Master 1 MMD - Mouvements Brownien Et Evaluations D'actifs Contingents (Paris-Dauphine)

Evaluation dActifs contingents
M1 MIDO
Romuald ELIE
2
Ces notes correspondent un cours donn en Master 1 luniversit Paris Dauphine.
Elles ont pour but de prsenter les bases mathmatiques des mthodes de pricing et de
couverture des produits drivs. Aprs lobtention de la dnition mathmatique de la
notion darbitrage, nous tudions les modles par arbre binomial 2 puis n priodes.
Nous dveloppons ensuite quelques outils de calcul stochastiques ncessaires ltude
des modles en temps continu et en particulier du modle de Black-Scholes. Ces notes
de cours sont accompagnes de TDs.
Nota : Ces notes de cours sont librement inspires de direntes manuels, polycopis,
notes de cours ou ouvrages. Citons en particulier ceux de Francis Comets, Nicole El
Karoui, Monique Jeanblanc, Bernard Lapeyre, Damien Lamberton, Steven Shreeve... Je
les en remercie.
Mea Culpa : Comme dans toutes notes de cours, des erreurs sont encore prsentes
dans ce polycopi. Nhsitez pas me les communiquer : elie@ceremade.dauphine.fr.
Table des matires
1 Notion dArbitrage 5
1.1 Hypothses sur le march . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Arbitrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Comparaison de portefeuilles . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Relation de parit Call-Put . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Prix dun contrat Forward . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Modle Binomial une priode 11
2.1 Modlisation probabiliste du march . . . . . . . . . . . . . . . . . . . . 11
2.2 Stratgie de Portefeuille simple . . . . . . . . . . . . . . . . . . . . . . . 13
2.3 Probabilit risque neutre . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4 Evaluation et couverture dun produit driv . . . . . . . . . . . . . . . 17
3 Modle binomial n priodes 19
3.1 "Rappels" de probabilit : Processus discret et Martingale . . . . . . . . 19
3.2 Modlisation du march . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.3 Stratgie de portefeuille . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.4 Arbitrage et Probabilit risque neutre . . . . . . . . . . . . . . . . . . . 23
3.5 Duplication dun produit driv . . . . . . . . . . . . . . . . . . . . . . . 26
3.6 Evaluation et couverture dun produit driv . . . . . . . . . . . . . . . 28
4 Calcul stochastique 31
4.1 Processus et Martingale . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.1.1 Processus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.1.2 Espaces L
p
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.1.3 Filtration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.1.4 Martingale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.1.5 Processus Gaussien . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3
4 TABLE DES MATIRES
4.2 Mouvement Brownien . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.3 Variation totale et Variation quadratique . . . . . . . . . . . . . . . . . . 39
4.4 Intgrale stochastique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.5 Formule dIto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.6 Processus dIto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.7 Equation Direntielle Stochastique . . . . . . . . . . . . . . . . . . . . 62
5 Modle de Black Scholes 63
5.1 Hypothses sur le march . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.2 Modlisation probabiliste du march . . . . . . . . . . . . . . . . . . . . 63
5.3 Probabilit risque neutre . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.4 Portefeuilles autonanants . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.5 Duplication dun produit driv . . . . . . . . . . . . . . . . . . . . . . . 72
5.6 Formule de Black Scholes . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.7 Sensibilits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
Chapitre 1
Notion dArbitrage
1.1 Hypothses sur le march
Nous supposerons que :
1. Les actifs sont divisibles linni ;
2. Le march est liquide : on peut acheter ou vendre tout instant ;
3. On peut emprunter et vendre dcouvert ;
4. Les changes ont lieu sans cots de transaction ;
5. On peut emprunter et prter au mme taux constant r.
1.2 Arbitrage
Quelles sont les volutions possibles du march ?
: ensemble des tats possibles du march ;
P : Probabilit relle (ou en tout cas anticipe) de survenance de chacun des tats.
Quelles sont les stratgies dinvestissement ?
Dnition 1.2.1 Un portefeuille autonancant est une stratgie dachat ou de vente
de titres, actions, prts et emprunts la banque, et plus gnralement de produits drivs
dont la valeur nest pas modie par lajout ou le retrait dargent. On notera
X
t
la valeur en t du portefeuille X.
On se donne donc simplement un capital initial et une stratgie dynamique dinves-
tissement dans les actifs du march partir de ce capital de dpart.
Quest ce quune stratgie darbitrage ?
Dnition 1.2.2 Un arbitrage sur la priode [0, T] est un portefeuille autonanant
X de valeur nulle en t = 0 dont la valeur X
T
en T est positive et strictement positive
5
6 CHAPITRE 1. NOTION DARBITRAGE
avec une probabilit strictement positive.
X
0
= 0, X
T
0 et P(X
T
> 0) > 0
On supposera quil y a sur le march lhypothse dAbsence dopportunits dar-
bitrage (AOA, no free lunch) entre tout instant 0 et T.
X
0
= 0 et X
T
0 P(X
T
> 0) = 0
Lhypothse signie simplement : "Si ma richesse aujourdhui est nulle, elle ne peut
devenir positive et non identiquement nulle", soit "On ne peut gagner dargent sans
capital initial".
Le raisonnement (dfaitiste) est : "Si il y avait un arbitrage, quelquun en aurait dja
prot". Sachant quil y a dans les banques beaucoup darbitragistes, cette hypothse
est cohrente sur les marchs.
1.3 Comparaison de portefeuilles
Proposition 1.3.1 En AOA, si deux portefeuilles autonanants X et Y ont mme
valeur en T, ils ont mme valeur en 0.
X
T
= Y
T
X
0
= Y
0
Dmonstration : Supposons X
0
< Y
0
et proposons la stratgie suivante : A linstant
t = 0, achat de X, vente de Y et placement de Y
0
X
0
> 0 la banque. La valeur du
portefeuille linstant t = T est X
T
Y
T
plus ce qua rapport largent la banque,
qui est toujours > 0.
en 0 en T
Achat de X X
0
X
T
Vente de Y Y
0
Y
T
Placement du gain la banque Y
0
X
0
> 0 (Y
0
X
0
)/B(0, T) > 0
Valeur 0 >0
Donc AOA implique X
0
Y
0
et, de manire similaire, on obtient X
0
Y
0
si bien
que X
0
= Y
0
. 2
Remarque 1.3.1 Pour crer un arbitrage, on a achet le moins cher et vendu le plus
cher. Vu quils ont meme valeur en T, on y gagne, logique...
1.4. RELATION DE PARIT CALL-PUT 7
Proposition 1.3.2 En AOA, si deux portefeuilles autonanants X et Y ont mme
valeur en T, elles ont presque srement mme valeur en tout instant t T.
X
T
= Y
T
t T X
t
= Y
t
P p.s.
Ce rsultat est une consquence directe du rsultat suivant :
Proposition 1.3.3 En AOA, considrons deux portefeuilles autonanants X et Y ,
alors :
X
T
Y
T
t T X
t
Y
t
p.s.
Dmonstration : Soit t T. Proposons la stratgie suivante :
en 0 : je ne fais rien.
en t : Sur , X
t
() > Y
t
(), jachte le portefeuille Y au prix Y
t
, je vend le
portefeuille X au prix X
t
et je place la dirence X
t
Y
t
> 0 la banque. Sur
, X
t
() Y
t
(), je ne fais rien.
Finalement, en T, sur X
t
> Y
t
, je touche Y
T
X
T
0 plus ce qua rapport
largent la banque qui est toujours > 0, soit une valeur > 0, et sur X
t
Y
t
, la
valeur du portefeuille est nulle.
en t en T
Sur X
t
> Y
t
Achat de Y en t Y
t
Y
T
Vente de X en t X
t
X
T
Placement du gain la banque X
t
Y
t
> 0 (X
t
Y
t
)/B(t, T) > 0
Valeur 0 >0
Sur X
t
Y
t
Valeur 0 0
Donc AOA implique P(X
t
> Y
t
) = 0. 2
1.4 Relation de parit Call-Put
Un call de strike K et dchance T sur le sous-jacent S a pour payo (S
T
K)
+
;
notons C
t
son prix linstant t.
Un put de strike K et dchance T sur le sous-jacent S a pour payo (K S
T
)
+
;
notons P
t
son prix linstant t.
Un zero-coupon dchance T est un produit nancier de valeur 1 en T. Son prix en t
est not B(t, T).
Alors, en AOA, les prix des calls et des puts en t sont relis par la relation de parit
call put :
C
t
P
t
= S
t
KB(t, T)
En eet considrons les deux stratgies de portefeuille :
en 0 en t en T
Port. 1 Achat dun Put europen en t P
t
(K S
T
)
+
Achat dun actif risqu en t S
t
S
T
Valeur P
t
+S
t
(K S
T
)
+
+S
T
Port. 2 Achat dun Call europen en t C
t
(S
T
K)
+
Achat de K actifs sans risque en t KB(t, T) K
Valeur C
t
+KB(t, T) (S
T
K)
+
+K
Remarquons que lon a :
(K S
T
)
+
+S
T
= K 1
{S
T
K}
+S
T
1
{KS
T
}
= (S
T
K)
+
+K
Donc, les deux portefeuilles ont des ux naux gaux, et donc en AOA des valeurs gales
tout instant t T ce qui nous donne la relation de parit Call-Put :
Remarque 1.4.1 Cette relation est intrinsque labsence dopportunit darbitrage
sur le march et ne dpend en rien du modle dvolution impos aux actifs.
1.5 Prix dun contrat Forward
Le contrat Forward est un contrat sign la date t = 0 qui assure lchange en T de
lactif risqu S contre un prix F(0, T) x en t = 0. Il ny a aucun change dargent la
date t = 0. Pour dterminer le prix F(0, T) du contrat, considrons les deux stratgies
de portefeuille suivantes :
en 0 en T
Port. 1 Achat de lactif S
0
en 0 S
0
S
T
Vente de F(0, T) zros coupons en 0 F(0, T)B(0, T) F(0, T)
Valeur S
0
F(0, T)B(0, T) S
T
F(0, T)
Port. 2 Achat du contrat Forward en 0 0 S
T
F(0, T)
Sous, AOA, on a donc
F(0, T) =
S
0
B(0, T)
.
1.5. PRIX DUN CONTRAT FORWARD 9
Remarque 1.5.1 Montrez que de manire plus gnrale, on obtient :
F(t, T) =
S
t
B(t, T)
.
Chapitre 2
Modle Binomial une priode
Le modle binomial est trs pratique pour les calculs et la plus grande partie des
rsultats obtenus se gnralisent aux modles en temps continu.
2.1 Modlisation probabiliste du march
Considrons un march deux dates : t = 0 et t = 1 et deux actifs
Un actif sans risque qui vaut 1 en t = 0 et vaut R = (1+r) en t = 1, qui reprsente
largent plac la banque au taux r (dans une obligation), il est sans risque dans le sens
o lon connat en t = 0 la valeur quil aura en t = 1 .
1 R = 1 +r
Et un actif risqu S, il vaut S
0
en t = 0 et linstant 1, il peut avoir pris 2 valeurs
direntes : soit il est mont S
u
1
= u.S
0
, soit il est descendu S
d
1
= d.S
0
avec d < u.
uS
0
S
0
dS
0
La modlisation probabiliste du march est la donne de 3 choses : , T et P.
est lensemble des tats du monde : 2 tats possibles selon la valeur de lactif
risqu en t = 1, tat "haut"
u
ou "bas"
d
. =
u
,
d
P est la probabilit historique sur . P(

