s+u
W
s
; u 0) et donc :
X
x
t
= (X
x
s
, W
s+u
W
s
; u 0),
avec X
x
s
qui est F
s
mesurable et (W
s+u
W
s
)
u0
qui est indpendant de F
s
.
Si on applique le rsultat de la proposition 2.5 de lappendice X
s
, (W
s+u
W
s
)
u0
, et F
s
, on obtient :
E( f ((X
x
s
, W
s+u
W
s
; u 0))| F
s
) = E (f ((x, W
s+u
W
s
; u 0)))|
x=X
x
s
= E (f (X
s,x
t
))|
x=X
x
s
Le rsultat prcdent se gnralise des fonctions des trajectoires de la diffusion aprs linstant
s. En particulier, le thorme suivant est utile dans les calculs lis aux taux dintrt.
Thorme 5.9 Soit (X
t
)
t0
une solution de (3.9) et r(s, x) une fonction mesurable positive. On
a, si t > s :
P p.s. E
_
e
t
s
r(u,Xu)du
f (X
t
) |T
s
_
= (X
s
)
avec :
(x) = E
_
e
t
s
r(u,X
s,x
u
)du
f(X
s,x
t
)
_
.
On crit aussi cette galit sous la forme :
E
_
e
t
s
r(u,Xu)du
f (X
t
) |T
s
_
= E
_
e
t
s
r(u,X
s,x
u
)du
f(X
s,x
t
)
_
x=Xs
.
Remarque 5.10 On peut en fait dmontrer un rsultat plus gnral que celui nonc prcdem-
ment. Si on omet les dtails techniques, on peut afrmer que, si est une fonction de toute la
trajectoire de X
t
aprs s :
P p.s. E((X
x
t
, t s) |T
s
) = E((X
s,x
t
, t s))|
x=Xs
.
Remarque 5.11 Lorsque b et ne dpendent que de x (on dit que la diffusion est homogne
dans ce cas), on peut montrer que la loi de X
s,x
s+t
est identique celle de X
0,x
t
, ce qui signie que
si f est une fonction mesurable et borne :
E(f(X
s,x
s+t
)) = E
_
f(X
0,x
t
)
_
.
On peut tendre ce rsultat et montrer que, si r est une fonction de x uniquement :
E
_
e
s+t
s
r(X
s,x
u
)du
f(X
s,x
s+t
)
_
= E
_
e
t
0
r(X
0,x
u
)du
f(X
0,x
t
)
_
.
On en dduit que, dans ce cas, le thorme 5.9 sexprime sous la forme :
E
_
e
t
s
r(Xu)du
f (X
t
) |T
s
_
= E
_
e
ts
0
r(X
0,x
u
)du
f(X
0,x
ts
)
_
x=Xs
.
6 Exercices
Exercice 6 Soit (M
t
)
t0
une martingale, telle que pour tout t, E(M
2
t
) < +. Dmontrer que
si s t :
E
_
(M
t
M
s
)
2
|T
s
_
= E
_
M
2
t
M
2
s
|T
s
_
.
Exercice 7 Soit X
t
un processus accroissements indpendants et stationnaires nul en linstant
0 et tel que, pour tout t, E
_
X
2
t
_
< +. On supposera, de plus, que la fonction t E
_
X
2
t
_
est
continue. Dmontrer que E(X
t
) = ct et que Var(X
t
) = c
t, c et c
tant des constantes.

Exercice 8 Dmontrer que, si est un temps darrt :
T
= {A /, pour tout t 0 , A { t} T
t
}
dnit une tribu.
Exercice 9 Soit S un temps darrt, dmontrer que S est T
S
mesurable.
Exercice 10 Soit S et T deux temps darrt, tels que S T P p.s. . Dmontrer que T
S
T
T
.
Exercice 11 Soient S un temps darrt, ni presque srement, et (X
t
)
t0
un processus adapt
et presque srement continu.
1. Dmontrer que, P p.s., pour tout s :
X
s
= lim
n+
k0
1
[k/n,(k+1)/n[
(s)X
k/n
()
2. Prouver que lapplication :
([0, t] , B([0, t]) T
t
) (R, B(R))
(s, ) X
s
()
est mesurable.
3. En dduire que si S t, X
S
est T
t
mesurable, puis que X
S
est T
S
mesurable.
Exercice 12 Cette exercice est une introduction lintgrale stochastique. Il sagit de construire
une intgrale du type
_
+
0
f(s)dX
s
, o (X
t
)
t0
est un T
t
-mouvement brownien et f(s) est une
fonction mesurable de (R
+
, B(R
+
)) dans (R, B(R)) telle que :
_
+
0
f
2
(s)ds < +.
Ce type dintgrale sappelle intgrale de Wiener et cest un cas particulier de lintgrale dIto
qui est introduite au paragraphe 4.
On rappelle que lensemble Hdes fonctions de la forme
0iN1
a
i
1
]t
i
,t
i+1
]
, avec a
i
R,
et t
0
= 0 t
1
t
N
est dense dans L
2
(R
+
, dx) muni de la norme |f|
L
2 =
_
_
+
0
f
2
(s)ds.
1. Soit a
i
R, et 0 = t
0
t
1
t
N
, et f =
0iN1
a
i
1
]t
i
,t
i+1
]
. On pose :
I
e
(f) =
0iN1
a
i
(X
t
i+1
X
t
i
).
Dmontrer que I
e
(f) est une variable alatoire gaussienne dont on calculera la moyenne
et la variance. Dmontrer en particulier que :
E(I
e
(f)
2
) = |f|
2
L
2 .
2. En dduire quil existe une unique application linaire de L
2
(R
+
, dx) valeurs dans
L
2
(, T, P), I, telle que I(f) = I
e
(f), si f est dans H et E(I(f)
2
) = |f|
L
2 , pour tout
f dans L
2
(R
+
).
3. Dmontrer que, si (X
n
)
n0
est une suite de variables alatoires gaussiennes centres qui
convergent dans L
2
(, T, P) vers X, alors X est une variable alatoire gaussienne centre.
En dduire que si f L
2
(R
+
, dx) alors I(f) est une variable alatoire gaussienne centre
de variance
_
+
0
f
2
(s)ds.
4. Soit f L
2
(R
+
, dx), on note Z
t
=
_
t
0
f(s)dX
s
=
_
1
]0,t]
(s)f(s)dX
s
, dmontrer que Z
t
est un processus adapt T
t
, et que Z
t
Z
s
est indpendant de T
s
(commencer par traiter
le cas f H).
5. Dmontrer que les processus Z
t
, Z
2
t

_
t
0
f
2
(s)ds, exp(Z
t
(1/2)
_
t
0
f
2
(s)ds) sont des
T
t
-martingales.
Exercice 13 Soient T un rel positif et (M
t
)
0tT
une T
t
-martingale continue. On suppose que
E(M
2
T
) est ni.
1. Dmontrer que (|M
t
|)
0tT
une sous-martingale.
2. Montrer que, si M
= sup
0tT
|M
t
| :
P(M
) E
_
|M
T
|1
{M
}
_
(Utiliser le thorme darrt pour la sous-martingale |M
t
| entre T o = inf{t
T, |M
t
| } (si cet ensemble est non vide, +sinon) et T).
3. Dduire du rsultat prcdent que, si A est positif :
E((M
A)
2
) 2E((M
A)|M
T
|).
(Utiliser le fait que (M
A)
p
=
_
M
A
0
px
p1
dx pour p = 1, 2).
4. Dmontrer que, E(M
) est ni et que :
E
_
sup
0tT
|M
t
|
2
_
4E(|M
T
|
2
).
Exercice 14 1. Dmontrer que si S et S
sont deux T
t
-temps darrt alors SS
= inf(S, S
)
et S S
= sup(S, S
) sont des T
t
-temps darrt.
2. En utilisant le temps darrt S s et le thorme darrt dmontrer que :
E
_
M
S
1
{S > s}
|T
s
_
= M
s
1
{S > s}
3. En dduire que, si s t :
E
_
M
St
1
{S > s}
|T
s
_
= M
s
1
{S > s}
,
4. En utilisant le fait que M
Ss
est T
s
mesurable, montrer que t M
St
est une T
t
mar-
tingale.
Exercice 15 1. Soit (H
t
)
0tT
un processus mesurable adapt tel que
_
T
0
H
2
t
dt < , p.s..
On pose M
t
=
_
t
0
H
s
dW
s
, (o (W
t
)
0tT
est un mouvement brownien standard). Mon-
trer que si E
_
sup
0tT
M
2
t
_
< , alors E
_
_
T
0
H
2
t
dt
_
< . On pourra introduire la
suite de temps darrt dnie par
n
= inf{t 0 |
_
t
0
H
2
s
ds = n} et montrer que
E(M
2
Tn
) = E
_
_
Tn
0
H
2
s
ds
_
.
2. On pose p(t, x) =
1
1t
exp(x
2
/2(1 t)), pour 0 t < 1 et x R, et p(1, x) = 0.
Soit (M
t
)
0t1
le processus dni sur [0, 1] par M
t
= p(t, W
t
).
(a) Montrer que
M
t
= M
0
+
_
t
0
p
x
(s, W
s
)dW
s
.
(b) Soit H
t
= (p/x)(t, W
t
). Montrer que
_
1
0
H
2
t
dt < , p.s. et E
_
_
1
0
H
2
t
dt
_
=
+.
Exercice 16 Soit (M
t
)
0tT
une T
t
-martingale continue telle que M
t
=
_
t
0
K
s
ds, o
(K
t
)
0tT
est un processus T
t
-adapt tel que P p.s.
_
T
0
|K
s
|ds < +.
1. On suppose, de plus, que P p.s.
_
T
0
|K
s
|ds C < +. Dmontrer que si t
n
i
= Ti/n
pour 0 i n, alors :
lim
n+
E
_
_
n
i=1
_
M
t
n
i
M
t
n
i1
_
2
_
_
= 0.
2. Sous les hypothses de la question prcdente, dmonter que :
E
_
_
n
i=1
_
M
t
n
i
M
t
n
i1
_
2
_
_
= E
_
M
2
T
M
2
0
_
.
En dduire M
T
= 0 P p.s. , puis que P p.s. t T, M
t
= 0.
3. On ne suppose plus que
_
T
0
|K
s
|ds soit born mais seulement que cette variable ala-
toire est nie presque srement. On admettra que la variable alatoire
_
t
0
|K
s
|ds est T
t
-
mesurable. Montrer que T
n
= inf{0 s T,
_
t
0
|K
s
|ds n} (T si cet ensemble est vide)
est un temps darrt. Prouver que P p.s. lim
n+
T
n
= T. En dduire, en utilisant la
suite de martingales (M
tTn
)
t0
, que P p.s. t T, M
t
= 0.
4. Soit M
t
une martingale de la forme
_
t
0
H
s
dW
s
+
_
t
0
K
s
ds avec
_
t
0
H
2
s
ds < + P p.s.
et
_
t
0
|K
s
|ds < + P p.s. . En utilisant la suite de temps darrt T
n
= inf{t
T,
_
t
0
H
2
s
ds n}, dmontrer que K
t
= 0 dt P p.s..
Exercice 17 On sintresse la solution X
t
de lquation diffrentielle stochastique :
_
dX
t
= (X
t
+
)dt + (X
t
+
)dW
t
X
0
= 0.
On pose S
t
= exp
_
(
2
/2)t + W
t
_
.
1. Ecrire lquation diffrentielle stochastique dont est solution S
1
t
.
2. Dmontrer que :
d(X
t
S
1
t
) = S
1
t
((
)dt +
dW
t
) .
3. En dduire une expression pour X
t
.
Exercice 18 Soit (W
t
)
t0
un T
t
-mouvement brownien. Le but de cet exercice est de calculer
la loi du couple (W
t
, sup
st
W
s
).
1. Soit S un temps darrt born. En utilisant le thorme darrt pour la martingale M
t
=
exp(izW
t
+ z
2
t/2), o z est un nombre rel, dmontrer que, si 0 u v :
E
_
e
iz(W
v+S
W
u+S
)
|T
u+S
_
= e
z
2
2
(vu)
.
2. En dduire que W
S
u
= W
u+S
W
S
est un T
S+u
-mouvement brownien indpendant de la
tribu T
S
.
3. Soit (Y
t
)
t0
est un processus alatoire continu indpendant de la tribu B tel que
E(sup
0sK
|Y
s
|) < +. Soit T une variable alatoire B-mesurable borne par K, montrer
que :
E(Y
T
|B) = E(Y
t
)|
t=T
.
On commencera par traiter le cas o T est de la forme
1in
t
i
1
A
i
, o 0 < t
1
< <
t
n
= K, les A
i
tant disjoints et B mesurables.
4. On pose
= inf{s 0, W
s
> }, dmontrer que, si f est une fonction borlienne
borne :
E
_
f(W
t
)1
_
t
_
_
= E
_
1
_
t
_
(t
)
_
,
o (u) = E(f(W
u
+)). En dduire, en utilisant le fait que E(f(W
u
+)) = E(f(W
u
+
)) que :
E
_
f(W
t
)1
_
t
_
_
= E
_
f(2 W
t
)1
_
t
_
_
.
5. Montrer que si W
t
= sup
st
W
s
et si 0 :
P(W
t
, W
t
) = P(W
t
, W
t
) = P(W
t
).
En dduire que W
t
suit la mme loi que |W
t
|.
6. Dmontrer que si et 0 :
P(W
t
, W
t
) = P(W
t
2 , W
t
) = P(W
t
2 ).
et que si et 0 :
P(W
t
, W
t
) = 2P(W
t
) P(W
t
).
7. Vrier que la loi du couple (W
t
, W
t
) est donne par :
1
{0 y}
1
{x y}
2(2y x)
2t
3
exp
_
(2y x)
2
2t
_
dxdy.
Chapitre 4
Modle de Black et Scholes
Le problme trait par Black et Scholes dans [BS73] est lvaluation et la couverture dune
option de type europen (call ou put) sur une action ne distribuant pas de dividendes. La m-
thode utilise, qui repose sur des ides analogues celles dj prsentes dans le cadre des
modles discrets dans le chapitre 1 de ce livre, conduit des formules aujourdhui couram-
ment utilises par les praticiens, malgr le caractre simplicateur du modle. Dans ce chapitre,
nous donnons une prsentation actualise des travaux de Black et Scholes. Le cas des options
amricaines est abord et des extensions du modle sont prsentes dans les problmes.
1 Description du modle
1.1 Lvolution des cours
Le modle propos par Black et Scholes pour dcrire lvolution des cours est un modle
temps continu avec un actif risqu (une action de prix S
t
linstant t) et un actif sans risque (de
prix S
0
t
linstant t). On suppose lvolution de S
0
t
rgie par lquation diffrentielle (ordinaire)
suivante :
dS
0
t
= rS
0
t
dt (4.1)
o r est une constante positive. Cela signie que le taux dintrt sur le march des placements
sans risque est constant et gal r (noter que r est ici un taux dintrt instantan, ne pas
confondre avec le taux sur une priode des modles discrets). On posera S
0
0
= 1, de sorte que
S
0
t
= e
rt
, pour t 0.
On suppose que lvolution du cours de laction est rgie par lquation diffrentielle sto-
chastique suivante :
dS
t
= S
t
(dt + dB
t
) (4.2)
o et sont deux constantes et (B
t
) un mouvement brownien standard.
Le modle est tudi sur lintervalle [0, T] o T est la date dchance de loption tudier.
Comme nous lavons vu (cf. chapitre 3, paragraphe 4.3), lquation (4.2) se rsout, explicite-
ment :
S
t
= S
0
exp
_
t

2
2
t +B
t
_
,
o S
0
est le cours observ la date 0. Il en rsulte en particulier que, selon ce modle, la loi de
S
t
est une loi log-normale (cest dire que son logarithme suit une loi normale).
Plus prcisment, on voit que le processus (S
t
) vrie une quation du type (4.2) si et
seulement si le processus (log(S
t
)) est un mouvement brownien (non ncessairement standard).
Compte tenu de la dnition 2.1 du chapitre 3, cela signie que le processus (S
t
) vrie les
proprits suivantes :
continuit des trajectoires,
indpendance des accroissements relatifs : si u t, S
t
/S
u
ou (ce qui revient au mme),
laccroissement relatif (S
t
S
u
)/S
u
est indpendant de la tribu (S
v
, v u),
stationnarit des accroissements relatifs : si u t, la loi de (S
t
S
u
)/S
u
est identique
celle de (S
tu
S
0
)/S
0
.
Ces trois proprits traduisent de facon concrte les hypothses de Black et Scholes sur lvo-
lution du cours de laction.
1.2 Les stratgies autonances
Une stratgie sera dnie par un processus = (
t
)
0tT
=
_
(H
0
t
, H
t
)
_
, valeurs dans R
2
,
adapt la ltration naturelle (T
t
) du mouvement brownien, les composantes H
0
t
et H
t
de
t
donnant, linstant t, les quantits dactif sans risque et dactif risqu respectivement dtenues
en portefeuille. La valeur du portefeuille linstant t est alors donne par :
V
t
() = H
0
t
S
0
t
+ H
t
S
t
.
Dans les modles discrets, nous avons caractris les stratgies autonances par lgalit :
V
n+1
() V
n
() =
n+1
.(S
n+1
S
n
) (cf. chapitre 1, remarque 1.1). La transposition de cette
galit temps continu conduit crire la condition dautonancement sous la forme suivante :
dV
t
() = H
0
t
dS
0
t
+ H
t
dS
t
.
Pour que cette galit ait un sens on imposera la condition :
_
T
0
|H
0
t
|dt < +p.s. et
_
T
0
H
2
t
dt < +p.s.
Alors lintgrale :
_
T
0
H
0
t
dS
0
t
=
_
T
0
H
0
t
re
rt
dt
est bien dnie, ainsi que lintgrale stochastique :
_
T
0
H
t
dS
t
=
_
T
0
(H
t
S
t
) dt +
_
T
0
H
t
S
t
dB
t
,
puisque la fonction t S
t
est continue, donc borne sur [0, T], presque srement.
Dnition 1.1 Une stratgie autonance est dnie par un couple de processus adapts
_
H
0
t
_
0tT
et (H
t
)
0tT
vriant :
1.
_
T
0
|H
0
t
|dt +
_
T
0
H
2
t
dt < +p.s.
2. H
0
t
S
0
t
+H
t
S
t
= H
0
0
S
0
0
+ H
0
S
0
+
_
t
0
H
0
u
dS
0
u
+
_
t
0
H
u
dS
u
p.s., pour tout t [0, T].
Nous noterons

S
t
= e
rt
S
t
le cours actualis de lactif risqu. La proposition suivante est
lanalogue de la proposition 1.2 du chapitre 1.
Proposition 1.2 Soit = ((H
0
t
, H
t
))
0tT
un processus adapt valeurs dans R
2
, vriant
_
T
0
|H
0
t
|dt +
_
T
0
H
2
t
dt < + p.s. On pose : V
t
() = H
0
t
S
0
t
+ H
t
S
t
et

V
t
() = e
rt
V
t
().
Alors, dnit une stratgie autonance si et seulement si :
V
t
() = V
0
() +
_
t
0
H
u
d
S
u
p.s. (4.3)
pour tout t [0, T].
Ch.4 MODLE DE BLACK ET SCHOLES 69
Dmonstration : Supposons la stratgie autonance. De lgalit :
d

V
t
() = r

V
t
()dt + e
rt
dV
t
()
qui rsulte de la diffrenciation du produit des processus (e
rt
) et (V
t
()) (noter que le terme
de crochets d < e
r.
, V
.
() >
t
est nul), on dduit :
d

V
t
() = re
rt
_
H
0
t
e
rt
+H
t
S
t
_
dt +e
rt
H
0
t
d(e
rt
) +e
rt
H
t
dS
t
= H
t
_
re
rt
S
t
dt + e
rt
dS
t
_
= H
t
d
S
t
.
Do lgalit (4.3). La dmonstration de la rciproque repose sur un raisonnement analogue.
Remarque 1.3 Nous navons pas impos de condition de prvisibilit sur les stratgies, contrai-
rement ce que nous avons fait dans le chapitre 1. En fait, on peut dnir une notion de proces-
sus prvisible temps continu mais, dans le cas de la ltration dun mouvement brownien, cela
ne restreint pas la classe des processus adapts de facon signicative (en raison de la continuit
des trajectoires du mouvement brownien).
Dans notre tude des modles discrets complets, nous avons t amens nous placer sous une
loi de probabilit quivalente la probabilit initiale et sous laquelle les prix actualiss des
actifs sont des martingales, puis nous avons construit des stratgies autonances simulant les
options. Le paragraphe suivant prsente les outils qui permettent de transposer ces mthodes au
temps continu.
2 Changement de probabilit. Thorme de reprsentation
des martingales
2.1 Probabilits quivalentes
Soit (, /, P) un espace probabilis. Une probabilit Q sur (, /) est dite absolument
continue par rapport P si :
A / P(A) = 0 Q(A) = 0.
Thorme 2.1 Q est absolument continue par rapport P si, et seulement si, il existe une
variable alatoire Z valeurs positives ou nulles sur (, /) telle que :
A / Q(A) =
_
A
Z()dP(),
Z est appele densit de Q par rapport P et parfois note
dQ
dP
.
Lquivalence dmontrer est vidente dans un sens, la rciproque est une version du thorme
de Radon-Nikodym (cf. par exemple [DCD82], tome 1).
Les probabilits P et Q sont dites quivalentes si chacune delles est absolument continue
par rapport lautre. Noter que si Q est absolument continue par rapport P, de densit Z, alors
P et Q sont quivalentes si et seulement si P(Z > 0) = 1.
2.2 Thorme de Girsanov
Soit
_
, T, (T
t
)
0tT
, P
_
un espace probabilis ltr, dont la ltration est la ltration na-
turelle dun mouvement brownien standard (B
t
)
0tT
, index par lintervalle de temps [0, T].
Le thorme suivant, que nous admettrons, est connu sous le nom de thorme de Girsanov (cf.
[KS88], [DCD83], chapitre 8).
Thorme 2.2 Soit (
t
)
0tT
un processus adapt vriant
_
T
0

2
s
ds < p.s. et tel que le
processus (L
t
)
0tT
dni par :
L
t
= exp
_
_
t
0
s
dB
s

1
2
_
t
0
2
s
ds
_
soit une martingale. Alors, sous la probabilit P
(L)
de densit L
T
par rapport P, le processus
(W
t
)
0tT
dni par W
t
= B
t
+
_
t
0
s
ds, est un mouvement brownien standard.
Remarque 2.3 Une condition sufsante pour que (L
t
)
0tT
soit une martingale est que lon
ait : E
_
exp
_
1
2
_
T
0

2
t
dt
__
< (cf. [KS88], [DCD82]). La dmonstration du thorme de Gir-
sanov dans le cas o (
t
) est constant fait lobjet de lexercice 19.
2.3 Thorme de reprsentation des martingales browniennes
Soit (B
t
)
0tT
un mouvement brownien standard construit sur un espace probabilis
(, T, P) et soit (T
t
)
0tT
sa ltration naturelle. Rappelons (cf. chapitre 3, proposition 4.4)
que si (H
t
)
0tT
est un processus adapt tel que E
_
_
T
0
H
2
t
dt
_
< , le processus
_
_
t
0
H
s
dB
s
_
est une martingale de carr intgrable, nulle en 0. Le thorme suivant montre que toutes les
martingales browniennes peuvent se reprsenter laide dune intgrale stochastique.
Thorme 2.4 Soit (M
t
)
0tT
une martingale de carr intgrable, par rapport la ltration
(T
t
)
0tT
. Il existe un processus adapt (H
t
)
0tT
tel que E
_
_
T
0
H
2
s
ds
_
< +et :
t [0, T] M
t
= M
0
+
_
t
0
H
s
dB
s
p.s.. (4.4)
Noter que cette reprsentation nest possible que pour les martingales de la ltration naturelle
du mouvement brownien (cf. exercice 26).
Il rsulte du thorme que si U est une variable alatoire T
T
-mesurable de carr intgrable,
on peut lcrire sous la forme :
U = E(U) +
_
T
0
H
s
dB
s
p.s.
o (H
t
) est une processus adapt tel que E
_
_
T
0
H
2
t
ds
_
< +. Il suft pour cela de considrer
la martingale M
t
= E(U|T
t
). On dmontre aussi (cf., par exemple [KS88]) que si (M
t
)
0tT
est une martingale (non ncessairement de carr intgrable) il existe une reprsentation du type
(4.4) mais avec un processus vriant seulement
_
T
0
H
2
t
ds < , p.s. Nous utiliserons dailleurs
ce rsultat dans le chapitre 6.
3 Evaluation et couverture des options dans le modle de
Black et Scholes
3.1 Une probabilit sous laquelle
_
S
t
_
est une martingale
Nous reprenons maintenant le modle introduit au paragraphe 1. Nous allons montrer quil
existe une probabilit quivalente la probabilit initiale P, sous laquelle le prix actualis

S
t
=
e
rt
S
t
de laction est une martingale. Utilisant lquation diffrentielle stochastique vrie par
(S
t
) on a :
d
S
t
= re
rt
S
t
dt +e
rt
dS
t
=

S
t
(( r)dt + dB
t
)
et par consquent, si on pose W
t
= B
t
+
r
t,
d
S
t
=

S
t
dW
t
. (4.5)
Daprs le thorme 2.2, appliqu en prenant
t
=
r
, il existe une probabilit P
quivalente
P sous laquelle (W
t
)
0tT
est un mouvement brownien standard. On admettra, par la suite, que
la dnition de lintgrale stochastique est invariante par changement de probabilit quivalente
(cf. exercice 25). Alors, si on se place sous la probabilit P
, on dduit de lgalit (4.5) que

(
S
t
) est une martingale et que :
S
t
=

S
0
exp(W
t

2
t/2).
3.2 Pricing
Dans ce paragraphe, nous nous limiterons aux options europennes. Une option europenne
sera dnie par une variable alatoire T
T
-mesurable, positive h. Le plus souvent, h est de la
forme f(S
T
), (f(x) = (x K)
+
, dans le cas dun call, f(x) = (K x)
+
dans le cas dun put).
Comme dans le cas discret, nous allons dnir la valeur de loption en la simulant. Pour des
raisons techniques, nous limiterons la classe des stratgies admissibles de la facon suivante :
Dnition 3.1 Une stratgie =
_
H
0
t
, H
t
_
0tT
est admissible si elle est autonance et si la
valeur actualise

V
t
() = H
0
t
+ H
t
S
t
du portefeuille correspondant est, pour tout t, positive
et telle que sup
t[0,T]
V
t
est de carr intgrable sous P
.
On dira quune option est simulable si sa valeur lchance est gale la valeur nale dune
stratgie admissible. Il est clair que pour que loption dnie par h soit simulable, il est nces-
saire que h soit de carr intgrable sous P
. Dans le cas du call (h = (S

T
K)
+
), cette proprit
est bien vrie puisque E
(S
2
T
) < ; notons que dans le cas du put, h est mme borne.
Thorme 3.2 Dans le modle de Black et Scholes, toute option dnie par une variable ala-
toire h, positive, T
T
-mesurable et de carr intgrable sous la probabilit P
est simulable et la
valeur linstant t de tout portefeuille simulant est donne par :
V
t
= E
_
e
r(Tt)
h|T
t
_
.
La valeur de loption linstant t est donc dnie de facon naturelle par lexpression
E
_
e
r(Tt)
h|T
t
_
.
Dmonstration : Supposons tout dabord quil existe une stratgie admissible (H
0
, H), simu-
lant loption. La valeur linstant t du portefeuille (H
0
t
, H
t
) est donne par :
V
t
= H
0
t
S
0
t
+H
t
S
t
et lon a, par hypothse, V
T
= h. Soit

V
t
= V
t
e
rt
, la valeur actualise :
V
t
= H
0
t
+H
t
S
t
.
Puisque la statgie est autonance, on a, daprs la proposition 1.2 et lgalit (4.5) :
V
t
= V
0
+
_
t
0
H
u
d
S
u
= V
0
+
_
t
0
H
u
S
u
dW
u
.
Sous la probabilit P
, sup
t[0,T]
V
t
est de carr intgrable, daprs la dnition des stratgies
admissibles, et lgalit qui prcde fait apparatre le processus (

V
t
) comme une intgrale sto-
chastique par rapport (W
t
). Il en rsulte (cf. chapitre 3, quation (3.6) et proposition 4.4) que
(

V
t
) est, sous P
, une martingale de carr intgrable. Do :
V
t
= E
_

V
T
|T
t
_
,
et par consquent :
V
t
= E
_
e
r(Tt)
h|T
t
_
. (4.6)
Nous avons ainsi montr que si le portefeuille (H
0
, H) simule loption dnie par h, sa
valeur est donne par lgalit (4.6). Pour achever la dmonstration du thorme, il reste
dmontrer que loption est bien simulable, cest--dire trouver des processus (H
0
t
) et (H
t
)
dnissant une stratgie admissible et tels que :
H
0
t
S
0
t
+ H
t
S
t
= E
_
e
r(Tt)
h|T
t
_
.
Or, sous la probabilit P
, le processus dni par M

t
= E
(e
rT
h|T
t
) est une martingale de
carr intgrable. La ltration (T
t
), ltration naturelle de (B
t
), est aussi la ltration naturelle
de (W
t
) et, daprs le thorme de reprsentation des martingales browniennes, il existe un
processus adapt (K
t
)
0tT
tel que E
_
_
T
0
K
2
s
ds
_
< +et :
t [0, T] M
t
= M
0
+
_
t
0
K
s
dW
s
p.s..
La stratgie = (H
0
, H), avec H
t
= K
t
/(
S
t
) et H
0
t
= M
t
H
t
S
t
, est alors, daprs la pro-
position 1.2 et lgalit (4.5), une stratgie autonance, dont la valeur linstant t est donne
par :
V
t
() = e
rt
M
t
= E
_
e
r(Tt)
h|T
t
_
et il est clair sur cette expression que V
t
() est une variable alatoire positive, que
sup
t[0,T]
V
t
() est de carr intgrable sous P
et que V
T
() = h. On a donc bien une stra-
tgie admissible simulant h.
Remarque 3.3 Lorsque la variable alatoire h est de la forme h = f(S
T
), on peut expliciter la
valeur V
t
de loption linstant t comme une fonction de t et S
t
. On a en effet :
V
t
= E
_
e
r(Tt)
f(S
T
)|T
t
_
= E
_
e
r(Tt)
f
_
S
t
e
r(Tt)
e
(W
T
Wt)(
2
/2)(Tt)
_
T
t
_
La variable alatoire S
t
est T
t
-mesurable et, sous P
, W
T
W
t
est indpendante de T
t
. On a
donc, en utilisant la proposition 2.5 de lappendice,
V
t
= F(t, S
t
),
avec :
F(t, x) = E
_
e
r(Tt)
f
_
xe
r(Tt)
e
(W
T
Wt)(
2
/2)(Tt)
__
(4.7)
et comme, sous P
, W
T
W
t
est une gaussienne centre de variance T t :
F(t, x) = e
r(Tt)
_
+
f
_
xe
(r
2
/2)(Tt)+y
Tt
_
e
y
2
/2
dy
2
.
Le calcul de F peut tre pouss plus loin dans le cas du call et du put. Si lon prend lexemple
du call, avec f(x) = (x K)
+
, on a, daprs lgalit (4.7) :
F(t, x) = E
_
e
r(Tt)
_
xe
(r
2
/2)(Tt)+(W
T
Wt)
K
_
+
_
= E
_
xe
g
2
/2
Ke
r
_
+
o g est une gaussienne centre rduite et = T t.
Introduisons les quantits :
d
1
=
log
_
x
K
_
+
_
r +

2
2
_
et d
2
= d
1

.
Avec ces notations, on a
F(t, x) = E
_
_
xe
g
2
/2
Ke
r
_
1
{g +d
2
0}
_
=
_
+
d
2
_
xe
y
2
/2
Ke
r
_
e
y
2
/2
2
dy
=
_
d
2
_
xe
y
2
/2
Ke
r
_
e
y
2
/2
2
dy.
En crivant cette expression comme la diffrence de deux intgrales et en faisant dans la pre-
mire le changement de variable z = y +
, on obtient :
F(t, x) = xN(d
1
) Ke
r
N(d
2
), (4.8)
avec :
N(d) =
1
2
_
d
e
x
2
/2
dx.
Pour le put, un calcul analogue donne, avec les mmes notations :
F(t, x) = Ke
r
N(d
2
) xN(d
1
) (4.9)
Pour des mthodes de calcul efcaces de N(d) on pourra se reporter au chapitre 8.
Remarque 3.4 Un des traits majeurs du modle de Black-Scholes (et une des raisons de son
succs) est que les formules de prix obtenues, de mme que les formules de couverture que
nous donnerons plus loin, dpendent dun seul paramtre non directement observable : le para-
mtre , appel volatilit par les praticiens (le paramtre de drive disparat sous leffet du
changement de probabilit). Dans la pratique, deux mthodes sont utilises pour valuer :
1. la mthode historique : dans le cadre du modle,
2
T est la variance de log(S
T
) et les
variables log(S
T
/S
0
), log(S
2T
/S
T
), . . ., log(S
NT
/S
(N1)T
) sont indpendantes quidistri-
bues. Ds lors, on peut, partir des valeurs du cours observes dans le pass, estimer
par des voies statistiques (par exemple laide de variances empiriques ; cf. [DCD82],
chapitre 5).
2. la mthode implicite : certaines options sont cotes sur des marchs organiss et le
prix des options (calls et puts) tant une fonction strictement croissante de (cf. exercice
21), chaque option cote, on peut associer une volatilit implicite, par inversion de
la formule de Black-Scholes. Le modle ainsi identi peut ensuite tre utilis pour les
calculs de couverture.
Dans ces questions de volatilit, on se heurte vite aux imperfections du modle de Black-
Scholes : on constate des diffrences importantes entre volatilit historique et volatilit im-
plicite et la volatilit implicite semble dpendre du prix dexercice et de lchance. Malgr ces
incohrences, le modle constitue une rfrence indispensable pour les praticiens.
3.3 Couverture des calls et des puts
Dans la dmonstration du thorme 3.2, nous avons invoqu le thorme de reprsentation
des martingales browniennes pour montrer lexistence dun portefeuille simulant. Dans la pra-
tique, il importe de pouvoir construire effectivement le portefeuille simulant pour couvrir une
option et on ne peut pas se contenter dun simple thorme dexistence.
Nous allons voir comment, dans le cas o loption est dnie par une variable alatoire de
la forme h = f(S
T
), on peut expliciter le portefeuille de couverture. Un portefeuille simulant
doit avoir, chaque instant t, une valeur actualise gale :
V
t
= e
rt
F(t, S
t
),
o F est la fonction dnie par lgalit (4.7). Sous des hypothses trs larges sur f (et, en
particulier, dans les cas du call et du put o on dispose des formules explicites de la remarque
3.3), on voit que la fonction F est de classe C
sur [0, T[R. Si on pose :
F(t, x) = e
rt
F
_
t, xe
rt
_
.
on a :

V
t
=

F(t,

S
t
) et, pour t < T, daprs la formule dIto :
F
_
t,

S
t
_
=

F
_
0,

S
0
_
+
_
t
0
F
x
_
u,

S
u
_
d
S
u
+
_
t
0
F
t
_
u,

S
u
_
du +
_
t
0
1
2
F
x
2
_
u,

S
u
_
d <

S,

S >
u
De lgalit d
S
t
=

S
t
dW
t
, on dduit :
d <

S,

S >
u
=
2
S
2
u
du,
ce qui fait apparatre

F
_
t,

S
t
_
sous la forme suivante :
F
_
t,

S
t
_
=

F
_
0,

S
0
_
+
_
t
0
F
x
_
u,

S
u
_

S
u
dW
u
+
_
t
0
K
u
du.
Comme on sait que

F(t,

S
t
, le processus K
u
est ncessairement nul
(cf. chapitre 3, exercice 16). Do :
F
_
t,