u
) = p et P(
d
) = 1 p. Le prix a une
probabilit relle p de monter et 1 p de descendre. Attention p ]0, 1[ car les 2 tats
du monde peuvent arriver.
11
12 CHAPITRE 2. MODLE BINOMIAL UNE PRIODE
T = T
0
, T
1
est un couple de deux tribus reprsentant linformation globale dispo-
nible sur le march aux instants t = 0 et t = 1.
En t = 0, on ne dispose daucune information :
T
0
= , .
En t = 1, on sait si lactif est mont ou descendu :
T
1
= T() = , ,
u
,
d
.
Cette tribu reprsente lensemble des parties de dont je puisse dire linstant t = 1
si elles sont ralises ou non.
Remarque 2.1.1 Bien sr, on a T
0
T
1
, en eet plus le temps avance plus lon
acquiert de linformation.
Remarque 2.1.2 Une variable alatoire est T
1
-mesurable si et seulement si elle est
connue avec linformation donne par T
1
, i.e. dtermine linstant 1. En eet, heuris-
tiquement
Une variable alatoire X est T
1
-mesurable
Limage rciproque de tout Borlien B de R est dans T
1
;
Je peux dire en t = 1 pour tout Borlien B de R si X est valeur dans B ;
Je peux dire pour tout rel r si X est dans ] , r[ ou pas ;
Je connais X la date t = 1.
Remarque 2.1.3 T
1
est la tribu engendre par S
1
:
T
1
= (S
1
) .
En eet, par dnition, la tribu engendre par S
1
est limage rciproque par S
1
des Bo-
rliens de R, i.e. S
1
1
(B) , B B(R). Cest la plus petite tribu qui rende S
1
mesurable.
Pour tout Borlien B de R,
- si uS
0
et dS
0
sont dans B, on a S
1
1
(B) = ,
- si juste uS
0
est dans B, on a S
1
1
(B) =
u
,
- si juste dS
0
est dans B, on a S
1
1
(B) =
d
,
- et si aucun des 2 nest dans B, on a S
1
1
(B) = .
Donc T
1
est bien la tribu engendre par S
1
se qui se rcrit :
"Connatre S
1
est quivalent connatre tout lment T
1
-mesurable"
2.2. STRATGIE DE PORTEFEUILLE SIMPLE 13
Dnition 2.1.1 Un produit driv (ou actif contingent) est une v.a. T
1
-mesurable.
La valeur dun produit driv dpend de ltat du monde ralis la date t = 1 et
de manire quivalente, tout produit driv scrit comme une fonction mesurable de
S
1
.
Proposition 2.1.1 Soit X et Y deux variables alatoires sur un espace de probabilit
(, /, P). Alors, Y est (X)-mesurable ssi elle est de la forme f(X) avec f une appli-
cation mesurable (borlienne).
Dmonstration : Si Y = f(X), alors, pour tout Borlien B de R, on a
f(X)
1
(B) = X
1
f
1
(B)
(X) .
Rciproquement, si Y est lindicatrice dun ensemble / qui est (X)-mesurable, on a :
Y = 1
A
= 1
X
1
(B)
= 1
B
(X) ,
et f = 1
B
convient. Si Y est une somme nie dindicatrice 1
A
i
avec /
i
= (B
i
), la
somme des 1
B
i
convient. Si Y est positive, elle scrit comme limite croissante de Y
n
,
sommes dindicatrices qui donc scrivent f
n
(X) et f = limf
n
convient. (cette fonction
peut valoir + mais pas en des points atteints par X). Si Y est de signe quelconque,
on la dcompose en sa partie positive et sa partie ngative et lon approche les deux
sparment. 2
Par exemple, le call est donc un produit driv (S
1
) avec : x (x K)
+
Notre problme est dvaluer le prix la date t = 0 dun produit driv. On va
donc essayer de crer un portefeuille de duplication de notre produit driv, i.e. une
stratgie dinvestissement autonanante dans lactif risqu et dans lactif sans risque.
Lhypothse dAOA nous indiquera alors que ces deux stratgies qui ont mme valeur
en t = 1 ont mme valeur en t = 0, ce qui nous donnera la valeur en 0 de notre produit
driv.
2.2 Stratgie de Portefeuille simple
Dnition 2.2.1 Une stratgie de portefeuille simple X
x,
est la donne dun
capital initial x et dune quantit dactif risqu .
Le portefeuille ne subit aucune rentre ou sortie dargent. La stratgie de portefeuille
simple consiste en lachat la date 0 de actifs risqus et de xS
0
actifs sans-risques
telle que la valeur en 0 du portefeuille est :
X
x,
0
= S
0
+ (x S
0
) 1 = x .
Sa valeur en t = 1 est donc donne par :
X
x,
1
= S
1
+ (x S
0
)R
= xR + (S
1
S
0
R) .
Cette stratgie est autonanante car lon napporte ni de retire dargent aucun instant
entre t = 0 et t = 1. On lappelle stratgie de portefeuille simple, car elle ne comporte
que des actifs de base du march : lactif sans risque et lactif risqu.
Thorme 2.2.1 Tout produit driv C est duplicable par une stratgie de portefeuille
simple (x, ) (On dit que le march est complet).
Dmonstration : Considrons un produit driv C. En t = 1, il prend la valeur C
u
1
dans ltat "up" et C
d
1
dans ltat "down". On cherche un couple (x, ) vriant :
_
C
u
1
= S
u
1
+ (x S
0
)R = xR + (u R)S
0
C
d
1
= S
d
1
+ (x S
0
)R = xR + (d R)S
0
Cest un systme deux quations et deux inconnues dont la solution est donne par :
=
C
u
1
C
d
1
(u d)S
0
=
(S
u
1
) (S
d
1
)
S
u
1
S
d
1
et x =
1
R
R d
u d
C
u
1
+
u R
u d
C
d
1
.
2
Donc, sous lhypothse dabsence dopportunits darbitrage, la dnition cono-
mique du prix dun produit driv en t = 0 est donne par :
C
0
=
1
R
R d
u d
C
u
1
+
u R
u d
C
d
1
.
Le prix du produit driv scrit comme une somme pondre de ses valeurs futures.
Etudions plus en dtail comment sexprime la valeur en 0 dune stratgie de portefeuille
simple en fonction de ses valeurs nales.
2.3 Probabilit risque neutre
Dnition 2.3.1 Une opportunit darbitrage simple est une stratgie de porte-
feuille simple qui, partant dune richesse nulle en t = 0, est en t = 1 toujours positive et
strictement positive avec une probabilit strictement positive. Cest la donne de R
tel que
X
0,
1
0 et P
X
0,
1
> 0
> 0
2.3. PROBABILIT RISQUE NEUTRE 15
L absence dopportunits darbitrage simple (AOA) (sur stratgie de por-
tefeuille simple) scrit :
R,
X
0,
1
0 X
0,
1
= 0 P-p.s

Proposition 2.3.1 Lhypothse AOA implique la relation d < R < u.
Dmonstration : Supposons d R. Une stratgie darbitrage est alors donne par
lachat dun actif risqu en t = 0 ( = 1) car la valeur du portefeuille en t = 1 est
- dans ltat "up", X
0,1
1
= S
0
(u R) > 0,
- dans ltat "down", X
0,1
1
= S
0
(d R) 0.
Supposons u R, alors une stratgie darbitrage est donne par la vente dun actif
risqu en t = 0 ( = 1). En eet, la valeur du portefeuille est
- dans ltat "up", X
0,1
1
= S
0
(R u) 0,
- dans ltat "down", est X
0,1
1
= S
0
(R u) > 0 . 2
Remarque 2.3.1 Pour crer un arbitrage, on a de nouveau achet celui qui rapporte
le plus et vendu celui qui rapporte le moins. Finalement, si lune des ingalits dans
d < R < u ntait pas vrie, un des actifs rapporterai toujours plus que lautre et
lhypothse dAOA ne serait plus vrie.
Introduisons

X, la valeur actualise du portefeuille X dnie pour i = 0, 1 par :
X
x,
i
:=
X
x,
i
R
i
.
On a alors

X
x,
0
= x et

X
x,
1
=
S
1
+(x S
0
) et la condition dautonancement du
portefeuille se rcrit en terme de portefeuille actualis de la manire suivante :
X
x,
1

X
x,
0
= (
S
1

S
0
) .
Dnition 2.3.2 On appelle probabilit risque neutre toute probabilit quivalente
P qui rende martingale toute stratgie autonanante simple ractualise , i.e. telle
que :
X
0
= E
Q
[

X
x,
1
] ou de manire quivalente X
0
=
1
R
E
Q
[X
x,
1
] .
Remarque 2.3.2 Deux probabilits sont dites quivalentes lorsquelles ont les mme
ensembles ngligeables, i.e. quelles chargent les mmes tats du monde ( i.e. quelles
ont chacune une densit de Radon-Nikodym lune par rapport lautre). Ici, cela signie
simplement que Q(
d
) > 0 et Q(
u
) > 0.
Remarque 2.3.3 Dire que