S
t
_
=

F
_
0,

S
0
_
+
_
t
0
F
x
_
u,

S
u
_

S
u
dW
u
=

F
_
0,

S
0
_
+
_
t
0
F
x
_
u,

S
u
_
d
S
u
.
Le candidat naturel pour le processus de couverture H
t
est alors :
H
t
=

F
x
_
t,

S
t
_
=
F
x
(t, S
t
) .
Si on pose H
0
t
=

F
_
t,

S
t
_
H
t
S
t
, le portefeuille (H
0
t
, H
t
) est autonanc et sa valeur actualise
est bien

V
t
=

F
_
t,

S
t
_
.
Remarque 3.5 Le raisonnement qui prcde montre quon peut traiter les options de la forme
f(S
T
) sans utiliser le thorme de reprsentation des martingales browniennes.
Remarque 3.6 Dans le cas du call, on a, avec les notations de la remarque 3.3,
F
x
(t, x) = N(d
1
).
et dans le cas du put :
F
x
(t, x) = N(d
1
).
On pourra le vrier en exercice (la facon la plus simple de faire le calcul est de driver sous le
signe desprance). Cette quantit est souvent appele le delta de loption par les praticiens.
Plus gnralement, lorsque la valeur linstant t dun portefeuille peut scrire (t, S
t
), la
quantit (/x)(t, S
t
), qui mesure la sensibilit du portefeuille aux variations du cours
linstant t, est appele le delta du portefeuille. On parle de gamma pour la drive seconde
(
2
/x
2
)(t, S
t
), de thta pour la drive par rapport au temps et de vga pour la drive
de par rapport la volatilit .
4 Options amricaines dans le modle de Black-Scholes
4.1 Evaluation des options amricaines
Nous avons vu, dans le chapitre 2, les liens entre lvaluation des options amricaines et
le problme darrt optimal dans le cadre de modles discrets. La thorie de larrt optimal
en temps continu repose sur les mmes ides quen temps discret, mais la mise en uvre de
ces ides soulve, dans ce cadre, de srieuses difcults techniques. En ce qui concerne les
options amricaines, il est clair que lapproche que nous avons utilise dans le paragraphe 3.3 du
chapitre 2, base sur une relation de rcurrence, nest pas directement transposable. Lexercice
5 du chapitre 2 montre que, dans un modle discret, toute option amricaine peut tre associe
une stratgie de couverture dans laquelle une certaine consommation est autorise. Cest partir
de stratgies de gestion avec consommation que nous allons tudier les options amricaines dans
le modle de Black-Scholes.
Dnition 4.1 Une stratgie de gestion avec consommation est la donne dun processus
adapt = ((H
0
t
, H
t
))
0tT
, valeurs dans R
2
, vriant les proprits suivantes :
1.
_
T
0
|H
0
t
|dt +
_
T
0
H
2
t
dt < +p.s.
2. H
0
t
S
0
t
+ H
t
S
t
= H
0
0
S
0
0
+ H
0
S
0
+
_
t
0
H
0
u
dS
0
u
+
_
t
0
H
u
dS
u
C
t
pour tout t [0, T], o
(C
t
)
0tT
est un processus croissant continu adapt nul en t = 0, C
t
reprsentant la
consommation cumule jusqu linstant t.
Une option amricaine est naturellement dnie par un processus adapt, valeurs positives
(h
t
)
0tT
. Pour simplier, nous nous limiterons des processus de la forme h
t
= (S
t
), o
est une fonction continue de R
+
dans R
+
, vriant : (x) A + Bx, x R
+
, pour des
constantes A et B positives. Pour un call, on a : (x) = (x K)
+
et pour un put : (x) =
(K x)
+
.
Nous dirons que la stratgie de gestion avec consommation = ((H
0
t
, H
t
))
0tT
couvre
loption amricaine dnie par h
t
= (S
t
) si, en notant V
t
() = H
0
t
S
0
t
+ H
t
S
t
, on a :
t [0, T] V
t
() (S
t
) p.s.
Notons
lensemble des stratgies de gestion avec consommation qui couvrent loption am-
ricaine dnie par h
t
= (S
t
). Si le vendeur de loption suit une stratgie
, il dispose,
chaque instant t, dune richesse au moins gale (S
t
), qui est la somme fournir en cas
dexercice de loption linstant t. Lnonc suivant fait apparatre la valeur minimale dune
stratgie de couverture dune option amricaine :
Thorme 4.2 Soit u lapplication de [0, T] R
+
dans R dnie par :
u(t, x) = sup
T
t,T
E
_
e
r(t)
_
x exp
_
(r (
2
/2))( t) +(W
W
t
)
___
o T
t,T
dsigne lensemble des temps darrt valeurs dans [t, T]. Il existe une stratgie

telle que V
t
(

) = u(t, S
t
), pour tout t [0, T]. De plus, pour toute stratgie
, on
a : V
t
() u(t, S
t
), pour tout t [0, T].
Pour viter les difcults techniques, nous donnerons seulement le schma de la dmonstration
de ce thorme, renvoyant [Kar88, Kar89] pour les dtails.
On montre dabord que le processus (e
rt
u(t, S
t
)) est lenveloppe de Snell du processus
(e
rt
(S
t
)), cest--dire la plus petite surmartingale qui le majore, sous P
. Or, on peut montrer

que la valeur actualise dune stratgie de gestion avec consommation est une surmartingale
sous P
. On a donc lingalit : V
t
() u(t, S
t
), pour toute stratgie
. Lobtention
dune stratgie

telle que V
t
(

) = u(t, S
t
) repose sur un thorme de dcomposition des
surmartingales analogue la proposition 3.1 du chapitre 2 et sur le thorme de reprsentation
des martingales browniennes.
Il est naturel de considrer que u(t, S
t
) reprsente la valeur de loption amricaine linstant
t, puisque cest la valeur minimale dune stratgie qui couvre loption.
Remarque 4.3 Soit un temps darrt valeurs dans [0, T]. La valeur linstant 0 dune stra-
tgie admissible au sens de la dnition 3.1 et de valeur (S
) linstant est donne par

E
(e
r
(S
)), puisque la valeur actualise de toute stratgie admissible est une martingale
sous P
. La quantit u(0, S
0
) = sup
T
0,T
E
(e
r
(S
)) est donc bien la richesse initiale per-

mettant de couvrir exactement tous les exercices possibles.
Comme dans les modles discrets, on constate que le prix du call amricain (sur une action ne
distribuant pas de dividende) est gal au prix du call europen :
Proposition 4.4 Si, dans le thorme 4.2, est donne par (x) = (x K)
+
, pour tout rel
x, alors on a :
u(t, x) = F(t, x)
o F est la fonction dnie par la relation (4.8) donnant le prix du call europen.
Dmonstration : Supposons pour simplier t = 0 (le raisonnement est le mme pour t > 0).
Alors, il suft de dmontrer que pour tout temps darrt ,
E
(e
r
(S
K)
+
) E
(e
rT
(S
T
K)
+
) = E
S
T
e
rT
K)
+
Or, on a :
E
_
(
S
T
e
rT
K)
+
|T
_
E
_
(
S
T
e
rT
K)|T
_
=

S
e
rT
K
puisque (
S
t
. Do :
E
_
(
S
T
e
rT
K)
+
|T
_

S
e
r
K
puisque r 0 et, puisque le membre de gauche est positif,
E
_
(
S
T
e
rT
K)
+
|T
_

_
e
r
K
_
+
.
Do lingalit annonce en prenant lesprance.
4.2 Puts perptuels, prix critique
Dans le cas du put, le prix de loption amricaine nest pas gal celui de loption euro-
penne et il nexiste pas de formule explicite donnant la fonction u. On doit donc recourir des
mthodes de calcul approch qui seront abordes dans le chapitre 5. Dans ce paragraphe nous
nous contenterons de dduire de la formule :
u(t, x) = sup
T
t,T
E
_
Ke
r(t)
x exp
_
2
( t)/2 + (W
W
t
)
__
+
(4.10)
quelques proprits de la fonction u. Nous supposerons, pour simplier, t = 0. En fait, on peut
toujours se ramener ce cas-l, quitte changer T en T t. Lquation (4.10) devient alors :
u(0, x) = sup
T
0,T
E
_
Ke
r
x exp
_
W
(
2
/2)
__
+
(4.11)
Considrons un espace de probabilit (, T, P), sur lequel est dni un mouvement brownien
standard (B
t
)
0t<
dni sur R
+
. Alors, on a :
u(0, x) = sup
T
0,T
E
_
Ke
r
x exp
_
B
(
2
/2)
__
+
sup
T
0,
E
_
_
Ke
r
x exp
_
B
(
2
/2)
__
+
1
{ < }
_
(4.12)
en notant T
0,
lensemble de tous les temps darrt de la ltration de (B
t
)
t0
et T
0,T
lensemble
des lments de T
0,
valeurs dans [0, T]. Le membre de droite de lingalit (4.12) sinterprte
naturellement comme la valeur dun put perptuel (cest--dire exercable tout moment sans
limite dchance). La proposition suivante permet dexpliciter la majoration (4.12).
Proposition 4.5 La fonction :
u
(x) = sup
T
0,
E
_
_
Ke
r
x exp
_
B
(
2
/2)
__
+
1
{ < }
_
(4.13)
est donne par les formules suivantes :
u
(x) = K x pour x x
(x) = (K x
)
_
x
x
pour x > x
avec x
=
K
1+
et =
2r
2
.
Dmonstration : On dduit de la formule (4.13) que la fonction u
est convexe, d-
croissante sur [0, [ et vrie : u
(x) (K x)
+
et, pour tout T > 0, u
(x)
E(Ke
rT
xe
B
T
(
2
T/2)
)
+
, ce qui implique : u
(x) > 0, pour tout x 0. Notons mainte-

nant x
= sup{x 0|u
(x) = K x}. Les proprits de u
que nous venons dnumrer

entranent :
x x
(x) = K x et x > x
(x) > (K x)
+
. (4.14)
Par ailleurs, la thorie de lenveloppe de Snell temps continu (cf. [Kar81], [Kus77], ainsi
que le chapitre 5) permet de montrer que :
u
(x) = E
_
_
Ke
rx
x exp
_
B
x
(
2
x
/2)
__
+
1
{
x
< }
_
o
x
est le temps darrt dni par
x
= inf{t 0|e
rt
u
(X
x
t
) = e
rt
(K X
x
t
)
+
} (avec
inf = ), le processus (X
x
t
) tant dni par : X
x
t
= xe
(r
2
2
)t+Bt
. Le temps darrt
x
est
donc un temps darrt optimal (noter lanalogie avec les rsultats du chapitre 2).
Il rsulte des relations (4.14) que
x
= inf{t 0|X
x
t
x
} = inf
_
t 0|(r

2
2
)t + B
t
log(x
/x)
_
Introduisons, pour tout nombre z R
+
, le temps darrt
x,z
dni par :
x,z
= inf{t 0|X
x
t
z}.
Avec ces notations, le temps darrt optimal est donn par
x
=
x,x
. Le nombre x tant x,
notons la fonction de z dnie par :
(z) = E
_
e
rx,z
1
{
x,z
< }
_
K X
x
x,z
_
+
_
.
Puisque
x,x
est optimal, la fonction admet son maximum au point z = x
. Nous allons
calculer explicitement, puis nous la maximiserons pour dterminer x
et u
(x) = (x
).
Si z > x, on a videmment
x,z
= 0 et (z) = (K x)
+
. Si z x, on a, en utilisant la
continuit des trajectoires de (X
x
t
)
t0
,
x,z
= inf{t 0|X
x
t
= z}
et par consquent
(z) = (K z)
+
E
_
e
rx,z
1
{
x,z
< }
_
= (K z)
+
E(e
rx,z
)
avec, par convention, e
r
= 0. En reprenant lexpression de X
x
t
en fonction de B
t
, on voit que,
pour z x,
x,z
= inf
_
t 0|
_
r

2
2
_
t +B
t
= log(z/x)
_
= inf
_
t 0|t +B
t
=
1
log(z/x)
_
,
en posant =
r

2
. Donc, si on note, pour tout rel b,
T
b
= inf{t 0|t +B
t
= b},
on a :
(z) =
_
_
_
(K x)
+
si z > x
(K z)E
_
e
rT
log(z/x)/
_
si z [0, x] [0, K]
0 si z [0, x] [K, +[.
Le maximum de est donc atteint sur lintervalle [o, x] [0, K]. En utilisant la formule suivante
(dmontre dans lexercice 24) :
E
_
e
T
b
_
= exp
_
b |b|
_
2
+2
_
,
on voit que
z [0, x] [0, K] (z) = (K z)
_
z
x
_
,
en posant =
2r
2
. La drive de cette fonction est donne par
(z) =
z
1
x
(K ( + 1)z) .
Il en rsulte que si x
K
+1
, max
z
(z) = (x) = K x et si x >
K
+1
, max
z
(z) =
_
K
+1
_
,
ce qui donne les formules annonces.
Remarque 4.6 Revenons au put amricain dchance T nie. En raisonnant comme au dbut
de la dmonstration de la proposition 4.5, on voit que, pour chaque t [0, T[, il existe un rel
s(t) vriant :
x s(t) u(t, x) = K x et x > s(t) u(t, x) > (K x)
+
. (4.15)
Compte-tenu de lingalit (4.12), on a s(t) x
, pour tout t [0, T[. Le rel s(t) sinterprte

comme le prix critique linstant t : si le prix de lactif sous-jacent linstant t est infrieur
s(t), le dtenteur de loption a intrt exercer immdiatement son option ; dans le cas contraire,
il a intrt la conserver.
Remarque bibliographique : La prsentation que nous avons utilise, base sur le thorme
de Girsanov, est inspire de [HP81] (voir aussi [Ben84], et le paragraphe 5.8 de [KS88]). Lap-
proche historique de [BS73] et [Mer73] consistait dgager, partir dun raisonnement darbi-
trage et de la formule dIt, une quation aux drives partielles vrie par la fonction donnant
le prix du call en fonction du temps et du cours spot. Pour les mthodes statistiques de d-
termination des paramtres des modles, on pourra se rfrer [DCD82] et [DCD83] et la
bibliographie de ces ouvrages.
5 Exercices
Exercice 19 Le but de lexercice est de montrer le thorme de Girsanov 2.2 dans le cas o le
processus (
t
) est constant. Soit (B
t
)
0tT
un mouvement brownien standard par rapport une
ltration (T
t
)
0tT
et soit un nombre rel. On pose, pour 0 t T, L
t
= e
Bt(
2
/2)t
.
1. Montrer que (L
t
)
0tT
est une martingale par rapport la ltration (T
t
) et que E(L
t
) = 1,
pour tout t [0, T].
2. On note P
(Lt)
la probabilit de densit L
t
par rapport la probabilit initiale P. Montrer
que les probabilits P
(L
T
)
et P
(Lt)
concident sur la tribu T
t
.
3. Soit Z une variable alatoire borne T
T
-mesurable. Montrer que lesprance condition-
nelle de Z, sous la probabilit P
(L
T
)
, sachant T
t
, est donne par :
E
(L
T
)
(Z|T
t
) =
E(ZL
T
|T
t
)
L
t
.
4. On pose W
t
= t + B
t
, pour tout t [0, T]. Montrer que pour tout rel u et pour tous s
et t dans [0, T], avec s t, on a :
E
(L
T
)
_
e
iu(WtWs)
T
s
_
= e
u
2
(ts)/2
Conclure en utilisant la proposition 2.2 de lappendice.
Exercice 20 Montrer quil y a unicit (en prcisant en quel sens) du portefeuille simulant une
option europenne dans le modle de Black-Scholes.
Exercice 21 On considre une option de la forme h = f(S
T
) et on note F la fonction donnant
le prix de loption en fonction du temps et du cours spot (cf. quation (4.7)).
1. Montrer que si f est croissante (resp. dcroissante), F(t, x) est une fonction croissante
(resp. dcroissante) de x.
2. On suppose f convexe. Montrer que F(t, x) est une fonction convexe de x, une fonction
dcroissante de t si r = 0 et une fonction croissante de dans tous les cas (partir de
lquation (4.7) et utiliser lingalit de Jensen : (E(X)) E((X)), valable pour
toute fonction convexe et pour toute variable alatoire X telle que X et (X) soient
intgrables).
3. On note F
c
(resp. F
p
) la fonction F obtenue quand f(x) = (xK)
+
(resp. f(x) = (Kx)
+
).
Montrer que F
c
(t, .) et F
p
(t, .) sont strictement positives pour t < T. Etudier les fonctions
F
c
(t, .) et F
p
(t, .) au voisinage de 0 et +.
Exercice 22 Calculer, sous la probabilit initiale P, la probabilit quun call europen soit
exerc.
Exercice 23 Justier les formules 4.8 et 4.9 et calculer, pour un call et un put le delta, le gamma,
le thta et le vga (cf. remarque 3.6).
Exercice 24 Soit (B
t
)
t0
un mouvement brownien standard. Pour tous nombres rels et b,
on pose :
T
b
= inf{t 0 | t +B
t
= b}
avec la convention : inf = .
1. En utilisant le thorme de Girsanov, montrer lgalit suivante :
, t > 0 E
_
e
(T
b
t)
_
= E
_
e
(T
0
b
t)
e
B
T
0
b
t
2
2
T
0
b
t
_
.
2. Montrer lingalit :
, t > 0 E
_
e
(T
0
b
t)
e
B
T
0
b
t
2
2
T
0
b
t
1
_
t < T
0
b
_
_
e
t
.
3. Dduire de ce qui prcde et des rsultats du chapitre 3 (proposition 3.6) que :
> 0 E
_
e
T
b
1
{T
b
< }
_
= e
b|b|
2+
2
.
4. Calculer P(T
b
< ).
Exercice 25 1. Soient P et Q deux probabilits quivalentes sur un espace probabilisable
(, /). Montrer que si une suite (X
n
) de variables alatoires converge en probabilit
sous P, elle converge en probabilit sous Q vers la mme limite.
2. Les notations et les hypothses sont celles du thorme 2.2. Soit (H
t
)
0tT
un processus
adapt tel que
_
T
0
H
2
s
ds < P-p.s.. Lintgrale stochastique de (H
t
) par rapport B
t
est
bien dnie sous la probabilit P. On pose
X
t
=
_
t
0
H
s
dB
s
+
_
t
0
H
s
s
ds.
Puisque P
(L)
et P sont quivalentes, on a
_
T
0
H
2
s
ds < P
(L)
-p.s. et on peut donc dnir,
sous P
(L)
, le processus
Y
t
=
_
t
0
H
s
dW
s
.
On demande de montrer que les processus Xet Y sont gaux. Pour cela, on traitera dabord
le cas des processus lmentaires et on utilisera le fait que si (H
t
)
0tT
est un processus
adapt vriant
_
T
0
H
2
s
ds < p.s., il existe une suite (H
n
) de processus lmentaires
telle que
_
T
0
(H
s
H
n
s
)
2
ds converge vers 0 en probabilit.
Exercice 26 Soit (B
t
)
0t1
un mouvement brownien standard dni sur lintervalle de temps
[0, 1]. On note (T
t
)
0t1
sa ltration naturelle et on suppose donne une variable alatoire
de loi exponentielle de paramtre , indpendante de T
1
. Pour t [0, 1], on note (
t
la tribu
engendre par T
t
et la variable alatoire t.
1. Montrer que ((
t
)
0t1
est une ltration et que (B
t
)
0t1
est un mouvement brownien par
rapport ((
t
).
2. Pour t [0, 1], on pose M
t
= E
_
1
{ > 1}
|(
t
_
. Montrer que :
M
t
= e
(1t)
1
{ > t}
p.s. .
On pourra utiliser le fait suivant : si B
1
et B
2
sont deux sous-tribus et X une variable
alatoire positive telle que la tribu engendre par B
2
et X soit indpendante de la tribu B
1
,
alors E(X|B
1
B
2
) = E(X|B
2
), o B
1
B
2
dsigne la tribu engendre par B
1
et B
2
.
3. Montrer quil nexiste pas de processus trajectoires continues (X
t
) tel que pour tout
t [0, 1] :
P(M
t
= X
t
) = 1,
(remarquer que lon aurait ncessairement P(t [0, 1] M
t
= X
t
) = 1). En dduire que
la martingale (M
t
) ne peut pas se reprsenter comme une intgrale stochastique par rap-
port (B
t
).
Exercice 27 On utilisera librement les rsultats de lexercice 18 du chapitre 3. Soit (W
t
)
t0
un
T
t
-mouvement brownien.
1. Dmontrer que si et si N(d) =
_
d
exp(x
2
/2)(dx/(
2)) :
E
_
_
_
_
_
e
W
T
1
_
W
T
, sup
sT
W
s

_
_
_
_
_
_
= e
2
T
2
+2
N
_
2 T
T
_
.
En dduire que si :
E
_
_
_
_
_
e
W
T
1
_
W
T
, inf
sT
W
s

_
_
_
_
_
_
= e
2
T
2
+2
N
_
2 +T
T
_
.
2. Soit H K, on cherche trouver une expression explicite pour :
C = E
_
_
_
_
_
e
rT
(X
T
K)
+
1
_
inf
sT
X
s
H
_
_
_
_
_
_
,
o X
t
= xe
_
r
2
2
_
t+Wt
. Donner une interprtation nancire de cette valeur et expliciter
la probabilit

P qui fait de

W
t
=
1
_
r

2
2
_
t + W
t
un mouvement brownien standard.
3. Ecrire C sous la forme dune esprance sous

P dun variable alatoire fonction unique-
ment de

W
T
et sup
0sT
W
s
.
4. En dduire une formule explicite pour C.
Problme 1 Modle de Black-Scholes avec paramtres dpendant du temps
On reprend le modle de Black-Scholes, en supposant que les prix des actifs vrient les qua-
tions suivantes, avec les notations du cours :
_
dS
0
t
= r(t)S
0
t
dt
dS
t
= S
t
((t)dt + (t)dB
t
)
o r(t), (t), (t) sont des fonctions dterministes du temps, continues sur [0, T]. On suppose,
de plus, inf
t[0,T]
(t) > 0
1. Montrer que :
S
t
= S
0
exp
_
_
t
0
(s)ds +
_
t
0
(s)dB
s

1
2
_
t
0
2
(s)ds
_
On pourra considrer le processus :
Z
t
= S
t
exp
_
_
t
0
(s)ds +
_
t
0
(s)dB
s

1
2
_
t
0
2
(s)ds
_
2. (a) Soit (X
n
) une suite de variables alatoires relles, gaussiennes, centres, conver-
geant en moyenne quadratique vers X. Montrer que X est gaussienne.
(b) Montrer, en approchant par des fonctions en escalier, que
_
t
0
(s)dB
s
est une
gaussienne et calculer sa variance.
3. Montrer quil existe une probabilit P
quivalente P, sous laquelle le prix actualis de

laction est une martingale et donner sa densit par rapport P
4. Dans la suite, on se propose dvaluer et de couvrir un call dchance T et de prix dexer-
cice K sur une action.
(a) Soit (H
0
t
, H
1
t
) une stratgie autonance, de valeur V
t
linstant t. Montrer que si
(V
t
/S
0
t
avec, de plus, V
T
= (S
T
K)
+
, alors :
t [0, T] V
t
= F(t, S
t
)
o F est la fonction dnie par :
F(t, x) = E
_
x exp(
_
T
t
(s)dW
s

1
2
_
T
t
2
(s)ds) Ke
T
t
r(s)ds
_
+
o (W
t
) est, sous P
, un mouvement brownien standard.

(b) expliciter la fonction F et faire le lien avec la formule de Black-Scholes.
(c) Construire une stratgie de couverture du call ( expliciter H
0
t
et H
t
et vrier la
condition dautonancement).
Problme 2 Modle de Garman-Kohlhagen
Le modle de Garman-Kohlhagen est le modle le plus couramment utilis pour lvaluation
et la couverture des options de change. Il est directement inspir du modle de Black-Scholes.
Pour xer les ides, nous nous intresserons des options dollar contre franc. Par exemple,
un call europen, dchance T, sur un dollar au cours dexercice K, est le droit dacheter, la
date T, un dollar pour K francs.
Nous noterons S
t
le cours du dollar linstant t, cest--dire le nombre de francs nces-
saires lachat dun dollar. Lvolution de S
t
au cours du temps est modlise par lquation
diffrentielle stochastique suivante :
dS
t
S
t
= dt + dW
t
o (W
t
)
t[0,T]
est un mouvement brownien standard sur un espace de probabilit (, T, P),
et des nombres rels, avec > 0. On notera (T
t
)
t[0,T]
la ltration engendre par (W
t
)
t[0,T]
et on considrera que T
t
reprsente lensemble des informations disponibles la date t.
Partie I
1. Expliciter S
t
en fonction de S
0
, t et W
t
. Calculer lesprance de S
t
.
2. Montrer que si > 0, le processus (S
t
)
t[0,T]
est une sous-martingale.
3. Soit U
t
= 1/S
t
le taux de conversion des francs en dollars. Montrer que U
t
vrie
lquation diffrentielle stochastique suivante :
dU
t
U
t
= (
2
)dt dW
t
En dduire que si 0 < <
2
, les processus (S
t
)
t[0,T]
et (U
t
)
t[0,T]
sont, lun et lautre,
des sous-martingales. En quoi cela peut-il sembler paradoxal ?
Partie II On se propose dvaluer et de couvrir un call europen, dchance T, sur un
dollar, au cours dexercice K, par une dmarche analogue celle du modle de Black-Scholes.
Le vendeur de loption, partir de la richesse initiale que reprsente la prime, va construire une
stratgie, dnissant chaque instant t un portefeuille contenant H
0
t
francs et H
t
dollars, de
facon produire, la date T, une richesse gale (en francs) (S
T
K)
+
.
A une date t, la valeur, en francs, dun portefeuille contenant H
0
t
francs et H
t
dollars est
videmment
V
t
= H
0
t
+H
t
S
t
(4.16)
Nous supposerons que les francs sont placs (ou emprunts) au taux r
0
(taux domestique) et les
dollars au taux r
1
(taux tranger). Une stratgie autonance sera donc dnie par un processus
((H
0
t
, H
t
))
t[0,T]
adapt, tel que
dV
t
= r
0
H
0
t
dt + r
1
H
t
S
t
dt + H
t
dS
t
(4.17)
o V
t
est dni par lquation 4.16.
1. Quelles conditions dintgrabilit doit-on imposer aux processus (H
0
t
) et (H
t
) pour que
lgalit diffrentielle 4.17 ait un sens ?
2. Soit

V
t
= e
r
0
t
V
t
la valeur actualise du portefeuille (autonanc) (H
0
t
, H
t
). Dmontrer
lgalit :
d

V
t
= H
t
e
r
0
t
S
t
( +r
1
r
0
)dt + H
t
e
r
0
t
S
t
dW
t
3. (a) Montrer quil existe une probabilit

P, quivalente P, sous laquelle le processus
W
t
=
+r
1
r
0
t +W
t
est un mouvement brownien standard.
(b) On dira dune stratgie autonance quelle est admissible si sa valeur actualise

V
t
est, pour tout t, positive et si sup
t[0,T]
_

V
t
_
est de carr intgrable sous

P. Montrer
que la valeur actualise dune stratgie admissible est une martingale sous

P.
4. Montrer que si une stratgie admissible simule le call, cest--dire a pour valeur linstant
T, V
T
= (S
T
K)
+
, alors pour tout t T la valeur de la stratgie linstant t est donne
par :
V
t
= F(t, S
t
)
o
1
F(t, x) =

E
_
xe
(r
1
+(
2
/2))(Tt)+(

W
T

Wt)
Ke
r
0
(Tt)
_
+
5. Montrer (par un calcul dtaill) que
F(t, x) = e
r
1
(Tt)
xN(d
1
) Ke
r
0
(Tt)
N(d
2
)
o N est la fonction de rpartition de la loi normale centre rduite, et :
d
1
=
log(x/K) + (r
0
r
1
+ (
2
/2))(T t)
T t
d
2
=
log(x/K) + (r
0
r
1
(
2
/2))(T t)
T t
6. On demande maintenant de montrer que loption est effectivement simulable.
(a) On pose

S
t
= e
(r
1
r
0
)t
S
t
. Montrer lgalit :
d
S
t
=
S
t
d

W
t
(b) Soit

F la fonction dnie par

F(t, x) = e
r
0
t
F(t, xe
(r
0
r
1
)t
) (F dsignant la fonction
dnie dans la question 4). On pose C
t
= F(t, S
t
) et

C
t
= e
r
0
t
C
t
=

F(t,

S
t
).
Montrer lgalit :
d

C
t
=
F
x
(t, S
t
)e
r
0
t
S
t
d

W
t
(c) En dduire que le call est simulable et expliciter le portefeuille ((H
0
t
, H
t
)) simulant
cette option.
7. Ecrire une relation de parit call-put, analogue celle vue en cours pour les actions et
donner un exemple darbitrage possible lorsque cette relation nest pas vrie.
Problme 3 Options dchange
On considre un march nancier dans lequel il y a deux actifs risqus de prix respectifs S
1
t
et
S
2
t
linstant t et un actif sans risque de prix S
0
t
= e
rt
linstant t. Lvolution des prix S
1
t
et
S
2
t
au cours du temps est modlise par les quations diffrentielles stochastiques suivantes :
_
dS
1
t
= S
1
t
_
1
dt +
1
dB
1
t
_
dS
2
t
= S
2
t
_
2
dt +
2
dB
2
t
_
o (B
1
t
)
t[0,T]
et (B
2
t
)
t[0,T]
sont deux mouvements browniens standards indpendants dnis sur
un espace de probabilit (, T, P),
1
,
2
,
1
et
2
des nombres rels, avec
1
> 0 et
2
> 0.
On notera T
t
la tribu engendre par les variables alatoires B
1
s
et B
2
s
pour s t. Les processus
(B
1
t
)
t[0,T]
et (B
2
t
)
t[0,T]
sont alors des (T
t
)-mouvements browniens et, pour t s, le vecteur
(B
1
t
B
1
s
, B
2
t
B
2
s
) est indpendant de T
s
.
Nous allons tudier lvaluation et la couverture dune option donnant le droit dchanger,
la date T, un des actifs risqus contre lautre.
1
Le symbole

E dsigne lesprance sous la probabilit

P.
Partie I
1. On pose
1
= (
1
r)/
1
et
2
= (
2
r)/
2
. Montrer que le processus dni par :
M
t
= e
1
B
1
t
2
B
2
t
1
2
(
2
1
+
2
2
)t
,
est une martingale par rapport la ltration (T
t
)
t[0,T]
.
2. Soit

P la probabilit de densit M
T
par rapport P. On introduit les processus W
1
et W
2
dnis par W
1
t
= B
1
t
+
1
t et W
2
t
= B
2
t
+
2
t. Calculer, sous la probabilit

P, la fonction
caractristique du couple (W
1
t
, W
2
t
). En dduire que, pour tout t [0, T], les variables
alatoires W
1
t
et W
2
t
sont, sous

P des gaussiennes centres indpendantes, de variance t.
Pour la suite, on pourra admettre que, sous la probabilit

P, les processus (W
1
t
)
0tT
et (W
2
t
)
0tT
sont des (T
t
)-mouvements browniens standards indpendants et que, pour
t s, le vecteur (W
1
t
W
1
s
, W
2
t
W
2
s
) est indpendant de T
s
.
3. Exprimer

S
1
t
et

S
2
t
en fonction de S
1
0
, S
2
0
W
1
t
et W
2
t
et montrer que, sous

P, les prix
actualiss

S
1
t
= e
rt
S
1
t
et

S
2
t
= e
rt
S
2
t
sont des martingales.
Partie II On se propose dvaluer et de couvrir un option europenne, dchance T, don-
nant son dtenteur le droit dchanger une unit de lactif 2 contre une unit de lactif 1. Pour
cela, on reprend la dmarche du modle de Black-Scholes. Le vendeur de loption, partir de la
richesse initiale que reprsente la prime, va construire une stratgie, dnissant chaque instant
t un portefeuille contenant H
0
t
units dactif sans risque, et H
1
t
et H
2
t
units des actifs 1 et 2
respectivement, de faon produire, la date T, une richesse gale (S
1
T
S
2
T
)
+
. Une stratgie
de gestion sera dnie par les trois processus adapts H
0
, H
1
et H
2
.
1. Dnir de faon prcise les stratgies autonances et montrer que si

V
t
= e
rt
V
t
est la
valeur actualise dune stratgie autonance, on a
d

V
t
= H
1
t
e
rt
S
1
t
1
dW
1
t
+H
2
t
e
rt
S
2
t
2
dW
2
t
.
2. Montrer que si les processus (H
1
t
)
0tT
et (H
2
t
)
0tT
dune stratgie autonance sont
uniformment borns (ce qui signie : C > 0, (t, ) [0, T] , |H
i
t
()| C, pour
i = 1, 2), alors la valeur actualise de la stratgie est une martingale sous

P.
3. Montrer que si une stratgie autonance vrie les hypothses de la question prcdente
et a pour valeur terminale V
T
= (S
1
T
S
2
T
)
+
, sa valeur tout instant t < T est donne par
V
t
= F(t, S
1
t
, S
2
t
), (4.18)
o la fonction F est dnie par
F(t, x
1
, x
2
) =

E
_
x
1
e
1
(W
1
T
W
1
t
)
2
1
2
(Tt)
x
2
e
2
(W
2
T
W
2
t
)
2
2
2
(Tt)
_
+
, (4.19)
le symbole

E dsignant lesprance sous

P. Lexistence dune stratgie ayant cette valeur
sera dmontre dans ce qui suit. On considrera dans la suite que la valeur de loption
(S
1
T
S
2
T
)
+
linstant t est donne par F(t, S
1
t
, S
2
t
).
4. Montrer une relation de parit entre la valeur de loption (S
1
T
S
2
T
)
+
et celle de loption
symtrique (S
2
T
S
1
T
)
+
, analogue la relation de parit call-put vue en cours et donner
un exemple darbitrage possible lorsque cette relation nest pas vrie.
Partie III Le but de cette partie est dexpliciter la fonction F dnie par (4.19) et de
construire une stratgie simulant loption.
1. Soient g
1
et g
2
deux variables alatoires gaussiennes centres rduites indpendantes et
soit un nombre rel.
(a) Montrer que sous la probabilit P
()
, de densit par rapport P donne par :
dP
()
dP
= e
g
1
2
2
,
les variables alatoires g
1
et g
2
sont des gaussiennes centres rduites indpen-
dantes.
(b) En dduire que pour tous rels y
1
, y
2
,
1
et
2
, on a
E
_
e
y
1
+
1
g
1
e
y
2
+
2
g
2
_
+
=
= e
y
1
+
2
1
2
N
_
y
1
y
2
+
2
1
2
1
+
2
2
_
e
y
2
+
2
2
2
N
_
y
1
y
2
2
2
2
1
+
2
2
_
,
o N est la fonction de rpartition de la loi normale centre rduite.
2. Dduire de la question prcdente une expression de F partir de la fonction N.
3. On pose

C
t
= e
rt
F(t, S
1
t
, S
2
t
). En remarquant que :
C
t
= F(t,

S
1
t
,

S
2
t
) =

E
_
e
rT
_
S
1
T
S
2
T
_
+
|T
t
_
,
montrer lgalit :
d

C
t
=
F
x
1
(t,

S
1
t
,

S
2
t
)
1
e
rt
S
1
t
dW
1
t
+
F
x
2
(t,

S
1
t
,

S
2
t
)
2
e
rt
S
2
t
dW
2
t
.
On pourra utiliser le fait que si (X
t
) est un processus dIt de la forme X
t
= X
0
+
_
t
0
J
1
s
dW
1
s
+
_
t
0
J
2
s
dW
2
s
+
_
t
0
K
s
ds et est une martingale sous

P, alors K
t
= 0, dtd
P-
presque partout.
4. Construire une stratgie de couverture de loption dchange.
Problme 4 Etude de stratgies avec consommation
On considre un march nancier dans lequel il y a un actif sans risque, de prix S
0
t
= e
rt
linstant t (avec r 0) et un actif risqu, de prix S
t
linstant t. Le modle est tudi
sur lintervalle de temps [0, T] (0 T < ). Dans ce qui suit, (S
t
)
0tT
est un processus
stochastique dni sur un espace de probabilit (, T, P), muni dune ltration (T
t
)
0tT
. On
suppose que (T
t
)
0tT
est la ltration naturelle dun mouvement brownien standard (B
t
)
0tT
et que le processus (S
t
)
0tT
est adapt cette ltration.
Nous allons tudier des stratgies dans lesquelles la consommation est autorise. Lvolution
de (S
t
)
0tT
est rgie par le modle de Black-Scholes :
dS
t
= S
t
(dt +dB
t
),
avec R et > 0. On note P
la probabilit de densit e
B
T
2
T
2
par rapport P, avec
= (r)/. Sous P
, le processus (W
t
)
0tT
, dni par W
t
=
r
t+B
t
, est un mouvement
brownien standard.
Une stratgie de consommation est dnie par trois processus stochastiques :
(H
0
t
)
0tT
, (H
t
)
0tT
et (c(t))
0tT
.
H
0
t
et H
t
reprsentent respectivement les quantits dactif sans risque et dactif risqu dtenues
linstant t et c(t) reprsente le taux de consommation linstant t. On dira quune telle stratgie
est admissible si les conditions suivantes sont ralises :
i) Les processus (H
0
t
)
0tT
, (H
t
)
0tT
et (c(t))
0tT
sont adapts et vrient
_
T
0
_
|H
0
t
| +H
2
t
+ |c(t)|
_
dt < , p.s.
ii) Pour tout t [0, T],
H
0
t
S
0
t
+ H
t
S
t
= H
0
0
S
0
0
+H
0
S
0
+
_
t
0
H
0
u
dS
0
u
+
_
t
0
H
u
dS
u

_
t
0
c(u)du, p.s.
iii) Pour tout t [0, T], c(t) 0, p.s.
iv) Pour tout t [0, T], la variables alatoire H
0
t
S
0
t
+H
t
S
t
est positive et :
sup
t[0,T]
_
H
0
t
S
0
t
+ H
t
S
t
+
_
t
0
c(s)ds
_
est de carr intgrable sous la probabilit P
.
Partie I
1. Soient (H
0
t
)
0tT
, (H
t
)
0tT
et (c(t))
0tT
, trois processus adapts vriant la condition
i) ci-dessus. On pose V
t
= H
0
t
S
0
t
+ H
t
S
t
et

V
t
= e
rt
V
t
. Montrer qualors la condition
ii) est vrie si et seulement si on a, pour tout t [0, T],
V
t
= V
0
+
_
t
0
H
u
d
S
u

_
t
0
c(u)du, p.s.
avec

S
u
= e
ru
S
u
et c(u) = e
ru
c(u).
2. On suppose que les conditions i) iv) sont vries et on note encore

V
t
= e
rt
V
t
=
e
rt
_
H
0
t
S
0
t
+H
t
S
t
_
. Montrer que le processus (

V
t
)
0tT
est une surmartingale sous la
probabilit P
.
3. Soit (c(t))
0tT
un processus adapt, valeurs positives tel que E
_
_
T
0
c(t)dt
_
2
<
et soit x > 0. On dira que (c(t))
0tT
est un processus de consommation nanable
partir de la richesse initiale x sil existe des processus (H
0
t
)
0tT
et (H
t
)
0tT
tels que
les conditions i) iv) soient vries, avec, de plus V
0
= H
0
0
S
0
0
+ H
0
S
0
= x.
(a) Montrer que si le processus (c(t))
0tT
est nanable partir de la richesse initiale
x, alors E
_
_
T
0
e
rt
c(t)dt
_
x.
(b) Soit (c(t))
0tT
un processus adapt, valeurs positives tel que :
E
_
_
T
0
c(t)dt
_
2
< et E
_
_
T
0
e
rt
c(t)dt
_
x.
Montrer que (c(t))
0tT
est un processus de consommation nanable partir de
la richesse initiale x. On introduira la martingale (M
t
)
0tT
dnie par M
t
=
E
_
x +
_
T
0
e
rs
c(s)ds|T
t
_
et on lui appliquera le thorme de reprsentation des
martingales.
(c) Un investisseur disposant dune richesse initiale x souhaite consommer, une richesse
correspondant la vente de actifs risqus par unit de temps, chaque instant o
S
t
dpasse un certain niveau K. (ce qui correspond c(t) = S
t
1
{S
t
> K}
). A quelle
condition sur et x cette consommation est-elle nanable ?
Partie II On suppose, maintenant, que la volatilit est stochastique, cest--dire que le
processus (S
t
)
0tT
est solution dune quation diffrentielle stochastique du type suivant :
dS
t
= S
t
(dt + (t)dB
t
), (4.20)
o R et ((t))
0tT
est un processus adapt, vriant
t [0, T]
1
(t)
2
,
avec des constantes
1
et
2
telles que 0 <
1
<
2
. On considre un call europen dchance
T et de prix dexercice K sur une unit dactif risqu. On sait que si le processus ((t))
0tT
est constant (avec (t) = pour tout t) le prix du call linstant t est C(t, S
t
), o la fonction
C(t, x) vrie
_
_
_
C
t
(t, x) +

2
x
2
2
2
C
x
2
(t, x) +rx
C
x
(t, x) rC(t, x) = 0 sur [0, T[]0, [
C(T, x) = (x K)
+
On notera C
1
la fonction Ccorrespondant =
1
et C
2
la fonction Ccorrespondant =
2
.
Nous allons montrer que le prix du call linstant 0 dans le modle volatilit stochastique ci-
dessus est compris entre C
1
(0, S
0
) et C
2
(0, S
0
).
On rappelle que si (
t
)
0tT
est un processus adapt born, le processus (L
t
)
0tT
dni
par L
t
= exp
_
_
t
0
s
dB
s

1
2
_
t
0
2
s
ds
_
est une martingale.
1. Montrer (en utilisant les formules de prix sous forme desprance) que les fonctions x
C
1
(t, x) et x C
2
(t, x) sont convexes.
2. Montrer que la solution de lquation (4.20) est donne par
S
t
= S
0
e
t+
t
0
(s)dBs
1
2
t
0

2
(s)ds
.
3. Dterminer une probabilit P
quivalente P sous laquelle le processus dni par W

t
=
B
t
+
_
t
0
r
(s)
ds soit un mouvement brownien standard.
4. Expliquer pourquoi le prix linstant 0 du call est donn par :
C
0
= E
_
e
rT
(S
T
K)
+
_
.
5. On pose

S
t
= e
rt
S
t
. Montrer que E
S
2
t
_
S
2
0
e
2
2
t
.
6. Montrer que le processus dni par :
M
t
=
_
t
0
e
ru
C
1
x
(u, S
u
)(u)S
u
dW
u
est une martingale sous la probabilit P
.
7. En utilisant la formule dIt et les questions 1 et 6, montrer que e
rt
C
1
(t, S
t
) est une
sousmartingale sous la probabilit P
. En dduire que C
1
(0, S
0
) C
0
.
8. Dmontrer lingalit C
0
C
2
(0, S
0
).
Problme 5 Option sur option
0
t
= e
rt

t
linstant t. Le modle est tudi sur
lintervalle de temps [0, T] (0 T < ). Soit (S
t
)
0tT
un processus stochastique dni sur
un espace de probabilit (, T, P), muni dune ltration (T
t
)
0tT
. On suppose que (T
t
)
0tT
t
)
0tT
et que lvolution du
processus (S
t
)
0tT
dS
t
= S
t
(dt +dB
t
),
avec R et > 0.
Nous alllons tudier un exemple doption sur option. On considre une option dachat
dchance T
1
]0, T[ et de prix dexercice K
1
sur un call dchance T et de prix dexercice K
sur une unit dactif risqu. La valeur de cette option lchance T
1
est donc :
h = (C(T
1
, S
T
1
) K
1
)
+
,
o C(t, x) est le prix du call sous-jacent (donn par la formule de Black-Scholes).
1. (a) Dessiner la reprsentation graphique de la fonction x C(T
1
, x). On montrera que
la droite y = xKe
r(TT
1
)
est une asymptote (utiliser la formule de parit call-put).
(b) Montrer que lquation C(T
1
, x) = K
1
admet une unique solution x
1
.
2. Montrer que la valeur, un instant t < T
1
, de loption dnie par h est gale G(T
1

t, S
t
), la fonction G tant dnie par
G(, x) = E
_
_
e
r
_
C
_
T
1
, xe
_
r
2
2
_
+
g
_
K
1
_
+
_
_
,
o g est une gaussienne centre rduite.
3. (a) Montrer que la fonction x G(, x) est croissante, convexe.
(b) On cherche maintenant expliciter G. On note N la fonction de rpartition de la loi
normale centre rduite. Montrer lgalit
G(, x) = E
_
e
r
C
_
T
1
, xe
_
r
2
2
_
+
g
_
1
{g>d}
_
K
1
e
r
N(d),
o
d =
log(x/x
1
) +
_
r

2
2
_
.
(c) Montrer que, si g
1
est une gaussienne centre rduite indpendante de g, on a, en
posant
1
= T T
1
,
G(, x) + K
1
e
r
N(d) = E
__
xe
(
g+
1
g
1
)
2
2
(+
1
)
Ke
r(+
1
)
_
1
A
_
,
o lvnement A est dni par
A =
_
(
g +
_
1
g
1
) >
_
log(x/K
1
) +
_
r

2
2
_
( +
1
)
_
et g > d
_
.
(d) Dduire de ce qui prcde une expression de G(, x) laide de N et de la fonction
N
2
dnie par
N
2
(y, y
1
, ) = P(g < y, g +g
1
< y
1
) pour y, y
1
, R.
4. Montrer que lon peut couvrir parfaitement loption sur option tudie laide dun por-
tefeuille ne contenant que des actifs sans risque et des calls sur lactif risqu sous-jacent.
Problme 6 Comportement du prix critique prs de lchance
On considre un put amricain dchance T et de prix dexercice K sur une unit dactif risqu.
Dans le modle de Black-Scholes, le prix un instant t < T de cette option est gal P(t, S
t
),
la fonction P tant dnie par
P(t, x) = sup
T
0,Tt
E
_
Ke
r
xe
W
2
2

_
+
,
o T
0,Tt
est lensemble des temps darrt valeurs dans [0, T t] et (W
t
)
0tT
est, sous P
, un
mouvement brownien standard. On suppose r > 0. Pour t [0, T[, on note s(t) le prix critique
linstant t, dni par
s(t) = inf{x > 0 | P(t, x) > K x}.
On rappelle que lim
tT
s(t) = K.
1. Soit P
e
la fonction donnant le prix du put europen dchance T et de prix dexercice K :
P
e
(t, x) = E
_
e
r(Tt)
K xe
Ttg
2
2
(Tt)
_
+
,
o g est une gaussienne centre rduite. Montrer que, si t [0, T[, lquation P
e
(t, x) =
K x a une unique solution dans ]O, K[. On note s
e
(t) cette solution.
2. Montrer que s(t) s
e
(t), pour tout t [0, T[.
3. Montrer que
liminf
tT
K s
e
(t)
T t
E
_
liminf
tT
K s
e
(t)
T t
Kg
_
+
.
On utilisera le lemme de Fatou : pour toute suite (X
n
)
nN
de variables alatoires positives,
E(liminf
n
X
n
) liminf
n
E(X
n
).
4. (a) Montrer que, pour tout nombre rel ,
E( Kg)
+
> .
(b) En dduire que
lim
tT
K s
e
(t)
T t
= lim
tT
K s(t)
T t
= +.
Problme 7 Option sur moyenne
0
t
= e
rt

t
linstant t. Le modle est tudi sur
lintervalle de temps [0, T] (0 T < ). Le processus stochastique (S
t
)
0tT
est dni sur
un espace de probabilit (, T, P), muni dune ltration (T
t
)
0tT
. On suppose que (T
t
)
0tT
t
)
0tT
et que lvolution du
processus (S
t
)
0tT
dS
t
= S
t
(dt +dB
t
),
avec R et > 0. On notera P
la probabilit de densit e
B
T
2
T
2
par rapport P, avec
= (r)/. Sous P
, le processus (W
t
)
0tT
, dni par W
t
=
r
t+B
t
, est un mouvement
brownien standard.
Nous allons tudier une option dont la valeur la date dchance T est donne par
h =
_
1
T
_
T
0
S
t
dt K
_
+
,
o K est une constante positive. Une telle option est appele option asiatique.
Partie I
1. Rappeler brivement pourquoi la valeur un instant t (t T) de loption asiatique ci-
dessus est donne par
V
t
= E
_
_
e
r(Tt)
_
1
T
_
T
0
S
t
dt K
_
+
T
t
_
_
.
2. Montrer que sur lvnement
_
1
T
_
t
0
S
u
du K
_
, on a
V
t
=
e
r(Tt)
T
_
t
0
S
u
du +
1 e
r(Tt)
rT
S
t
Ke
r(Tt)
.
3. On pose

S
t
= e
rt
S
t
, pour t [0, T].
(a) Dmontrer lingalit
E
S
t
Ke
rT
_
+
E
_
e
rT
(S
T
K)
+
_
.
(Conditionner par T
t
).
(b) En dduire que
V
0
E
_
e
rT
(S
T
K)
+
_
,
cest--dire que la valeur de loption asiatique linstant 0 est plus petite que celle
dun call europen dchance T et de prix dexercice K.
(c) Pour t u, on note C
t,u
la valeur linstant t dun call europen dchance u et
de prix dexercice K. Montrer lingalit :
V
t

e
r(Tt)
t
T
_
1
t
_
t
0
S
u
du K
_
+
+
1
T
_
T
t
e
r(Tu)
C
t,u
du.
Partie II On note (
t
)
0tT
le processus dni par
t
=
1
S
t
_
1
T
_
t
0
S
u
du K
_
.
1. Montrer que (
t
)
0tT
est solution de lquation diffrentielle stochastique
d
t
=
_
1
T
+ (
2
r)
t
_
dt
t
dW
t
.
2. (a) Montrer que
V
t
= e
r(Tt)
S
t
E
_
_
_
t
+
1
T
_
T
t
S
t
u
du
_
+
|T
t
_
_
,
avec S
t
u
= exp
_
(r
2
/2)(u t) + (W
u
W
t
)
_
.
(b) En dduire que V
t
= e
r(Tt)
S
t
F(t,
t
), avec
F(t, ) = E
_
+
1
T
_
T
t
S
t
u
du
_
+
.
3. Dterminer une stratgie de couverture parfaite de loption tudie. On admettra que la
fonction F introduite prcdemment est de classe C
2
sur [0, T[Ret on utilisera la formule
dIt.
Partie III Lobjet de cette partie est de proposer une approximation par dfaut de V
0
consistant remplacer la moyenne arithmtique par la moyenne gomtrique. On pose ainsi :
^
V
0
= e
rT
E
_
exp
_
1
T
_
T
0
ln(S
t
)dt
_
K
_
+
.
1. Montrer que V
0
^
V
0
.
2. (a) Montrer que, sous P
_
T
0
W
t
dt est une gaussienne centre de
variance
T
3
3
.
(b) En dduire que
^
V
0
= e
rT
E
_
S
0
exp
_
(r
2
/2)(T/2) +
_
T/3g
_
K
_
+
,
o g est une gaussienne centre rduite, et expliciter
^
V
0
laide de la fonction de
rpartition de la loi normale centre rduite.
3. Dmontrer lingalit :
V
0

^
V
0
S
0
e
rT
_
e
rT
1
rT
exp
_
(rT/2)
2
T/12
_
_
.
Chapitre 5
Evaluation des options et quations aux drives partielles
Nous avons vu, au chapitre prcdent, que lon pouvait obtenir une formule explicite du prix
dune option europenne, dans le cadre du modle de Black et Scholes. Lorsque lon sintresse
des modles plus complexes ou que lon veut calculer des prix doptions amricaines, on ne
connait pas de formule explicite. On a, dans ce cas, le plus souvent recours des mthodes
numriques. Lobjectif de ce chapitre est de donner une introduction ces moyens de calcul.
On commence par tablir le lien entre le problme du calcul du prix des options europennes
et une quation aux drives partielles de type parabolique . Ce lien est fond sur la notion
de gnrateur innitsimal dune diffusion. On montre comment rsoudre numriquement le
problme parabolique ainsi obtenu.
Le problme du calcul des prix doptions amricaines est plus dlicat, nous ne labordons
pas dans sa gnralit, mais uniquement dans le cadre du modle de Black et Scholes. On montre
en particulier le lien naturel entre la notion denveloppe de Snell et un systme dinquations
aux drives partielles de type parabolique, et lon indique comment traiter numriquement ce
type dinquations.
Les mthodes danalyse numrique employes dans ce chapitre tant classiques, nous
navons fait que rappeler les rsultats qui nous sont utiles sans chercher les justier en dtail.
On trouvera une introduction la rsolution numrique des quations aux drives partielles
dans [RT83].
1 Calculs de prix doptions europennes pour les modles de
diffusion
Dans le modle de Black et Scholes, la valeur dune option europenne est donne par :
V
t
= E
_
e
r(Tt)
f(S
T
)|T
t
_
avec f(x) = (x K)
+
(pour un call) et (K x)
+
(pour un put) et :
S
T
= x
0
e
(
r
2
/2)T+W
T
Le calcul du prix dune option europenne est un cas particulier du problme suivant. Soit
(X
t
)
t0
une diffusion valeurs dans R, solution de :
dX
t
= b(t, X
t
) dt + (t, X
t
) dW
t
(5.1)
o b et sont des fonctions valeurs relles vriants les hypothses du thorme 5.3 du
chapitre 3 et r(t, x) une fonction continue borne modlisant le taux dintrt sans risque. On
cherche calculer :
V
t
= E
_
e
T
t
r(s,Xs)ds
f(X
T
)|T
t
_
.
Comme dans le cas du modle de Black et Scholes V
t
scrit :
V
t
= F(t, X
t
)
o :
F(t, x) = E
_
e
T
t
r(s,X
t,x
s
)ds
f(X
t,x
T
)
_
,
avec X
t,x
s
qui est la solution de (5.1) issue de x linstant t. Intuitivement on a :
F(t, x) = E
_
e
T
t
r(s,Xs)ds
f(X
T
)|X
t
= x
_
.
Mathmatiquement, ce rsultat est consquence du thorme 5.9 du chapitre 3 . Le calcul de
V
t
se ramne ainsi au calcul de la fonction F(t, x). Cette fonction F(t, x) peut (sous certaines
hypothses de rgularit prciser) sexprimer comme la solution unique de lquation aux
drives partielles :
_
x R u(T, x) = f(x)
_
u
t
+ A
t
u ru
_
(t, x) = 0 (t, x) [0, T] R
(5.2)
o :
(A
t
f) (x) =

2
(t, x)
2
f
(x) + b(t, x)f
(x).
Avant de prouver ce rsultat, nous commenons par indiquer pourquoi loprateur A
t
intervient
de faon naturelle lorsque lon tudie des solutions dquations diffrentielles stochastiques.
1.1 Gnrateur innitsimal dune diffusion
Nous supposons que b et ne dpendent pas du temps. On note (X
t
)
t0
une solution de :
dX
t
= b(X
t
) dt + (X
t
) dW
t
(5.3)
Proposition 1.1 Soient f une fonction de classe C
2
drives bornes et A loprateur diff-
rentiel qui une fonction f de classe C
2
associe :
(Af) (x) =

2
(x)
2
f
(x) + b(x)f
(x).
Alors, le processus M
t
= f(X
t
)
_
t
0
Af(X
s
)ds est une T
t
-martingale.
Dmonstration : La formule dIt donne :
f(X
t
) = f(X
0
) +
_
t
0
f
(X
s
)dX
s
+
1
2
_
t
0
f
(X
s
)
2
(X
s
)ds.
Do :
f(X
t
) = f(X
0
) +
_
t
0
f
(X
s
)(X
s
)dW
s
+
_
t
0
_
1
2
2
(X
s
)f
(X
s
) + b(X
s
)f
(X
s
)
_
ds,
et la proposition rsulte du fait que lintgrale stochastique
_
t
0
f
(X
s
)(X
s
)dW
s
est une martin-
gale. En effet, si lon tient compte du thorme 5.3 du chapitre 3 et du fait que |(x)| est major
par K(1 + |x|), on obtient :
E
_
_
t
0
|f
(X
s
)|
2
|(X
s
)|
2
ds
_
KT sup
xR
|f
(x)|
2
_
1 + E
_
sup
sT
|X
s
|
2
__
< +.
Ch.5 EVALUATION DES OPTIONS ET QUATIONS AUX DRIVES PARTIELLES 97
Remarque 1.2 Si on note X
x
t
la solution de lquation diffrentielle stochastique (5.3) telle que
X
x
0
= x, on dduit de la proposition 1.1 que :
E(f (X
x
t
)) = f(x) + E
_
_
t
0
Af (X
x
s
) ds
_
.
De plus, comme les drives de f sont bornes par une constante K
f
et que |b(x)| + |(x)|
K(1 + |x|) on a :
E
_
sup
sT
|/f(X
x
s
)|
_
K
f
_
1 + E
_
sup
sT
|X
x
s
|
2
__
< +.
On peut donc appliquer le thorme de Lebesgue (x Af(x) et s X
x
s
sont des fonctions
continues) pour en dduire que :
d
dt
E(f (X
x
t
))|
t=0
= lim
t0
E
_
1
t
_
t
0
Af(X
x
s
)ds
_
= Af(x).
Loprateur diffrentiel A est appel le gnrateur innitsimal de la diffusion. Pour des com-
plments sur le gnrateur innitsimal dune diffusion on pourra consulter [Bou88] chapitre
8.
La proposition 1.1 se gnralise au cas dpendant du temps. On suppose que b et vri-
ent les hypothses du thorme 5.3 du chapitre 3 assurant lexistence et lunicit des solutions
de lquation diffrentielle stochastique 5.1.
Proposition 1.3 Si u(t, x) est une fonction de classe C
1,2
en (t, x) drive en x borne, et X
t
est une solution de (5.1), le processus :
M
t
= u(t, X
t
)
_
t
0
_
u
t
+A
s
u
_
(s, X
s
)ds
est une martingale, o A
s
est loprateur (agissant sur la variable x) dni par :
(A
s
u) (x) =

2
(s, x)
2
2
u
x
2
+ b(s, x)
u
x
.
La dmonstration est analogue celle de la proposition 1.1 : on utilise, cette fois, la formule
dIt pour une fonction du temps et dun processus dIt (voir le thorme 4.10 du chapitre 3).
Pour tudier des quantits actualises, on tend lgrement le rsultat prcdent.
Proposition 1.4 Sous les hypothses de la proposition 1.3, si r(t, x) est une fonction continue,
borne sur R
+
R, le processus :
M
t
= e
t
0
r(s,Xs)ds
u(t, X
t
)
_
t
0
e
s
0
r(v,Xv)dv
_
u
t
+A
s
u ru
_
(s, X
s
)ds
est une martingale.
Dmonstration : Cette proposition se dmontre en diffrenciant le produit
e
t
0
r(s,Xs)ds
u(t, X
t
),
grce la formule dintgration par parties (voir la proposition 4.12 du chapitre 3), puis en
appliquant, comme prcdemment, la formule dIt au processus u(t, X
t
).
Ce rsultat se gnralise aux cas des diffusions valeurs vectorielles. Soit lquation diff-
rentielle stochastique :
_
_
dX
1
t
= b
1
(t, X
t
) dt +
p
j=1
1j
(t, X
t
) dW
j
t
.
.
.
.
.
.
.
.
.
dX
n
t
= b
n
(t, X
t
) dt +
p
j=1
nj
(t, X
t
) dW
j
t
.
(5.4)
On suppose que les hypothses du thorme 5.5 du chapitre 3 sont vries. On introduit, pour
chaque t loprateur diffrentiel A
t
qui une fonction f de classe C
2
de R
n
dans R associe la
fonction :
(A
t
f) (x) =
1
2
n
i,j=1
a
i,j
(t, x)

2
f
x
i
x
j
(x) +
n
j=1
b
j
(t, x)
f
x
j
(x),
o a
ij
(t, x) est la matrice dnie par a
ij
(t, x) =
p
k=1
ik
(t, x)
jk
(t, x). Avec des nota-
tions matricielles a(t, x) = (t, x)
(t, x) o
est la transpose de la matrice (t, x) =

(
ij
(t, x))
i,j
.
Proposition 1.5 Si (X
t
) est une solution du systme (5.4), si u(t, x) est une fonction valeur
relle de classe C
1,2
en (t, x) drive en x borne sur R
+
R
n
et si r(t, x) est une fonction
continue borne sur R
+
R, le processus :
M
t
= e
t
0
r(s,Xs)ds
u(t, X
t
)
_
t
0
e
s
0
r(v,Xv)dv
_
u
t
+A
s
u ru
_
(s, X
s
)ds
est une martingale.
La dmonstration de la proposition 1.5 repose sur la formule dIt multidimensionnelle non-
ce page 55.
Remarque 1.6 Loprateur diffrentiel /t +A
t
est parfois appel oprateur de Dynkin de la
diffusion.
1.2 Calculs desprances et quations aux drives partielles
Nous allons, maintenant, tablir le lien entre le calcul du prix dune option europenne et
une quation aux drives partielles de type parabolique. On se donne (X
t
)
t0
une diffusion
valeurs dans R
n
, solution du systme (5.4), f(x) une fonction de R
n
dans R, r(t, x) une fonction
continue et borne. On cherche valuer :
V
t
= E
_
e
T
t
r(s,Xs)ds
f(X
T
)|T
t
_
On peut prouver de faon analogue ce que nous avons vu au dbut de ce chapitre, lorsque
n = 1, que :
V
t
= F(t, X
t
),
avec, si lon note X
t,x
la solution unique de (5.4) issue de x linstant t :
F(t, x) = E
_
e
T
t
r(s,X
t,x
s
)ds
f(X
t,x
T
)
_
.
Le rsultat suivant permet de relier la fonction F une quation aux drives partielles parabo-
lique.
Thorme 1.7 Soit u une fonction de classe C
1,2
en (t, x) drive en x borne sur [0, T]R
n
,
vriant :
x R
n
u(T, x) = f(x),
et
_
u
t
+ A
t
u ru
_
(t, x) = 0 (t, x) [0, T] R
n
Alors :
(t, x) [0, T] R
n
u(t, x) = F(t, x) = E
_
e
T
t
r(s,X
t,x
s
)ds
f(X
t,x
T
)
_
.
Dmonstration : Prouvons lgalit u(t, x) = F(t, x) pour t = 0. Par la proposition 1.5, on
sait que le processus :
M
t
= e
t
0
r(s,X
0,x
s
)ds
u(t, X
0,x
t
)
est une martingale. En crivant E(M
0
) = E(M
T
) on obtient :
u(0, x) = E
_
e
T
0
r(s,X
0,x
s
)ds
u(T, X
0,x
T
)
_
= E
_
e
T
0
r(s,X
0,x
s
)ds
f(X
0,x
T
)
_
puisque u(T, x) = f(x). La dmonstration est similaire lorsque t > 0.
Remarque 1.8 Le thorme 1.7 suggre la mthode suivante pour calculer :
F(t, x) = E
_
e
T
t
r(s,X
t,x
s
)ds
f(X
t,x
T
)
_
.
f tant donne, il suft de rsoudre le problme :
_
u
t
+ A
t
u ru = 0 dans [0, T] R
n
u(T, x) = f(x), x R
n
.
(5.5)
Le problme (5.5) est une quation de type parabolique avec condition terminale (la fonction
u(T, .) tant donne).
Pour que ce problme soit bien pos, il faut se placer dans un espace fonctionnel adquat
(voir [RT83]). Une fois ce cadre dni, il existe des thormes dexistence et dunicit et on
pourra afrmer que la solution u de (5.5) est gale F si on peut prouver que cette solution est
sufsamment rgulire pour que lon puisse appliquer la proposition 1.4. Ce genre de rsultats
sobtient gnralement sous une hypothse dellipticit pour loprateur A
t
, de la forme :
C > 0, (t, x) [0, T] R
n
(
1
, ,
n
) R
n
ij
a
ij
(t, x)
i
j
C
_
_
n
i=1
2
i
_
_
, (5.6)
et des hypothses de rgularit sur b et .
1.3 Le cas du modle de Black et Scholes
On se place sous la probabilit P
pour laquelle le processus (W

t
)
t0
est un mouvement
brownien standard et telle que le prix de lactif S
t
risqu vrie :
dS
t
= S
t
(rdt + dW
t
) .
Loprateur A
t
est alors indpendant du temps et vaut :
A
t
= A
bs
=

2
2
x
2

2
x
2
+ rx

x
.
On peut vrier (par un calcul direct) que le prix du call donn par la formule F(t, x) =
xN(d
1
) Ke
r(Tt)
N(d
1

T t) avec :
d
1
=
log(x/K) + (r +
2
/2)(T t)
T t
N(d) =
1
2
_
d
e
x
2
/2
dx,
est solution de lquation :
_
u
t
+A
bs
u ru = 0 dans [0, T]]0, +[
u(T, x) = (x K)
+
, x ]0, +[.
On a un rsultat analogue pour le put.
Loprateur A
bs
ne vrie pas la condition dellipticit (5.6). On peut, cependant, se ramener
un oprateur elliptique en introduisant le processus X
t
= log (S
t
), qui est solution de :
dX
t
=
_
r

2
2
_
dt +dW
t
,
puisque S
t
= S
0
e
(r
2
/2)t+Wt
. Le gnrateur innitsimal du processus X
t
, scrit :
A
bslog
=

2
2
2
x
2
+
_
r

2
2
_

x
.
Il est manifestement elliptique (
2
> 0) et, de plus, coefcients constants. On note :
A
bslog
=

2
2
2
x
2
+
_
r

2
2
_

x
r. (5.7)
Le lien entre le problme parabolique associ

A
bslog
et le calcul du prix dune option dans
le modle de Black et Scholes sexprime de la faon suivante. Si lon cherche calculer le prix
dune option sur f(S
T
) linstant t et pour un cours x : F(t, x) et si v est une solution rgulire
de :
_
v
t
(t, x) +

A
bslog
v(t, x) = 0 dans [0, T] R
v(T, x) = f(e
x
), x R,
(5.8)
alors, on a F(t, x) = v(t, log(x)).
1.4 Equation aux drives partielles sur un ouvert born et calcul desp-
rance
Nous allons supposer, dans tout ce qui suit, que lactif volue dans R et que b(x), (x)
et r(x) ne dpendent pas du temps. r(x) est le taux dintrt sans risque et A est loprateur
diffrentiel :
(Af)(x) =
1
2
(x)
2
2
f(x)
x
2
+ b(x)
f(x)
x
.
On note

Af(x) = Af(x) r(x)f(x). Lquation (5.5) scrit :
_
u
t
(t, x) +

Au(t, x) = 0 dans [0, T] R
u(T, x) = f(x), x R.
(5.9)
Lorsque lon se pose le problme (5.9) non plus sur R tout entier mais sur O =]a, b[, il faut
alors imposer des conditions aux limites en a et b. Nous allons nous intresser plus particuli-
rement au cas o lon impose des conditions aux limites nulles (on appelle ce type de condition
aux limites condition de Dirichlet). On cherche, alors, rsoudre :
_
_
u
t
(t, x) +

Au(t, x) = 0 dans [0, T] O
u(t, a) = u(t, b) = 0 t T
u(T, x) = f(x) x O.
(5.10)
Une solution rgulire de (5.10) peut aussi sinterprter en terme de diffusion. On note X
t,x
la
solution de (5.3) issue de x linstant t.
Thorme 1.9 Soit u une fonction de classe C
1,2
en (t, x) drive en x borne de lquation
(5.10), alors :
(t, x) [0, T] O u(t, x) = E
_
1
_
s [t, T], X
t,x
s
O
_
e
T
t
r(X
t,x
s
)ds
f(X
t,x
T
)
_
.
Dmonstration : Nous dmontrons le rsultat lorsque t = 0, la dmonstration est similaire
dans les autres cas. On peut prolonger u de [0, T] O [0, T] R, en conservant le caractre
C
1,2
de u. On continue noter u un tel prolongement. Par la proposition 1.4, on sait que le
processus :
M
t
= e
t
0
r(X
0,x
s
)ds
u(t, X
0,x
t
)
_
t
0
e
s
0
r(X
0,x
v
)dv
_
u
t
+ Au ru
_
(s, X
0,x
s
)ds
est une martingale. De plus :
x
= inf
_
0 s T, X
0,x
s
/ O
_
ou T si cet ensemble est vide
est un temps darrt born, car
x
= T
x
a
T
x
b
T o T
x
l
= inf {0 s T, X
t,x
s
= l} et les T
x
l
sont des temps darrt (la dmonstration est identique celle de la proposition 3.6 du chapitre
3). En crivant, le thorme darrt entre 0 et
x
, on obtient E(M
0
) = E(M
x ), soit en tenant
compte du fait que si s [0,
x
], Af(X
0,x
s
) = 0 :
u(0, x) = E
_
e
x
0
r(s,X
0,x
s
)ds
u(
x
, X
0,x
x )
_
= E
_
1
_
s [t, T], X
t,x
s
O
_
e
T
0
r(s,X
0,x
s
)ds
u(T, X
0,x
T
)
_
+E
_
1
_
s [t, T], X
t,x
s
, O
_
e
x
0
r(s,X
0,x
s
)ds
u(
x
, X
0,x
x )
_
.
Mais, dune part f(x) = u(T, x) et dautre part, sur lvnement {s [t, T], X
t,x
s
, O},
u(
x
, X
0,x
x ) = 0, donc :
u(0, x) = E
_
1
_
s [t, T], X
t,x
s
O
_
e
T
0
r(s,X
0,x
s
)ds
f(X
0,x
T
)
_
.
Ceci prouve le rsultat pour t = 0.
Remarque 1.10 Une option sur la variable alatoire T
T
-mesurable :
1
_
s [t, T], X
t,x
s
O
_
e
T
t
r(X
t,x
s
)ds
f(X
t,x
T
),
porte le nom doption extenguishable (au sens propre que lon autorise disparatre). En
effet, ds que le cours sort de louvert O, la valeur de loption est nulle : loption disparat.
Lorsque lactif suit le modle de Black et Scholes et que O est de la forme ]0, l[ ou ]l, +[, on
connait des formules explicites pour ces options (voir [CR85], dans ce livre ce type doptions
porte le nom doption down and out, voir aussi lexercice 27 du chapitre 4).
2 Rsolution numrique des quations paraboliques.
Nous avons vu que lon peut interprter le prix dune option europenne comme la solution
de lquation aux drives partielles (5.9). Nous allons maintenant, introduire une mthode de
calcul numrique qui permet dapprocher une solution de (5.9) : la mthode des diffrences
nies. Cette mthode nest videmment pas utile dans le cas du modle de Black et Scholes
(puisque il y a une formule explicite) mais elle est indispensable pour des modles de diffusion
plus gnraux. Nous ne ferons qunoncer les rsultats importants. Pour une tude dtaille on
consultera [GLT76] et [RT83].
2.1 Localisation
Le problme (5.9) se pose sur R. Pour le discrtiser on va devoir se restreindre tout dabord
un ouvert born du type O
l
=]l, l[, l tant une constante choisir soigneusement si lon veut
que lalgorithme soit efcace. Il faut de plus imposer des conditions aux limites au bord (i.e. en l
et l). On utilise soit des conditions de type Dirichlet (i.e. on impose u(l) = u(l) = 0 ou une
autre valeur plus pertinente) soit des conditions de type Neumann (i.e. on impose (u/x)(l) =
(u/x)(l) = 0 ou, l aussi, toute autre valeur non nulle pertinente). On obtient, par exemple,
dans le cas o lon impose des conditions de type Dirichlet lquation aux drives partielles
suivante :
_
_
u(t, x)
t
+