X
x,
est une martingale sous Q signie que lesprance
de ses valeurs futures est gale elle mme, autrement dit que ce portefeuille est un
jeu quitable (nous verrons une dnition plus gnrale de la notion de martingale au
chapitre suivant).
Proposition 2.3.2 Si d < R < u, alors il existe une probabilit risque neutre Q.
Dmonstration : Prenons un portefeuille autonanant (x, ), et notons pour simpli-
er X
u
1
et X
d
1
ses valeur en t = 1 dans les tats "up" et "down". Alors, on a les relations
suivantes :
_
X
u
1
= S
u
1
+ (x S
0
)R = xR + (u R)S
0
X
d
1
= S
d
1
+ (x S
0
)R = xR + (d R)S
0
Nous obtenons le mme systme que prcdemment et lon obtient :
x =
1
R
u R
u d
X
d
1
+
R d
u d
X
u
1
.
Introduisons donc la probabilit Q dnie sur par :
Q(
u
) :=
R d
u d
:= q et Q(
d
) :=
u R
u d
= 1 q .
Comme d < R < u, q ]0, 1[ et Q est bien une probabilit et elle est quivalente P.
Notre quation se rcrit alors :
X
0
= x =
1
R
Q(
d
) X
d
1
+ Q(
u
) X
u
1
=
1
R
E
Q
[X
x,
1
] .
2
Remarque 2.3.4 Le terme "risque neutre" provient de la thorie conomique : si les
intervenants nont pas daversion au risque, ils vont saccorder pour valuer la valeur
dun portefeuille comme lesprance actualise des ux quil gnre. Lintroduction de
cette probabilit permet de faire comme si les agents taient neutres au risque, mais
attention ce nest pas le cas ! ! !
Proposition 2.3.3 Sil existe une probabilit risque neutre Q, alors il y a AOA.
Dmonstration : Soit R tel que X
0,
1
0. Comme Q est une probabilit risque
neutre, on a :
E
Q
[X
0,
1
] = R. 0 = 0 ,
2.4. EVALUATION ET COUVERTURE DUN PRODUIT DRIV 17
et X
0,
1
est une variable alatoire positive desprance nulle donc elle est nulle Q p.s.,
et, comme P et Q sont quivalentes (elles ont les mme ngligeables), P(X
0,
1
> 0) = 0.
2
Nous avons nalement montr que
AOA
d < R < u il existe une proba risque neutre AOA
,
et donc toutes ces implications sont des quivalences :
AOA
d < R < u il existe une proba risque neutre

2.4 Evaluation et couverture dun produit driv
Comme tout produit driv est duplicable par une stratgie de portefeuille simple et
que la valeur ractualise de toute stratgie de portefeuille simple est martingale sous
la probabilit risque neutre, en AOA, le prix du produit driv est donn par :
C
0
=
1
R
q C
d
1
+ (1 q) C
u
1
=
1
1 +r
E
Q
[C
1
]
Remarque 2.4.1 La probabilit risque neutre nest pas relie aux probabilits histo-
riques p de monter ou de descendre 1 p, et donc
"Le prix dune option est indpendant de la tendance relle p du sous-jacent"
Ceci sexplique en partie par le fait que le sous-jacent fait partie du portefeuille de du-
plication du produit driv.
Remarque 2.4.2 Comme tout produit driv est duplicable, la valeur ractualise de
tout produit driv est martingale sous la probabilit risque neutre.
Remarque 2.4.3 On a juste besoin de connatre r, u et d, pour trouver le prix du
produit driv, mais encore faut il estimer les paramtres. Connatre u et d revient a
connatre ce que lon nommera par la suite la volatilit de lactif.
Remarque 2.4.4 Dans le portefeuille de couverture de loption, la quantit dactif ris-
qu est donne par :
=
C
u
1
C
d
1
(u d)S
0
=
(S
u
1
) (S
d
1
)
S
u
1
S
d
1
qui sapparente la variation du prix de loption en rponse la variation du prix du

sous-jacent.
Proposition 2.4.1 Comme le march est complet (tout actif est duplicable par une
stratgie de portefeuille simple), il y a unicit de la probabilit risque neutre.
Dmonstration : En eet, prenons deux probabilits risque neutre Q
1
et Q
2
. Pour tout
B T
1
= T(), 1
B
est un produit driv car il est T
1
-mesurable, donc il est duplicable
par un portefeuille autonanant (x, ) et lon a
Q
1
(B) = E
Q
1
[1
B
] = Rx = E
Q
2
[1
B
] = Q
2
(B) .
Donc Q
1
et Q
2
sont indistinguables. 2
Exemple : Pricing dun call et dun put la monnaie
Prenons S
0
= 100, r = 0.05, d = 0.9 et u = 1.1.
1. Quel est le prix et la stratgie de couverture dun call la monnaie i.e. K = S
0
= 100 ?
On construit la probabilit risque neutre :
q =
1 +r d
u d
= 0.75 .
On en dduit le prix et la stratgie de couverture :
C
0
=
.75 10 +.25 0
1.05
=
7.5
1.05
7.14 et =
C
u
1
C
d
1
(u d)S
0
=
10 0
20
= 0, 5
=> stratgie : achat de 1/2 actif risqu et placement de (7.14 50) dans lactif sans
risque.
2. Quen est t-il du Put la monnaie ?
Connaissant la probabilit risque neutre, on calcule le prix et la stratgie de couverture :
P
0
=
.75 0 +.25 10
1.05
=
2.5
1.05
2.38 et =
P
u
1
P
d
1
(u d)S
0
=
0 10
20
= 0, 5
=> stratgie : vente de 1/2 actif risqu et placement de (50 2.38) dans lactif sans
risque.
3. Vrie ton la relation de parit call put ?
C
0
P
0
=
7.5
1.05

2.5
1.05
=
5
1.05
= 100
100
1.05
= 100
100
R
= S
0
KB(0, T)
2
Chapitre 3
Modle binomial n priodes
Letude de ce modle, nomm galement modle de Cox Ross Rubinstein, va per-
mettre de r-obtenir des rsultats similaires au cas du modle 1 priode et donner de
bonnes intuitions sur les rsultats que lon obtiendra beaucoup plus dicilement dans
ltude des modles en temps continu.
3.1 "Rappels" de probabilit : Processus discret et Martin-
gale
Dnition 3.1.1 On appelle processus discret (Y
k
)
1kn
toute collection de n v.a.
Dnition 3.1.2 On appelle ltration (T
k
)
1kn
toute collection croissante de tribu.
i.e.
T
k
T
k+1
, k n.
Dnition 3.1.3 le processus discret (Y
k
)
1pn
, est dit adapt la ltration T (ou
T-adapt) si pour tout k n, Y
k
est T
k
-mesurable.
Proposition 3.1.1 Si (Y
k
)
1pn
est T-adapt, la v.a. Y
i
est T
k
-mesurable pour tout
i k.
Dmonstration : En terme dinformation, si Y
i
est connue avec linformation don-
ne par T
i
, elle sera connue avec linformation donne par T
k
T
i
. En eet, limage
rciproque de tout Borlien B par Y
i
est dans T
i
et donc dans T
k
. 2
19
20 CHAPITRE 3. MODLE BINOMIAL N PRIODES
Dnition 3.1.4 La ltration engendre par un processus discret (Y
i
)
0ik
est la
plus petite ltration qui rende ce processus T-adapt. Par analogie avec les tribus en-
gendres,
T
Y
k
:= (Y
1
, . . . , Y
k
) .
Remarque 3.1.1 Suite une proposition vue dans le chapitre prcdent, une variable
alatoire est T
Y
k
-mesurable si et seulement si elle scrit comme une fonction (borlienne)
de (Y
1
, . . . , Y
k
).
Dnition 3.1.5 Un processus discret (M
i
)
1in
est une T-martingale sous P sil
vrie :
- E
P
[[M
i
[] < i n,
- M est T-adapt,
- E
P
[M
i+1
/T
i
] = M
i
.
Remarque 3.1.2 Si lgalit prcdente est replace par une ingalit on parle de sur-
martingale () ou de sous-martingale (). Une martingale est un jeu quitable, une
sur-martingale un jeu perdant, et une sous-martingale un jeu gagnant.
Remarque 3.1.3 Si M est une T-martingale sous P, alors,
E
P
[M
k
/T
i
] = M
i
i k
et en particulier on a : E
P
[M
p
] = M
0
.
3.2 Modlisation du march
On reprend la mme modlisation que dans le chapitre prcdent mais dans un
monde n priodes. On considre un intervalle de temps [0, T] divis en n priodes
0 = t
0
< t
1
< ... < t
n
= T.Le march est compos de 2 actifs,
- un actif sans risque S
0
t
:
1 (1 +r) (1 +r)
2
. . . (1 +r)
n
- et un actif risqu S
t
:
3.2. MODLISATION DU MARCH 21
u
n
S
0
.
.
.
u
n1
S
0
.
.
.
u
2
S
0
du
n1
S
0
.
.
.
uS
0

.
.
.
S
0
udS
0

.
.
.
dS
0
.
.
.
d
2
S
0
d
n1
uS
0
.
.
.