Au(t, x) = 0 dans [0, T] O
l
u(t, l) = u(t, l) = 0 si t [0, T]
u(T, x) = f(x) si x O
l
Nous allons montrer comment on peut estimer lerreur commise lorsque lon se restreint
O
l
. Nous nous intresserons uniquement au modle de Black et Scholes (aprs changement de
variable logarithmique), lactif X
t
est donc solution de lquation :
dX
t
= (r
2
/2)dt + dW
t
.
On cherche calculer le prix dune option sur une variable alatoire de la forme f(S
T
) =
f(S
0
e
X
T
). On note

f(x) = f(e
x
). On impose, pour simplier, des conditions de type Dirichlet.
On peut prouver que, dans ce cas, la solution u de (5.9) et les solutions u
l
de (5.10) sont
sufsamment rgulires pour que lon puisse afrmer que :
u(t, x) = E
_
e
r(Tt)
f(X
t,x
T
)
_
et
u
l
(t, x) = E
_
1
_
s [t, T], |X
t,x
s
| < l
_
e
r(Tt)
f(X
t,x
T
)
_
.
o X
t,x
s
= x exp((r
2
/2)(s t) +(W
s
W
t
)). Nous supposons, enn, que la fonction f (et
donc

f) est borne par une constante M et que r 0. Il est alors facile de se convaincre que :
|u(t, x) u
l
(t, x)| MP
_
s [t, T], |X
t,x
s
| l
_
.
Mais, si r
= r
2
/2 :
{s [t, T], |X
t,x
s
| l}
_
sup
tsT
|x + r
(s t) + (W
s
W
t
)| l
_
_
sup
tsT
|x + (W
s
W
t
)| l |r
T|
_
.
Donc :
|u(t, x) u
l
(t, x)| MP
_
sup
tsT
|x +(W
s
W
t
)| l |r
T|
_
= MP
_
sup
0sTt
|x +W
s
| l |r
T|
_
MP
_
sup
0sT
|x +W
s
| l |r
T|
_
.
Or on a tabli la proposition 3.6 que si T
a
= inf {s > 0, W
s
= a}, alors E(exp(T
a
)) =
exp(
2|a|), on en dduit que si a > 0, pour tout :

P
_
sup
sT
W
s
a
_
= P(T
a
T) e
T
E
_
e
Ta
_
e
T
e
a
2
.
En minimisant en , cela donne :
P
_
sup
sT
W
s
a
_
e
a
2
T
.
On en dduit facilement que :
P
_
sup
sT
(x +W
s
) a
_
e
|ax|
2
2
T
,
puis que, comme (W
s
)
s0
est encore un mouvement brownien :
P
_
inf
sT
(x + W
s
) a
_
= P
_
sup
sT
(x W
s
) a
_
e
|a+x|
2
2
T
.
Ces deux rsultats donnent P
_
sup
sT
|x +W
s
| a
_
e
|ax|
2
2
T
+ e
|a+x|
2
2
T
. On peut donc
afrmer que :
|u(t, x) u
l
(t, x)| M
_
e
|l|r
T|x|
2
2
T
+e
|l|r
T|+x|
2
2
T
_
. (5.11)
Ceci prouve que pour t et x xs lim
l+
u
l
(t, x) = u(t, x). La convergence est mme uni-
forme en t et en x si x reste dans une partie compacte de R.
Remarque 2.1 On peut montrer que P(sup
sT
W
s
a) = 2P(W
T
a) (voir exercice
18 du chapitre 3), ceci permet dobtenir une estimation lgrement meilleure que celle
calcule plus haut.
Lintrt de la mthode de localisation pour les calculs doptions dcrite ici rside dans
le fait quelle peut se gnraliser au cas amricain et dans ce cas cette tape est incon-
tournable. Lestimation prcdente permet alors de choisir de faon pertinente le domaine
dans lequel on rsoudra numriquement le problme. Ce choix est crucial dans lefcacit
de lalgorithme de calcul.
2.2 La mthode des diffrences nies
Une fois le problme localis on obtient, par exemple, dans le cas o lon impose des condi-
tions de type Dirichlet le systme diffrentiel suivant :
(E)
_
_
u(t, x)
t
+

Au(t, x) = 0 dans [0, T] O
l
u(t, l) = u(t, l) = 0 si t [0, T]
u(T, x) = f(x) si x O
l
La mthode des diffrences nies ralise une discrtisation en temps et en espace de lquation
(E) .
On commence par discrtiser loprateur diffrentiel

A sur O
l
. Pour cela on remplace une
fonction (f(x))
xO
l
appartenant un espace de dimension innie, par un vecteur (f
i
)
1iN
de dimension nie. On procde de la faon suivante, on pose x
i
= l + 2il/(N + 1), pour
0 i N+1, chaque f
i
est cens approximer f(x
i
). On approxime les conditions aux limites
par f
0
= 0, f
N+1
= 0 dans le cas de conditions de Dirichlet et f
0
= f
1
, f
N
= f
N+1
dans le cas
de conditions de Neumann.
On note h = 2l/(N+1) et u
h
= (u
i
h
)
1iN
un vecteur de R
N
. Pour discrtiser loprateur
A par un oprateur

A
h
sur R
N
, on substitue :
b(x
i
)
u(x
i
)
x
: b(x
i
)
u
i+1
h
u
i1
h
2h
et :
2
(x
i
)
2
u(x)
x
2
:
2
(x
i
)
u
i+1
h
u
i
h
h

u
i
h
u
i1
h
h
h
=
u
i+1
h
2u
i
h
+ u
i1
h
h
2
.
On obtient ainsi un oprateur

A
h
sur R
N
.
Remarque 2.2 Pour le modle de Black et Scholes (aprs changement de variable logarith-
mique) :
A
bslog
u(x) =

2
2
2
u(x)
x
2
+
_
r

2
2
_
u(x)
x
ru(x),
on obtient :
(

A
h
u
h
)
i
=

2
2h
2
_
u
i+1
h
2u
i
h
+u
i1
h
_
+
_
r

2
2
_
1
2h
_
u
i+1
h
u
i1
h
_
. ru
i
h
A
h
est donc reprsent par la matrice tridiagonale suivante, en tenant compte des conditions
aux limites de type Dirichlet :
_
_

A
h
_
ij
_
1iN, 1jN
=
_
_
_
_
_
_
_
_
_
_
_
0 0 0
0 0
0 0
0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0
0 0 0
_
_
_
_
_
_
_
_
_
_
_
o :
_
_
=

2
2h
2

1
2h
_
r

2
2
_
=
2
h
2
r
=

2
2h
2
+
1
2h
_
r

2
2
_
Si on impose des conditions de type Neumann

A
h
prend la forme :
_
_
_
_
_
_
_
_
_
_
_
+ 0 0 0
0 0
0 0
0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0
0 0 0 +
_
_
_
_
_
_
_
_
_
_
_
. (5.12)
Cette discrtisation en espace permet de ramener (E) une quation diffrentielle ordinaire
(E
h
) :
(E
h
)
_
du
h
(t)
dt
+

A
h
u
h
(t) = 0 si 0 t T
u
h
(T) = f
h
o f
h
= (f
i
h
)
1iN
est le vecteur f
i
h
= f(x
i
).
On discrtise alors cette quation en temps grce ce que lon appelle des -schmas. Cela
signie que lon se donne [0, 1], k un pas de temps tel que T = Mk et que lon approxime
la solution u
h
de (E
h
) linstant nk par u
h,k
solution de :
(E
h,k
)
_
_
u
M
h,k
= f
h
n dcroissant, on rsout pour chaque n :
u
n+1
h,k
u
n
h,k
k
+
A
h
u
n
h,k
+ (1 )

A
h
u
n+1
h,k
= 0 si 0 n M 1
Remarque 2.3 Lorsque = 0 le schma prcdent porte le nom de schma explicite,
car u
n
h,k
se calcule en fonction de u
n+1
h,k
. Lorsque > 0, par contre, on doit rsoudre
chaque tape un systme du type Tu
n
h,k
= b, avec :
_
T =
_
I k
A
h
_
b =
_
I + (1 ) k
A
h
_
u
n+1
h,k
o T est une matrice tridiagonale. Ceci est videmment plus complexe (et donc plus long
informatiquement). Cependant ces schmas sont les plus utiliss dans la pratique, car ils
ont de bonnes proprits de convergence comme on le verra plus tard.
Lorsque = 1/2, on parle de schma de Crank et Nicholson. Ce schma est souvent
utilis pour la rsolution de systmes de type (E) lorsque b = 0 et est constante.
Lorsque = 1, on parle de schma totalement implicite.
Donnons maintenant des rsultats de convergence de la solution u
h,k
de (E
h,k
) vers u(t, x)
solution de (E) sous hypothse dellipticit. Nous renvoyons [RT83] et [GLT76] pour une
dmonstration. On notera u
k
h
(t, x) la fonction :
M
n=1
N
i=1
(u
n
h,k
)
i
1
]x
i
h/2,x
i
+h/2]
1
](n1)k,nk]
.
Et loprateur de drivation approche dni par :
()(x) =
1
h
((x + h/2) (x h/2))
Thorme 2.4 On suppose que b et sont lischitziennes et que r est une fonction continue et
positive. Rappelons que

Af(x) vaut dans ce cas 1/2(x)
2
(
2
f(x)/x
2
) + b(x)(f(x)/x)
r(x)f(x). On suppose que loprateur

A est elliptique : (

Au, u)
L
2
(O
l
)
(|u|
L
2
(O
l
)
+
|u
|
L
2
(O
l
)
) avec > 0. Alors :
lorsque 1/2 1 si h, k tendent vers 0 on a :
limu
k
h
= u dans lespace L
2
([0, T] O
l
)
limu
k
h
=
u
x
dans lespace L
2
([0, T] O
l
)
lorsque 0 < 1/2, si h, k tendent vers 0 et si de plus limk/h
2
= 0 on a :
limu
k
h
= u dans lespace L
2
([0, T] O
l
)
limu
k
h
=
u
x
dans lespace L
2
([0, T] O
l
)
Remarque 2.5 Dans le cas 0 < 1/2 on parle de schma conditionnellement
convergent, la convergence nayant lieu que si lon fait tendre h et k et k/h
2
vers 0. Ces
schmas sont numriquement dlicats exploiter. Ils sont peu utiliss dans la pratique,
sauf lorsque = 0.
Dans le cas 1/2 1 on parle de schma inconditionnellement convergent, la conver-
gence ayant lieu sans restriction, si lon fait tendre h et k vers 0.
Nous allons maintenant voir comment on rsout algorithmiquement lquation (E
h,k
). A chaque
pas de temps n on cherche une solution de TX = G o :
_
_
_
X = u
n
h,k
G =
_
I + (1 )k
A
h
_
u
n+1
h,k
T = I k
A
h
.
T est une matrice tridiagonale. Lalgorithme suivant (il sagit en fait de la mthode de Gauss)
permet de rsoudre ce systme en utilisant un nombre de multiplications proportionnel N.
Posons X = (x
i
)
1iN
, G = (g
i
)
1iN
et :
T =
_
_
_
_
_
_
_
_
_
_
_
b
1
c
1
0 0 0
a
2
b
2
c
2
0 0
0 a
3
b
3
c
3
0
0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 a
N1
b
N1
c
N1
0 0 0 a
N
b
N
_
_
_
_
_
_
_
_
_
_
_
On procde alors de la faon suivante : on rend la matrice T triangulaire infrieure par la m-
thode du pivot en partant du bas de la matrice.
Remonte :
b
N
= b
N
g
N
= g
N
Pour 1 i N1, i dcroissant :
b
i
= b
i
c
i
a
i+1
/b
i+1
g
i
= g
i
c
i
g
i+1
/b
i+1
Aprs cette transformation on obtient un systme quivalent de la forme T

X = G
, avec :
T
=
_
_
_
_
_
_
_
_
_
_
_
b
1
0 0 0 0
a
2
b
2
0 0 0
0 a
3
b
3
0 0
0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 a
N1
b
N1
0
0 0 0 a
N
b
N
_
_
_
_
_
_
_
_
_
_
_
.
Il suft, alors, de calculer X en partant du haut de la matrice.
Descente :
x
1
= g
1
/b
1
Pour 2 i N, i croissant
x
i
= (g
i
a
i
x
i1
)/b
i
Remarque 2.6 La matrice T nest pas forcment inversible. Cependant, si elle vrie, pour tout
i, |a
i
| + |c
i
| |b
i
|, on peut prouver quelle lest. Lorsque T nest pas inversible, lalgorithme
prcdent peut conduire des rsultats errons. Il est facile de vrier que la condition prc-
dente dinversibilit est remplie, dans le cas du modle de Black et Scholes si |r
2
/2|
2
/h,
cest dire si h est sufsamment petit.
3 Le problme des options amricaines
3.1 Formulation du problme
La thorie des options amricaines pour les modles temps continu est dlicate. Pour le
modle de Black et Scholes, on a obtenu la formule suivante pour la valeur dun call (f =
(x K)
+
) ou dun put (f = (K x)
+
) amricain :
V
t
= (t, S
t
)
o :
(t, x) = sup
T
t,T
E
_
e
r(t)
f
_
xe
(r
2
/2)(t)+(WWt)
__
o, sous P
, (W
t
)
t0
est un mouvement brownien standard et T
t,T
lensemble des temps darrt
valeurs dans [t, T]. Dans le cas du call amricain (sur une action sans dividende), on obtient la
mme expression que pour le call europen, mais, pour le put amricain, il ny a pas de formule
explicite et les mthodes numriques sont invitables.
Le problme rsoudre est un cas particulier du problme suivant : tant donne une bon-
ne fonction f et une diffusion (X
t
)
t0
valeurs dans R
n
, solution du systme (5.4), calculer la
fonction :
(t, x) = sup
T
t,T
E
_
e
t
r(s,X
t,x
s
)ds
f
_
X
t,x
_
_
.
Notons que lon a (t, x) f(x) et (en prenant t = T) (T, x) = f(x).
Remarque 3.1 On peut alors dmontrer (voir chapitre le 2 pour lanalogie avec les modles
discrets et le chapitre 4 dans le cas du modle de Black et Scholes) que le processus :
e
t
0
r(s,Xs)ds
(t, X
t
)
est la plus petite surmartingale majorant tout instant le processus f(X
t
).
On a vu que le calcul du prix dune option europenne est reli une quation aux drives par-
tielles de type parabolique. Dans le cas dune option amricaine, on a un rsultat similaire, mais
qui fait intervenir un systme dinquations aux drives partielles parabolique. Le thorme
suivant prcise ce lien. Il est nonc de facon volontairement informelle.
Thorme 3.2 Supposons que u soit une solution rgulire du systme dinquations aux
drives partielles suivant :
_
_
u
t
+ A
t
u ru 0, u f dans [0, T] R
n
_
u
t
+A
t
u ru
_
(f u) = 0 dans [0, T] R
n
u(T, x) = f(x) dans R
n
(5.13)
Alors u(t, x) = (t, x) = sup
T
t,T
E
_
e
t
r(s,X
t,x
s )ds
f (X
t,x
)
_
.
Dmonstration : Nous nallons pas donner une dmonstration prcise de ce rsultat, mais sim-
plement ses grandes lignes. Pour une dmonstration dtaille, on consultera [BL78] (chapitre 3
section 2) et [JLL90] (section 3). On se ramne au cas o t = 0 (la dmonstration tant pratique-
ment identique lorsque t > 0). On note X
x
t
la solution de (5.4) issue de x en 0. La proposition
1.3 permet dafrmer que le processus :
M
t
= e
t
0
r(s,X
x
s
)ds
u(t, X
x
t
)
_
t
0
e
s
0
r(v,X
x
v
)dv
_
u
t
+A
s
u ru
_
(s, X
x
s
)ds
est une martingale. En appliquant le thorme darrt (thorme 3.4 du chapitre 3) cette mar-
tingale entre 0 et , un temps darrt plus petit que T on obtient E(M
) = E(M
0
), et comme
u
t
+ A
s
u ru 0 :
u(0, x) E
_
e
0
r(s,X
x
s
)ds
u(, X
x
)
_
.
Mais u(t, x) f(x), donc u(0, x) E
_
e
0
r(s,X
x
s
)ds
f(X
x
)
_
. Ce qui prouve que :
u(0, x) sup
T
0,T
E
_
e
0
r(s,X
x
s
)ds
f(X
x
)
_
= F(0, x).
Maintenant, si on pose
opt
= inf{0 s T, u(s, X
x
s
) = f(X
x
s
)}, on peut montrer que
opt
est
un temps darrt. Dautre part, pour s entre 0 et
opt
, on a :
_
u
t
+A
s
u ru
_
(s, X
x
s
) = 0.
On en dduit, grce au thorme darrt, que :
u(0, x) = E
_
e
opt
0
r(s,X
x
s
)ds
u(
opt
, X
x
opt
)
_
.
Mais linstant
opt
, u(
opt
, X
x
opt
) = f(X
x
opt
), do :
u(0, x) = E
_
e
opt
0
r(s,X
x
s
)ds
f(X
x
opt
)
_
.
Ce qui prouve que u(0, x) F(0, x), puis que u(0, x) = F(0, x). On a mme dmontr que
opt
est un temps darrt optimal (i.e. qui ralise le supremum parmi tous les temps darrt).
Remarque 3.3 La formulation prcise du systme (5.13) est dlicate, car mme pour f rgu-
lire, la solution u nest pas de classe C
2
en gnral. La bonne mthode consiste introduire
une formulation variationnelle du problme (voir [BL78]). La dmonstration qui est esquisse
plus haut est rendue difcile par le fait que lon ne peut pas appliquer directement la formule de
It une solution de linquation prcdente.
3.2 Le put amricain dans le modle de Black et Scholes
Nous quittons le cas gnral pour nous occuper du calcul du put amricain dans le cas du
modle de Black et Scholes.
On se place sous la probabilit P
pour laquelle le processus (W

t
)
t0
est un mouvement
brownien standard, et telle que le prix de lactif S
t
vrie :
dS
t
= S
t
(rdt + dW
t
) .
On a vu au paragraphe 1.3 que lon peut se ramener un oprateur elliptique en introduisant le
processus :
X
t
= log (S
t
) = log (S
0
) +
_
r

2
2
_
t +W
t
,
Le gnrateur innitsimal de X
t
, A est alors indpendant du temps et :
A
bslog
= A
bslog
r =

2
2
2
x
2
+
_
r

2
2
_

x
r.
Si lon note (x) = (Ke
x
)
+
, linquation au drives partielles associe au calcul du prix de
put amricain scrit :
_
_
v
t
(t, x) +

A
bslog
v(t, x) 0 p.p. dans [0, T] R
v (t, x) (x) p.p. dans [0, T] R
(v(t, x) (x))
_
v
t
(t, x) +

A
bslog
v(t, x)
_
= 0 p.p. dans [0, T] R
v(T, x) = (x).
(5.14)
Le thorme suivant donne un rsultat dexistence et dunicit pour cette inquation aux dri-
ves partielles et tablit le lien avec le prix du put amricain (t, x).
Thorme 3.4 Linquation (5.14) admet une solution unique v(t, x) continue et borne telle
que les drives au sens des distributions
v
x
,
v
t
,

2
v
x
2
soient localement bornes. De plus cette
solution vrie :
v(t, log(x)) = (t, x) = sup
T
t,T
E
_
e
r(t)
f
_
xe
(r
2
/2)(t)+(WWt)
__
.
Pour une dmonstration de ce rsultat on consultera [JLL90].
Rsolution numrique de linquation
Nous allons voir comment on peut rsoudre linquation (5.14) par une mthode numrique.
On procde essentiellement de la mme facon que dans le cas europen. On commence par
localiser le problme pour se ramener une inquation dans O
l
=] l, l[. On doit alors imposer
des conditions aux limites en l. Par soucis de simplicit, nous crivons, ici, linquation avec
des conditions de type Neumann en annulant les drives en x en l
1
:
(A)
_
_
v
t
(t, x) +

A
bslog
v(t, x) 0 p.p. dans [0, T] O
l
v (t, x) (x) p.p. dans [0, T] O
l
(v )
_
v
t
(t, x) +

A
bslog
v(t, x)
_
= 0 p.p. dans [0, T] O
l
v(T, x) = (x)
v
x
(t, l) = 0.
Nous allons maintenant discrtiser linquation (A) laide de la mthode des lments
nis. On reprend les notations du paragraphe 2.2. En particulier M est un nombre entier tel que
Mk = T, f
h
est le vecteur donn par f
i
h
= (x
i
) o x
i
= l + 2il/(N + 1) et

A
h
est donn
par (5.12). On note, si u et v sont deux vecteurs de R
n
, u v pour 1 i n, u
i
v
i
. La
dmarche est alors formellement similaire celle du cas europen : par discrtisation en espace
et en temps, on se ramne linquation en dimension nie (A
h,k
) :
(A
h,k
)
_
_
u
M
h,k
= f
h
Et si 0 n M1
u
n
h,k
f
h
u
n+1
h,k
u
n
h,k
+ k
_
A
h
u
n
h,k
+ (1 )

A
h
u
n+1
h,k
_
0
_
u
n+1
h,k
u
n
h,k
+k
_
A
h
u
n
h,k
+ (1 )

A
h
u
n+1
h,k
_
, u
n
h,k
f
h
_
= 0
o (x, y) est le produit scalaire de R
N
et

A
h
est donne par (5.12). Si on note :
_
_
T = I k
A
h
X = u
n
h,k
G =
_
I + k(1 )

A
h
_
u
n+1
h,k
F = f
h
,
on a rsoudre chaque pas de temps n, le systme dinquations :
(AD)
_
_
_
TX G
X F
(TX G, X F) = 0.
T est la matrice tridiagonale :
T =
_
_
_
_
_
_
_
_
_
_
_
a +b c 0 0 0
a b c 0 0
0 a b c 0
0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 a b c
0 0 0 a b + c
_
_
_
_
_
_
_
_
_
_
_
1
En pratique on impose plutot les conditions aux limites suivantes, plus naturelles,
v
x
(t, l) = 0 et v(t, l) =
(l).
avec :
_
_
a = k
_

2
2h
2
+
1
2h
_
r

2
2
__
b = 1 + k
_
2
h
2
+r
_
c = k
_

2
2h
2
+
1
2h
_
r

2
2
__
(AD) est une inquation en dimension nie. On sait rsoudre de tels systmes dinquations
la fois thoriquement et algorithmiquement, si la matrice T est coercive (cest dire si X.TX
X.X, avec > 0). On peut dautre part vrier que, dans notre cas, T vrie cette hypothse si
r

2
2

2
h
et si
k
2h
r

2
2
< 1. En effet, cette condition implique que a et c sont ngatifs,

et donc, en utilisant que 2|xy| x
2
+ y
2
:
x.Tx =
n
i=2
ax
i1
x
i
+
n
i=1
bx
2
i
+
n1
i=1
cx
i
x
i+1
+ax
2
1
+ cx
2
n
(a/2)
n
i=2
_
x
2
i1
+x
2
i
_
+
n
i=1
bx
2
i
+ (c/2)
n1
i=1
_
x
2
i
+ x
2
i+1
_
+ax
2
1
+cx
2
n
_
a + b +c
1
2
|a c|
_
n
i=1
x
2
i

_
1
k
2h
r

2
2
_
n
i=1
x
2
i
.
Sous cette hypothse de coercivit on peut prouver quil existe une solution unique pour le
problme (A
h,k
) (voir exercice 28).
Le thorme suivant prcise la nature de la convergence dune solution de (A
h,k
) vers la
solution de (A). On note :
u
k
h
(t, x) =
M
n=1
N
i=1
(u
n
h,k
)
i
1
]x
i
h/2,x
i
+i/2]
1
](n1)k,nk]
.
Thorme 3.5 Si u est une solution de (A),
1. si < 1 la convergence est conditionnelle : si h et k tendent vers 0 et si k/h
2
tend vers
0 alors :
limu
k
h
= u dans lespace L
2
([0, T] O
l
)
limu
k
h
=
u
x
dans lespace L
2
([0, T] O
l
)
2. si = 1 la convergence est inconditionnelle : la convergence prcdente a lieu si h et k
tendent vers 0 sans restriction.
On trouvera la dmonstration de ce rsultat dans [GLT76] et [Zha97].
Remarque 3.6 Dans la pratique on utilise surtout = 1, cause de ses proprits de conver-
gence inconditionnelle.
Rsolution algorithmique de linquation en dimension nie
Dans le cas du put amricain, et lorsque le pas h est sufsamment petit, on sait rsoudre le
systme (AD) trs efcacement en modiant lalgorithme de rsolution des systmes dqua-
tions tridiagonaux. On procde comme suit (on note b le vecteur (a +b, b, . . . , b +c)) :
Remonte :
b
N
= b
N
g
N
= g
N
Pour 1 i N 1, i dcroissant
b
i
= b
i
ca/b
i+1
g
i
= g
i
cg
i+1
/b
i+1
Descente amricaine :
x
1
= g
1
/b
1
Pour 2 i N, i croissant
x
i
= (g
i
ax
k1
)/b
i
x
i
= sup( x
i
, f
i
)
On trouvera la preuve que, sous les hypothses prcdentes, cet algorithme calcule bien une
solution de linquation (AD) dans [JLL90].
Remarque 3.7 Lalgorithme est exactement le mme que dans le cas europen en dehors de
ltape x
i
= sup( x
i
, f
i
). Ceci le rend trs efcace.
Il existe dautres algorithmes permettant de rsoudre les inquations en dimension nie,
on trouvera une description de certaines de ces mthodes dans [JLL90] (pour des mthodes
exactes) et [GLT76] (pour des mthodes itratives).
Remarque 3.8 Lorsque lon fait = 1 dans (A
h,k
), que lon impose des conditions aux limites
du type Neumann et que lon applique lalgorithme de rsolution prcdent, la mthode de
rsolution porte le nom d algorithme de Brennan et Schwartz [BS77].
Il faut bien noter que lalgorithme prcdent ne calcule la solution correcte du systme din-
quations (AD), que sous les hypothses soulignes plus haut, en particulier, il est spcique
au cas du put amricain. Il existe des cas o le rsultat calcul par cet algorithme nest pas la
solution de (AD), comme on sen convainc aisment sur lexemple suivant :
M =
_
_
_
1 1 0
1 0
0 0 1
_
_
_, F =
_
_
_
1
2
0
_
_
_, G =
_
_
_
0
0
1
_
_
_.
La solution calcule par lalgorithme vaut alors :
X =
_
_
_
1
2
0
_
_
_,
qui nest pas solution de (AD).
Remarque 3.9 On pourra trouver une implmentation de lalgorithme de Brennan et
Schwartz dcrit dans ce paragraphe au chapitre 8.
3.3 La mthode binomiale pour le calcul du put amricain
Nous allons prsenter une autre mthode dapproximation du prix du put amricain pour
le modle de Black et Scholes. Soient r, a, b des nombres rels, tels que 1 < a < r < b.
Soit (S
n
)
n0
le modle binomial dni par, S
0
= x et S
n+1
= S
n
T
n
, o (T
n
)
n0
est une suite
de variables alatoires indpendantes et quidistribues, telles que P(T
n
= 1 + a) = p =
(b r)/(b a) et P(T
n
= 1 +b) = 1 p. On a vu au chapitre 2 paragraphe 4 que le prix du
put amricain, dans ce modle, scrivait sous la forme :
T
n
= P
am
(n, S
n
),
et que la fonction P
am
(n, x) pouvait se calculer laide de la relation de rcurrence :
P
am
(n, x) = max
_
(K x)
+
,
pP
am
(n + 1, (1 +a)x) + (1 p)P
am
(n +1, (1 +b)x)
1 + r
_
.
(5.15)
et de la valeur en N, P
am
(N, x) = (K x)
+
. Dautre part, le problme corrig du chapitre 1
paragraphe 4 prouve que si :
_
_
r =
RT
N
1 +a = e
N
1 +b = e
+
N
p =
br
ba
,
(5.16)
le prix dune option europenne dans ce modle binomial approxime le prix pour le modle de
Black et Scholes, pour un taux dintrt R et une volatilit . Cela suggre la mthode de calcul
suivante pour le calcul du put amricain. On se donne une valeur de N, on xe les valeurs de
r, a, b, p laide de (5.16) et on utilise la relation de rcurrence (5.15) pour calculer le prix
associ cette discrtisation P
N
am
(n, .) aux points x(1 + a)
ni
(1 + b)
i
, 0 i n. Il semble
maturel de penser que P
N
am
(0, x) est une approximation du prix amricain dans le modle de
Black et Scholes P(0, x).
On peut, effectivement, dmontrer que lim
N+
P
am
(0, x) = P(0, x). Le rsultat prcdent
est dlicat justier (voir [Kus77] et [LP90]), nous ne chercherons pas le dmontrer.
La mthode que nous venons de dcrire porte le nom de mthode de Cox Ross Rubinstein.
Elle est dcrite dans [CR85].
4 Exercices
Exercice 28 On note (X, Y) le produit scalaire de deux vecteurs X = (x
i
)
1in
et Y =
(y
i
)
1in
de R
n
. La notation X Y signie que pour tout i entre 1 et n, x
i
y
i
. On sup-
pose que M vrie, pour tout X de R
n
(X, MX) (X, X) avec > 0. Nous allons tudier le
systme :
_
_
_
MX G
X F
(MX G, X F) = 0
1. Dmontrer que ce problme est quivalent trouver X F tel que :
V F (MX G, V X) 0. (5.17)
2. Dmontrer lunicit dune solution de (5.17).
3. Dmontrer que si M est la matrice identit, alors il existe une solution unique (5.17).
4. Soit un nombre positif, on note S
(X) lunique Y F tel que :

V F (Y X +(MX G), V Y) 0.
Montrer que, si est assez petit, S
est une application contractante.

5. En dduire lexistence dune solution de (5.17).
Exercice 29 On cherche approximer le prix du put amricain dans le modle de Black et
Scholes u(t, x). On rappelle que u est solution de linquation aux drives partielles :
_
_
u
t
(t, x) +

A
bs
u(t, x) 0 p.p. dans [0, T]]0, +[
u(t, x) (K x)
+
p.p. dans [0, T]]0, +[
(u (K x)
+
)
_
u
t
(t, x) +

A
bs
u(t, x)
_
= 0 p.p. dans [0, T]]0, +[
u(T, x) = (K x)
+
.
o :
A
bs
=

2
x
2
2
2
x
2
+ rx

x
r.
1. On note u
e
(t, x) la valeur du put europen pour le modle de Black Scholes. Ecrire le
systme dinquations vri par v = u u
e
.
2. On va approximer la solution v = uu
e
de cette inquation en la discrtisant uniquement
en temps et en utilisant un seul pas de temps. Lorsque on utilise une mthode totalement
implicite, montrer que lapproximation v(x) de v(0, x) vrie :
_
_
v(x) + T

A
bs
v(x) 0 p.p. dans ]0, +[
v (t, x)

(x) = (K x)
+
u
e
(0, x) p.p. dans ]0, +[
_
v(x)

(x)
_ _
v(x) +T

A
bs
v(x)
_
= 0 p.p. dans ]0, +[
. (5.18)
3. Trouver lunique valeur de telle que v(x) = x
soit solution de v(x) +T

A
bs
v(x) = 0
et telle que lim
x+
u(x) = 0
4. On va chercher une solution continue drive continue de (5.18) sous la forme :
v(x) =
_
x
si x x
(x) sinon.
(5.19)
Ecrire les quations que doivent vrier et pour que v soit continue et drive
continue en x
. En dduire, que si v est continue et drive continue, alors x
est solution
de f(x) = x o :
f(x) = ||
K u
e
(0, x)
u
e
(0, x) +1 + ||
,
et u
e
(t, x) = (u
e
(t, x)/x).
5. En utilisant la formule explicite de u
e
(0, x) (voir chapitre 4 quation 4.9) dmontrer que
f(0) > 0, que f(K) < K (on pourra utiliser la convexit de la fonction u
e
) et que f(x) x
est dcroissante. En dduire quil existe une solution unique f(x) = x.
6. Dmontrer que v(x) dnie par (5.19) o x
est la solution unique de f(x) = x est une

solution de (5.18).
7. Proposer un algorithme itratif (utilisant une mthode de dichotomie) permettant de cal-
culer x
, avec une prcision arbitraire.