d
n1
S
0
d
n
S
0
Larbre est recombinant : linstant t
i
, lactif peut prendre i+1 valeurs direntes.
Ensemble des tats du monde : est lensemble des trajectoires possibles pour
lactif risqu. Cest lensemble des n-uplets (
1
, . . . ,
n
) tel que chaque
i
prenne deux
valeurs possibles
d
i
ou
u
i
.
:= (
1
, . . . ,
n
) : i n
i
=
d
i
ou
i
=
u
i
On se donne une probabilit historique P de survenance de chacun des tats du

monde et lon suppose que la probabilit de monter et de descendre est la mme dans
tout noeud de larbre, i.e. pout tout i
P(
i
=
u
i
) = p et P(
i
=
d
i
) = 1 p
Hypothse cruciale :
Les rendements Y
i
:=
S
t
i
S
t
i1
sont indpendants.
Par indpendance des tirages, on en dduit donc :
P(
1
, . . . ,
n
) = p
#{j,
j
=
u
j
}
.(1 p)
#{j,
j
=
d
j
}
et lon peut crire de manire quivalente la valeur de lactif linstant t
i
comme :
S
t
i
= S
0
.
i
k=1
Y
k
,
avec les Y
k
des variables alatoires indpendantes sur qui prennent la valeur u avec
une probabilit p et la valeur d avec une probabilit 1 p. Alors on a bien sr :
P(Y
i
= u) = P(
i
=
u
i
) = p et P(Y
i
= d) = P(
i
=
d
i
) = 1 p
Linformation disponible tout date t
i
est donne par la ltration (T
t
i
)
0in
:
T
t
i
:= (
1
,
2
, . . . ,
i
) = (Y
1
, Y
2
, . . . , Y
i
) = (S
t
1
, S
t
2
, . . . , S
t
i
)
Une variable alatoire T
t
i
- mesurable est donc naturellement une variable donne par
toute linformation accumule jusqu linstant t
i
. Elle scrit donc comme un fonction
de (S
t
1
, . . . , S
t
i
) ou de manire quivalente comme une fonction de (Y
1
, . . . , Y
i
).
Dnition 3.2.1 Un produit driv (ou actif contingent) C
T
est une variable ala-
toire T
T
-mesurable et scrit donc, avec une application borlienne, sous la forme
C
T
= (S
t
1
, . . . , S
t
n
) .
On cherche comme prcdemment trouver le prix et le portefeuille de couverture dun
produit driv qui seront encore donns par le prix et la stratgie de son portefeuille
de duplication. Avant de montrer que lactif est duplicable, tudions les proprits des
stratgies de portefeuille simple dans ce modle.
3.3 Stratgie de portefeuille
Dnition 3.3.1 Une stratgie de portefeuille simple X
(x,)
est la donne dun
capital initial x et dun processus discret (
0
, ...,
n1
) qui est T-adapt.
La stratgie consiste tout instant t
i
en linvestissement dans une quantit
i
dactif
risqu. Le processus est T
adapt, car la quantit dargent investir dans lactif

linstant t
i
est dtermine avec linformation accumule jusqu linstant t
i
.
Le portefeuille ne subit aucune entre ou sortie dargent (condition dautonan-
cement). Entre les instants t
i
et t
i+1
, le portefeuille X
x,
est constitu dune quantit
i
dactifs risqu et dune quantit (X
x,
i

i
S
t
i
)/(1 +r)
i
actifs sans-risque. La valeur
du portefeuille linstant t
i
est donc donne par :
X
x,
t
i
=
i
S
t
i
+
(X
x,
t
i

i
S
t
i
)
(1 +r)
i
(1 +r)
i
.
3.4. ARBITRAGE ET PROBABILIT RISQUE NEUTRE 23
Or, sur chaque intervalle [t
i
, t
i+1
), le portefeuille ne bncie daucune entre ou sortie
dargent, donc :
X
x,
t
i+1
=
i
S
t
i+1
+
(X
x,
t
i

i
S
t
i
)
(1 +r)
i
(1 +r)
i+1
Donc, en introduisant les processus actualiss :
X
x,
t
i
:=
X
x,
t
i
(1 +r)
i
et

S
t
i
:=
S
t
i
(1 +r)
i
,
ces deux relations se rcrivent :
X
x,
t
i
=
i

S
t
i
+ (

X
x,
t
i

i

S
t
i
) 1, et

X
x,
t
i+1
=
i

S
t
i+1
+ (

X
x,
t
i

i

S
t
i
) .
Par dirence, on obtient donc la relation que lon appelle relation dautonance-
ment :
X
x,
t
i+1

X
x,
t
i
=
i
(
S
t
i+1

S
t
i
) ,
qui se rcrit galement :
X
x,
t
i+1
= x +
i
k=0
k
(
S
t
k+1

S
t
k
) .
Remarque 3.3.1 Le processus valeur du portefeuille X
x,
est bien sr T-adapt.
3.4 Arbitrage et Probabilit risque neutre
Dnition 3.4.1 Une opportunit darbitrage simple est une stratgie de porte-
feuille simple qui, partant dune richesse nulle en t = 0 est en T = t
n
toujours positive
et strictement positive avec une probabilit strictement positive. Cest donc la donne de
R satisfaisant
X
0,
T
0 et P
X
0,
T
> 0
> 0
L absence dopportunits darbitrage simple (AOA) (sur stratgie de porte-
feuille simple) scrit donc :
R,
X
0,
T
0 X
0,
T
= 0 P p.s

Proposition 3.4.1 Sous lhypothse dAOA, on a d < 1 +r < u.
Dmonstration : Supposons par exemple 1 + r d et considrons la stratgie de
portefeuille (0, ), o
0
= 1 et
i
= 0 pour i 1 : on achte lactif risqu en t
0
, on le
revend en t
1
et on place le gain dans lactif sans risque. Cette stratgie est Tadapte
car dterministe et la valeur du portefeuille en T = t
n
est donne par :
X
0,
T
= 0 +
i
k=0
k
(
S
t
k+1

S
t
k
) =

S
t
1

S
t
0
Comme S
t
1
peut prendre 2 valeurs, la valeur du portefeuille en T peut prendre 2 valeurs
qui sont
(1 +r)
n
S
0
u
1 +r
1
> 0 , et (1 +r)
n
S
0
d
1 +r
1
0
avec respectivement des probabilits p et 1 p toutes deux strictement positives si bien
que notre stratgie cre un arbitrage. Le cas u 1+r est trait similairement en vendant
lactif risqu (
0
= 1). 2
Remarque 3.4.1 Comme dans le modle une priode, si R > u lactif sans risque
rapporte toujours plus que le lactif risqu donc arbitrage, et si R < d, lactif risqu
rapporte toujours plus que lactif sans risque, donc arbitrage...
Remarque 3.4.2 En fait, sous lhypothse AOA, il y a AOA sur tous les sous-
arbres. Par contrapose, si il existe une stratgie darbitrage sur un sous arbre, il faut
considrer la stratgie globale qui ne fait rien si elle ne croise pas le noeud de dpart du
sous-arbre, et qui utilise la stratgie gagnante jusqu la n du sous arbre puis place les
gains dans lactif sans risque sinon. Comme la probabilit de passer par chaque noeud
est strictement positive, cette stratgie est un arbitrage.
En sinspirant des rsultats du modle 1 priode, introduisons la probabilit Q
sur identique sur chaque sous arbre une priode celle obtenue dans ltude du
modle une priode. On dnit donc Q de la manire suivante :
Q(
1
, . . . ,
n
) = q
#{j,
j
=
u
j
}
.(1 q)
#{j,
j
=
d
j
}
avec q :=
(1 +r) d
u d
Remarque 3.4.3 On a alors les relations suivantes :
Q(S
t
i
= uS
t
i1
) = Q(Y
i
= u) = q et Q(S
t
i
= dS
t
i1
) = Q(Y
i
= d) = 1 q
Dnition 3.4.2 Une probabilit risque neutre est une probabilit quivalente la
probabilit historique P sous laquelle toute stratgie de portefeuille simple ractualise
est martingale.
3.4. ARBITRAGE ET PROBABILIT RISQUE NEUTRE 25
On se propose de montrer que Q est une probabilit risque neutre.
Proposition 3.4.2

S est une T-martingale sous Q.
Dmonstration :

S est intgrable T-adapt et
E
Q
[
S
t
k+1
/T
t
k
] =
1
1 +r
q u
S
t
k
+ (1 q) d
S
t
k
=
1
1 +r
(1 +r) d
u d
u +
u (1 +r)
u d
d

S
t
k
=

S
t
k
.
2
Proposition 3.4.3 La valeur ractualise

X
x,
de toute stratgie de portefeuille simple
(x, ) est une T-martingale sous Q.
Dmonstration :

X
x,
est intgrable T-adapt et
E
Q
[

X
x,
k+1

X
x,
k
/T
t
k
] = E
Q
[
k
(
S
t
k+1

S
t
k
)/T
t
k
] =
k
E
Q
[(
S
t
k+1

S
t
k
)/T
t
k
] = 0
2
Remarque 3.4.4 Ce rsultat nous indique que si les actifs de base ractualiss sont
martingales sous une certaine probabilit, les stratgies de portefeuilles simples le sont
aussi. Ceci est du la condition dautonancement et surtout au fait que la quantit
dactif risqu entre t
k
et t
k+1
est T
t
k
-mesurable. (On dit que la valeur actualise
du portefeuille est une transforme de martingale). Donc, on vient de voir que :
"Tout actif de base ractualis est martingale sous une probabilit Q"
"Toute stratgie de portefeuille simple ractualise est martingale une probabilit Q"
Thorme 3.4.1 Si d < 1 +r < u, il existe une probabilit risque neutre (Q).
Dmonstration : Nous venons de voir que Q rendait toute stratgie de portefeuille
simple ractualise est martingale. De plus Q est bien une probabilit qui est quiva-
lente P. En eet, comme d < R < u, q et (1 q) sont dans ]0, 1[ et donc chaque
Q(
1
, . . . ,
n
) est dans ]0, 1[ et tous les tats du monde ont une probabilit strictement
positive darriver. 2
La valeur tout date t
i
dune stratgie de portefeuille simple de valeur nale X
x,
T
scrit :
X
x,
t
i
=
1
(1 +r)
ni
E
Q
[X
x,
T
/T
i
]
Donc, si lon arrive construire un portefeuille de couverture pour tout produit drive,
en AOA, sa valeur tout instant t
i
sera donne par lesprance sous la probabilit
risque-neutre de son ux nal actualis. Avant cela, remarquons que lexistence dune
probabilit risque neutre va encore impliquer lhypothse AOA comme dans le modle
une priode.
Proposition 3.4.4 Lexistence dune probabilit risque neutre implique lhypothse AOA.
Dmonstration : Exactement comme dans le cas du modle une priode,
X
0,
T
0 et E
Q
[X
0,
T
] = 0 Q(X
0,
T
= 0) = 1
donc X
0,
T
est nulle Q-p.s. et donc P-p.s. 2
On a donc, comme dans le modle une priode :
AOA
d < R < u il existe une probabilit risque neutre