8. Ecrire un algorithme en Pascal implmentant une approximation du put amricain
partir de ce qui prcde.
Lalgorithme que nous venons de dcrire est une version (lgrement diffrente) de lalgorithme
de Mac Millan [Mil86] (voir galement Barone-Adesi et Waley [BAW87]).
Chapitre 6
Modles de taux dintrt
Les modles de taux dintrt sont utiliss principalement pour pricer et couvrir des obli-
gations et des options sur obligations. Jusqu prsent, aucun modle na pu simposer comme
modle de rfrence au mme titre que le modle de Black-Scholes pour les options sur actions.
Dans ce chapitre, nous tentons de prsenter les principes de base de la modlisation (en suivant
essentiellement [AD89]) puis, nous illustrons la thorie par ltude de trois modles particuliers.
1 Principes de la modlisation
1.1 Notion de courbe des taux
Dans la plupart des modles que nous avons introduits jusqu prsent, le taux dintrt est
suppos constant. Dans la ralit, on observe que le taux dintrt dun prt dpend la fois de
la date t dmission du prt et de la date T dchance ou de maturit du prt.
Une personne empruntant 1 franc linstant t, jusqu lchance T, devra rembourser une
somme F(t, T) la date T, ce qui quivaut un taux dintrt moyen R(t, T) donn par lgalit
F(t, T)) = e
(Tt)R(t,T)
.
Si on se place en environnement certain, cest dire si on suppose que tous les taux dint-
rt (R(t, T))
tT
sont connus, alors, en labsence dopportunit darbitrage, la fonction F doit
vrier :
t < u < s F(t, s) = F(t, u)F(u, s).
Il est facile en effet dexhiber des arbitrages possibles lorsque cette galit nest pas vrie
(exercice !). Cette relation, jointe lgalit F(t, t) = 1, entrane, si F est rgulire, lexistence
dune fonction r(t) telle que :
t < T F(t, T) = exp
_
_
T
t
r(s)ds
_
et, par consquent :
R(t, T) =
1
T t
_
T
t
r(s)ds.
La fonction r(s) sinterprte comme le taux dintrt instantan.
En environnement incertain, ce raisonnement nest plus possible. A la date t, les taux din-
trt futurs R(u, T) pour T > u > t, ne sont pas connus. Nanmoins, on concoit quil y ait des
liaisons entre les diffrents taux, le but de la modlisation tant de les prciser.
Le problme se pose concrtement en terme de pricing des obligations. Nous appellerons
obligation zro-coupon un titre donnant droit 1 franc une date dchance T et nous note-
rons P(t, T) la valeur de ce titre linstant t. On a videmment P(T, T) = 1 et, en environnement
certain :
P(t, T) = e
T
t
r(s)ds
. (6.1)
1.2 Courbe des taux en avenir incertain
En avenir incertain, il faut penser le taux instantan comme un processus alatoire : entre les
instants t et t +dt, on peut emprunter au taux r(t) (dans la pratique cest un taux court terme,
par exemple le taux au jour le jour). Pour prciser la modlisation, nous nous placerons sur un
espace probabilis ltr (, T, P, (T
t
)
0tT
) et nous supposerons que la ltration (T
t
)
0tT
est
la ltration naturelle dun mouvement brownien standard (W
t
)
0tT
et que T
T
= T. Comme
dans les modles tudis prcdemment, nous introduisons un actif dit sans risque, dont le
prix linstant t est donn par :
S
0
t
= e
t
0
r(s)ds
o (r(t))
0tT
est un processus adapt vriant :
_
T
0
|r(t)|dt < , presque srement. Lappel-
lation dactif sans risque peut sembler trange pour un actif dont le prix dpend du hasard ; nous
verrons plus loin en quoi cet actif est moins risqu que les autres. Les actifs risqus sont ici
les obligations zro-coupon dchance infrieure ou gale lhorizon T. Pour chaque instant
u T, nous introduisons donc un processus adapt (P(t, u))
0tu
, vriant P(u, u) = 1 et
donnant le prix du zro-coupon dchance u en fonction du temps.
Dans le chapitre 1, nous avons caractris, dans le cadre des modles discrets, labsence
dopportunit darbitrage par lexistence dune probabilit quivalente sous laquelle les prix
actualiss des actifs sont des martingales. Lextension de ce type de rsultat des modles
temps continu est dlicate (cf. [HK79], [Str90], [AD89] et [DS94]), mais nous avons pu consta-
ter, dans le chapitre 4, que lexistence dune telle probabilit tait vrie dans le modle de
Black-Scholes. En nous appuyant sur ces exemples, nous allons ici prendre comme point de
dpart de la modlisation lhypothse suivante :
(H) Il existe une probabilit P
quivalente P, sous laquelle, pour tout rel u [0, T], le

processus (
P(t, u))
0tu
dni par :
P(t, u) = e
t
0
r(s)ds
P(t, u)
est une martingale.
Cette hypothse entrane un certain nombre de consquences intressantes. En effet, la proprit
de martingale sous P
donne, en utilisant lgalit P(u, u) = 1 :
P(t, u) = E
_

P(u, u)
T
t
_
= E
_
e
u
0
r(s)ds
T
t
_
et, en supprimant lactualisation,
P(t, u) = E
_
e
u
t
r(s)ds
T
t
_
. (6.2)
Cette galit, quil est intressant de comparer la formule (6.1), montre que les prix P(t, u) ne
dpendent que du comportement du processus (r(s))
0sT
sous la probabilit P
. Lhypothse
que nous avons faite sur la ltration (T
t
)
0tT
permet de prciser la forme de la densit de la
probabilit P
par rapport P. Notons L

T
cette densit. Pour toute variable alatoire positive X,
on a : E
(X) = E(XL
T
) et, si X est T
t
-mesurable : E
(X) = E(XL
t
), en posant L
t
= E(L
T
|F
t
).
La variable alatoire L
t
est donc la densit de la restriction de P
T
t
par rapport P.
Proposition 1.1 Il existe un processus adapt (q(t))
0tT
tel que, pour tout t [0, T],
L
t
= exp
_
_
t
0
q(s)dW
s

1
2
_
t
0
q(s)
2
ds
_
p.s. (6.3)
Ch.6 MODLES DE TAUX DINTRT 119
Dmonstration : Le processus (L
t
)
0tT
est une martingale par rapport (T
t
), qui est la
ltration naturelle du mouvement brownien (W
t
). Il en rsulte (cf. paragraphe 2.3 du chapitre 4)
quil existe un processus adapt (H
t
)
0tT
vriant
_
T
0
H
2
t
dt < p.s. et, pour tout t [0, T] :
L
t
= L
0
+
_
t
0
H
s
dW
s
p.s.
Puisque L
T
est une densit de probabilit, on a E(L
T
) = 1 = L
0
et, puisque P
est quivalente
P, on a L
T
> 0 p.s. et plus gnralement P(L
t
> 0) = 1 quel que soit t. Pour obtenir la formule
(6.3), on est tent dappliquer la formule dIto avec la fonction log. Pour cela, on a besoin de
vrier que P
_
t [0, T], L
0
+
_
t
0
H
s
dW
s
> 0
_
= 1. Cette vrication (qui utilise de manire
cruciale la proprit de martingale) fait lobjet de lexercice 30. Ce point tant acquis, la formule
dIto donne :
log (L
t
) =
_
t
0
1
L
s
H
s
dW
s

1
2
_
t
0
1
L
2
s
H
2
s
ds p.s.
ce qui entrane lgalit (6.3) avec q(t) =
Ht
Lt
.
Corollaire 1.2 Le prix linstant t de lobligation zro-coupon dchance u t peut
scrire :
P(t, u) = E
_
e
u
t
r(s)ds+
u
t
q(s)dWs
1
2
u
t
q(s)
2
ds
T
t
_
. (6.4)
Dmonstration : Cela rsulte immdiatement de la proposition 1.1 et de la formule suivante,
facile vrier pour toute variable alatoire positive X :
E
(X|T
t
) =
E(XL
T
| T
t
)
L
t
. (6.5)
La proposition suivante permet de donner une interprtation conomique du processus (q(t))
(cf. remarque 1.4 ci-dessous).
Proposition 1.3 Pour chaque chance u, il existe un processus adapt (
u
t
)
0tu
tel que, sur
[0, u] :
dP(t, u)
P(t, u)
= (r(t)
u
t
q(t))dt +
u
t
dW
t
(6.6)
Dmonstration : Puisque le processus (
P(t, u))
0tu
,
(
P(t, u)L
t
)
0tu
est une martingale sous P (cf. exercice 31). De plus, on a :

P(t, u)L
t
> 0
p.s., pour tout t [0, u]. Alors, par le mme raisonnement que dans la dmonstration de la
proposition 1.1, on voit quil existe un processus adapt (
u
t
)
0tu
tel que
_
u
0
(
u
t
)
2
dt < et :
P(t, u)L
t
=

P(0, u)e
t
0

u
s
dWs
1
2
t
0
(
u
s
)
2
ds
.
Do, en explicitant L
t
et en supprimant lactualisation :
P(t, u) = P(0, u) exp
_
_
t
0
r(s)ds +
_
t
0
(
u
s
q(s))dW
s

1
2
_
t
0
((
u
s
)
2
q(s)
2
)ds
_
.
En appliquant la formule dIto avec la fonction exponentielle, on obtient :
dP(t, u)
P(t, u)
= r(t)dt + (
u
t
q(t))dW
t

1
2
((
u
t
)
2
q(t)
2
)dt +
1
2
(
u
t
q(t))
2
dt
= (r(t) +q(t)
2
u
t
q(t))dt + (
u
t
q(t))dW
t
,
ce qui donne lgalit (6.6) en posant :
u
t
=
u
t
q(t).
Remarque 1.4 La formule (6.6) est rapprocher de lgalit
dS
0
t
S
0
t
= r(t)dt, vrie par lactif
dit sans risque. Cest la prsence du terme en dW
t
qui rend les obligations plus risques. De
plus, pour lintuition, lexpression r(t)
u
t
q(t) apparat comme le rendement moyen (i.e. en
esprance) de lobligation linstant t (car les accroissements du mouvement brownien sont
de moyenne nulle) et lexpression
u
t
q(t) exprime la diffrence entre le rendement moyen de
lobligation et le taux sans risque. Do linterprtation de q(t) comme une prime de risque.
Sous la probabilit P
, le processus (

W
t
) dni par :

W
t
= W
t

_
t
0
q(s)ds est un mouvement
brownien standard (thorme de Girsanov) et on a :
dP(t, u)
P(t, u)
= r(t)dt +
u
t
d

W
t
. (6.7)
Pour cette raison la probabilit P
est souvent appele probabilit corrige du risque ou proba-

bilit risque-neutre.
1.3 Options sur obligations
Pour xer les ides, considrons dabord une option europenne dchance sur lobliga-
tion zro-coupon dchance gale lhorizon T. Sil sagit dun call de prix dexercice K, la
valeur de loption linstant est videmment (P(, T) K)
+
et on peut esprer couvrir ce call
avec un portefeuille constitu de certaines quantits dactif sans risque et dobligations. Pour
prciser cela, nous allons dnir des stratgies de gestion, en nous limitant des portefeuilles
constitus, chaque instant, dactifs sans risque et de zro-coupons dchance T. Une stratgie
est alors dnie par la donne dun processus adapt ((H
0
t
, H
t
))
0tT
valeurs dans R
2
, H
0
t
re-
prsentant la quantit dactif sans risque et H
t
le nombre dobligations dchance T dtenues
en portefeuille linstant t. La valeur du portefeuille linstant t est donne par :
V
t
= H
0
t
S
0
t
+H
t
P(t, T) = H
0
t
e
t
0
r(s)ds
+H
t
P(t, T)
et la condition dautonancement scrit, comme dans le chapitre 4, sous la forme :
dV
t
= H
0
t
dS
0
t
+H
t
dP(t, T).
Pour que cette galit ait un sens, on impose, compte tenu de la proposition 1.3, les conditions
dintgrabilit suivantes :
_
T
0
|H
0
t
r(t)|dt < et
_
T
0
(H
t
u
t
)
2
dt < p.s.. Comme dans le
chapitre 4, nous dnissons les stratgies admissibles de la facon suivante :
Dnition 1.5 Une stratgie =
_
(H
0
t
, H
t
)
_
0tT
est admissible si elle est autonance et si
la valeur actualise

V
t
() = H
0
t
+ H
t
P(t, T) du portefeuille correspondant est, pour tout t,

positive et si sup
t[0,T]
V
t
.
La proposition suivante montre que sous des hypothses convenables, on peut couvrir toutes les
options europennes dchance < T.
Proposition 1.6 On suppose sup
0tT
|r(t)| < p.s. et
T
t
,= 0 p.s., pour tout t [0, ].
Soit < T et soit h une variable alatoire T
mesurable telle que he
0
r(s)ds
soit de carr
intgrable sous P
. Alors, il existe une stratgie admissible dont la valeur linstant est gale
h. La valeur un instant t dune telle stratgie est donne par :
V
t
= E
_
e
t
r(s)ds
h
T
t
_
.
Dmonstration : La mthode est la mme que dans le chapitre 4. On observe dabord que si
V
t
est la valeur (actualise) linstant t dune stratgie admissible ((H
0
t
, H
t
))
0tT
, on a, en
utilisant la condition dautonancement, la formule dintgration par parties et la remarque 1.4
(cf. quation (6.7)) :
d

V
t
= H
t
d
P(t, T)
= H
t
P(t, T)
T
t
d

W
t
.
On en dduit, compte tenu du fait que sup
t[0,T]
V
t
, que (

V
t
) est
une martingale sous P
. On a donc :
t

V
t
= E
_

V
T
t
_
et, si on impose la condition V
= h, on obtient
V
t
= e
t
0
r(s)ds
E
_
e
0
r(s)ds
h|T
t
_
.
Pour achever la dmonstration, il suft de construire une stratgie admissible ayant chaque
instant cette valeur. Pour cela, on montre quil existe un processus (J
t
)
0t
tel que
_
0
J
2
t
< ,
p.s. et :
he
0
r(s)ds
= E
_
he
0
r(s)ds
_
+
_
0
J
s
d

W
s
.
Noter que cette proprit nest pas une consquence triviale du thorme de reprsentation des
martingales car on ne sait pas si he
0
r(s)ds
est dans la tribu engendre par les

W
t
, t (on
sait seulement quelle est dans la tribu T
qui peut tre plus grande ; voir ce sujet lexercice

32). Ce point tant acquis, il suft de poser :
H
t
=
J
t
P(t, T)
T
t
et H
0
t
= E
_
he
0
r(s)ds
T
t
_
J
t
T
t
pour t . On vrie aisment que ((H
0
t
, H
t
))
0t
dnit une stratgie admissible (lhypo-
thse sup
0tT
|r(t)| < p.s. permet dassurer la condition
_
0
|r(s)H
0
s
|ds < ) dont la valeur
linstant est bien gale h.
Remarque 1.7 Nous ne nous sommes pas poss la question de lunicit de la probabilit P
et il
nest pas clair que le processus de risque (q(t)) soit dni sans ambigut. En fait, on peut mon-
trer (cf. [AD89]) que P
est lunique probabilit quivalente P sous laquelle (
P(t, T))
0tT
soit une martingale si et seulement si le processus (
T
t
) vrie :
T
t
,= 0, dtdP presque partout.
Cette condition, un peu plus faible que lhypothse de la proposition 1.6, est exactement ce
quil faut pour pouvoir couvrir les options avec des obligations dchance T, ce qui nest pas
tonnant si lon songe la caractrisation des marchs complets que nous avons donne dans le
chapitre 1.
2 Quelques modles usuels
Les quations (6.2) et (6.4) montrent que pour calculer le prix des obligations, on a besoin
de connatre soit lvolution de r(t) sous P
, soit lvolution du couple (r(t), q(t)) sous P. Les

premiers modles que nous allons examiner dcrivent lvolution de r(t) sous P par une qua-
tion de diffusion et choisissent la forme de q(t) de facon conserver le mme type dquation
sous P
. Les prix des obligations et des options dpendent alors explicitement de paramtres
de risque difciles estimer. Une des vertus du modle de Heath-Jarrow-Morton, que nous
prsentons brivement dans le paragraphe 2.3 est de fournir des formules de prix doptions
dpendant uniquement de paramtres rgissant lvolution des taux sous P.
2.1 Le modle de Vasicek
Dans ce modle, on suppose que le processus r(t) vrie :
dr(t) = a(b r(t)) dt +dW
t
(6.8)
o a, b, sont des constantes positives. On suppose aussi que le processus q(t) est une
constante q(t) = , avec R. Alors :
dr(t) = a(b
r(t)) dt + d

W
t
(6.9)
o b
= b/a et

W
t
= W
t
+t. Avant de calculer le prix des obligations selon ce modle,
donnons quelques consquences de lquation (6.8). Si on pose :
X
t
= r(t) b,
on voit que (X
t
) est solution de lquation diffrentielle stochastique :
dX
t
= aX
t
dt +dW
t
,
ce qui signie que (X
t
) est un processus dOrnstein-Uhlenbeck (cf. chapitre 3, paragraphe 5.2).
On en dduit que r(t) peut scrire :
r(t) = r(0)e
at
+b
_
1 e
at
_
+e
at
_
t
0
e
as
dW
s
(6.10)
et que r(t) suit une loi normale dont la moyenne est donne par E(r(t)) = r(0)e
at
+
b(1 e
at
) et la variance par Var(r(t)) =
2
_
1e
2at
2a
_
. Cela entrane que P(r(t) < 0) > 0,
ce qui pour la pratique nest pas trs satisfaisant (sauf si cette probabilit reste trs faible). Noter
que, quand t tend vers linni, r(t) converge en loi vers une gaussienne de moyenne b et de
variance

2
2a
.
Pour calculer le prix des zro-coupons, on se place sous la probabilit P
et on utilise lqua-
tion (6.9). Daprs lgalit (6.2),
P(t, T) = E
_
e
T
t
r(s)ds
T
t
_
= e
b
(Tt)
E
_
e
T
t
X
s
ds
T
t
_
(6.11)
en posant : X
t
= r(t) b
. Comme (X
t
) est solution de lquation de diffusion coefcients
indpendants du temps
dX
t
= aX
t
dt +d

W
t
, (6.12)
on peut crire :
E
_
e
T
t
X
s
ds
T
t
_
= F(T t, X
t
) = F(T t, r(t) b
) (6.13)
o F est la fonction dnie par : F(, x) = E
_
e
0
X
x
s
ds
_
, (X
x
t
) tant lunique solution de
lquation (6.12) qui vrie : X
x
0
= x (cf. chapitre 3, remarque 5.11).
Le calcul de F(, x) peut se faire compltement. En effet, on sait (cf. chapitre 3) que le pro-
cessus (X
x
t
) est gaussien, trajectoires continues. Il en rsulte que
_
0
X
x
s
ds est une gaussienne,
puisque lintgrale est limite de sommes de Riemann, qui sont gaussiennes. On a donc, daprs
lexpression de la transforme de Laplace dune gaussienne,
E
_
e
0
X
x
s
ds
_
= e
E
0
X
x
s
ds)+
1
2
Var(
0
X
x
s
ds)
.
De lgalit : E
(X
x
s
) = xe
as
, on dduit :
E
_
_
0
X
x
s
ds
_
= x
1 e
a
a
.
Pour le calcul de la variance, on crit :
Var
_
_
0
X
x
s
ds
_
= Cov
_
_
0
X
x
s
ds,
_
0
X
x
s
ds
_
=
_
0
_
0
Cov (X
x
t
, X
x
u
) dudt. (6.14)
Puisque X
x
t
= xe
at
+e
at
_
t
0
e
as
d

W
s
, on a :
Cov (X
x
t
, X
x
u
) =
2
e
a(t+u)
E
_
_
t
0
e
as
d

W
s
_
u
0
e
as
d

W
s
_
=
2
e
a(t+u)
_
tu
0
e
2as
ds
=
2
e
a(t+u)
_
e
2a(tu)
1
_
2a
et, en reportant dans lgalit (6.14),
Var
_
_
0
X
x
s
ds
_
=

2
a
2

2
a
3
_
1 e
a
_

2
2a
3
_
1 e
a
_
2
.
En revenant aux quations (6.11) et (6.13), on obtient la formule suivante :
P(t, T) = exp [(T t)R(T t, r(t))] ,
o R(T t, r(t)), qui sinterprte comme le taux dintrt moyen sur la priode [t, T], est donn
par la formule :
R(, r) = R

1
a
_
(R
r)
_
1 e
a
_

2
4a
2
_
1 e
a
_
2
_
avec R
= lim
R(, r) = b

2
2a
2
. Le taux R
sinterprte comme un taux long terme ;

notons quil ne dpend pas du taux instantan spot r. Cette dernire proprit est considre
comme un dfaut du modle par les nanciers.
Remarque 2.1 Dans la pratique, se pose le problme de lestimation des paramtres et du choix
de la valeur de r. Pour r on choisira un taux court (par exemple le taux au jour le jour ou
jj), on pourra alors caler les paramtres b, a, par des mthodes statistiques sur les donnes
historiques du taux instantan. Puis on dtermine partir des donnes de march en inversant
la formule de Vasicek. En fait les praticiens dterminent souvent les paramtres, y compris r,
en ajustant au mieux la formule de Vasicek sur les donnes de march.
Remarque 2.2 Le calcul des options sur obligations se fait facilement dans le modle de Vasi-
cek, grce au caractre gaussien du processus dOrnstein-Uhlenbek (cf. exercice 33).
2.2 Le modle de Cox-Ingersoll-Ross
Dans [CIR85], Cox, Ingersoll et Ross proposent de modliser lvolution du taux instantan
par lquation suivante :
dr(t) = (a br(t))dt +
_
r(t)dW
t
(6.15)
avec et a positifs, b R, le processus (q(t)) tant pris de la forme : q(t) =
_
r(t), avec
R. Notons quon ne peut pas appliquer cette quation le thorme dexistence et dunicit
que nous avons donn au chapitre 3, puisque la fonction racine carre nest dnie que sur R
+
et nest pas lipschitzienne. Cependant, grce au caractre hlderien de la fonction racine carre,
on peut montrer le rsultat suivant.
Thorme 2.3 On suppose que (W
t
) est un mouvement brownien standard dni sur [0, [.
Pour tout rel x 0, il existe un unique processus continu adapt (X
t
), valeurs dans R
+
,
vriant X
0
= x et
dX
t
= (a bX
t
) dt +
_
X
t
dW
t
sur [0, [. (6.16)
Pour une dmonstration de ce rsultat, nous renvoyons [IW81], p. 221. Pour permettre ltude
du modle de Cox-Ingersoll-Ross, nous allons donner quelques proprits de cette quation.
Nous noterons (X
x
t
) la solution de (6.16) issue de x et
x
0
le temps darrt dni par :
x
0
= inf{t 0|X
x
t
= 0}
avec, comme dhabitude, inf = .
Proposition 2.4 1. Si a
2
/2, on a P(
x
0
= ) = 1, pour tout x > 0.
2. Si 0 a <
2
/2 et b 0, on a P(
x
0
< ) = 1, pour tout x > 0.
3. Si 0 a <
2
/2 et b < 0, on a P(
x
0
< ) ]0, 1[, pour tout x > 0.
La dmonstration de cette proposition fait lobjet de lexercice 34.
La proposition suivante, qui permet de caractriser la loi du couple
_
X
x
t
,
_
t
0
X
x
s
ds
_
, est la cl
de tous les calculs de prix dans le modle de Cox-Ingersoll-Ross.
Proposition 2.5 Pour tous rels positifs et , on a :
E
_
e
X
x
t
e
t
0
X
x
s
ds
_
= e
a
,
(t)
e
x
,
(t)
,
o les fonctions
,
et
,
sont donnes par :
,
(t) =
2
2
log
_
_
2e
t(+b)
2
2
(e
t
1) + b + e
t
( +b)
_
_
et
,
(t) =
( +b +e
t
( b)) + 2(e
t
1)
2
(e
t
1) + b + e
t
( +b)
avec =
_
b
2
+2
2
.
Dmonstration : Le fait que lesprance calculer puisse se mettre sous la forme e
a(t)x(t)
rsulte dune proprit dadditivit du processus (X
x
t
) par rapport au paramtre a et la condi-
tion initiale x (cf. [IW81], p.225, [RY90]). Si, xant et , on considre la fonction F(t, x)
dnie par :
F(t, x) = E
_
e
X
x
t
e
t
0
X
x
s
ds
_
, (6.17)
il est naturel de chercher F comme solution du problme :
_
_
_
F
t
=

2
2
x
2
F
x
2
+ (a bx)
F
x
xF
F(0, x) = e
x
En effet, si F vrie ces quations et a des drives bornes, la formule dIt montre que, pour
tout T, le processus (M
t
)
0tT
, dni par :
M
t
= e
t
0
X
x
s
ds
F(T t, X
x
t
)
est une martingale et lgalit E(M
T
) = M
0
donne (6.17). Si F est de la forme : F(t, x) =
e
a(t)x(t)
les quations ci-dessus se traduisent par : (0) = 0, (0) = et
_

(t) =

2
2

2
(t) + b(t)
(t) = (t)
La rsolution de ces deux quations diffrentielles donne les expressions de et .
Quand on applique la proposition 2.5 avec = 0, on obtient la transforme de Laplace de
X
x
t
sous la forme :
E
_
e
X
x
t
_
=
_
_
b
2
2
(1 e
bt
) + b
_
_
2a/
2
exp
_
_
x
be
bt
2
2
(1 e
bt
) + b
_
_
=
1
(2L +1)
2a/
2
exp
_
L
2L +1
_
en posant : L =

2
4b
_
1 e
bt
_
et =
4xb
2
(e
bt
1)
. Avec ces notations, la transforme de Laplace
de X
x
t
/L est donne par la fonction g
4a/
2
,
, o g
,
est dnie par :
g
,
() =
1
(2 +1)
/2
exp
_

2 + 1
_
.
Cette fonction est la transforme de Laplace dune loi connue sous le nom de loi du chi-deux
dcentre degrs de libert, de paramtre de dcentrage (voir ce sujet lexercice 35). La
densit de cette loi est donne par la fonction f
,
, dnie par :
f
,
(x) =
e
/2
2
1
2
e
x
2
x
1
2
I
2
1
_
x
_
pour x > 0,
o I
est la fonction de Bessel modie dordre , dnie par :

I
(x) =
_
x
2
_
n=0
_
x
2
_
2n
n!( + n +1)
.
On trouvera de nombreuses proprits des fonctions de Bessel et des formules dapproximation
des fonctions de rpartition de lois du chi-deux dcentres dans [AS70], chapitres 9 et 26.
Revenons maintenant au modle de Cox-Ingersoll-Ross. Avec les hypothses faites sur les
processus (r(t)) et (q(t)), on a :
dr(t) = (a (b + )r(t)) dt +
_
r(t)d

W
t
,
o, sous la probabilit P
, le processus (

W
t
)
0tT
est un mouvement brownien standard. Le
prix dune obligation zro-coupon dchance T est alors donn, linstant 0, par :
P(0, T) = E
_
e
T
0
r(s)ds
_
= e
a(T)r(0)(T)
(6.18)
o les fonctions et sont donnes par les formules suivantes :
(t) =
2
2
log
_
_
2
e
t(
+b
)
2
+e
t
(
+b
)
_
_
et
(t) =
2
_
e
t
1
_
+ e
t
(
+b
)
avec b
= b + et
=
_
(b
)
2
+ 2
2
. Le prix linstant t est donn par : P(t, T) =
exp (a(T t) r(t)(T t)).
Calculons maintenant le prix, linstant 0, dun call europen dchance , de prix dexer-
cice K, sur un zro-coupon dchance T. On peut montrer que les hypothses de la proposition
1.6 sont vries ; le prix linstant 0 du call est donc donn par :
C
0
= E
_
e
0
r(s)ds
(P(, T) K)
+
_
= E
_
e
0
r(s)ds
_
e
a(T)r()(T)
K
_
+
_
= E
_
e
0
r(s)ds
P(, T)1
{r() < r
}
_
KE
_
e
0
r(s)ds
1
{r() < r
}
_
o r
est dni par :

r
=
a(T ) + log(K)
(T )
.
Remarquons que E
_
e
0
r(s)ds
P(, T)
_
= P(0, T), par la proprit de martingale des prix
actualiss. De mme, E
_
e
0
r(s)ds
_
= P(0, ). On peut donc crire le prix de loption sous la
forme :
C
0
= P(0, T)P
1
(r() < r
) KP(0, )P
2
(r() < r
)
en notant P
1
et P
2
les probabilits dont les densits par rapport P
sont donnes respectivement

par :
dP
1
dP
=
e
0
r(s)ds
P(, T)
P(0, T)
et
dP
2
dP
=
e
0
r(s)ds
P(0, )
.
On dmontre (cf. exercice 36) que, si on pose
L
1
=

2
2
_
e
1
_
(e
+1) + (
2
(T ) + b
) (e
1)
et
L
2
=

2
2
_
e
1
_
(e
+ 1) +b
(e
1)
,
la loi de
r()
L
1
sous P
1
, (resp. de
r()
L
2
sous P
2
) est une loi du chi-deux dcentre 4a/
2
degrs
de libert et de paramtre de dcentrage gal
1
(resp.
2
), avec
1
=
8r(0)
2
e
2
(e
1) (
(e
+ 1) + (
2
(T ) +b
)(e
1))
et
2
=
8r(0)
2
e
2
(e
1) (
(e
+1) + b
(e
1))
.
Avec ces notations, en introduisant la fonction de rpartition F
,
de la loi du chi-deux dcentre
degrs de libert de paramtre de dcentrage , on a donc :
C
0
= P(0, T)F
4a/
2
,
1
_
r
L
1
_
KP(0, )F
4a/
2
,
2
_
r
L
2
_
.
2.3 Autres modles
Le modle de Vasicek et le modle de Cox-Ingersoll-Ross ont pour principal dfaut de don-
ner des prix qui sont des fonctions explicites du taux dintrt instantan spot et ne permettent
donc pas dintgrer, dans la structure des prix, lobservation de toute la courbe des taux.
Certains auteurs ont introduit des modles bidimensionnels pour mieux rendre compte des
disparits entre taux court et taux long (cf. [BS79], [SS84], [Cou82]). Ces modles plus com-
plexes ne dbouchent pas sur des formules explicites et ncessitent la rsolution dquations
aux drives partielles. Plus rcemment, Ho et Lee [HL86] ont propos un modle temps dis-
cret dcrivant lvolution de lensemble de la courbe des taux. Un modle temps continu bas
sur la mme ide a t introduit par Heath, Jarrow et Morton dans [HJM87], [Mor89]. Cest ce
modle que nous allons prsenter brivement.
On dnit tout dabord les taux dintrt forward f(t, s), pour t s, caractriss par lga-
lit suivante :
P(t, u) = exp
_
_
u
t
f(t, s)ds
_
(6.19)
pour toute chance u. Le nombre f(t, s) reprsente donc le taux dintrt instantan la date
s tel que le march le voit la date t. Pour chaque u, le processus (f(t, u))
0tu
doit donc
tre un processus adapt et il est naturel de poser : f(t, t) = r(t). On impose galement lap-
plication (t, s) f(t, s), dnie pour t s, dtre continue. La modlisation consiste ensuite
supposer que, pour chaque chance u, le processus (f(t, u))
0tu
vrie une quation de la
forme :
f(t, u) = f(0, u) +
_
t
0
(v, u)dv +
_
t
0
(f(v, u))dW
v
, (6.20)
avec un processus ((t, u))
0tu
adapt, lapplication (t, u) (t, u) tant continue et
tant une application continue de R dans R (on peut aussi prendre dpendant du temps, cf.
[Mor89]).
Il faut alors sassurer que ce modle est compatible avec lhypothse (H). Cela impose
des conditions sur les coefcients et du modle. Pour les faire apparatre, on calcule la
diffrentielle
dP(t,u)
P(t,u)
et on la compare lquation (6.6). Posons : X
t
=
_
u
t
f(t, s)ds. On a
P(t, u) = e
Xt
et, daprs lquation (6.20),
X
t
=
_
u
t
(f(s, s) +f(s, s) f(t, s)) ds
=
_
u
t
f(s, s)ds +
_
u
t
_
_
s
t
(v, s)dv
_
ds +
_
u
t
_
_
s
t
(f(v, s))dW
v
_
ds
=
_
u
t
f(s, s)ds +
_
u
t
_
_
u
v
(v, s)ds
_
dv +
_
u
t
_
_
u
v
(f(v, s))ds
_
dW
v
(6.21)
= X
0
+
_
t
0
f(s, s)ds
_
t
0
_
_
u
v
(v, s)ds
_
dv
_
t
0
_
_
u
v
(f(v, s))ds
_
dW
v
.
Noter que linterversion dintgrales apparaissant dans lquation (6.21) est justie par lexer-
cice 37. On a donc :
dX
t
=
_
f(t, t)
_
u
t
(t, s)ds
_
dt
_
_
u
t
(f(t, s))ds
_
dW
t
et, par la formule dIto :
dP(t, u)
P(t, u)
= dX
t
+
1
2
d <X, X>
t
=
_
_
f(t, t)
_
_
u
t
(t, s)ds
_
+
1
2
_
_
u
t
(f(t, s))ds
_
2
_
_
dt
_
_
u
t
(f(t, s))ds
_
dW
t
.
Si lhypothse (H) est vrie, on doit avoir, daprs la proposition 1.3 et l galit f(t, t) =
r(t),
u
t
q(t) =
_
_
u
t
(t, s)ds
_
1
2
_
_
u
t
(f(t, s))ds
_
2
,
avec
u
t
=
_
_
u
t
(f(t, s))ds
_
. Do :
_
u
t
(t, s)ds =
1
2
_
_
u
t
(f(t, s))ds
_
2
q(t)
_
u
t
(f(t, s))ds
et, en drivant par rapport u :
(t, u) = (f(t, u))
_
_
u
t
(f(t, s))ds q(t)
_
Lquation (6.20) scrit alors, sous forme diffrentielle :
df(t, u) = (f(t, u))
_
_
u
t
(f(t, s))ds
_
dt +(f(t, u))d

W
t
(6.22)
Le thorme suivant, d Heath, Jarrow et Morton [HJM87], [Mor89] donne des conditions
sufsantes pour que lquation (6.22) ait une solution unique.
Thorme 2.6 Si la fonction est lipschitzienne et borne, pour toute fonction continue de
[0, T] dans R
+
il existe un unique processus continu deux indices (f(t, u))
0tuT
tel que,
pour tout u, le processus (f(t, u))
0tu
soit adapt et vrie (6.22), avec f(0, u) = (u).
On voit que, pour tout processus continu (q(t)), on peut alors construire un modle de la forme
(6.20). Il suft de prendre une solution de (6.22) et de poser ensuite :
(t, u) = (f(t, u))
_
_
u
t
(f(t, s))ds q(t)
_
.
Ce qui est remarquable dans ce modle, cest que la loi des taux forward sous P
ne dpend
que de la fonction . Cest une consquence de lquation (6.22), qui ne fait apparatre que
et (

W
t
). Il en rsulte que le prix des options ne dpendra que de la fonction . On est ainsi
dans une situation analogue celle du modle de Black-Scholes. Le cas o est une constante
est tudi dans lexercice 38. Noter que la condition de bornitude sur est essentielle puisque,
pour (x) = x, il ny a pas de solution (cf. [HJM87], [Mor89]).
Remarque bibliographique : Pour lvaluation des options sur obligations avec coupons, on
pourra consulter [Jam89] et [KR89].
3 Exercices
Exercice 30 Soit (M
t
)
0tT
une martingale continue telle que, pour tout t [0, T], P(M
t
>
0) = 1. On pose :
= (inf{t [0, T] | M
t
= 0}) T.
1. Montrer que est un temps darrt.
2. Montrer, en utilisant le thorme darrt, que E(M
T
) = E
_
M
T
1
{ = T}
_
. En dduire
que P({t [0, T] M
t
> 0}) = 1.
Exercice 31 Soit (, T, (T
t
)
0tT
, P) un espace probabilis ltr et soit Q une probabilit
absolument continue par rapport P. On note L
t
la densit de la restriction de Q T
t
. Soit
(M
t
)
0tT
un processus adapt. Montrer que (M
t
)
0tT
est une martingale sous Q si et seule-
ment si le processus (L
t
M
t
)
0tT
est une martingale sous P.
Exercice 32 Les notations sont celles du paragraphe 1.3. Soit (M
t
)
0tT
un processus adapt
la ltration (T
t
). On suppose que (M
t
. Montrer, en utilisant
lexercice 31, quil existe un processus adapt (H
t
)
0tT
tel que
_
T
0
H
2
t
dt < p.s. et
M
t
= M
0
+
_
t
0
H
s
d

W
s
p.s.
pour tout t [0, T].
Exercice 33 On se propose de calculer le prix, linstant 0, dun call dchance et de prix
dexercice K sur une obligation zro-coupon dchance T > , dans le modle de Vasicek.
1. Montrer que les hypothses de la proposition 1.6 sont bien vries.
2. Montrer que loption est exerce si et seulement si r() < r
, o
r
= R
_
1
a(T )
1 e
a(T)
_

2
_
1 e
a(T)
_
4a
2
log(K)
_
a
1 e
a(T)
_
.
3. Soit (X, Y) un vecteur gaussien valeurs dans R
2
sous une probabilit P et soit

P la
probabilit absolument continue par rapport P, de densit
d
P
dP
=
e
X
E(e
X
)
.
Montrer que, sous

P, Y est une gaussienne, dont on prcisera la moyenne et la variance.
4. En utilisant la question prcdente, montrer que sous les probabilits de densits respec-
tives
e
0
r(s)ds
P(0,)
et
e
T
0
r(s)ds
P(0,T)
par rapport P
, la variable alatoire r() est une gaussienne.