3.5 Duplication dun produit driv
Thorme :
Tout produit driv C est duplicable par une stratgie de portefeuille simple (x, )
Le march est dit complet.
ANALYSE DU PROBLEME
Nous recherchons une stratgie de portefeuille simple de duplication (x, ) de notre
produit driv de valeur C
T
en T. Comme C
T
est T
t
n
-adapt, la valeur du produit driv
se rcrit (S
t
1
, ..., S
t
n
) et on cherche donc (x, ) tel que :
X
x,
t
n
= (S
t
1
, ..., S
t
n
)
Comme nous venons de le voir, toute stratgie de portefeuille simple est martingale
sous la probabilit risque neutre Q donc la valeur X
x,
t
k
du portefeuille de duplication
satisfait :
X
x,
t
k
=
1
(1 +r)
nk
E
Q
[(S
t
1
, ..., S
t
n
)/T
t
k
]
3.5. DUPLICATION DUN PRODUIT DRIV 27
Donc, la richesse initiale x de notre portefeuille de duplication est ncessairement :
x :=
1
(1 +r)
n
E
Q
[(S
t
1
, . . . , S
t
n
)]
Remarquons que
1
(1+r)
nk
E
Q
[(S
t
1
, ..., S
t
n
)/T
t
k
], en tant que variable alatoire T
t
k
-
mesurable, se rcrit sous la forme V
k
(S
t
1
, . . . , S
t
k
) avec V
k
une fonction dterministe
(i.e. non alatoire). On note donc :
V
k
(S
t
1
, . . . , S
t
k
) :=
1
(1 +r)
nk
E
Q
[(S
t
1
, . . . , S
t
n
)/T
t
k
]
Dans le calcul du portefeuille une priode, nous avions vu que la quantit dactif risqu
du portefeuille de duplication sapparentait la variation de la valeur du produit driv
en rponse la variation du sous-jacent. Nous proposons donc le processus de couverture
dni pour k 1, . . . , n par :
k
:=
V
k+1
(S
t
1
, . . . , S
t
k
, u.S
t
k
) V
k+1
(S
t
1
, . . . , S
t
k
, d.S
t
k
)
u.S
t
k
d.S
t
k
.
Linvestissement initial x est dterministe et, pour k 1, . . . , n,
k
est T
t
k
-mesurable
en tant que fonction de (S
t
1
, . . . , S
t
k
). Donc est T-adapt et (x, ) dnit bien une
stratgie de portefeuille simple.
RESOLUTION DU PROBLEME
On se propose donc de montrer que la stratgie de portefeuille (x, ) dnie prc-
demment duplique notre produit driv, soit : X
x,
t
n
= (S
t
1
, . . . , S
t
n
) = V
n
(S
t
1
, . . . , S
t
n
).
Pour cela, montrons, par rcurrence sur k 1, . . . , n, la relation :
X
x,
t
k
= V
k
(S
t
1
, . . . , S
t
k
)
Par construction, la relation est vraie pour k = 0, montrons donc "k => k+1".
Remarquons tout dabord que
X
x,
t
k
= V
k
(S
t
1
, . . . , S
t
k
)
=
1
(1 +r)
nk
E
Q
[(S
t
1
, . . . , S
t
n
)/T
t
k
]
=
1
(1 +r)
E
Q
E
Q
1
(1 +r)
n(k+1)
(S
t
1
, . . . , S
t
n
)/T
t
k+1
/T
t
k
=
1
(1 +r)
E
Q
[V
k+1
(S
t
1
, . . . , S
t
k+1
)/T
t
k
]
=
1
(1 +r)
E
Q
[V
k+1
(S
t
1
, . . . , S
t
k
, uS
t
k
) 1
{X
k+1
=u}
+ V
k+1
(S
t
1
, . . . , S
t
k
, d S
t
k
) 1
{X
k+1
=d}
/T
t
k
]
=
1
(1 +r)
Q(X
k+1
= u).V
k+1
(S
t
1
, . . . , S
t
k
, uS
t
k
) + Q(X
k+1
= d).V
k+1
(S
t
1
, . . . , S
t
k
, d S
t
k
)
=
1
(1 +r)
q.V
k+1
(S
t
1
, . . . , S
t
k
, uS
t
k
) + (1 q).V
k+1
(S
t
1
, . . . , S
t
k
, d S
t
k
) .
La condition dautonancement du portefeuille scrit :
X
x,
t
k+1
=