En dduire une expression du prix de loption sous la forme C
0
= P(0, T)p
1
KP(0, )p
2
,
avec des paramtres p
1
et p
2
que lon explicitera.
Exercice 34 Le but de cet exercice est de dmontrer la proposition 2.4. Pour x, M > 0, on note
x
M
le temps darrt dni par
x
M
= inf{t 0 | X
x
t
= M}.
1. Soit s la fonction dnie sur ]0, [ par
s(x) =
_
x
1
e
y
2b
2
y
2a/
2
dy.
Montrer que s vrie :

2
2
x
d
2
s
dx
2
+ (a bx)
ds
dx
= 0.
2. Pour < x < M, on pose :
x
,M
=
x

x
M
. Montrer que, pour tout t > 0, on a :
s
_
X
x
t
x
,M
_
= s(x) +
_
t
x
,M
0
s
(X
x
s
)
_
X
x
s
dW
s
.
En dduire, en prenant les variances et en utilisant le fait que s
est borne infrieurement

sur lintervalle [, M], que E(
x
,M
) < , ce qui entrane que
x
,M
est ni p.s.
3. Montrer que si < x < M, s(x) = s()P(
x
<
x
M
) +s(M)P(
x
>
x
M
).
4. On suppose a
2
/2. Montrer qualors lim
x0
s(x) = . En dduire que :
P(
x
0
<
x
M
) = 0,
pour tout M > 0, puis que P(
x
0
< ) = 0.
5. On suppose maintenant 0 a <
2
/2 et on pose s(0) = lim
x0
s(x). Montrer que,
pour tout M > x, on a : s(x) = s(0)P(
x
0
<
x
M
) + s(M)P(
x
0
>
x
M
) et achever la
dmonstration de la proposition 2.4.
Exercice 35 Soit d un entier strictement positif et soient X
1
, X
2
, . . ., X
d
, d gaussiennes ind-
pendantes de variance 1 et de moyennes respectives m
1
, m
2
, . . .,m
d
. Montrer que la variable
alatoire X =
d
i=1
X
2
i
suit une loi du chi-deux dcentre d degrs de libert, de paramtre de
dcentrage =
d
i=1
m
2
i
.
Exercice 36 En utilisant la proposition 2.5, calculer, dans le modle de Cox-Ingersoll-Ross, la
loi de r() sous les probabilits P
1
et P
2
introduites la n du paragraphe 2.2.
Exercice 37 Soit (, T, (T
t
)
0tT
, P) un espace probabilis ltr et soit (W
t
)
0tT
un
mouvement brownien standard par rapport (T
t
). On considre un processus deux in-
dices (H(t, s))
0t,sT
vriant les proprits suivantes : pour tout , lapplication (t, s)
H(t, s)() est continue et, pour tout s [0, T], le processus (H(t, s))
0tT
est adapt. On se
propose de justier lgalit
_
T
0
_
_
T
0
H(t, s)dW
t
_
ds =
_
T
0
_
_
T
0
H(t, s)ds
_
dW
t
. On supposera
pour simplier que
_
T
0
E
_
_
T
0
H
2
(t, s)dt
_
ds < (ce qui est sufsant pour justier lgalit
(6.21)).
1. Montrer que
_
T
0
E
_
_
T
0
H(t, s)dW
t
_
ds
_
T
0
_
E
_
_
T
0
H
2
(t, s)dt
__
1/2
ds.
En dduire que lintgrale
_
T
0
_
_
T
0
H(t, s)dW
t
_
ds a un sens.
2. Soit 0 = t
0
< t
1
< < t
N
= T une subdivision de lintervalle [0, T]. Remarquer que
_
T
0
_
_
N1
i=0
H(t
i
, s)
_
W
t
i+1
W
t
i
_
_
_
ds =
N1
i=0
_
_
T
0
H(t
i
, s)ds
_
_
W
t
i+1
W
t
i
_
et justier le passage la limite conduisant lgalit souhaite.
Exercice 38 Dans le modle de Heath-Jarrow-Morton, on prend pour fonction une constante
strictement positive, encore note . On se propose de calculer le prix dun call dchance ,
de prix dexercice K, sur un zro-coupon dchance T > .
1. Montrer que les hypothses de la proposition 1.6 sont vries.
2. Montrer que la solution de lquation (6.22) est donne par f(t, u) = f(0, u) +
2
t
_
u
t
2
_
+

W
t
. En dduire que
P(, T) =
P(0, T)
P(0, )
exp
_
(T )

W

2
T(T )
2
_
.
3. Calculer, pour R, E
_
e
Wsds
e
_
. En dduire la loi de

W
sous les probabilits

P
1
et P
2
de densits par rapport P
respectivement donnes par

dP
1
dP
=
e
0
r(s)ds
P(, T)
P(0, T)
et
dP
2
dP
=
e
0
r(s)ds
P(0, )
.
4. Montrer que le prix du call linstant 0 est donn par
C
0
= P(0, T)N(d) KP(0, )N
_
d
(T )
_
,
o N est la fonction de rpartition de la loi normale centre rduite et
d =

(T )
2

log
_
K
P(0,)
P(0,T)
_
(T )
.
Chapitre 7
Modles dactifs avec sauts
Dans le modle de Black-Scholes, le prix de laction est une fonction continue du temps et
cette proprit est une des caractristiques du modle. Or, certains vnements rares (publica-
tion dun chiffre conomique, modication de la conjoncture internationale) peuvent entraner
des variations brutales des cours. Pour modliser ce genre de phnomnes, on est amen in-
troduire des processus stochastiques trajectoires discontinues.
Ces modles avec sauts ont, pour la plupart, une caractristique marquante qui les dif-
frencie du modle de Black-Scholes : ce sont des modles de marchs non complets, dans
lesquels il ny a pas de couverture parfaite des options. Lvaluation des options par construc-
tion dun portefeuille simulant ny est donc plus possible. Un approche possible de lvaluation
et de la couverture des options consiste dnir une notion de risque et choisir le prix et la
couverture de faon minimiser ce risque.
Dans ce chapitre, nous nous limitons aux modles avec sauts les plus simples. La description
de ces modles ncessite un expos des principales proprits du processus de Poisson, qui fait
lobjet du premier paragraphe.
1 Processus de Poisson
Dnition 1.1 Soit (T
i
)
i1
une suite de variables alatoires indpendantes quidistribues de
loi commune la loi exponentielle de paramtre , cest dire de loi :
1
{x > 0}
e
x
dx
. On pose
n
=
n
i=1
T
i
. On appelle processus de Poisson dintensit le processus N
t
dni
par :
N
t
=
n1
1
{
n
t}
=
n1
n1
{
n
t <
n+1
}
.
Remarque 1.2 N
t
reprsente le nombre de points de la suite (
n
)
n1
qui sont infrieurs ou
gaux t. On a :
n
= inf{t 0, N
t
= n}.
La proposition suivante explicite la loi de N
t
pour un t x.
Proposition 1.3 Si (N
t
)
t0
est un processus de Poisson dintensit alors, pour tout t > 0 la
variable alatoire N
t
suit une loi de Poisson de paramtre :
P(N
t
= n) = e
t
(t)
n
n!
.
On a en particulier :
E(N
t
) = t, Var(N
t
) = E(N
2
t
) (E(N
t
))
2
= t.
De plus, pour s > 0 :
E
_
s
Nt
_
= exp {t (s 1)} .
Dmonstration : On remarque tout dabord que la loi de
n
est :
1
{x > 0}
e
x
(x)
n1
(n 1)!
dx.
Cest dire une loi gamma de paramtres et n. En effet, la transforme de Laplace de T
1
est :
E
_
e
T
1
_
=

+
,
donc celle de
n
= T
1
+ + T
n
vaut :
E(e
n
) = E
_
e
T
1
_
n
=
_

+
_
n
.
On reconnat la tranforme de Laplace de la loi gamma de paramtres et n (cf. [Bou86],
chapitre VI, paragraphe 7.12). On a alors, pour n 1 :
P(N
t
= n) = P(
n
t) P(
n+1
t)
=
_
t
0
e
x
(x)
n1
(n 1)!
dx
_
t
0
e
x
(x)
n
n!
dx
=
(t)
n
n!
e
t
.
Proposition 1.4 Soient (N
t
)
t0
un processus de Poisson dintensit et T
t
= (N
s
, s t).
Le processus (N
t
)
t0
est un processus accroissements indpendants et stationnaires, cest
dire :
indpendance : si s > 0, N
t+s
N
t
t
.
stationnarit : la loi de N
t+s
N
t
est identique celle de N
s
N
0
= N
s
.
Remarque 1.5 Il est facile de voir que les temps de sauts
n
sont des temps darrt. En effet,
{
n
t} = {N
t
n} T
t
.
Une variable alatoire T de loi exponentielle vrie P(T t +s|T t) = P(T s). On dit
que les variables exponentielles nont pas de mmoire. Lindpendance des accroissements
est une consquence de cette proprit des lois exponentielles.
Remarque 1.6 La loi dun processus de Poisson dintensit est caractrise par lune des
deux proprits suivantes :
(N
t
)
t0
est un processus de Markov homogne continu droite et limit gauche, tel
que :
P(N
t
= n) = e
t
(t)
n
n!
,
(N
t
)
t0
est un processus accroissements indpendants et stationnaires, continu droite,
croissant, ne croissant que par sauts de 1.
Pour la premire caractrisation, cf. [Bou88], chapitre III, pour la seconde, cf. [DCD83], para-
graphe 6.3.
Ch.7 MODLES DACTIFS AVEC SAUTS 135
2 Description de lvolution de lactif risqu
Le but de ce paragraphe est de modliser un march nancier dans lequel il y a un actif
sans risque (de prix S
0
t
= e
rt
, linstant t) et un actif risque dont le prix prsente des sauts
de valeurs relatives U
1
, . . . , U
j
, . . ., des instants
1
, . . . ,
j
, . . . et qui, entre deux instants de
saut, suit le modle de Black et Scholes. Nous supposerons de plus que les
j
sont les temps de
saut dun processus de Poisson. Pour prciser cela, plaons-nous sur un espace de probabilit
(, /, P) sur lequel sont dnis un mouvement brownien standard (W
t
)
t0
, un processus de
Poisson dintensit (N
t
)
t0
et une suite (U
j
)
j1
de variables alatoires indpendantes qui-
distribues, valeurs dans ] 1, +[. Nous supposerons les tribus engendres respectivement
par (W
t
)
t0
, (N
t
)
t0
, (U
j
)
j1
indpendantes.
Pour tout t 0, notons T
t
la tribu engendre par les variables alatoires W
s
, N
s
pour s t
et U
j
1
{j N
t
}
pour j 1. On vrie que (W
t
)
t0
est un mouvement brownien standard par
rapport la ltration (T
t
)
t0
, que (N
t
)
t0
est un processus adapt cette ltration et que,
pour tout t > s, N
t
N
s
s
. La prise en compte des variables
alatoires U
j
1
{j N
t
}
dans T
t
signie qu linstant t, les valeurs relatives des sauts ayant eu
lieu avant t sont connues. Notons aussi que les
j
sont des temps darrt de (T
t
)
t0
, puisque
{
j
t} = {N
t
j} T
t
.
Lvolution de X
t
, prix de lactif risqu linstant t peut maintenant tre dcrite de la faon
suivante. Le processus (X
t
)
t0
est un processus continu droite adapt vriant :
Sur les intervalles de temps [
j
,
j+1
[ :
dX
t
= X
t
(dt +dW
t
).
A linstant
j
, le saut de X
t
est donn par :
X
j
= X
j
X
j
= X
j
U
j
,
donc X
j
= X
j
(1 + U
j
).
On a donc, pour t [0,
1
[ :
X
t
= X
0
e
(
2
/2)t+Wt
,
et par consquent, la limite gauche en
1
est donne par :
X
1
= X
0
e
(
2
/2)
1
+W
1
et
X
1
= X
0
(1 +U
1
)e
(
2
/2)
1
+W
1
.
Puis, pour t [
1
,
2
[,
X
t
= X
1
e
(
2
/2)(t
1
)+(WtW
1
)
= X
1
(1 + U
1
)e
(
2
/2)(t
1
)+(WtW
1
)
= X
0
(1 +U
1
)e
(
2
/2)t+Wt
.
On obtient ainsi de proche en proche que :
X
t
= X
0
_
_
Nt
j=1
(1 +U
j
)
_
_
e
(
2
/2)t+Wt
,
avec la convention
0
j=1
= 1.
Le processus (X
t
)
t0
ainsi dni est videmment continu droite adapt et na quun
nombre ni de discontinuits sur chaque intervalle [0, t]. On peut dmontrer quil vrie, pour
tout t 0,
P p.s. X
t
= X
0
+
_
t
0
X
s
(ds + dW
s
) +
Nt
j=1
X
j
U
j
(7.1)
Nous verrons que, pour ce type de modles, on ne peut pas, en gnral, couvrir parfaitement les
options. Cette difcult est lie au fait que pour T < +, il existe une innit de probabilits
quivalentes P sur T
T
sous lesquelles le prix actualis (e
rt
X
t
)
0tT
est une martingale. Dans
la suite, nous ferons lhypothse que, sous P, le processus (e
rt
X
t
)
0tT
est une martingale.
Cest une hypothse contraignante, mais elle nous permettra de dterminer simplement des
stratgies de couverture risque minimal. Ltude de la couverture des options, quand cette
hypothse nest pas vrife, est dlicate (voir [Sch89]).
Pour calculer E(X
t
|T
s
) nous aurons besoin du lemme suivant, dont la signication intuitive
est que les amplitudes relatives des sauts qui ont lieu aprs linstant s sont indpendantes de la
tribu T
s
.
Lemme 2.1 Pour tout s 0, les tribus (U
Ns+1
, U
Ns+2
, , U
Ns+k
, ) et T
s
sont indpen-
dantes.
Dmonstration : Comme les tribus W = (W
s
, s 0), N = (N
s
, s 0) et U = (U
i
, i 1)
sont indpendantes, il suf t de prouver que la tribu (U
Ns+1
, U
Ns+2
, , U
Ns+k
, ) est indpendante
de la tribu engendre par les variables alatoires N
u
, u s et U
j
1
{j N
s
}
. Soit A un borlien de R
k
,
B un borlien de R
d
et C un vnement de la tribu (N
u
, u s). On a, en utilisant lindpendance de
U et N et le fait que les U
j
sont indpendantes et quidistribues,
P({(U
Ns+1
, , U
Ns+k
) A} C {(U
1
, , U
d
) B} {d N
s
})
=
p=d
P({(U
p+1
, , U
p+k
) A} {(U
1
, , U
d
) B} C {N
s
= p})
=
p=d
P((U
p+1
, , U
p+k
) A) P((U
1
, , U
d
) B) P(C {N
s
= p})
= P((U
1
, , U
k
) A)
p=d
P((U
1
, , U
d
) B) P(C {N
s
= p}) .
De cette galit, on dduit (en prenant C = et B = R
d
) que le vecteur (U
Ns+1
, , U
Ns+k
) a mme
loi que (U
1
, , U
k
), puis que
P({(U
Ns+1
, , U
Ns+k
) A} C {(U
1
, , U
d
) B} {d N
s
})
= P((U
Ns+1
, , U
Ns+k
A) P(C {(U
1
, , U
d
B)} {d N
s
}) .
Do lindpendance annonce.
Supposons maintenant que E(|U
1
|) < +et posons

X
t
= e
rt
X
t
. Alors :
E(

X
t
|T
s
) =

X
s
E
_
_
e
(r
2
/2)(ts)+(WtWs)
Nt
j=Ns+1
(1 +U
j
)
T
s
_
_
=

X
s
E
_
_
e
(r
2
/2)(ts)+(WtWs)
NtNs
j=1
(1 + U
Ns+j
)
T
s
_
_
=

X
s
E
_
_
e
(r
2
/2)(ts)+(WtWs)
NtNs
j=1
(1 + U
Ns+j
)
_
_
,
en utilisant le lemme 2.1 et le fait que W
t
W
s
et N
t
N
s
sont indpendants de la tribu T
s
.
Do :
E(

X
t
|T
s
) =

X
s
e
(r)(ts)
E
_
_
Nt
j=Ns+1
(1 + U
j
)
_
_
=

X
s
e
(r)(ts)
e
(ts)E(U
1
)
,
en utilisant lexercice 39.
Il est clair alors que (

X
t
) est une martingale si et seulement si
= r E(U
1
).
Pour traiter les termes dus aux sauts dans les stratgies de couvertures, nous aurons encore
besoin de deux lemmes, dont les dmonstrations peuvent tre sautes en premire lecture. On
notera la loi commune des variables alatoires U
j
.
Lemme 2.2 Soit (y, z) une fonction mesurable de R
d
R dans R, telle que pour tout rel z
la fonction y (y, z) soit continue sur R
d
, et soit (Y
t
)
t0
un processus continu gauche,
valeur dans R
d
, adapt la ltration (T
t
)
t0
. On suppose que, pour tout t > 0 :
E
_
_
t
0
ds
_
(dz)
2
(Y
s
, z)
_
< +.
Alors le processus M
t
dni par :
M
t
=
Nt
j=1
(Y
j
, U
j
)
_
t
0
ds
_
(dz)(Y
s
, z),
est une martingale de carr intgrable et :
M
2
t

_
t
0
ds
_
(dz)
2
(Y
s
, z)
est une martingale.
Noter que par convention
0
j=1
= 1.
Dmonstration : On suppose dabord borne et on pose :
C = sup
(y,z)R
d
R
|(y, z)|.
On a alors
Nt
j=1
(Y
j
, U
j
)
CN
t
et
_
t
o
_
(dz)(Y
s
, z)
Ct. Donc M
t
est de carr intgrable. Fixons s
et t, avec s < t, et posons :
Z =
Nt
j=Ns+1
(Y
j
, U
j
)
A une sudivision = (s
0
= s < s
1
< < s
m
= t) de lintervalle [s, t] associons :
Z
=
m1
i=0
Ns
i+1
j=Ns
i
+1
(Y
s
i
, U
j
).
La continuit gauche de (Y
t
)
t0
et la continuit de par rapport y impliquent que Z
converge presque
srement vers Z quand le pas de la subdivision tend vers 0. On a de plus |Z
| C(N
t
N
s
), ce qui entrane
que la convergence a lieu aussi dans L
1
et mme dans L
2
.
On a :
E(Z
|F
s
) = E
_
m1
i=0
E(Z
i+1
|F
s
i
)
F
s
_
(7.2)
en posant :
Z
i+1
=
Ns
i+1
j=Ns
i
+1
(Y
s
i
, U
j
) =
Ns
i+1
Ns
i
j=1
(Y
s
i
, U
Ns
i
+j
).
En utilisant le lemme 2.1 et le fait que Y
s
i
est F
s
i
-mesurable, et en appliquant la proposition 2.5 de lappendice,
on voit que :
E(Z
i+1
|F
s
i
) =

i
(Y
s
i
),
o

i
(y) est d nie par :
i
(y) = E
_
_
Ns
i+1
Ns
i
j=1
(y, U
Ns
i
+j
)
_
_
.
La quantit

i
(y) est donc lesprance dune somme alatoire et, daprs lexercice 40 :
i
(y) = (s
i+1
s
i
)
_
d(z)(y, z).
En revenant lquation (7.2), on a donc :
E(Z
|F
s
) = E
_
m1
i=0
i
(Y
s
i
)
F
s
_
= E
_
m1
i=0
(s
i+1
s
i
)
_
d(z)(Y
s
i
, z)
F
s
_
.
En faisant tendre le pas de vers 0, on obtient :
E
_
_
Nt
j=Ns+1
(Y
j
, U
j
)
F
s
_
_
= E
_
_
t
s
du
_
d(z)(Y
u
, z)
F
s
_
,
ce qui prouve que M
t
est une martingale. Posons maintenant

Z
m1
i=0
E(Z
i+1
|F
s
i
). On peut crire :
=
m1
i=0
i
(Y
s
i
) =
m1
i=0
(s
i+1
s
i
)
_
d(z)(Y
s
i
, z).
On a de plus :
E
_
(Z
)
2
F
s
_
= E
_
_
_
m1
i=0
[Z
i+1
E(Z
i+1
|F
s
i
)]
_
2
F
s
_
_
= E
_
m1
i=0
[Z
i+1
E(Z
i+1
|F
s
i
)]
2
F
s
_
+2
i<j
E
_
(Z
i+1
E(Z
i+1
|F
s
i
))
_
Z
j+1
E(Z
j+1
|F
s
j
)
_
F
s
_
.
En conditionnant par rapport F
s
j
et en utilisant le fait que Z
i+1
est F
s
i+1
donc F
s
j
-mesurable, on voit que la
deuxime somme est nulle. Do :
E
_
(Z
)
2
F
s
_
= E
_
m1
i=0
(Z
i+1
E(Z
i+1
|F
s
i
))
2
F
s
_
= E
_
m1
i=0
E
_
[Z
i+1
E(Z
i+1
|F
s
i
)]
2
F
s
i
_
F
s
_
.
En utilisant de nouveau le lemme 2.1, on voit que :
E
_
(Z
i+1
E(Z
i+1
|F
s
i
))
2
F
s
i
_
= V(Y
s
i
),
o la fonction V est d nie par :
V(y) = Var
_
_
Ns
i+1
Ns
i
j=1
(y, U
Ns
i
+j
)
_
_
et, daprs lexercice 40,
V(y) = (s
i+1
s
i
)
_
d(z)
2
(y, z).
On a donc :
E
_
(Z
)
2
F
s
_
= E
_
m1
i=0
(s
i+1
s
i
)
_
d(z)
2
(Y
s
i
, z)
F
s
_
,
do, en faisant tendre le pas de la subdivision vers 0 :
E
_
(M
t
M
s
)
2
|F
s
_
= E
_
_
t
s
du
_
d(z)
2
(Y
u
, z)
F
s
_
. (7.3)
Puisque (M
t
)
t0
est une martingale de carr intgrable, on a :
E
_
(M
t
M
s
)
2
|F
s
_
= E
_
M
2
t
+ M
2
s
2M
t
M
s
|F
s
_
= E
_
M
2
t
M
2
s
|F
s
_
et lgalit (7.3) entrane donc que M
2
t

_
t
0
du
_
d(z)
2
(Y
u
, z) est une martingale.
Si on ne suppose plus borne, mais E
_
_
t
0
ds
_
d(z)
2
(Y
s
, z)
_
< +, pour tout t, on peut introduire les
fonctions (bornes)
n
d nies par
n
(y, z) = inf(n, sup(n, (y, z))), et les martingales (M
n
t
)
t0
d nies
par :
M
n
t
=
Nt
j=1
n
(Y
j
, U
j
)
_
t
0
ds
_
(dz)
n
(Y
s
, z).
On voit facilement que E
_
_
t
0
ds
_
(dz) (
n
(Y
s
, z) (Y
s
, z))
2
_
tend vers 0 lorsque n tend vers lin ni. Il en
rsulte que la suite (M
n
t
)
n1
est une suite de Cauchy dans L
2
et comme M
n
t
tend vers M
t
p.s., M
t
est de carr
intgrable et par passage la limite, le lemme est vri pour .
Lemme 2.3 On conserve les hypothses et les notations du lemme 2.2. Soit (A
t
)
t0
un proces-
sus adapt tel que E
_
_
t
0
A
2
s
ds
_
< +pour tout t. On pose L
t
=
_
t
0
A
s
dW
s
et comme dans le
lemme 2.2 :
M
t
=
Nt
j=1
(Y
j
, U
j
)
_
t
0
ds
_
(dz)(Y
s
, z).
Alors le produit L
t
M
t
est une martingale.
Dmonstration : Il suf t de dmontrer le lemme pour born (le cas gnral se traitant en approchant
par des
n
= inf(n, sup(n, )), comme dans la dmonstration du lemme 2.2). Fixons s < t et notons
= (s
0
= s < s
1
< < s
m
= t) une subdivision de lintervalle [s, t]. On a :
E[(L
t
M
t
L
s
M
s
)|F
s
] = E
_
m1
i=0
E((L
s
i+1
M
s
i+1
L
s
i
M
s
i
)|F
s
i
)
F
s
_
.
Or, puisque (L
t
)
t0
et (M
t
)
t0
sont des martingales :
E((L
s
i+1
M
s
i+1
L
s
i
M
s
i
)|F
s
i
) = E((L
s
i+1
L
s
i
)(M
s
i+1
M
s
i
)|F
s
i
) .
Do :
E((L
t
M
t
L
s
M
s
)|F
s
) = E(
|F
s
).
avec :
=
m1
i=0
(L
s
i+1
L
s
i
)(M
s
i+1
M
s
i
).
Mais, on a :
|
|
_
sup
0im1
|L
s
i+1
L
s
i
|
_
m1
i=0
|M
s
i+1
M
s
i
|
sup
0im1
|L
s
i+1
L
s
i
|
_
Nt
j=Ns+1
|(Y
j
, U
j
)| +
_
t
s
du
_
d(z)|(Y
s
, z)|
_
_
sup
0im1
_
|L
s
i+1
L
s
i
| (C(N
t
N
s
) +C(t s)) ,
avec C = sup
y,z
|(y, z)|. En utilisant la continuit de t L
t
, on voit que
tend presque srement vers 0

quand le pas de la subdivision tend vers 0. On a, de plus :
|
| 2 sup
sut
|L
u
| (C(N
t
N
s
) +C(t s)) .
La variable alatoire sup
sut
|L
u
| est dans L
2
(par lingalit de Doob, cf. chapitre 3, proposition 3.7), ainsi que
N
t
N
s
. On en dduit que
tend vers 0 dans L

1
et par consquent :
E[(L
t
M
t
L
s
M
s
)|F
s
] = 0.
3 Evaluation et couverture des options
3.1 Les stratgies admissibles
Nous reprenons le modle introduit au dbut du paragraphe prcdent, en supposant que les
U
i
sont de carr intgrable et que
= r E(U
1
) = r
_
z(dz) , (7.4)
ce qui entrane que le processus
_

X
t
_
t0
= (e
rt
X
t
)
t0
est une martingale. Remarquons que
E
_
X
2
t
_
= X
2
0
E
_
_
e
(
2
2
)t+Wt
Nt
j=1
(1 +U
j
)
_
_
2
et par consquent, en utilisant lexercice 39,
E
_
X
2
t
_
= X
2
0
e
(
2
+2r)t
e
tE(U
2
1
)
.
Le processus
_

X
t
_
t0
est donc une martingale de carr intgrable.
Pour toute la suite, nous xons un horizon T ni. Une stratgie de gestion sera dnie,
comme dans le modle de Black-Scholes, par un processus adapt = ((H
0
t
, H
t
))
0tT
,
valeurs dans R
2
, reprsentant les quantits dactifs dtenues au cours du temps, mais, pour
tenir compte des sauts, nous imposerons aux processus (H
0
t
) et (H
t
) dtre continus gauche.
Comme le processus (X
t
) est, lui, continu droite, cela signie, intuitivement, quon ne peut
ragir aux sauts quaprs coup. Cette condition est rapprocher de la condition de prvisibilit
qui intervient dans les modles discrets (cf. chapitre 1) et qui est un peu plus dlicate dnir
en temps continu.
La valeur linstant t de la stratgie est donne par V
t
= H
0
t
e
rt
+ H
t
X
t
et nous dirons
que la stratgie est autonance si
dV
t
= H
0
t
re
rt
dt + H
t
dX
t
,
la diffrentielle par rapport X
t
signiant, compte tenu de lquation (7.1) que dV
t
=
H
0
t
re
rt
dt + H
t
X
t
(dt + dW
t
) entre les instants de saut et qu un instant de saut
j
, V
t
saute dune quantit V
j
= H
j
X
j
= H
j
U
j
X
j
. De faon prcise, la condition dauto-
nancement scrit :
V
t
= H
0
t
e
rt
+ H
t
X
t
= V
0
+
_
t
0
H
0
s
re
rs
ds +
_
t
0
H
s
X
s
(ds +dW
s
)
+
Nt
j=1
H
j
U
j
X
j
. (7.5)
Pour que cette quation ait un sens, il suft dimposer la condition
_
T
0
|H
0
s
|ds +
_
T
0
H
2
s
ds < ,
p.s. (il est facile de voir que s X
s
est presque srement born). En fait, pour des raisons
qui apparatront plus loin, nous allons imposer une condition dintgrabilit plus forte sur le
processus (H
t
)
0tT
, en restreignant la classe des stratgies admissibles de la faon suivante :
Dnition 3.1 Une stratgie admissible est dnie par un processus :
= ((H
0
t
, H
t
))
0tT
adapt, continu gauche valeurs dans R
2
tel que
_
T
0
|H
0
s
|ds < + P p.s. et
E
_
_
T
0
H
2
s
X
2
s
ds
_
< +, vriant lgalit (7.5) p.s., pour tout t [0, T].
Noter que nous nimposons pas de condition de positivit sur la valeur des stratgies admis-
sibles. La proposition suivante est lanalogue de la proposition 1.2 du chapitre 4.
Proposition 3.2 Soit (H
t
)
0tT
un processus continu gauche adapt tel que :
E
_
_
T
0
H
2
s
X
2
s
ds
_
< ,
et soit V
0
R. Il existe un et un seul processus (H
0
t
)
0tT
tel que le couple ((H
0
t
, H
t
))
0tT
dnisse une stratgie admissible de valeur initiale V
0
. La valeur actualise linstant t de
cette stratgie est donne par
V
t
= V
0
+
_
t
0
H
s

X
s
dW
s
+
Nt
j=1
H
j
U
j

X
j

_
t
0
dsH
s

X
s
_
(dz)z.
Dmonstration : Si le couple (H
0
t
, H
t
)
0tT
dnit une stratgie admissible, sa valeur lins-
tant t est donne par V
t
= Y
t
+ Z
t
, avec Y
t
= V
0
+
_
t
0
H
0
s
re
rs
ds +
_
t
0
H
s
X
s
(ds + dW
s
) et
Z
t
=
Nt
j=1
H
j
U
j
X
j
. On a donc, en diffrenciant le produit e
rt
Y
t
,
e
rt
V
t
= V
0
+
_
t
0
(re
rs
)Y
s
ds +
_
t
0
e
rs
dY
s
+e
rt
Z
t
. (7.6)
De plus, le produit e
rt
Z
t
peut scrire sous la forme suivante :
e
rt
Z
t
=
Nt
j=1
e
rt
H
j
U
j
X
j
=
Nt
j=1
_
e
r
j
+
_
t
j
(re
rs
)ds
_
H
j
U
j
X
j
=
Nt
j=1
e
r
j
H
j
U
j
X
j
+
Nt
j=1
_
t
0
ds1
{
j
s}
(re
rs
)H
j
U
j
X
j
=
Nt
j=1
e
r
j
H
j
U
j
X
j
+
_
t
0
ds(re
rs
)
Ns
j=1
H
j
U
j
X
j
=
Nt
j=1
e
r
j
H
j
U
j
X
j
+
_
t
0
(re
rs
)Z
s
ds.
En reportant dans (7.6) et en explicitant dY
s
, on obtient :
V
t
= V
0
+
_
t
0
(re
rs
)V
s
ds +
_
t
0
H
0
s
rds +
_
t
0
H
s

X
s
(ds + dW
s
)
+
Nt
j=1
H
j
U
j

X
j
= V
0

_
t
0
r
_
H
0
s
+H
s

X
s
_
ds +
_
t
0
H
0
s
rds +
_
t
0
H
s

X
s
(ds + dW
s
)
+
Nt
j=1
H
j
U
j

X
j
= V
0
+
_
t
0
H
s

X
s
(( r)ds +dW
s
)
+
Nt
j=1
H
j
U
j

X
j
,
ce qui, compte tenu de lgalit (7.4), donne
V
t
= V
0
+
_
t
0
H
s

X
s
dW
s
+
Nt
j=1
H
j
U
j

X
j

_
t
0
dsH
s

X
s
_
(dz)z.
Il est clair alors que si on se donne V
0
et (H
t
), lunique processus (H
0
t
) possible pour que
((H
0
t
, H
t
))
0tT
soit une stratgie admissible de valeur initiale V
0
est donn par :
H
0
t
=

V
t
H
t

X
t
= H
t

X
t
+V
0
+
_
t
0
H
s

X
s
dW
s
+
Nt
j=1
H
j
U
j

X
j

_
t
0
dsH
s

X
s
_
(dz)z.
Sur cette formule, on voit que le processus (H
0
t
) est adapt et admet une limite gauche en tout
point et que lon a H
0
t
= H
0
t
. Cest clair en effet si t nest pas un des instants de saut
j
et si t
est un des
j
, on a
H
0
j
H
0
j
= H
j
+H
j
U
j

X
j
= 0.
Il est clair aussi que
_
T
0
|H
0
t
|dt < presque srement. De plus, en crivant H
0
t
e
rt
+ H
t
X
t
=
e
rt
_
H
0
t
+ H
t

X
t
_
et en intgrant par parties comme ci-dessus on voit que ((H
0
t
, H
t
))
0tT
d-
nit une stratgie admissible de valeur initiale V
0
.
Remarque 3.3 La condition E
_
_
T
0
H
2
s
X
2
s
ds
_
< entrane que la valeur actualise (

V
t
) dune
stratgie admissible est une martingale de carr intgrable. Cela rsulte de lexpression obtenue
dans la proposition 3.2 et du lemme 2.2, appliqu avec le processus continu gauche dni par
Y
t
= (H
t
,

X
t
) (noter que dans lintgrale par rapport ds, on peut remplacer

X
s
par

X
s
car il
ny a quun nombre ni de discontinuits).
3.2 Pricing
Considrons une option europenne dchance T, dnie par une variable alatoire h T
T
-
mesurable et de carr intgrable. Prenons, pour xer les ides, le point de vue du vendeur de
loption. Il vend loption un prix V
0
linstant 0 et suit ensuite une stratgie admissible entre
les instants 0 et T. Daprs la proposition 3.2, cette stratgie est compltement dtermine par
le processus (H
t
)
0tT
des quantits dactif risque. Si V
t
dsigne la valeur de cette stratgie
linstant t, le dfaut de couverture lchance est donn par la quantit h V
T
. Si cette
quantit est positive, le vendeur perd de largent, sinon il en gagne. Une faon dvaluer le
risque consiste introduire la quantit :
R
T
0
= E
_
_
e
rT
(h V
T
)
_
2
_
.
Puisque, daprs la remarque 3.3, la valeur actualise (

V
t
) est une martingale, on a
E
_
e
rT
V
T
_
= V
0
. Appliquant lidentit E(Z
2
) = (E(Z))
2
+ E
_
[Z E(Z)]
2
_
la variable
alatoire Z = e
rT
(h V
T
), on obtient :
R
T
0
=
_
E(e
rT
h) V
0
_
2
+ E
_
e
rT
h E(e
rT
h) (

V
T
V
0
)
_
2
. (7.7)
La proposition 3.2 montre que la quantit

V
T
V
0
ne dpend que de (H
t
) (et pas de V
0
). Si
le vendeur cherche minimiser le risque R
T
0
, il est amen faire payer V
0
= E(e
rT
h). La
grandeur E(e
rT
h) apparat ainsi comme la valeur initiale de toute stratgie visant minimiser
le risque lchance et cest cette grandeur que nous prendrons comme dnition du prix de
loption associe h. Par un raisonnement analogue, on voit que si on se place un instant
t > 0, un agent qui vend loption linstant t, sil cherche minimiser la quantit R
T
t
=
E
_
_
e
r(Tt)
(h V
T
)
_
2
|T
t
_
, la vendra au prix V
t
= E
_
e
r(Tt)
h|T
t
_
. Cest cette quantit
que nous prendrons comme dnition du prix de loption linstant t.
3.3 Prix des calls et des puts
Avant daborder le problme de la couverture, nous allons tenter dexpliciter le prix dun
call ou dun put de prix dexercice K. Nous supposerons donc que h est de la forme f(X
T
), avec
f(x) = (x K)
+
ou f(x) = (K x)
+
. Daprs ce qui prcde, le prix de loption linstant t
est donn par :
E
_
e
r(Tt)
f(X
T
)|T
t
_
=
= E
_
e
r(Tt)
f
_
X
t
e
(
2
/2)(Tt)+(W
T
Wt)
N
T
j=Nt+1
(1 +U
j
)
_
T
t
_
= E
_
e
r(Tt)
f
_
X
t
e
(
2
/2)(Tt)+(W
T
Wt)
N
T
Nt
j=1
(1 + U
Nt+j
)
_
T
t
_
.
Du lemme 2.1 et de cette galit, on dduit que
E
_
e
r(Tt)
f(X
T
)|T
t
_
= F(t, X
t
),
avec
F(t, x) = E
_
e
r(Tt)
f
_
xe
(
2
/2)(Tt)+W
Tt
N
Tt
j=1
(1 + U
j
)
__
= E
_
e
r(Tt)
f
_
xe
(rE(U
1
)
2
/2)(Tt)+W
Tt
N
Tt
j=1
(1 +U
j
)
__
.
Notons que si lon introduit la fonction :
F
0
(t, x) = E
_
e
r(Tt)
f
_
xe
(r
2
/2)(Tt)+W
Tt
__
,
qui donne le prix de loption suivant le modle de Black-Scholes, on a :
F(t, x) = E
_
_
F
0
_
_
t, xe
(Tt)E(U
1
)
N
Tt
j=1
(1 +U
j
)
_
_
_
_
. (7.8)
Puisque N
Tt
est une variable alatoire indpendante des U
j
et de loi poissonienne de paramtre
(T t) on peut aussi crire :
F(t, x) =
n=0
E
_
_
F
0
_
_
t, xe
(Tt)E(U
1
)
n
j=1
(1 + U
j
)
_
_
_
_
e
(Tt)
n
(T t)
n
n!
.
Chaque terme de cette srie peut se calculer numriquement ds que lon sait simuler la loi
des U
j
. Pour certaines lois, lesprance mathmatique qui intervient dans la formule peut tre
calcule explicitement (cf. exercice 42).
3.4 Couverture des calls et des puts
Examinons maintenant le problme de la couverture dune option h = f(X
T
), avec f(x) =
(xK)
+
ou f(x) = (Kx)
+
. Nous avons vu que la valeur initiale de toute stratgie admissible
visant minimiser le risque R
T
0
lchance tait donne par V
0
= E(e
rT
h) = F(0, X
0
). Pour
une telle stratgie, lgalit (7.7) donne :
R
T
0
= E
_
e
rT
h