X
x,
t
k
+
k
(
S
t
k+1

S
t
k
) .
En "dsactualisant", on obtient donc
X
x,
t
k+1
= q.V
k+1
(S
t
1
, . . . , S
t
k
, uS
t
k
) + (1 q).V
k+1
(S
t
1
, . . . , S
t
k
, d S
t
k
) +
V
k+1
(S
t
1
, . . . , S
t
k
, uS
t
k
) V
k+1
(S
t
1
, . . . , S
t
k
, d S
t
k
)
uS
t
k
d S
t
k
S
t
k+1
(1 +r)S
t
k
.
En remplaant S
t
k+1
par Y
k+1
S
t
k
et q par
1+rd
ud
, on en dduit
X
x,
t
k+1
= V
k+1
(S
t
1
, . . . , S
t
k
, uS
t
k
)
Y
k+1
d
u d
+ V
k+1
(S
t
1
, . . . , S
t
k
, d S
t
k
)
u Y
k+1
u d
.
Comme Y
k+1
ne prend que les valeurs d ou u, on vrie alors
X
x,
t
k+1
= V
k+1
(S
t
1
, . . . , S
t
k
, Y
k+1
S
t
k
) = V
k+1
(S
t
1
, . . . , S
t
k
, S
t
k+1
) ,
ce qui conclut la rcurrence et donc la preuve. 2
3.6 Evaluation et couverture dun produit driv
Comme tout produit driv est duplicable, on en dduit que, sous AOA, la valeur
tout instant t
k
dun produit driv C
T
:= (S
t
1
, . . . , S
t
n
) est donne par
C
t
k
=
1
(1 +r)
nk
E
Q
[(S
t
1
, . . . , S
t
n
)/T
t
k
] ,
3.6. EVALUATION ET COUVERTURE DUN PRODUIT DRIV 29
et, en particulier, son prix en 0 est donn par
C
0
=
1
(1 +r)
n
E
Q
[(S
t
1
, . . . , S
t
n
)] .
Proposition 3.6.1 Comme le march est complet (tout actif est duplicable par une
stratgie de portefeuille simple), il y a unicit de la probabilit risque neutre.
Dmonstration : Comme dans le modle une priode, prenons deux probabilits
risque neutre Q
1
et Q
2
. Pour tout B T
1
= T(), 1
B
est un produit driv car il est
T
1
-mesurable, donc il est duplicable par un portefeuille autonanant (x, ) et lon a
Q
1
(B) = E
Q
1
[1
B
] = Rx = E
Q
2
[1
B
] = Q
2
(B) .
Donc Q
1
et Q
2
sont indistinguables. 2
Remarque 3.6.1 Comme dans le modle une priode, le prix de lactif ne dpend que
de la forme du payo, de u, r et d. Donc le prix de dpend pas de la proba relle
p qua le prix de monter ou de descendre ! ! !
Remarque 3.6.2 Nous avons galement dtermin le portefeuille de couverture qui per-
met tout instant de se couvrir contre les variations de loption. La quantit dactif
risqu prendre dans le portefeuille de couverture sinterprte de nouveau
comme la variation du prix de loption en rponse une variation du cours du
sous-jacent. En temps continu, on obtiendra naturellement le portefeuille de duplication
comme drive de la valeur du produit driv par rapport la valeur du sous-jacent.
Comment utiliser ce type darbre dans la pratique ? Si nous considrons un
produit driv dont la valeur ne dpend que de la valeur nale, on peut calculer sa
valeur sur chacun des noeuds maturit. On revient alors progressivement en arrire
dans larbre pour passer de ses valeurs aux noeuds de linstant t
i+1
ses valeurs aux
noeuds de linstant t
i
en actualisant sous la probabilit risque neutre. Lintrt dutiliser
un arbre recombinant n priodes et que lon a seulement n+1 valeurs possible en T au
lieu de 2
n
si larbre ntait pas recombinant. Pour connatre son prix en 0, on doit donc
faire n! calculs au lieu de 2
n
2
n1
. . . 2 = 2
n(n+1)/2
. Pour n = 10 par exemple on
obtient 11 valeurs possibles et 11! 4 10
7
avec un arbre recombinant, et 2048 valeurs
possibles soit 7 10
19
calculs sinon.
A RETENIR :
- Le prix de lactif scrit toujours comme lesprance actualise de sa valeur
nale sous la probabilit risque neutre Q.
- La probabilit risque neutre rend les actifs ractualiss martingales et de
manire quivalente les stratgies de portefeuille simple ractualises mar-
tingales.
Si lon fait tendre le nombre n de priodes vers linni, et pour un choix judicieux de
la forme de u et d, ce modle converge vers un modle en temps continu appel modle
de Black-Scholes (cf TD). An de manipuler des objets similaires en temps continu, il
nous faut dvelopper la thorie des processus en temps continu que lon appelle calcul
stochastique.
Chapitre 4
Calcul stochastique
Dans toute la suite on se place sur un espace de probabilit (, /, P).
4.1 Processus et Martingale
4.1.1 Processus
Dnition 4.1.1 Un processus (alatoire) X sur lespace de probabilit (, /, P) est
une famille de v.a. alatoires (X
t
)
t[0,T]
. Cest donc une fonction de 2 variables :
X : [0, T] R.
Remarque 4.1.1 t [0, T] reprsente le temps mais on aurait pu galement prendre
t R, t R
2
... De mme, lespace darrive pourrait tre bien plus complexe que R.
Remarque 4.1.2 On peut voir un processus comme une fonction qui associe
une fonction de [0, T] dans R, t X
t
(), appele trajectoire du processus.
Dnition 4.1.2 On dit que X est un processus continu (p.s.) si il est continu
trajectoire par trajectoire, i.e. t X
t
() est C
0
pour presque tout .
4.1.2 Espaces L
p
Notation : Pour tout p R
+
, nous noterons :
L
p
() :=
_
X v.a. t.q. [[X[[
p
:= E[[X[
p
]
1
p
<
_
L
p
(, [0, T]) :=
_
(
s
)
0sT
processus t.q. [[[[
p
:= E
_
T
0
[
s
[
p
ds
1/p
<
_
31
32 CHAPITRE 4. CALCUL STOCHASTIQUE
Proposition 4.1.1 Pour p 1 les espaces L
p
() muni de [[.[[
p
et L
p
(, [0, T]) muni
de [[.[[
p
sont des espaces de Banach (i.e. complets).
Nous passerons sur la dmonstration mais vous avez dja vu que lespace L
p
() tait
complet et L
p
(, [0, T]) lest galement pour les mme raisons. Au lieu de considrer des
fonctions dune variable , il sut de considrer des fonctions de deux variables (t, ).
2
4.1.3 Filtration
Dnition 4.1.3 Une Filtration (T
t
)
tR
+ est une collection croissante de tribus (sous-
tribus de /), i.e. T
s
T
t
s t.
Remarque 4.1.3 T
t
reprsente la quantit dinformation disponible linstant t ; il est
logique que cette quantit augmente avec le temps.
Dnition 4.1.4 Un processus (X
t
)
t0
est dit T-adapt si, pour tout t, la variable
alatoire X
t
est T
t
-mesurable.
Proposition 4.1.2 Si X est T-adapt, la v.a. X
s
est T
t
-mesurable pour tout s t.
Dmonstration : Le rsultat est naturel lorsque lon raisonne en terme dinformation,
la tribu T
t
est plus grande que la tribu T
s
, donc, si X
s
est connue avec linformation
T
s
, il lest avec linformation T
t
. Maintenant, analytiquement, soit B un Borlien de
R, alors limage rciproque de B par X
s
, X
1
s
(B) est un lment de T
s
et est donc un
lment de T
t
T
s
. 2
Dnition 4.1.5 La ltration engendre par un processus X, note T
X
est la suite
croissante de tribus T
X
t
engendres par (X
s
)
st
i.e., T
X
t
= (X
s
, s t)
Remarque 4.1.4 T
X
est la plus petite ltration qui rende X adapt.
Une tribu est dite complte lorsquelle contient lensemble des ngligeables ^ de
(, /, P) qui est dni par
^ := N , A / / N A , P(A) = 0
Dnition 4.1.6 Une ltration T est complte lorsque tout T
t
contient lensemble
des ngligeables ^ (ce qui quivaut ^ T
0
).
4.1. PROCESSUS ET MARTINGALE 33
Remarque 4.1.5 Pour complter une ltration T, il sut de remplacer T
t
par (A
N , (N, A) ^T
t
) ou plus simplement remplacer T
0
par (AN , (N, A) ^T
0
).
La ltration complte engendre par un processus X est gnralement appele ltration
naturelle du processus.
Si T est complte, t x, on a
X
t
= Y
t
p.s. X
t
T
t
mesurable Y
t
T
t
mesurable
On montre alors que, si une tribu T
t
est complte, alors, toujours t x :
X
n
t
p.s.
X
t
et n, X
n
t
T
t
mesurable
X
t
T
t
mesurable
Le rsultat reste vrai pour une convergence dans L
p
() avec p 1, car on peut alors
extraire un sous suite qui converge p.s. vers la mme limite et donc la limite reste
mesurable :
_
X
n
t
L
p
X
t
et n X
n
t
T
t
mesurable
_
X
t
T
t
mesurable
Dans toute la suite, nous allons considrer des ltrations compltes
et parlerons donc de ltration naturelle de processus.
4.1.4 Martingale
Dnition 4.1.7 Un processus alatoire M est une T-martingale si
- M est T-adapt,
- pour tout t T, M
t
L
1
(), i.e. E[[M
t
[] < ,
- E[M
t
/T
s
] = M
s
pour tout s t.
Une sur-martingale et une sous-martingale sont des processus qui vrient les deux
premires proprits et pour tout s t respectivement E[M
t
/T
s
] M
s
et E[M
t
/T
s
]
M
s
.
Remarque 4.1.6 une martingale est un jeu quitable, une sur-martingale un jeu per-
dant, et une sous-martingale un jeu gagnant.
Proposition 4.1.3 Toute martingale M vrie :
t T E[M
t
] = E[M
0
] .
Dmonstration : On a pour tout t T, E[M
t
] = E[E[M
t
/T
0
]] = E[M
0
]. 2
Proposition 4.1.4 Soit M une T-martingale et : R R une fonction convexe
mesurable, alors si (M) est intgrable, cest une sous-martingale.
Dmonstration : (M) est intgrable et adapt et lingalit de Jensen conditionelle
nous donne :
E[(M
t
)/T
s
] (E[M
t
/T
s
]) = (M
s
) .
2
Proposition 4.1.5 Soit M une T-martingale de carr intgrable (i.e. E[M
2
t
] < pour
tout t), alors, pour s t, on a :
E[(M
t
M
s
)
2
/T
s
] = E[M
2
t
M
2
s
/T
s
]
Dmonstration :
E[(M
t
M
s
)
2
/T
s
] = E[M
2
t
/T
s
] 2E[M
t
M
s
/T
s
] +E[M
2
s
/T
s
]
= E[M
2
t
/T
s
] 2M
s
E[M
t
/T
s
] +M
2
s
= E[M
2
t
M
2
s
/T
s
]
On retrouve donc que M
2
est une T-sous-martingale. 2
Proposition 4.1.6 Stabilit L
p
des martingales
Soit p 1 et (M
n
) une suite de T-martingales, telles que, pour tout n et t, M
n
t
L
p
().
Si, pour tout t x dans [0, T] la v.a. M
n
t
converge vers la v.a M
t
au sens de la conver-
gence dans L
p
(), alors le processus limite M est une T-martingale et pour tout t,
M
t
L
p
().
Dmonstration : Il faut montrer 3 choses :
(1) M est T-adapt ;
(2) pour tout t [0, T], M
t
L
p
() (alors M
t
L
1
() L
p
()) ;
(3) pour 0 s t T, on a : E[M
t
/T
s
] = M
s
.
(1) Pour tout n, M
n
t
est T
t
-mesurable, donc M
t
est T
t
-mesurable. (car la ltration T
est complte)
(2) Pour tout t x, M
n
t
converge vers M
t
dans L
p
(), donc M
t
est dans L
p
().
(3) Pour 0 s t T, on a :
[[M
n
s
E[M
t
/T
s
][[
p
= [[E[M
n
t
M
t
/T
s
][[
p
[[M
n
t
M
t
[[
p
0
Or M
n
s
E[M
t
/T
s
] converge vers M
s
E[M
t
/T
s
] dans L
p
(), do E[M
t
/T
s
] = M
s
p.s.
2
4.2. MOUVEMENT BROWNIEN 35
4.1.5 Processus Gaussien
Dnition 4.1.8 Un vecteur de v.a. (X
1
, . . . , X
n
) est un vecteur Gaussien si et
seulement si toute combinaison linraire des X
i
est Gaussienne (i.e. < a, X > est une
v.a. Gaussienne pour tout a R
n
).
Voici deux propositions trs utiles dans la manipulation des vecteurs Gaussiens.
Proposition 4.1.7 Si le vecteur (X
1
, X
2
) est Gaussien, les v.a. X
1
et X
2
sont ind-
pendantes si et seulement si cov(X
1
, X
2
) = 0.
Proposition 4.1.8 Tout vecteur de variables alatoires Gaussiennes indpendantes est
un vecteur Gaussien.
Remarque 4.1.7 Attention, il est possible de trouver des variables alatoires Gaus-
siennes non indpendantes de covariance nulle.
La version continue des vecteurs Gaussiens sont les processus Gaussiens.
Dnition 4.1.9 Un processus (X
t
)
t0
est appel processus Gaussien si pour tout n
et tout t
1
. . . t
n
le vecteur (X
t
1
, . . . , X
t
n
) est Gaussien.
4.2 Mouvement Brownien
Historiquement :
- 1828 : Robert Brown, botaniste observe le mouvement du pollen en suspension dans
leau.
- 1877 : Delsaux explique que ce mouvement irrgulier est du aux chocs du pollen avec
les molcules deau (changements incessants de direction),
- 1900 : Louis Bachelier dans sa thse "Thorie de la spculation" modlise les cours de
la bourse comme des processus accroissements indpendants et Gaussiens (problme :
le cours de lactif, processus Gaussien, peut tre ngatif)
- 1905 : Einstein dtermine la densit du MB et le lie aux EDPs. Schmolushowski le
dcrit comme limite de promenade alatoire.
- 1923 : Etude rigoureuse du MB par Wiener, entre autre dmonstration de lexistence.
Un Mouvement Brownien gnralement not B pour Brown ou W pour Wiener.
Dnition 4.2.1 Un Mouvement Brownien (standard) est un processus B vri-
ant :
- B
0
= 0 P-p.s. ;
- B est continu, i.e. t B
t
() est C
0
pour presque tout ;
- B est accroissements indpendants : B
t
B
s
est indpendant de T
B
s
:= (B
s
, s t) ;
- les accroissements sont stationnaires, Gaussiens et pour s t : B
t
B
s
^(0, t s).
Remarque 4.2.1 Pour information, dans le dnition, la quatrime proprit peut tre
remplace par "les accroissements sont stationnaires centrs de carr intgrable avec
V ar(B
1
) = 1". Cette hypothse plus faible implique, grce la continuit de B, que les
accroisements sont Gaussiens. En eet, on a B
t
B
s
= lim
n
n
i1
(B
s+(ts)i/n

B
s+(ts)(i1)/n
) somme compose de v.a. alatoires indpendantes de mme loi car le pro-
cessus est stationnaire. Grce la continuit du B, on obtient quelles sont desprance
nulle et de variance (t s)/n. On a alors envie de conclure grce au Thorme Centrale
Limite mais les termes de la somme dpendent de n et la dmonstration ncessite une
gnralisation du TCL, un thorme du type Lindebergh, qui est possible par contrle des
moments des v.a. alatoires. Lorsque lon cherche un processus stationnaire, continu
accroissements indpendants et de variance nie, il est donc naturel de considrer un
Mouvement Brownien qui sera donc un outil trs utile pour modliser les uctuations
des cours des actifs dans un march nancier.
Thorme 4.2.1 Le Mouvement Brownien existe ! ! !
Dmontration : Ce rsultat non vident est admis. La plus grosse dicult rside
dans lobtention de la continuit du Mouvement Brownien. Le Mouvement Brownien
peut tre vu comme limite de marches alatoires sur des pas de temps de plus en plus
courts. 2
Proposition 4.2.1 Si B est un Mouvement Brownien et T sa ltration naturelle, les
processus (B
t
), (B
2
t
t) et (e
B
t
2
t
2
) (Brownien Exponentiel) sont des T-martingales.
Dmonstration : Ces trois processus sont adapts T. Il sont intgrables car B
t

^(0, t), donc son esprance, sa variance et sa transforme de Laplace sont nies. Reste
vrier la dernire condition. Pour le premier, on a :
E[B
t
/T
s
] = E[B
s
/T
s
] +E[B
t
B
s
/T
s
] = B
s
+E[B
t
B
s
] = B
s
+ 0 = B
s
Pour le deuxime, comme B est une martingale, on a :
E[B
2
t
B
2
s
/T
s
] = E[(B
t
B
s
)
2
/T
s
] = E[(B
t
B
s
)
2
] = V ar[B
t
B
s
] = t s
4.2. MOUVEMENT BROWNIEN 37
Et la condition sur le dernier sobtient grce la transforme de Laplace dune Gaus-
sienne :
E
e
B
t
2
t
2
/T
s
= e
2
t
2
E
e
(B
t
B
s
)
e
B
s
/T
s
= e
2
t
2
e
B
s
E
e
(B
t
B
s
)
= e
B
s
2
s
2
2
Pour dmontrer quun processus est un mouvement Brownien, au lieu de revenir
sa dnition, il est souvent plus ais dutiliser la caractrisation suivante :
Thorme 4.2.2 Caractrisation du Mouvement Brownien
Un processus B est un Mouvement Brownien ssi cest un processus Gaussien continu
centr de fonction de covariance cov(X
s
, X
t
) = s t.
Dmonstration :
Sens direct : Pour t
1
t
2
. . . t
n
, le vecteur (B
t
1
, B
t
2
B
t
1
, . . . , B
t
n
B
t
n1
) est
compos de v.a. Gaussiennes indpendantes, donc il est Gaussien et toute combinaison
linaire des B
t
i
qui se rcrit comme combinaison linaire de ces v.a. et est Gaussienne.
Par consquent, le processus B est Gaussien. Il est continu par hypothse, centr car
E[B
t
] = E[B
t
B
0
] = 0 et de fonction de covariance, pour s t :
Cov(B
s
, B
t
) = E[B
s
B
t
] = E[B
s
(B
t
B
s
)]+E[B
2
s
] = B
s
E[B
t
B
s
]+V ar[B
s
B
0
] = 0+s = s
Rciproquement, on va montrer les proprits de la dnition du MB une une :
- E[B
2
0
] = V ar[B
0
] = 0 donc B
0
= 0 p.s.
- B est continu par hypothse
- Prenons r
1
. . . r
n
s t, le vecteur (B
r
1
, . . . , B
r
n
, B
t
B
s
) est Gaussien. Or
cov(B
t
B
s
, B
r
i
) = r
i
s r
i
t = 0, donc B
t
B
s
est indpendante de tout vecteur
(B
r
1
, . . . , B
r
n
) et donc de T
B
s
= (B
r
, r s).
- Pour s t, B
t
B
s
est Gaussienne et est donc dtermine par son esprance E[B
t
B
s
] = 0 et sa variance :
V ar[B
t
B
s
] = V ar(B
t
) +V ar(B
s
) 2 cov(B
t
, B
s
) = t +s 2 s t = t s.
Donc B
t
B
s
^(0, t s) et, la loi de B
t
B
s
ne dpendant que de t s, les
accroissements sont stationnaires. 2
Remarque 4.2.2 Le rsultat indiquant que montrer lindpendance entre B
t
B
s
et
(B
s
, s t) est quivalent montrer que tout vecteur de la forme (B
r
1
, . . . , B
r
n
) se
dmontre laide du thorme de la classe monotone. Le lecteur intrss pourra se
reporter au Livre de Briane-Pages.
Proposition 4.2.2 Si B est un Mouvement Brownien, les processus
1
a
B
a
2
t
, tB
1/t
+
valeur nulle en 0, et B
t+t
0
B
t
sont des Mouvements Browniens.
Dmonstration : On utilise la caractrisation en tant que processus Gaussien. Ce sont
des processus Gaussiens. On a la continuit facilement sauf pour tB
1/t
(fate en TD) 2
Remarque 4.2.3 Le fait que le processus
1
a
B
a
2
t
soit encore un Mouvement Brownien
est la proprit fractale du Mouvement Brownien. Son comportement est stable par
changement dchelle. Il traduit galement que les trajectoires du Mouvement Brownien
ont une longueur innie.
Citons quelques proprits du Mouvement Brownien sans les dmontrer simplement
pour mieux comprendre la manire dont il se comporte :
(1) Si B est un Mouvement Brownien, alors :
B
t
t

t
0 p.s.
Ce rsultat, dicile montrer pour t R, est obtenu naturellement sur les suites
valeur dans N :
B
n
n
=
1
n
n
i=1
(B
i
B
i1
)
n
E[B
i
B
i1
] = 0 p.s.
grce la loi de grands nombres, les B
i
B
i1
tant indpendantes de loi ^(0, 1).
(2) Le Mouvement Brownien a ses trajectoires continues mais elles ne sont drivables
nulle part.
(3) Si B est un Mouvement Brownien, alors, on a :
lim
t
B
t
= + et lim
t
B
t
=
Ainsi, le Mouvement Brownien passe par tous les points de lespace presque surement.
(4) Le Mouvement Brownien repasse presque surement en tout point une innit de
fois.
(5) Le Mouvement Brownien est un processus markovien :
s t B
t
/T
s
loi
B
t
/B
s
En conclusion, le Mouvement Brownien oscille normment. Il est continu et impr-
visible dans le sens ou ses accroissements sont indpendants du pass. Cet outil sera
donc idal pour modliser la partie alatoire de lvolution dun actif sur un march.
4.3. VARIATION TOTALE ET VARIATION QUADRATIQUE 39
4.3 Variation totale et Variation quadratique
Dnition 4.3.1 On dnit la variation innitsimale dordre p dun processus X sur
[0, T] associe une subdivision
n
= (t
n
1
, . . . , t
n
n
) de [0, T] par :
V
p
T
(
n
) :=
n
i=1
[X
t
n
i
X
t
n
i1
[
p
Si V
p
T
(
n
) a une limite dans un certain sens (convergence L
p
, convergence p.s.) lorsque
n
:= [[
n
[[
:= Max
in
[t
n
i+1
t
n
i
[ 0, la limite ne dpend pas de la subdivision
choisie et nous lappellerons variation dordre p de X sur [0, T] . En particulier :
- si p = 1, la limite sappellera variation totale de X sur [0, T] ;
- si p = 2, la limite sappellera variation quadratique de X sur [0, T] note X)
T
.
Remarque 4.3.1 Pourquoi la limite de dpend pas de la subdivision choisie ?
Supposons que la variation innitsimale dordre p a une limite lorsque le pas de la sub-
division tend vers 0. Considrons deux subdivisions direntes. Alors la nouvelle subdi-
vision compose de lunion des 2 prcdentes converge galement et les deux subdivisions
prcdentes sont des subdivisions extraites de celle-ci qui convergent donc vers la mme
limite.
Remarque 4.3.2 Si la variation totale dun processus existe presque surement alors
elle vaut :
V
1
T
:= sup
P
n
i=1
[X
t
i
X
t
i1
[ p.s.
o T est lensemble des subdivisions possibles de [0, T]. Rciproquement, si ce sup est
ni, le processus admet une variation totale. Ce rsultat est du la dcroissance en de
la variation innitsimale : si
alors V
1
T
() V
1
T
(
) qui vient naturellement de

lingalit triangulaire [xy[ [xz[ +[z y[. La variation totale dun processus
sinterprte comme la longueur de ses trajectoires.
Proposition 4.3.1 La variation quadratique sur [0, T] du mouvement Brownien existe
dans L
2
() (la variation innitsimale converge en [[.[[
2
) et vaut T. De plus, si la sub-
division
n
satisfait

n=1
n
< , on a la convergence au sens presque sr. On a
donc :
B)
T
= T
Dmonstration : La variation innitesimale dordre 2 du Mouvement Brownien est
donne par :
V
2
T
(
n
) :=
n
i=1
[B
t
n
i
B
t
n
i1
[
2
On rappelle que si X ^(0,
2
) alors E[X
2
] =
2
et V ar[X
2
] = 2
4
. On a donc :
E[V
2
T
(
n
)] =
n
i=1
E[(B
t
n
i
B
t
n
i1
)
2
] =
n
i=1
(t
n
i
t
n
i1
) = T
Et en notant
n
:= Max[t
n
i1
t
n
i
[, on obtient :
V ar[V
2
T
(
n
)] =
n
i=1
V ar[(B
t
n
i
B
t
n
i1
)
2
] = 2
n
i=1
(t
n
i
t
n
i1
)
2
2 T
n

n
0
0
Donc [[V
2
T
(
n
) T[[
2
= V ar[V
2
T
(
n
)] 0 quand
n
0. Pour obtenir la conver-
gence presque sre, il faut utiliser lingalit de Markov qui donne pour tout :
P[[V
2
T
(
n
) T[ > ]
V ar[V
2
T
(
n
)]

2 T
n
Donc si

n=1
n
< , on a pour tout ,

i=1
P[[V
2
T
(
n
) T[ > ] < ce qui (par
Borel-Cantelli) entrane la convergence presque sre de V
2
T
(
n
) vers T.
Proposition 4.3.2 Pour toute subdivision
n
satisfaisant

n=1
n
< , la variation
innitsimale dordre 1 sur [0, T] du mouvement Brownien associe cette subdivision
converge presque srement vers +. Donc, la variation totale du mouvement Brownien
vaut + p.s. :
V
1
T
= sup
n
V
1
T
(
n
) = p.s.
Dmonstration : Soit
n
une suite de subdivision de [0, T] satisfaisant