V
T
_
2
.
Nous allons maintenant dterminer un processus (H
t
)
0tT
des quantits dactif risque dte-
nues en portefeuille permettant de minimiser R
T
0
. Pour cela, nous nous appuierons sur la propo-
sition suivante.
Proposition 3.4 Soit V
t
la valeur linstant t dune stratgie admissible de valeur initiale
V
0
= E
_
e
rT
f(X
T
)
_
= F(0, X
0
), dtermine par un processus (H
t
)
0tT
des quantits dactif
risque. Le risque quadratique lchance R
T
0
= E
_
e
rT
(f(X
T
) V
T
)
_
2
est donn par la
formule suivante :
R
T
0
= E
_
_
T
0
_
F
x
(s, X
s
) H
s
_
2
X
2
s
2
ds
+
_
T
0

_
(dz)e
2rs
(F(s, X
s
(1 + z)) F(s, X
s
) H
s
zX
s
)
2
ds
_
.
Dmonstration : Daprs la proposition 3.2, on a, pour t T,
V
t
= F(0, X
0
) +
_
t
0
H
s

X
s
dW
s
+
Nt
j=1
H
j
U
j

X
j

_
t
0
ds

X
s
H
s
E(U
1
). (7.9)
On a, dautre part,

h = e
rT
f(X
T
) = e
rT
F(T, X
T
). Introduisons la fonction

F dnie par
F(t, x) = e
rt
F(t, xe
rt
),
de sorte que

F(t,

X
t
) = E
_
h|T
t
_
. La quantit

F(t,

X
t
) apparat ainsi comme le prix actualis
de loption linstant t. On dduit facilement (exercice) de la formule (7.8) que

F(t, x) est de
classe C
2
sur [0, T[R
+
et, en crivant la formule dIt entre les instants de sauts, on obtient :
F(t,

X
t
) =
F(0, X
0
) +
_
t
0
F
s
(s,

X
s
)ds +
_
t
0
F
x
(s,

X
s
)

X
s
(E(U
1
)ds + dW
s
)
+
1
2
_
t
0
F
x
2
(s,

X
s
)
2
X
2
s
ds +
Nt
j=1
F(
j
,

X
j
)

F(
j
,

X
j
). (7.10)
Remarquons que la fonction

F(t, x) est lipschitzienne de rapport 1 par rapport x, puisque :
|F(t, x) F(t, y)|
E
_
e
r(Tt)
f
_
xe
(rE(U
1
)
2
/2)(Tt)+W
Tt
N
Tt
j=1
(1 + U
j
)
_
f
_
ye
(rE(U
1
)
2
/2)(Tt)+W
Tt
N
Tt
j=1
(1 + U
j
)
_
_
|x y|E
_
e
E(U
1
)(Tt)
e
W
Tt
(
2
/2)(Tt)
N
Tt
j=1
(1 + U
j
)
_
= |x y|.
Il en rsulte que :
E
_
_
t
0
ds
_
(dz)
_
F(s,

X
s
(1 + z))

F(s,

X
s
)
_
2
_
E
_
_
t
0
ds

X
2
s
_
(dz)z
2
_
< +,
ce qui, daprs le lemme 2.2, implique que le processus :
M
t
=
Nt
j=1
F(
j
,

X
j
)

F(
j
,

X
j
)
_
t
0
ds
_
_
F(s,

X
s
(1 + z))

F(s,

X
s
)
_
d(z)
est une martingale de carr intgrable. On sait aussi que

F(t,

X
t
) est une martingale. Le proces-
sus

F(t,

X
t
) M
t
est donc aussi une martingale et, daprs lgalit (7.10), cest un processus
dIt. Il scrit donc, daprs lexercice 16 du chapitre 3, comme une intgrale stochastique.
Do :
F(t,

X
t
) M
t
= F(0, X
0
) +
_
t
0
F
x
(s,

X
s
)

X
s
dW
s
. (7.11)
En runissant les galits (7.9) et (7.11), on obtient :
h

V
T
= M
(1)
T
+ M
(2)
T
,
avec :
M
(1)
t
=
_
t
0
_
F
x
(s,

X
s
) H
s
_

X
s
dW
s
et M
(2)
t
=
Nt
j=1
_
F(
j
,

X
j
)

F(
j
,

X
j
) H
j
U
j

X
_
t
0
ds
_
d(z)
_
F(s,

X
s
(1 + z))

F(s,

X
s
) H
s
z
X
s
_
.
Daprs le lemme 2.3, M
(1)
t
M
(2)
t
est une martingale et par consquent E
_
M
(1)
t
M
(2)
t
_
=
M
(1)
0
M
(2)
0
= 0. Do :
E
_
h

V
T
_
= E((M
(1)
T
)
2
) + E((M
(2)
T
)
2
)
= E
_
_
T
0
_
F
x
(s,

X
s
) H
s
_
2
X
2
s
2
ds
_
+ E((M
(2)
T
)
2
),
et par une nouvelle application du lemme 2.2 :
E((M
(2)
T
)
2
) = E
_
_
T
0
ds
_
(dz)
_
F(s,

X
s
(1 + z))

F(s,

X
s
) H
s
z
X
s
_
2
_
.
Le risque lchance est donc donn par :
R
T
0
= E
_
_
T
0
_
F
x
(s,

X
s
) H
s
_
2
X
2
s
2
ds
+
_
T
0

_
(dz)
_
F(s,

X
s
(1 +z))

F(s,

X
s
) H
s
z
X
s
_
2
ds
_
.
Il rsulte de ce qui prcde que le risque minimal est obtenu quand H
s
vrie P p.s. :
_
F
x
(s,

X
s
) H
s
_

X
2
s
2
+
_
(dz)
_
F(s,

X
s
(1 +z))

F(s,

X
s
) H
s
z
X
s
_
z
X
s
= 0.
Il suft en effet de minimiser la quantit intgre par rapport ds. Cela donne, puisque (H
t
)
t0
doit tre continu gauche :
H
s
= (s, X
s
),
avec :
(s, x) =
1
2
+
_
(dz)z
2
_
2
F
x
(s, x) +
_
(dz)z
(F(s, x(1 + z)) F(s, x))
x
_
.
On obtient ainsi un processus qui vrie E
_
_
T
0
H
2
s
X
2
s
ds
_
< + et qui dtermine donc une
stratgie admissible minimisant le risque lchance. Noter que sil ny a pas de sauts ( = 0),
on retrouve la formule de couverture dj obtenue dans le modle de Black-Scholes et on sait
que dans ce cas, la couverture est parfaite, cest--dire que R
T
0
= 0. Mais, quand il y a des sauts,
le risque minimal est en gnral strictement positif (cf. exercice 43 et [Cha90]).
Remarque 3.5 Les formules obtenues montrent que les modles avec sauts se prtent assez
bien au calcul. Il reste le problme de lidentication des paramtres et de la loi des U
i
. Comme
dans le cas de la volatilit pour le modle de Black-Scholes, deux approches sont possibles :
1) une approche statistique, partir des donnes historiques 2) une approche implicite, partir
des donnes de march, cest--dire des prix des options quand elles sont cotes sur un march
organis. Dans cette deuxime approche, les modles avec sauts, qui font intervenir plusieurs
paramtres, permettent de coller davantage aux prix de march.
Remarque bibliographique :Les modles nanciers avec sauts ont t introduits par Merton
dans [Mer76]. Lapproche adopte dans ce chapitre est base sur [FS86], [CER88] et [BL89].
La mthode dvaluation que nous avons presente dans ce chapitre repose de manire cru-
ciale sur lhypothse que le prix actualis de lactif sous-jacent est une martingale. Cette hy-
pothse a un caractre assez arbitraire, mme si certaines justications sont possibles. De plus,
lutilisation de la variance comme mesure du risque est discutable. Ces problmes ont donn
lieu dactives recherches dans les annes rcentes. Le lecteur pourra notamment consulter
[FS91, Sch92, Sch94, Sch95, KQ95].
4 Exercices
Exercice 39 Soit (V
n
)
n1
une suite de variables alatoires positives indpendantes quidistri-
bues et soit N une variable alatoire valeur dans N, suivant une loi de Poisson de paramtre
, indpendante de la suite (V
n
)
n1
. Montrer que :
E
_
_
N
n=1
V
n
_
_
= e
(E(V
1
)1)
.
Exercice 40 Soit (V
n
)
n1
une suite de variables alatoires indpendantes, quidistribues, in-
tgrables et soit Nune variable alatoire valeurs dans N, intgrable et indpendante de la suite
(V
n
). On pose S =
N
n=1
V
n
(avec la convention
0
n=1
= 0).
1. Montrer que S est intgrable et que E(S) = E(N)E(V
1
).
2. On suppose N et V
1
de carr intgrable. Montrer qualors S est de carr intgrable et que
sa variance est donne par Var(S) = E(N)Var(V
1
) + Var(N) (E(V
1
))
2
.
3. En dduire que si N suit une loi de Poisson de paramtre , E(S) = E(V
1
) et Var(S) =
E
_
V
2
1
_
.
Exercice 41 Les hypothses et les notations sont celles de lexercice 40. On suppose que les V
j
sont valeurs dans {, }, avec , R et on pose p = P(V
1
= ) = 1P(V
1
= ). Montrer
que S a mme loi que N
1
+ N
2
o N
1
et N
2
sont deux variables alatoires indpendantes
suivant des lois de Poisson de paramtres respectifs p et (1 p).
Exercice 42 1. On suppose, avec les notations du paragraphe 3, que U
1
est valeurs dans
{a, b}, avec p = P(U
1
= a) = 1 P(U
1
= b). Mettre la formule de prix (7.8) sous la
forme dune srie double dont chaque terme se calcule partir des formules de Black-
Scholes (on pourra utiliser lexercice 41).
2. On suppose maintenant que U
1
a mme loi que e
g
1, o g est une gaussienne de
moyenne m et de variance
2
. Mettre la formule de prix (7.8) sous la forme dune s-
rie dont chaque terme se calcule partir des formules de Black-Scholes (avec des taux
dintrt et des volatilits que lon prcisera).
Exercice 43 Le but de cet exercice est de montrer que, dans les modles avec sauts tudis dans
ce chapitre, il ny a pas de couverture parfaite pour les calls et les puts. On considre un modle
dans lequel > 0, > 0 et P(U
1
,= 0) > 0.
1. A partir de la proposition 3.4, montrer que, sil existe une stratgie de couverture parfaite,
alors, pour ds presque tout s et pour presque tout z, on a :
P p.s. zX
s
F
x
(s, X
s
) = F (s, X
s
(1 + z)) F(s, X
s
).
2. Montrer que la loi de X
s
admet (pour s > 0) une densit strictement positive sur ]0, [.
On pourra remarquer que si Y admet une densit g et si Z est une variable alatoire
indpendante de Y valeurs dans ]0, [, la variable alatoire YZ admet pour densit
_
d(z)(1/z)g(y/z), o est la loi de Z.
3. Sous les mmes hypothses qu la premire question, montrer quil existe z ,= 0 tel que
pour s [0, T[ et x ]0, [,
F
x
(s, x) =
F (s, x(1 +z)) F(s, x)
zx
.
En dduire (en utilisant la convexit de F par rapport x) que, pour s [0, T], la fonction
x F(s, x) est afne.
4. Conclure. On pourra remarquer que, dans le cas du put, la fonction x F(s, x) est
positive et dcroissante sur ]0, [.
Chapitre 8
Simulation et alogrithmes pour les modles nanciers
1 Simulation et modles nanciers
Nous allons dcrire, dans ce chapitre, des mthodes permettant la simulation des modles
nanciers. Ces mthodes sont souvent utiles, dans le contexte des mathmatiques nancires,
car elles permettent de calculer le prix de nimporte quelle option pour peu que lon sache lex-
primer sous forme de lesprance dune variable alatoire que lon sait simuler. Dans ce cas, la
mthode de Monte Carlo dcrite plus loin permet alors dcrire trs rapidemment un algorithme
permettant lvaluation de cette option. Ces mthodes sont malheureusement peu efcaces et
on ne les utilise que si lon ne sait expliciter le prix de loption sous forme analytique. De
mme, quand on se pose des questions complexes sur une stratgie de gestion de portefeuille
(par exemple, quelle sera la loi dans un mois dun portefeuille couvert tous les 10 jours en delta
neutre), la rponse exacte est inaccessible analytiquement. Les mthodes de simulation sont
alors incontournables.
1.1 La mthode de Monte Carlo
Le problme de la simulation se pose de la facon suivante. On se donne une variable alatoire
de loi (dx) et lon cherche raliser sur un ordinateur une suite de tirages X
1
, . . . , X
n
, . . .
priori innie telle que les X
n
suivent la loi (dx) et que la suite (X
n
)
n1
soit une suite de
variables aatoires indpendantes. Si ces hypothses sont satisfaites, on peut appliquer la loi
forte des grands nombres pour afrmer que, si f est une fonction -intgrable :
lim
N+
1
N
1nN
f(X
n
) =
_
f(x)(dx). (8.1)
Pour implmenter cette mthode sur un ordinateur, on procde de la facon suivante. On sup-
pose que lon sait construire une suite de nombres (U
n
)
n1
qui ralise une suite de va-
riables alatoires uniformes sur lintervalle [0, 1], indpendantes, et on cherche une fonction
(u
1
, . . . , u
p
) F(u
1
, , u
p
) telle que la loi de la variable alatoire F(U
1
, , U
p
) soit la
loi cherche (dx). La suite de variables alatoires (X
n
)
n1
o X
n
= F(U
(n1)p+1
, , U
np
)
est alors une suite de variables alatoires indpendantes suivant la loi voulue . On peut, par
exemple, appliquer (8.1), aux fonctions f(x) = x et f(x) = x
2
pour estimer les moments dordre
1 et 2 de X (sous rserve que E(|X|
2
) soit ni).
La suite (U
n
)
n1
est ralise concrtement par des appels successifs un gnrateur de
nombres pseudo-alatoires. La plupart des langages disponibles sur les ordinateurs modernes
possdent une fonction alatoire, dja programme, qui retourne soit un nombre pseudo ala-
toire compris entre 0 et 1, soit un entier alatoire dans un intervalle x (cette fonction porte le
nom de rand() en C ANSI, de random en Turbo Pascal).
Remarque 1.1 La fonction F peut dans certain cas (en particulier lorsque lon cherche simuler
des temps darrt), dpendre de toute la suite (U
n
)
n1
, et non plus dun nombre xe de U
i
. La
mthode prcdente est encore utilisable si lon sait simuler X laide dun nombre presque
srement ni de U
i
, ce nombre pouvant dpendre du hasard. Cest le cas, par exemple, de
lalgorithme de simulation dune variable alatoire poissonienne (voir page 151).
1.2 Simulation dune loi uniforme sur [0, 1]
Nous allons montrer comment lon peut construire des gnrateurs de nombres alatoires au
cas o les gnrateurs de la machine ne donneraient pas entire satisfaction.
La mthode la plus simple et la plus souvent utilise est la mthode des congruences li-
naires. On gnre une suite (x
n
)
n0
de nombres entiers compris entre 0 et m 1 de la facon
suivante :
_
x
0
= valeur initiale {0, 1, , m1}
x
n+1
= ax
n
+ b (modulo m)
a, b, m tant des entiers quil faut choisir soigneusement si lon veut que les caractristiques
statistiques de la suite soient satisfaisantes. Sedgewick dans [Sed87] prconise le choix suivant :
_
_
_
a = 31415821
b = 1
m = 10
8
Cette mthode permet de simuler des entiers pseudo alatoires entre 0 et m 1 ; pour obtenir
un nombre rel alatoire entre 0 et 1 on divise lentier alatoire ainsi gnr par m.
#define m 100000000
#define m1 10000
#define b 31415821
long Mult(long p, long q)
/* Multiplie p par q en evitant les "overflows" */
{
long p1 = p / m1;
long p0 = p % m1;
long q1 = q / m1;
long q0 = q % m1;
return (((p0*q1 + p1*q0) % m1)*m1 + p0*q0) % m;
}
double Random()
{
static long a;
a = (Mult(a, b) + 1) % m;
Random = a/m;
}
Le gnrateur prcdent fournit des rsultats acceptables dans les cas courants. Cependant sa
priode (ici m = 10
8
) peut se rvler parfois insufsante. On peut, alors, obtenir des gnrateurs
de nombres alatoires de priode arbitrairement longue en augmentant m. Le lecteur intress
trouvera des nombreux renseignements sur les gnrateurs de nombres alatoires et la facon de
les programmer sur un ordinateur dans [Knu81] et [LE90].
1.3 Simulation des variables alatoires
Les lois que nous avons utilises pour les modlisations nancires sont essentiellement des
lois gaussiennes (dans le cas des modles continus) et des lois exponentielles et poissoniennes
(dans le cas des modles avec sauts). Nous allons donner des mthodes permettant de simuler
chacune de ces lois.
Ch.8 SIMULATION ET ALOGRITHMES POUR LES MODLES FINANCIERS 151
Simulation de variables gaussiennes
Une mthode classique pour simuler les variables altoires gaussiennes repose sur la cons-
tatation (voir exercice 44) que, si (U
1
, U
2
) sont deux variables alatoires uniformes sur [0, 1]
indpendantes :
_
2 log(U
1
) cos(2U
2
)
suit une loi gaussienne centre et rduite (i.e. de moyenne nulle et de variance 1) .
Pour simuler des gaussiennes de moyenne m et de variance il suft de poser X = m+g,
o g est une gaussienne centre rduite.
double gaussienne(double m,double sigma)
{
returm m + sigma * sqrt(-2.0 * log(Random())) * cos(2.0 * pi * Random());
}
Simulation dune loi exponentielle
Rappellons quune variable alatoire X suit une loi exponentielle de paramtre si sa loi
vaut :
1
{x 0}
e
x
dx
On peut simuler X en constatant que, si U suit une loi uniforme sur [0, 1] :
log(U)
suit une loi

exponentielle de paramtre .
double exponentielle(double mu)
{
return - log(Random()) / mu ;
}
Remarque 1.2 Ce moyen de simulation de la loi exponentielle est une cas particulier de la
mthode de la fonction de rpartition (voir ce sujet lexercice 45).
Simulation dune variable alatoire poissonienne
Une variable alatoire poissonienne est une variable valeurs dans N telle que :
P(X = n) = e
n
n!
, si n 0
On a vu au chapitre 7 que si (T
i
)
i1
est une suite de variables alatoires exponentielles de
paramtre , alors la loi de N
t
=
n1
n1
{T
1
+ +T
n
t < T
1
+ + T
n+1
}
est un loi de
Poisson de paramtre t. N
1
a donc mme loi que la variable X que lon cherche simuler.
Dautre part, on peut toujours mettre les variables exponentielles T
i
sous la forme log(U
i
)/,
o les (U
i
)
i1
sont des variables alatoires suivant la loi uniforme sur [0, 1] et indpendantes.
N
1
scrit alors :
N
1
=
n1
n1
_
U
1
U
2
U
n+1
e
< U
1
U
2
U
n
_
.
Cela conduit lalgorithme suivant pour simuler une variable alatoire de Poisson.
double Poisson(double lambda)
{
double u = Random();
double a = exp(-lambda);
int n = 0;
while(u > a){
u = u * Random;
n++;
}
return n;
}
Pour la simulation dautres lois que nous navons pas cites, ou pour dautres mthodes de
simulation des lois prcdentes, on pourra consulter [Bou86].
Simulation de vecteurs gaussiens
Lorsque lon construit des modles o interviennent plusieurs actifs (par exemple lorsque
lon cherche modliser des paniers dactifs comme lindice boursier CAC40), on est amen
considrer des processus gaussiens valeurs dans R
n
. Le problme de la simulation des vecteurs
gaussiens (voir le paragraphe 1.2 de lappendice pour la dnition dun vecteur gaussien) est
alors essentiel. Nous allons donner une mthode de simulation de ce type de variables alatoires.
Nous supposerons que lon cherche simuler un vecteur gaussien (X
1
, , X
n
) dont la loi
est caractrise par le vecteur des moyennes m = (m
1
, , m
n
) = (E(X
1
), , E(X
n
)) et la
matrice de covariance = (
ij
)
1in,1jn
o
ij
= E(X
i
X
j
) E(X
i
)E(X
j
). La matrice est
dnie positive et nous supposerons, de plus, quelle est inversible. On peut trouver une racine
carre de , cest dire une matrice A, telle que A
t
A = . Comme est inversible, A lest
galement, et on peut considrer le vecteur Z = A
1
(X m). Il est facile de vrier que ce
vecteur est un vecteur gaussien, centr. De plus sa matrice de covariance vaut :
E(Z
i
Z
j
) =
1kn,1ln
E
_
A
1
ik
(X
k
m
k
)A
1
jl
(X
l
m
l
)
_
=
1kn,1ln
E
_
A
1
ik
A
1
jl

kl
_
= (A
1
(
t
A)
1
)
ij
= (A
1
A
t
A(
t
A)
1
)
ij
= Id.
Z est donc un vecteur gaussien centr de matrice de covariance identit. La loi du vecteur Z est
celle de n gaussiennes centres rduites indpendantes. La loi du vecteur X = m + AZ, peut
donc tre simule de la facon suivante :
On calcule une racine carre de la matrice , A.
On simule n gaussiennes centres rduites indpendantes G = (g
1
, , g
n
).
On calcule m+AG.
Remarque 1.3 Pour calculer la racine carre de , on peut supposer A triangulaire suprieure,
il y a alors une seule solution lquation A
t
A = . En explicitant cette quation, on
obtient facilement les coefcients de A. Cette mthode de calcul de la racine carre sappelle la
mthode de Cholevsky (pour un alogrithme complet voir [Cia88]).
1.4 Simulation de processus stochastiques
Les mthodes dcrites prcdemment permettent de simuler une variable alatoire, en par-
ticulier la valeur dun processus stochastique un instant donn. On a parfois besoin de savoir
simuler toute la trajectoire dun processus (par exemple, lorsque on tudie lvolution au cours
du temps de la valeur dun portefeuille doption, voir lexercice 47). Ce paragraphe propose
quelques procds lementaires permettant de simuler des trajectoires de processus.
Simulation du mouvement brownien
On peut citer deux mthodes permettant de simuler un mouvement brownien (W
t
)
t0
. La
premire consiste renormaliser une marche alatoire. Soit (X
i
)
i0
une suite de variables
alatoires indpendantes et quidistribues de loi P(X
i
= 1) = 1/2, P(X
i
= 1) = 1/2. On a
alors E(X
i
) = 0 et E
_
X
2
i
_
= 1. On pose S
n
= X
1
+ + X
n
, on peut alors approximer le
mouvement brownien par le processus (X
n
t
)
t0
o :
X
n
t
=
1
n
S
[nt]
o [x] dsigne la partie entire de x. On trouvera un dbut de justication cette facon de
simuler le mouvement brownien dans lexercice 48.
Dans la deuxime mthode, on remarque que, si (g
i
)
i0
est une suite de gaussiennes centres
rduites indpendantes, si t > 0 et si lon pose :
_
S
0
= 0
S
n+1
S
n
= g
n
alors la loi de (
tS
0
,
tS
1
, ,
tS
n
) est identique celle de :
(W
0
, W
t
, W
2t
, , W
nt
).
On peut approximer le mouvement brownien par X
n
t
=
tS
[t/t]
.
Simulation des quations diffrentielles stochastiques
Il existe de nombreuses mthodes, certaines trs sophistiques, pour simuler la solution dun
quation diffrentielle stochastique, on pourra consulter, pour un panorama de ces mthodes
[PT85]. Nous ne parlerons ici que de la mthode la plus lmentaire : la mthode dEuler
alatoire. Le principe en est le suivant : considrons une quation diffrentielle stochastique :
_
X
0
= x
dX
t
= b(X
t
)dt + (X
t
)dW
t
.
On se xe un pas de discrtisation en temps t. On peut alors construire un procesus temps
discrt (S
n
)
n0
approximant la solution de lquation diffrentielle stochastique aux instant
nt, en posant :
_
S
0
= x
S
n+1
S
n
=
_
b(S
n
)t +(S
n
)
_
W
(n+1)t
W
nt
_
_
Si X
n
t
= S
[t/t]
, (X
n
t
)
t0
approxime (X
t
)
t0
au sens suivant :
Thorme 1.4 Pour tout T > 0 :
E
_
sup
tT
|X
n
t
X
t
|
2
_
C
T
t,
C
T
tant une constante dpendant uniquement de T.
On trouvera la dmonstration de ce rsultat (ainsi que dautres schmas de discrtisation des
quations diffrentielles stochastiques) dans le chapitre 7 de [Gar88].
La loi de de la famille
_
W
(n+1)t
W
nt
_
n0
est identique celle dune famille de
gaussiennes indpendantes centres et de variance t. Dans une simulation, on remplace
_
W
(n+1)t
W
nt
_
par g
n
t, o (g
n
)
n0
est une suite de gaussiennes centres rduites
indpendantes. La suite approximante (S
n
)
n0
est dans ce cas dnie par :
_
S
0
= x
S
n+1
= S
n
+ t b(S
n
) +(S
n
)g
n
t
Remarque 1.5 On peut substituer la suite de variables alatoires gaussiennes indpendantes
(g
i
)
i0
une suite de variables alatoires indpendantes (U
i
)
i0
, telle que P(U
i
= 1) = P(U
i
=
1) = 1/2. Il faut, cependant, noter que, dans ce cas, on na pas le mme type de convergence
que dans le thorme 1.4. On peut dmontrer un thorme de convergence, mais sur les lois
des processus. On pourra consulter [Kus77], [PT85], [Tal95] et [KP92] pour des prcisions sur
ce type de convergence et de nombreux rsultats sur les discrtisations en loi des quations
diffrentielles stochastiques.
Une application au modle de Black et Scholes
Dans le cas du modle de Black et Scholes, il sagit de simuler la solution de lquation :
_
X
0
= x
dX
t
= X
t
(rdt +dW
t
).
On peut procder de deux facons. La premire consiste utiliser la mthode dEuler alatoire.
On pose :
_
S
0
= x
S
n+1
= S
n
(1 +rt +g
n
t),
et simuler X
t
par X
n
t
= S
[t/t]
. Lautre mthode consiste utiliser la forme explicite de la
solution :
X
t
= x exp
_
rt

2
2
t + W
t
_
et simuler le mouvement brownien par une des mthodes cites prcdemment. Dans le cas
o lon simule le mouvement brownien par

t
n
i=1
g
i
, on obtient
S
n
= x exp
_
_
(r
2
/2)nt +
t
n
i=1
g
i
_
_
. (8.2)
On approxime toujours X
t
par X
n
t
= S
[t/t]
.
Remarque 1.6 On peut aussi substituer aux variables alatoires gaussiennes g
i
des variables
de Bernouilli valant +1 ou 1 avec probabilit 1/2 dans (8.2), on obtient un modle de type
binomial proche du modle de Cox Ross Rubinstein utilis dans le paragraphe 3.3 du chapitre
5.
Simulation des modles avec sauts
On a considr au chapitre 7 une extension du modle de Black et Scholes comportant
des sauts, nous allons dcrire une mthode permettant de simuler ce processus. On reprend les
notations et les hypothses du chapitre 7 paragraphe 2. Le processus (X
t
)
t0
servant de modle
dactif scrit :
X
t
= x
_
_
Nt
j=1
(1 +U
j
)
_
_
e
(
2
/2)t+Wt
, (8.3)
o (W
t
)
t0
est un mouvement brownien standard , (N
t
)
t0
est un processus de Poisson dinten-
sit , et (U
j
)
j1
est une suite de variables alatoires indpendantes quidistribues, valeurs
dans ] 1, +[ de loi (dx). Les tribus engendres par (W
t
)
t0
, (N
t
)
t0
, (U
j
)
j1
sont suppo-
ses indpendantes.
Pour simuler ce processus aux instants nt, notons que lon a :
X
nt
= x (X
t
/x) (X
2t
/X
t
) . . . (X
nt
/X
(n1)t
).
Si lon note Y
k
= (X
kt
/X
(k1)t
), on peut prouver, laide des proprits de (N
t
)
t0
, (W
t
)
t0
et (U
j
)
j1
que la suite des (Y
k
)
k1
forme une suite de variables alatoires indpendantes de
mme loi. Comme X
nt
= xY
1
. . . Y
n
, la simulation de X aux instants nt se ramne celle
de la suite (Y
k
)
k1
. Cette suite tant indpendante quidistribue, il suft de savoir simuler
Y
1
= X
t
/x. On procde, alors, comme suit :
On simule une variable alatoire gaussienne centre rduite g.
On simule une variable alatoire poissonienne de paramtre t : N.
Si N = n, on simule n variables alatoires selon la loi (dx) : U
1
, . . . , U
n
.
Toutes ces variables sont supposes indpendantes. Alors, il est facile de se convaincre en utili-
sant lquation (8.3) que la loi de :
_
_
N
j=1
(1 + U
j
)
_
_
e
(
2
/2)t+
tg
est identique celle de Y
1
.
2 Quelques algorithmes utiles
Nous avons rassembl ici quelques algorithmes dusage courant lorsque lon cherche cal-
culer des prix doptions.
2.1 Approximation de la fonction de rpartition dune gaussienne
On a vu au chapitre 4 que le calcul du prix des nombreuses options classiques se ramne
lvaluation de :
N(x) = P(X x) =
_
x
x
2
2
dx
2
.
o X est une variable alatoire gaussienne centre rduite. Vu limportance de cette fonction
pour les cacluls doption, nous en donnons deux formules dapproximation tires de [AS70].
La premire approximation est prcise 10
7
prs, mais elle utilise un appel la fonction
exponentielle. Si x > 0 :
p = 0.2316419
b
1
= 0.319381530
b
2
= 0.356563782
b
3
= 1.781477937
b
4
= 1.821255978
b
5
= 1.330274429
t = 1/(1 +px)
N(x) 1
1
2
e
x
2
2
(b
1
t +b
2
t
2
+b
3
t
3
+b
4
t
4
+ b
5
t
5
).
La deuxime approximation est prcise 10
3
prs mais elle ne fait intervenir quune fraction
rationnelle. Si x > 0 :
c
1
= 0.196854
c
2
= 0.115194
c
3
= 0.000344
c
4
= 0.019527
N(x) 1
1
2
(1 +c
1
x +c
2
x
2
+ c
3
x
3
+c
4
x
4
)
4
.
2.2 Implmentation informatique de la mthode de Brennan et Schwartz
Le programme suivant implmente le calcul du prix dun put amricain en utilisant la m-
thode dcrite au chapitre 5 paragraphe 3.2. On effectue un changement de variable logarith-
mique, on discrtise linquation parabolique par une mthode totalement implicite et lon r-
sout linquation en dimension innie laide de lagorithme dcrit page 112.
#include <math.h>
#include <stdio.h>
#define NbrePasPrix 200
#define NbrePasTemps 200
#define Precision 0.01
#define NbreDeJoursDansAnnee 360
typedef long Date;
typedef double Montant;
typedef struct PutAmericain {
Date DateContrat; /* en jours */
Date DateEcheance; /* en jours */
Montant PrixExercice;
} PutAmericain;
typedef double vecteur[NbrePasPrix];
typedef struct Modele {
double r; /* taux dinteret annuel sans risque */
double sigma; /* volatilite annuelle */
double x0; /* Valeur initiale de lEDS */
} Modele;
double ObstaclePut(double x, PutAmericain Opt)
{
double u = Opt.PrixExercice - exp(x);
if (u > 0) return u; else return 0.0;
}
double Prix(long t, double x, PutAmericain option, Modele modele)
/* Calcule le prix de l"option" dans le "modele" a linstant "t"
si le prix du sous jacent a cet instant est "x". */
{
vecteur Obst, A, B, C, G;
double alpha, beta, gamma, h, k, vv, temp, r, y, delta, Temps;
long Indice, IndicePrix, IndiceTemps;
double l = 2.0;/* largeur de lintervalle a considerer */
Temps = (double)(option.DateEcheance - t) / NbreDeJoursDansAnnee;
k = Temps / NbrePasTemps;
r = modele.r;
vv = modele.sigma * modele.sigma;
h = 2 * l / NbrePasPrix;
alpha = k * ((r - vv / 2.0) / (2.0 * h) - vv / (2.0 * h * h));
beta = 1 + k * (r + vv / (h * h));
gamma = k * ((vv / 2.0 - r) / (2.0 * h) - vv / (2.0 * h * h));
for (IndicePrix = 0; IndicePrix < NbrePasPrix; IndicePrix++) {
A[IndicePrix] = alpha;
B[IndicePrix] = beta;
C[IndicePrix] = gamma;
}
B[0] = beta + alpha;
B[NbrePasPrix - 1] = beta + gamma;
G[IndicePrix - 1] = 0.0;
for (IndicePrix = NbrePasPrix - 1; IndicePrix >= 1; IndicePrix--)
B[IndicePrix - 1] -= C[IndicePrix - 1] * A[IndicePrix] / B[IndicePrix];
for (IndicePrix = 0; IndicePrix < NbrePasPrix; IndicePrix++) A[IndicePrix] /= B[IndicePrix];
for (IndicePrix = 1; IndicePrix < NbrePasPrix; IndicePrix++) C[IndicePrix - 1] /= B[IndicePrix];
y = log(x);
for (IndicePrix = 1; IndicePrix <= NbrePasPrix; IndicePrix++)
Obst[IndicePrix - 1] = ObstaclePut(y - l + IndicePrix * h, option);
for (IndicePrix = 0; IndicePrix < NbrePasPrix; IndicePrix++)
G[IndicePrix] = Obst[IndicePrix];
for (IndiceTemps = 1; IndiceTemps <= NbrePasTemps; IndiceTemps++) {
for (IndicePrix = NbrePasPrix - 1; IndicePrix >= 1; IndicePrix--)
G[IndicePrix - 1] -= C[IndicePrix - 1] * G[IndicePrix];
G[0] /= B[0];
for (IndicePrix = 2; IndicePrix <= NbrePasPrix; IndicePrix++) {
G[IndicePrix - 1] = G[IndicePrix - 1] / B[IndicePrix - 1]
- A[IndicePrix - 1] * G[IndicePrix - 2];
temp = Obst[IndicePrix - 1];
if (G[IndicePrix - 1] < temp) G[IndicePrix - 1] = temp;
}
}
Indice = NbrePasPrix / 2;
delta = (G[Indice] - G[Indice - 1]) / h;
return (G[Indice - 1] + delta * (Indice * h - l));
}
/* Exemple :
PutAmericain contrat = {0,360,45};
Modele modele = {0.09,0.3,45};
printf("%f\n",Prix(0,45,contrat,modele));*/
2.3 Lalgorithme de Cox Ross pour le calcul du prix dune option amri-
caine
Une autre facon courante de calculer le prix du put amricain est la mthode de Cox Ross
Rubinstein (voir le paragraphe 3.3 du chapitre 5). Nous en donnons ici une implmentation
informatique.
#include <math.h>
#include <stdio.h>
#define Taille 1000
typedef double Etat[Taille + 1];
typedef struct Option {
double TauxAnnuel;
double Sigma;
double T;
double ValeurInitiale;
double K;
} Option;
double plus(double x)
{
return (x>0?x:0);
}
double Prix(Option opt)
{
double r, a, b, proba, p1, p2, tmp, ro, xmax;
Etat P, roi;
long i, j, N;
/* Calcul des parametres de Cox Ross */
N = 500;
r = opt.TauxAnnuel * opt.T / N;
a = (1 + r) * exp(-opt.Sigma * sqrt(opt.T / N)) - 1;
b = (1 + r) * exp(opt.Sigma * sqrt(opt.T / N)) - 1;
proba = (b - r) / (b - a);
/* par souci defficacite on calcule
le maximum de choses en dehors de la boucle principale */
ro = (1 + a) / (1 + b);
roi[0] = 1.0;
for (i = 1; i <= N; i++)
roi[i] = ro * roi[i - 1];
p1 = (1 - proba) / (1 + r);
p2 = proba / (1 + r);
/* A un instant j, P[i] approxime P(j,x(1+a)^i (1+b)^(N-j-i)) */
/* en N : P[i] = (K-x(1+a)^i (1+b)^(N-i))+ */
xmax = opt.ValeurInitiale * pow(1 + b, N);
for (i = 0; i <= N; i++)
P[i] = plus(opt.K - xmax * roi[i]);
for (j = 1; j <= N; j++) {
xmax /= 1 + b;
for (i = 0; i <= N - j; i++) {
P[i] = p1 * P[i] + p2 * P[i + 1];
tmp = plus(opt.K - xmax * roi[i]);
if (tmp > P[i])
P[i] = tmp;
}
}
return (P[0]);
}
3 Exercices
Exercice 44 Soit X et Y deux variables alatoires gaussiennes centres rduites, calculer la
loi du couple de variables alatoires (
X
2
+Y
2
, arctg(Y/X)). En dduire que si U
1
et U
2
sont deux variables alatoires uniformes sur [0, 1] et indpendantes, les variables alatoires
_
2 log(U
1
) cos(2U
2
) et
_
2 log(U
1
) sin(2U
2
) sont indpendantes et suivent une loi
gaussienne centre rduite.
Exercice 45 Soit f une fonction de R dans R, telle que f(x) > 0 pour tout x, et telle que
_
+
f(x)dx = 1. On veut simuler une variable alatoire X de loi f(x)dx. On pose F(u) =
_
u
f(x)dx. Dmontrer que si U est une variable alatoire uniforme sur [0, 1], alors la loi de
F
1
(U) est f(x)dx. En dduire une mthode de simulation de X.
Exercice 46 On modlise un actif risque S
t
par lquation diffrentielle stochastique :
_
dS
t
= S
t
(dt +dW
t
)
S
0
= x,
,
o (W
t
)
t0
est un mouvement brownien standard, la volatilit et r est le taux dintrt sans
risques. Proposer une mthode de simulation permettant dapprocher :
E
_
e
rT
_
1
T
_
T
0
S
s
ds S
T
_
+
_
.
Interprter la valeur prcdente en terme doption.
Exercice 47 Le but de cet exercice est dtudier linuence de la frquence de couverture sur
la variance dun portefeuille doptions. Lactif par rapport auquel on considre les options est
dcrit par le modle de Black et Scholes :
_
dS
t
= S
t
(dt +dW
t
)
S
0
= x
(W
t
)
t0
dsigne un mouvement brownien standard, la volatilit annuelle et r dsigne le taux
dintrt annuel sans risques. On prendra par la suite r = 10%/anne, = 20%/
anne = 0.2
et x = 100.
Se couvrir delta nul linstant t signie que lon calcule la quantit dactif risqu n-
cessaire la couverture et que lon effectue les transactions adquates (achat ou vente dactif)
pour raliser cette couverture.
Dans la suite, toutes les options dcrites auront une chance de 3 mois et porteront sur une
unit dactif . On choisira lune des combinaisons doptions suivantes :
Bull spread : constitue de lachat dun call de prix dexercice 90 (abrg en call 90) et
de la vente dun call 110 de mme chance.
Strangle : constitue de la vente dun put 90 et de la vente dun call 110.
Condor : constitue de la vente dun call 90, de lachat dun call 95 et dun call 105 et de
la vente dun call 110.
Put ratio backspread : constitue de la vente dun put 110 et de lachat de 3 puts 90.
On considrera que, linstant 0, loprateur encaisse (ou dcaisse) les primes et quil doit par
la suite constituer un portefeuille autonanc.
On suppose dabord que = r. On demande dcrire un programme qui :
simule lactif dcrit prcdemment
calcule la moyenne et la variance de la valeur nale actualise du portefeuille dans les cas
suivants :
On ne se couvre pas du tout : on vend loption, on touche la prime, on attend 3 mois,
on tient compte de lexercice de loption vendue et on calcule la valeur du portefeuille.
On se couvre immdiatement aprs la vente de loption, puis on ne fait rien.
On se couvre immdiatement aprs la vente, puis tous les mois.
On se couvre immdiatement aprs la vente, puis tous les 10 jours.
On se couvre immdiatement aprs la vente, puis tous les jours.
Etudier linuence de la frquence de discrtisation.
On reprendra la simulation prcdente en supposant que ,= r (prendre des valeurs de
suprieures et infrieures r). Y a-t-il des opportunits darbitrage ?
Exercice 48 On suppose que (W
t
)
t0
est un mouvement brownien standard et que (U
i
)
i1
est
une suite de variables alatoires indpendantes valant +1 ou 1 avec probabilit 1/2. On pose
S
n
= X
1
+ + X
n
.
1. Dmontrer que, si que X
n
t
=
1
n
S
[nt]
, X
n
t
tend en loi vers W
t
.
2. Soient t et s deux rels positifs, en utilisant le fait que la variable alatoire X
n
t+s
X
n
t
est
indpendante de X
n
t
, dmontrer que le couple (X
n
t+s
, X
n
t
) tend, en loi, vers (W
t+s
, W
t
).
3. Si 0 < t
1
< < t
p
, dmontrer que (X
n
t
1
, , X
n
tp
) tend en loi vers (W
t
1
, , W
tp
).
Appendice
1 Variables alatoires gaussiennes
Dans ce paragraphe, nous rappelons les principales proprits des gaussiennes. On trouvera
les dmonstrations des rsultats dans [Bou86], chapitre VI, paragraphe 9.
1.1 Gaussiennes relles
Une variable alatoire relle X est appele gaussienne centre rduite si elle admet pour
densit la fonction
n(x) =
1
2
exp
_
x
2
2
_
.
La loi de X est alors appele loi normale centre rduite.
Si X est une gaussienne centre rduite et si m et sont des nombres rels, la variable
alatoire Y = m + X est appele gaussienne de paramtres m et
2
. La loi de Y est la loi
normale de paramtres m et
2
, note ^(m,
2
) (cette loi ne dpend pas du signe de car X
et X ont mme loi). Les paramtres m et
2
sont respectivement la moyenne et la variance de
Y. Si ,= 0, la densit de Y est donne par la fonction
1
2
2
exp
_
(xm)
2
2
2
_
. Si = 0, la loi
de Y est la mesure de Dirac en m et na donc pas de densit ; on parle parfois, dans ce cas, de
gaussienne dgnre.
Si X est une gaussienne centre rduite, pour tout nombre complexe z, on a
E
_
e
zX
_
= e
z
2
2
.
La fonction caractristique de X est donc donne par
X
(u) = e
u
2
/2
et celle dune gaussienne
de moyenne m et de variance
2
par
Y
(u) = e
ium
e
u
2
2
/2
. Il est utile de savoir que si X suit
la loi normale centre rduite, on a P(|X| > 1, 96 . . .) = 0, 05 et P(|X| > 2, 6 . . .) = 0, 01. Pour
les grandes valeurs de t > 0, lestimation suivante est intressante :
P(X > t) =
1
2
_
t
e
x
2
/2
dx
1
t
2
_
t
xe
x
2
/2
dx =
e
t
2
/2
t
2
.
Rappelons quil existe de trs bonnes approximations de la fonction de rpartition de la loi nor-
male centre rduite (cf. chapitre 8) ainsi que des tables statistiques (cf. par exemple [Bou86]).
1.2 Vecteurs gaussiens
Dnition 1.1 Une variable alatoire X = (X
1
, . . . , X
d
) valeurs dans R
d
est appele vecteur
gaussien, si pour tous rels a
1
,. . ., a
d
, la variable alatoire relle

d
i=1
a
i
X
i
est une gaus-
sienne.
Les composantes X
1
,. . ., X
d
dun vecteur gaussien sont videmment des gaussiennes, mais il
ne suft pas que les coordonnes dun vecteur soient gaussiennes pour que le vecteur soit gaus-
sien. Par contre, si X
1
, X
2
,. . ., X
d
sont des gaussiennes relles indpendantes, alors le vecteur
(X
1
, . . . , X
d
) est gaussien.
161
La matrice de variance-covariance dun vecteur alatoire X = (X
1
, . . . , X
d
) est la matrice
(X) = (
ij
)
1i,jd
dont les coefcients sont donns par :
ij
= cov(X
i
, X
j
) = E[(X
i
E(X
i
))(X
j
E(X
j
))] .
On sait que, si les variables alatoires X
1
,. . ., X
d
sont indpendantes, la matrice (X) est diago-
nale, et que la rciproque est fausse en gnral, mais vraie dans le cas gaussien :
Thorme 1.2 Soit X = (X
1
, . . . , X
d
) un vecteur gaussien valeurs dans R
d
. Les variables
alatoires X
1
,. . ., X
d
sont indpendantes si et seulement si la matrice de variance-covariance
du vecteur X est diagonale.
On trouvera une dmonstration de ce rsultat dans [Bou86], chapitre VI, p. 155.
Remarque 1.3 Limportance des gaussiennes pour la modlisation vient notamment du tho-
rme central-limite (cf. [Bou86], chapitre VII, paragraphe 4). Pour lestimation statistiques des
gaussiennes, on pourra se reporter [DCD82] (chapitre 5) et, pour leur simulation, au chapitre
8.
2 Esprance conditionnelle
2.1 Exemples de sous-tribus
Soit (, /) un espace probabilisable et soient B
1
, B
2
,. . ., B
n
, n lments de la tribu /
formant une partition de . La famille B des lments de / qui sont vides ou de la forme
B
i
1
B
i
1
B
i
k
, avec i
1
,. . ., i
k
{1, . . . , n}, forme une sous-tribu nie B de /, qui nest
autre que la tribu engendre par les B
i
.
Rciproquement, toute sous-tribu nie B de /, on peut associer une partition nie
(B
1
, . . . , B
n
) de par des lments de /, qui engendrent B : les B
i
sont les lments non
vides de B qui ne contiennent pas dautre lment de B queux-mmes et la partie vide. On les
appelle les atomes de B. Il y a donc une correspondance biunivoque entre sous-tribus nies de
/ et partitions nies de par des lments de /. Noter que si B est une sous-tribu nie de /,
une application de dans R (muni de sa tribu borlienne) est B-mesurable si et seulement si
elle est constante sur chacun des atomes de B.
Soit maintenant une variable alatoire X dnie sur (, /), valeurs dans un espace mesu-
rable (E, c). La tribu engendre par X est la plus petite tribu rendant lapplication X mesurable :
on la note (X). Cest videmment une sous-tribu de / et il est facile de voir que
(X) =
_
A /|B c, A = X
1
(B) = {X B}
_
.
On dmontre quune variable alatoire Y dnie sur (, /), valeurs dans un espace mesurable
(F, T) est (X)-mesurable, si et seulement si elle est de la forme
Y = f X,
o f est une application mesurable de (E, c) dans (F, T) (cf. [Bou86], p.101-102). Autrement
dit, les variables alatoires (X)-mesurables sont exactement les fonctions mesurables de X.
Ch.8 APPENDICE 163
2.2 Proprits de lesprance conditionnelle
Soit (, /, P) un espace de probabilit et soit B une sous-tribu de /. La dnition de
lesprance conditionnelle repose sur le thorme suivant (pour une dmonstration, cf. [Bou86],
chapitre 8).
Thorme 2.1 Pour toute variable alatoire relle intgrable X, il existe une variable alatoire
relle, intgrable B-mesurable, Y, unique aux ensembles ngligeables prs, telle que :
B B E(X1
B
) = E(Y1
B
).
Y est appele esprance conditionnelle de X sachant B et note E(X|B).
Si B est une sous tribu nie, datomes B
1
,. . ., B
n
, on a E(X|B) =
i
E(X1
B
i
)
P(B
i
)
1
B
i
, la somme
tant limite aux atomes de probabilit non nulle. Ainsi, sur chaque atome B
i
, la valeur de
E(X|B) est la valeur moyenne de X sur B
i
. Dans le cas de la tribu grossire (B = {, }), on a
E(X|B) = E(X).
Le maniement des esprances conditionnelles repose sur les proprits suivantes.
1. Si X est B-mesurable, E(X|B) = X, p.s..
2. E(E(X|B)) = E(X).
3. Pour toute variable alatoire Z B-mesurable et borne, E(ZE(X|B)) = E(ZX).
4. Linarit :
E(X + Y|B) = E(X|B) +E(Y|B) p.s..
5. Positivit : si X 0, alors E(X|B) 0 p.s. et, plus gnralement, X Y E(X|B)
E(Y|B) p.s.. De cette proprit, on dduit que
|E(X|B)| E(|X||B) p.s.
et donc que |E(X|B)|
L
1
()
|X|
L
1
()
,
6. Si ( est une sous-tribu de B, alors :
E(E(X|B) |() = E(X|() p.s..
7. Si Z est B-mesurable et borne, E(ZX|B) = ZE(X|B) p.s..
8. Si X est indpendante de B alors, E(X|B) = E(X) p.s..
La rciproque de cette proprit est fausse, mais on a le rsultat suivant.
Proposition 2.2 Soit X une variable alatoire relle. X est indpendante de la tribu B si et
seulement si :
u R E
_
e
iuX
|B
_
= E
_
e
iuX
_
p.s.. (8.4)
Dmonstration : Compte tenu de la proprit 8 ci-dessus, il suft de montrer que (8.4) en-
trane lindpendance. Or, si E
_
e
iuX
|B
_
= E
_
e
iuX
_
, on a, pour tout B B, E
_
e
iuX
1
B
_
=
E
_
e
iuX
_
P(B), par dnition de lesprance conditionnelle. Si P(B) ,= 0, on peut crire que
E
_
e
iuX
1
B
P(B)
_
= E
_
e
iuX
_
.
Cette galit signie que la fonction caractristique de X est la mme sous la probabilit P
et sous la probabilit de densit
1
B
P(B)
par rapport P. Lgalit des fonctions caractristiques
entrane lgalit des lois et, par consquent,
E
_
f(X)
1
B
P(B)
_
= E(f(X)) ,
pour toute fonction borlienne borne, ce qui entrane lindpendance.
Remarque 2.3 Si X est de carr intgrable, il en est de mme de E(X|B) et E(X|B) concide
avec la projection orthogonale de X sur L
2
(, B, P), considr comme sous-espace ferm de
L
2
(, /, P), muni du produit scalaire (X, Y) E(XY) (cf. [Bou86], chapitre VIII, paragraphe
2). Lesprance conditionnelle de X sachant B apparat alors comme la meilleure approximation
de X au sens des moindres carrs par une variable alatoire B-mesurable de carr intgrable. En
particulier, si B est la tribu engendre par une variable alatoire , lesprance conditionnelle
E(X|B), qui est alors note E(X|), est la meilleure approximation de X par une fonction de ,
puisque les variables alatoires ()-mesurables sont les fonctions mesurables de . Noter que
lon a (en utilisant le thorme de Pythagore !) |E(X|B)|
L
2
()
|X|
L
2
()
.
Remarque 2.4 On peut aussi dnir E(X|B) pour toute variable alatoire X positive (sans
condition dintgrabilit). On a alors E(XZ) = E(E(X|B)Z), pour toute variable alatoire Z
B-mesurable positive et les rgles de calcul sont essentiellement les mmes que dans le cas
intgrable (cf. [DCD82], chapitre 6).
2.3 Calculs desprances conditionnelles
La proposition suivante est trs souvent utilise dans ce livre.
Proposition 2.5 Soit X une variable alatoire B-mesurable valeurs dans (E, c) et soit Y
est une variable alatoire indpendante de B, valeurs dans (F, T). Pour toute fonction
borlienne, positive (ou borne) sur (E F, c T), la fonction dnie par :
x E (x) = E((x, Y))
est borlienne sur (E, c) et on a :
E((X, Y)|B) = (X) p.s..
La signication de cette proposition est que, sous les hypothses nonces, on peut calculer
E((X, Y)|B) en faisant comme si X tait une constante.
Dmonstration : Notons P
Y
la loi de Y. On a :
(x) =
_
F
(x, y)dP
Y
(y)
et la mesurabilit de rsulte du thorme de Fubini. Soit maintenant Z une variable alatoire
B-mesurable positive (par exemple Z = 1
B
, avec B B). Si on note P
X,Z
la loi du couple
(X, Z), on a, en utilisant lindpendance de Y et du vecteur (X, Z),
E((X, Y)Z) =
_ _
(x, y)zdP
X,Z
(x, z)dP
Y
(y)
=
_
_
_
(x, y)dP
Y
(y)
_
zdP
X,Z
(x, z)
=
_
(x)zdP
X,Z
(x, z)
= E((X)Z) ,
Ch.8 APPENDICE 165
ce qui entrane le rsultat annonc.
Remarque 2.6 Dans un cadre gaussien, le calcul dune esprance conditionnelle est particuli-
rement simple. En effet, si (Y, X
1
, X
2
, . . . , X
n
) est un vecteur gaussien ( valeurs dans R
n+1
),
lesprance conditionnelle Z = E(Y|X
1
, . . . , X
n
) est de la forme :
Z = c
0
+
n
i=1
c
i
X
i
,
o les c
i
sont des constantes relles. Cela signie que la fonction des X
i
qui approche au mieux
Y est une fonction afne et que lon peut calculer Z en projetant dans L
2
la variable alatoire
Y sur le sous-espace vectoriel linairement engendr par la constante 1 et les X
i
(cf. [Bou86],
chapitre 8, paragraphe 5).
3 Thorme de sparation des convexes
Dans ce paragraphe, nous donnons la version du thorme de sparation des convexes uti-
lise dans le chapitre 1. Pour plus de dtails sur ces questions, on pourra consulter lannexe de
[Min83]. On a tout dabord lnonc suivant.
Thorme 3.1 Soit C un convexe ferm ne contenant pas lorigine. Il existe une forme linaire
sur R
n
et > 0 tels que :
x C (x) .
Lhyperplan (x) = 0 ne rencontre donc pas C.
Dmonstration : Soit un rel positif tel que la boule ferme B() centre lorigine et de
rayon rencontre C et soit x
0
, ralisant le minimum de la fonction continue x |x| (o | |
est la norme euclidienne) sur le compact C B(). On a immdiatement :
x C |x| |x
0
|.
Le vecteur x
0
nest autre que la projection de lorigine sur le convexe ferm C. Soit maintenant
x C, on a, pour tout t [0, 1], x
0
+ t(x x
0
) C, puisque C est convexe. En dveloppant
les deux membres de lingalit
|x
0
+ t(x x
0
)|
2
|x
0
|
2
,
et en notant x
0
.x le produit scalaire de x
0
et x, on obtient lingalit x
0
.x |x
0
|
2
> 0, pour
tout x C, ce qui donne immdiatement le rsultat annonc.
Thorme 3.2 Soit K un convexe compact et soit V un sous-espace vectoriel de R
n
, disjoint de
K. Il existe une forme linaire sur R
n
, vriant les deux conditions suivantes :
1. x K (x) > 0.
2. x V (x) = 0.
Le sous-espace V est donc contenu dans un hyperplan qui ne rencontre pas K.
Dmonstration : Lensemble
C = K V = {x R
n
| (y, z) K V, x = y z}
est convexe, ferm (car V est ferm et K est compact) et ne contient pas lorigine. Daprs le
thorme 3.1, on peut donc trouver une forme linaire sur R
n
et > 0 tels que :
x C (x) .
Do :
y K, z V (y) (z) . (8.5)
En xant y et en appliquant (8.5) z, avec R, on obtient : z V (z) = 0, puis
y K (y) , ce qui achve la dmonstration.
BIBLIOGRAPHIE 167
Bibliographie
[AD89] P. Artzner et F. Delbaen. Term structure of interest rates : The martingale approach.
Advances in Applied Mathematics, 10 :95129., 1989.
[AS70] M. Abramowitz et I.A. Stegun, editeurs. Handbook of Mathematical Functions.
Dover, 9th edition, 1970.
[Bac00] L. Bachelier. Thorie de la spculation. Ann. Sci. Ecole Norm. Sup., 17 :2186,
1900.
[BAW87] G. Barone-Adesi et R. Whaley. Efcient analytic approximation of american option
values. Journal of Finance, 42 :301320, 1987.
[Ben84] A. Bensoussan. On the theory of option pricing. Acta Appl. Math., 2 :139158,
1984.
[BL78] A. Bensoussan et J.L. Lions. Applications des inquations variationnelles en
contrle stochastique. Dunod, 1978.
[BL89] N. Bouleau et D. Lamberton. Residual risks and hedging strategies in markovian
markets. Stoch. Proc. and Appl., 33 :131150, 1989.
[Bou86] N. Bouleau. Probabilits de lIngnieur. Hermann, 1986.
[Bou88] N. Bouleau. Processus Stochastiques et Applications. Hermann, 1988.
[BS73] F. Black et M. Scholes. The pricing of options and corporate liabilities. Journal of
Political Economy, 81 :635654, 1973.
[BS77] M.J. Brennan et E.S. Schwartz. The valuation of the american put option. J. of
nance, 32 :449462, 1977.
[BS79] M.J. Brennan et E.S. Schwartz. A continuous time approach to the pricing of bonds.
J. of Banking and Finance, 3 :133155, 1979.
[CER88] CERMA. Sur les risques rsiduels des stratgies de couverture dactifs condition-
nels. Comptes Rendus de lAcadmie des Sciences, 307 :625630, 1988.
[Cha90] O. Chateau. Quelques remarques sur les processus accroissements indpendants
et stationnaires, et la subordination au sens de Bochner. PhD thesis, Universit de
Paris VI, 1990.
[Cia88] P.G. Ciarlet. Une Introduction lanalyse numrique matricielle et loptimisation.
Masson, 1988.
[CIR85] J.C. Cox, J.E. Ingersoll, et S.A. Ross. A theory of the term structure of interest
rates. Econometrica, 53 :385407, 1985.
[Cou82] G. Courtadon. The pricing of options on default-free bonds. J. of Finan. and Quant.
Anal., 17 :301329, 1982.
[CR85] J.C. Cox et M. Rubinstein. Options Markets. PrencticeHall, London, 1985.
[DCD82] D. Dacunha-Castelle et M. Duo. Probabilits et statistiques, tome 1, Problmes
temps xe. Masson, 1982.
[DCD83] D. Dacunha-Castelle et M. Duo. Probabilits et statistiques, tome 2, Problmes
temps mobile. Masson, 1983.
[DMW90] R.C. Dalang, A. Morton, et W. Willinger. Equivalent martingale measures and no-
arbitrage in stochastic securities market models,. Stochastics and Stochastics Re-
ports, 29(2) :185202, 1990.
[DS94] F. Delbaen et W. Schachermayer. A general version of the fundamental theorem of
asset pricing. Math. Ann., 300 :463520, 1994.
[Duf88] D. Dufe. Security Markets, Stochastic Models. Academic Press, 1988.
[Fri75] A. Friedman. Stochastic Differential Equations and Applications. Academic Press,
1975.
[FS86] H. Fllmer et D. Sondermann. Hedging of non redundant contingent claims. Dans
W.Hildebrand et A. Mas-Colell, editeurs, Contributions to Mathematical Econo-
mics in Honor of Gerard Debreu. North-Holland, Amsterdam, 1986.
[FS91] H. Fllmer et M. Schweizer. Hedging of contingent claims under incomplete infor-
mation. Dans M.H.A. Davis et R.J. Elliott, editeurs, Applied Stochastic Analysis,
volume 5 de Stochastics Monographs, pages 389414. Gordon and Breach, 1991.
[Gar88] T. Gard. Introduction to Stochastic Differential Equation. Marcel Dekker, 1988.
[GLT76] R. Glowinsky, J.L. Lions, et R. Trmolires. Analyse numrique des inquations
variationnelles. Dunod, 1976.
[GS80] I.I. Gihman et A.V. Skorohod. Introduction la Thorie des Processus Alatoires.
Mir, 1980.
[HJM87] D. Heath, A. Jarrow, et A. Morton. Bond pricing and the term structure of interest
rates. preprint, 1987.
[HK79] M.J. Harrison et D.M. Kreps. Martingales and arbitrage in multiperiod securities
markets. J. of Economic Theory, 29 :381408, 1979.
[HL86] T.S. Ho et S.B. Lee. Term structure movements and pricing interest rate contingent
claims. J. of Finance, 41 :10111029, 1986.
[HL88] C.F. Huang et R.H. Litzenberger. Foundations for Financial Economics. North-
Holland, New-York, 1988.
[HP81] M.J. Harrison et S.R. Pliska. Martingales and stochastic integrals in the theory
of continuous trading. Stochastic Processes and their Applications, 11 :215260,
1981.
[HP83] M.J. Harrison et S.R. Pliska. A stochastic calculus model of continuous trading :
complete markets. Stochastic Processes and their Applications, 15 :313316, 1983.
[IW81] N. Ikeda et S. Watanabe. Stochastic Differential Equations And Diffusion Processes.
North-Holland, Tokyo, 1981.
[Jam89] F. Jamshidian. An exact bond pricing formula. Journal of Finance, 44 :205209,
1989.
[JLL90] P. Jaillet, D. Lamberton, et B. Lapeyre. Variationnal inequalities and the pricing of
american options. Acta Applicandae Mathematicae, 21 :263289, 1990.
[Kar81] N. El Karoui. Les aspects probabilistes du contrle stochastique. Lecture Notes in
Mathematics (Springer), 876 :72238 1981.
BIBLIOGRAPHIE 169
[Kar88] I. Karatzas. On the pricing of american options. Applied Mathematics and Optimi-
zation, 17 :3760, 1988.
[Kar89] I. Karatzas. Optimization problems in the theory of continuous trading. SIAM J.
Control Optim., 27 :12211259, 1989.
[Knu81] D.E. Knuth. The Art of Computer programming, Vol. 2, Seminumerical Algorithms.
Addison-Wesley, 1981.
[KP92] P.E. Kloeden et E. Platen. Numerical Solution of Stochastic Differential Equations.
Springer Verlag, 1992.
[KQ95] N. EL Karoui et M.C. Quenez. Dynamic programming and pricing of contingent
claims in an incomplete market. S.I.A.M. J. Control and Optimization, 33 :2966,
1995.
[KR89] N. El Karoui et J.C. Rochet. A pricing formula for options on coupon-bonds. Cahier
de recherche du GREMAQ-CRES, 8925, 1989.
[KS88] I. Karatzas et S.E. Shreve. Brownian Motion and Stochastic Calculus. Springer-
Verlag, New-York, 1988.
[Kus77] H.J. Kushner. Probability Methods for Approximations in Stochastic Control and
for Elliptic Equations. Academic Press, New York, 1977.
[LE90] P. LEcuyer. Random numbers for simulation. Communications of the ACM, 33, 10
1990.
[LP90] D. Lamberton et G. Pags. Sur lapproximation des rduites. Annales de lIHP,
26 :331355, 1990.
[Mer73] R.C. Merton. Theory of rational option pricing. Bell J. of Econom. and Management
Sci., 4 :141183, 1973.
[Mer76] R.C. Merton. Option pricing when underlying stock returns are discontinuous. J. of
Financial Economics, 3 :125144, 1976.
[Mil86] Mac Millan. Analytic approximation for the american put price. Advances in Fu-
tures and Options Research, 1 :119139, 1986.
[Min83] M. Minoux. Programmation mathmatique, 2 tomes. Dunod, 1983.
[Mor89] A.J. Morton. Arbitrage and Martingales. PhD thesis, Cornell University, 1989.
[Nev72] J. Neveu. Martingales temps discret. Masson, 1972.
[PT85] E. Pardoux et D. Talay. Discretization and simulation of stochastic differential equa-
tions. Acta Applicandae Mathematicae, 3 :2347, 1985.
[RT83] P.A. Raviart et J.M. Thomas. Introduction lanalyse numrique des quations aux
drives partielles. Masson, Paris, 1983.
[RW87] L.C.G. Rogers et D. Williams. Diffusions, Markov Processes and Martingales,
Tome 2, It Calculus. John Wiley and Sons, New York, 1987.
[RY90] A. Revuz et M. Yor. Continuous Martingale Calculus. Springer-Verlag, 1990.
[Sch89] M. Schweizer. Option hedging for semi-martingales. Stoch. Proc. and Appl., 1989.
[Sch92] M. Schweizer. Mean-variance hedging for general claims. Annals of Applied Pro-
bability, 2 :171179, 1992.
[Sch94] M. Schweizer. Approximating random variables by stochastic integrals. Ann. Pro-
bab., 22(3) :15361575, 1994.
[Sch95] M. Schweizer. On the minimal martingale measure and the foellmer-schweizer
decomposition. Stochastic Anal. Appl., 13(5) :573599, 1995.
[Sed87] R. Sedgewick. Algorithms. AddisonWesley, 1987.
[SS84] S. Schaefer et E.S. Schwartz. A two-factor model of the term structure : an approxi-
mate analytical solution. J. of Finan. and Quant. Anal., 19 :413424, 1984.
[Str90] C. Stricker. Arbitrage et lois de martingales. Ann. Inst. Henri Poincar, 26 :451
460, 1990.
[Tal95] D. Talay. Simulation of stochastic differential systems. Dans Paul Kre et Walter
Wedig, editeurs, Probablistic Methods in Applied Physics, volume 451 de Lecture
Notes in Physics, pages 5496, Berlin Heidelberg, 1995. Springer.
[Zha97] X.L. Zhang. Numerical analysis of american option pricing in a jump-diffusion
model. Mathematics of Operations Research, 1997. paratre.
Index
Actif
risques, 13
conditionnel, 19
nancier, 13
sans risque, 13, 118
sous-jacent, 9
Adapt, 16
Algorithme
de Brennan et Schwartz, 112, 156
de Cox Ross Rubinstein, 113, 157
Arbitrage, 10
Atome, 162
Bessel (fonction de), 126
Calcul de It, 50
Call, 9
Complet, 20
Courbe des taux, 117, 127
Couverture, 10
absence de couverture parfaite, 148
dun call, 25
dun put amricain, 36
des calls et des puts, 74, 144147
Dcomposition de Doob, 30
Delta, 75
Echance, 9
Enveloppe de Snell, 28
Equations aux drives partielles
paraboliques, 95, 98
rsolution numrique, 104
sur un ouvert born, 101
Equations diffrentielles
stochastiques, 5658
Esprance conditionnelle, 162
cas gaussien, 165
dune variable alatoire positive, 164
et projection orthogonale, 164
par rapport une variable alatoire, 164
Filtration, 13, 40
naturelle, 40
Formule dintgration par parties, 53
Formule dIt, 51
multidimensionnelle, 54
Formules de Black-Scholes, 73
Gnrateur in nitsimal, 109
Gnrateurs de nombres alatoires, 150
Gamma, 75
Gaussienne, 161
gaussienne
centre rduite, 161
Girsanov (thorme de), 70, 80
Ingalit de Doob, 44
Inquation
aux drives partielles, 108
en dimension nie, 110112
mthode numrique, 110
Inquations
aux drives partielles, 109
Intgrale stochastique, 45
Loi
du chi-deux dcentr, 125
exponentielle, 133, 134
gamma, 134
log-normale, 67
normale, 161
Mthode
de Monte Carlo, 149
Mthodes numriques
algorithme de Brennan et Schwartz, 112,
156
diffrences nies, 104
fonction de rpartition dune loi gaussienne,
155
inquation, 110
inquation en dimension nie, 112
Mthode de Cox Ross Rubinstein, 113, 157
mthode de Gauss, 106
mthode de Mac Millan et de Barone-Adesi
et Waley, 114
March
complet, 20
non complet, 133, 148
viable, 17
171
Martingale, 16
temps continu, 42
exponentielle, 42, 54
Thorme darrt, 43
Modle
avec sauts, 133148
simulation, 154
de Black-Scholes, 11, 54, 6783
simulation, 154
de courbe des taux, 127
de Cox-Ingersoll-Ross, 124127
de Cox-Ross-Rubinstein, 23
de taux dintrt, 117131
de Vasicek, 122124
discret, 13
Mouvement brownien, 41
Simulation de processus, 153
Obligation, 117
Oprateur de Dynkin, 98
Option, 9
amricaine, 9
asiatique, 19
europenne, 9, 19
simulable, 19, 71
Parit (relation de parit call-put), 10, 24
Poisson(processus de), 133
Prvisible, 13, 16
Pricing, 10
Prix
critique, 80
dexercice, 10
dun call, 143
dun call amricain, 34
dun call europen, 73, 77
dun put, 143
dun put amricain, 35
dun put europen, 73
dun put perptuel, 78
dune obligation, 119, 123, 126
dune option amricaine, 22
dune option europenne, 21, 72, 143
dune option sur obligation, 121, 129
Probabilits quivalentes, 17, 69
Processus
temps continu, 39
dOrnstein-Ulhenbeck, 58
de Poisson, 133
mouvement brownien, 41
Processus dIt, 50
Proprit de Markov, 5961
Put, 9
inquation aux drives partielles, 109
perptuel, 78
Radon-Nikodym (thorme de), 69
Reprsentation des martingales, 70
Sparation des convexes, 165
Simulable, 19
Simulation de processus, 152
quations diff. stochastiques, 153
modle avec sauts, 154
modle de Black-Scholes, 154
mouvement brownien, 153
Simulation des variables alatoires, 150
gaussienne, 151
variable exponentielle, 151
variable poissonienne, 151
vecteur gaussien, 152
Sous-tribu, 162
Sousmartingale, 16
Stratgie, 13
admissible, 15, 71, 120, 141
auto nance, 14, 68, 120, 141
de consommation, 36, 76
Suite arrte, 27
Surmartingale, 16
Taux dintrt forward, 127
Temps darrt, 27, 40
optimal, 30
temps datteinte, 43
Thorme darrt, 43
Thta, 75
Transforme de martingale, 16
Vga, 75
Valeur dun portefeuille, 14
Vente dcouvert, 15
Viable, 17
Volatilit, 11, 74
implicite, 74

Calcul Stochastique Appliqué À La Finance

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Calcul Stochastique Appliqué À La Finance

Diunggah oleh

Hak Cipta:

Format Tersedia

Introduction au calcul stochastique

quivalente P sous laquelle les actifs ac-

quivalente P signi e simplement que, pour tout , P

({}) > 0, pour tout .

de toutes les variables

X() = 1}, qui est contenu dans . Il en rsulte, par le

lesprance par rapport la probabilit P

, la proprit 2 signie que,

, les prix actualiss (

apparatra dans la suite comme loutil de calcul des formules de prix et de

|X()|. On dnit ainsi une probabilit (car E

(X) = 0) qui est quivalente

lunique probabilit sous laquelle

(pas celle de P). On aurait pu se contenter de partir de lespace probabilisable

-surmartingale. Cest la plus petite P

quivalente P, sous laquelle (

lesprance par rapport lunique probabilit P

N et log((1 + b)/(1 + r)) = /

N}, et indpendantes quidistri-

Do, en utilisant la convergence en loi de (Y

est une surmartingale. Do :

est une martingale, on a U

est une surmartingale :

ne peut pas tre une martingale.

. Pour prciser ce point, reprenons le point de vue du vendeur de loption. Si celui-ci se

> 0. Dans les deux cas, le vendeur ralise un prot V

, qui est strictement positif.

est une sous-tribu de T

est souvent appele tribu des vnements

[0, K] tel que, pour x x

sont deux prolongements linaires

tant des constantes.

, il existe une probabilit P

, on dduit de lgalit (4.5) que

. Dans le cas du call (h = (S

, une martingale de carr intgrable. Do :

, le processus dni par M

sur [0, T[R. Si on pose :

. Or, on peut montrer

) linstant est donne par

)) est donc bien la richesse initiale per-

(x) > 0, pour tout x 0. Notons mainte-

(x) = K x}. Les proprits de u

que nous venons dnumrer

, pour tout t [0, T[. Le rel s(t) sinterprte

quivalente P, sous laquelle le prix actualis de

, un mouvement brownien standard.

quivalente P sous laquelle le processus dni par W

linstant t (avec r 0) et un actif risqu, de prix S

linstant t (avec r 0) et un actif risqu, de prix S

(x) + b(t, x)f

est la transpose de la matrice (t, x) =

pour laquelle le processus (W

2|a|), on en dduit que si a > 0, pour tout :

pour laquelle le processus (W

< 1. En effet, cette condition implique que a et c sont ngatifs,

(X) lunique Y F tel que :

est une application contractante.

soit solution de v(x) +T

. En dduire, que si v est continue et drive continue, alors x

est la solution unique de f(x) = x est une

, avec une prcision arbitraire.

quivalente P, sous laquelle, pour tout rel u [0, T], le