n=1
n
< .
Alors, sur presque tout chemin , on a la relation :
V
2
T
(
n
)() sup
|uv|
n
[B
u
() B
v
()[ V
1
T
(
n
)()
Le terme de gauche tend vers T car on a la convergence p.s. de la variation quadratique.
Le premier terme droite tend vers 0 car le Mouvement Brownien a ses trajectoires
uniformment continues sur [0, T] en tant que fonctions continues sur un compact. Donc
le deuxime terme de droite tend ncessairement vers linni. 2
En conclusion, la variation quadratique du mouvement Brownien est non nulle, elle
vaut T dans L
2
, mais que sa variation totale est innie presque surement.
Remarque 4.3.3 La variation totale du Mouvement Brownien trajectoire par trajec-
toire est simplement la longueur de son chemin. Le rsultat obtenu est donc cohrent
avec la proprit fractale du Mouvement Brownien. Un Mouvement Brownien oscille en
permanence et donc la longueur de ses trajectoires est innie. Ceci est galement li au
fait que les trajectoires du MB, bien que continues ne sont pas rgulires.
En eet, lorsquune fonction f : [0, T] R est drivable drives bornes, pour
toute subdivision
n
de [0,T], il existe s
i
]t
i1
, t
i
] tel que :
n
i=1
[f(t
n
i
) f(t
n
i1
)[ =
n
i=1
f
(s
n
i
)[t
n
i
t
n
i1
[ [[f
[[
T
Donc, cette fonction est variation totale nie :
sup
i=1
[f(t
i
) f(t
i1
[ <
On obtient galement quelle est variation quadratique nulle :
n
i=1
[f(t
i
) f(t
i1
)[
2
= [[f
[[
i=1
(t
i
t
i1
)
2
[[f
[[
T
n
0
Donc, les trajectoires du Mouvement Brownien de sont pas drivables drives
bornes. On peut mme montrer que les trajectoires du Mouvement Brownien ne
sont drivables nulle part.
De la mme facon que lon dit quune fonction est variation borne sur [0, T] si :
sup
n
n
i=1
[f(t
i
) f(t
i1
)[ <
on peut sintresser la notion de processus variation borne :
Dnition 4.3.2 Un processus X est un processus variation borne sur [0, T]
sil est variation borne trajectoire par trajectoire :
sup
n
n
i=1
[X
t
i
X
t
i1
[ < p.s.
Proposition 4.3.3 Un processus est variation borne si et seulement sil est la di-
rence de deux processus croissants.
Dmonstration : Sil est variation borne, notons pour tout t T
X
t
:= sup
(t)
n
i=1
[X
t
i
X
t
i1
[ <
o les (t) sont des subdivisions de [0, t]. Alors X
t
se rcrit :
X
t
=
X
t
+X
t
2

X
t
X
t
2
:= X
+
t
X
t
Les processus X
+
t
et X
t
sont croissants car, pour s t, [X
t
X
s
[ X
t
X
s
.
Rciproquement, si X et de la forme X
+
X
avec X
+
et X
croissants, on a,
pour toute subdivision de [0, T] :
n
i=1
[X
t
i
X
t
i1
[ =
n
i=1
(X
+
t
i
X
+
t
i1
) +
n
i=1
(X
t
i1
X
t
i
)
= X
+
t
X
+
0
+ X
0
X
t
= X
t
X
0
Donc X est variation borne. 2
Proposition 4.3.4 Si X est un processus variation borne trajectoires continues,
sa variation quadratique est nulle presque surement : X)
T
= 0.
Dmonstration : Comme nous lavions vu prcdemment, pour presque tout :
V
2
T
(
n
)() sup
|uv|
n
[X
u
() X
v
()[ V
1
T
(
n
)()
Comme X est continue sur le compact [0, T], le sup tend vers 0 et la variation totale
de X est nie donc sa variation quadratique est nulle p.s. 2
Remarque 4.3.4 Malheureusement les rsultats que nous obtenons sont des conver-
gence dans L
2
ou des convergence presque sre. A une modication presque sre prt,
la limite ne dpend pas du type de convergence considr mais ces convergences ne sont
pas quivalentes. Loutil adquat pour dnir la variation quadratique est la convergence
en probabilit mais cet outil est peu intuitif et dicile manipuler.
Finalement le tableau rcapitulatif retenir est le suivant :
Variation totale Variation quadratique
Mouvement Brownien T
Processus continu var. borne < 0
Par construction de la variation quadratique, X) =
2
X), si bien quil est naturel
de prolonger lapplication X X, X) := X) en une application bilinaire.
Dnition 4.3.3 Soient X et Y deux processus tels que X, Y et X +Y ont des varia-
tions quadratiques nies dans L
2
. On dnit alors la covariation quadratique entre les
processus X et Y comme :
X, Y ) :=
1
2
(X +Y ) X) Y ))
Par construction, cette dnition rend lapplication (X, Y ) X, Y ) bilinaire :
Relation de bilinarit : X +Y, X +Y ) = X, X) + 2 X, Y ) +Y, Y )
Relation scalaire X, Y ) = X, Y )
Dmonstration : Par construction, 2 [[
X
i
Y
i
X, Y )[[
2
converge vers 0 car il
est born par :
(X
i
+Y
i
)
2
X +Y )
2
+
X
2
i
X)
2
+
Y
2
i
Y )
2
2
Remarque 4.3.5 X, Y ) sidentie la limite dans L
2
() de

n
i=1
[X
t
n
i
X
t
n
i1
[ [Y
t
n
i
Y
t
n
i1
[.
Proposition 4.3.5 Soit X un processus variation borne continu ayant une variation
quadratique dans L
2
(qui est donc nulle) et Y un processus variation quadratique nie
dans L
2
, alors X +Y est variation nie dans L
2
et lon a :
X +Y ) = Y )
Ce qui revient dire que :
X, Y ) = 0
Dmonstration : On a la relation
E
_
X
i
Y
i
2
_
E
X
2
i

Y
2
i
X
2
i
Y
2
i
2
Ce qui donne X, Y ) = 0 la limite. 2
Remarque 4.3.6 Nous venons de voir que la variation quadratique du Mouvement
Brownien sur [0, T] est T. Or, si vous vous souvenez, nous avions vu que le proces-
sus (B
2
t
t) est une martingale. Ceci nest pas un hasard, il existe un rsultat plus
gnral que nous ne dmontrerons pas mais qui permet de caractriser les martingales
de carr intgrables. Il sagit de la dcomposition de Doob-Meyer.
Thorme 4.3.1 Dcomposition de Doob Meyer
Si M est une martingale continue de carr intgrable (E(M
2
t
) < pour tout t), alors
M) est lunique processus croissant continu nul en 0 tel que M
2
M) soit une mar-
tingale.
4.4 Intgrale stochastique
On veut donner un sens la variable alatoire :
_
T
0
s
dB
s
Lorsque lon intgre une fonction g par rapport une fonction f drivable, si g est
rgulire, on dnit son intgrale comme :
_
T
0
g(s) df(s) =
_
T
0
g(s) f
(s)ds
Si jamais f nest pas drivable mais simplement variation borne, on sen sort encore
en dnissant lintgrale par :
_
T
0
g(s) df(s) = lim
n
0
n1
i=0
g(t
i
)(f(t
i+1
) f(t
i
))
Lintgrale alors dnie sappelle intgrale de Stieljes. Dans notre cas, le Mouvement
Brownien nest pas variation borne donc, on ne peut pas dnir cette limite
trajectoire par trajectoire. Par contre, comme il est a variation quadratique nie,
il est naturel de dnir lintgrale par rapport au Mouvement Brownien comme une
limite dans L
2
(convergence au sens de ||.||
2
) de cette variable alatoire.
_
T
0
s
dB
s
= lim
n
0
n1
i=0
t
i
(B
t
i+1
B
t
i
)
Attention, la convergence est au sens de la convergence des variables alatoires dans
L
2
(). Pour cela nous allons donc devoir imposer au processus dtre L
2
(, [0, T]).
On demandera galement lintgrant dtre T-adapt an que
t
i
soit indpen-
dant de B
t
i+1
B
t
i
. En eet, dans les applications en nance,
t
reprsentera la quantit
dactif risqu contenue dans notre portefeuille linstant t et dB
t
la variation innitsi-
male de cet actif risqu. Il est donc naturel de vouloir imposer que soit T-adapt.
Sil ne ltait pas, on pourrait tout de mme dnir une intgrale par rapport au mouve-
ment Brownien mais elle serait trs dirente car la variation quadratique du Mouvement
Brownien est non nulle. Sur un exemple simple par exemple, comme approximations de
_
T
0
B
t
dB
t
, nous aurions entre autre le choix entre les 2 approximations suivantes :
n1
i=0
B
t
i
[B
t
i+1
B
t
i
] ou
n1
i=0
B
t
i+1
[B
t
i+1
B
t
i
]
Lcart entre nos deux intgrales est alors gal :
n1
i=0
[B
t
i+1
B
t
i
]
2
L
2
T
4.4. INTGRALE STOCHASTIQUE 45
Nous allons construire lintgrale stochastique ou lapproximation est faite au point le
plus gauche an que lintgr soit indpendant de lintgrant. Cest lintgrale au sens
dIto (et non Stratonovich ou anticipante). Enn, pour des raisons techniques, nous
allons demander de la rgularit aux processus que nous manipulons. Nous leur deman-
derons dtre presque surement Continus A Droite avec Limite A Gauche (CADLAG).
Finalement, nous allons donc construire lintgrale stochastique sur lensemble
L
2
F
(, [0, T]) =
(
t
)
0tT
, processus CADLAG T-adapt tq E
_
T
0
2
s
ds
<
Construisons tout dabord lintgrale stochastique sur lensemble des processus l-

mentaires.
Dnition 4.4.1 Un processus (
t
)
0tT
est appel processus lmentaire sil existe
une subdivision 0 = t
0
t
1
. . . t
n
= T et un processus discret (
i
)
0in1
tel que
tout
i
est T
t
i
-adapt et dans L
2
() tel que :
t
() =
n1
i=0
i
()1
]t
i
,t
i+1
]
(t)
On note c lensemble des processus lmentaires qui est un sous espace de L
2
F
(, [0, T]).
Dnition 4.4.2 Avec les mme notations, lintgrale stochastique entre 0 et t T
dun processus lmentaire c est la variable alatoire dnie par :
_
t
0
s
dB
s
:=
k
i=0
i
(B
t
i+1
B
t
i
) +
i
(B
t
B
t
k
) sur ]t
k
, t
k+1
] ,
soit
_
t
0
s
dB
s
=
n
i=0
i
(B
tt
i+1
B
tt
i
) .
On associe donc c le processus

_
t
0

s
dB
s
0tT
.
Remarque 4.4.1 On dnit naturellement
_
t
s

u
dB
u
:=
_
t
0

u
dB
u
_
s
0

u
dB
u
.
Proposition 4.4.1 Proprits de lintgrale Stochastique sur c
Sur lensemble des processus lmentaires c, lintgrale stochastique satisfait les propri-
ts :
(1)
_
t
0

s
dB
s
est linaire
(2) t
_
t
0

s
dB
s
est continue p.s.
(3)

_
t
0

s
dB
s
0tT
est un processus T-adapt.
(4) E
_
t
0

s
dB
s
= 0 et V ar
_
t
0

s
dB
s
= E
_
t
0

2
s
ds
.
(5) proprit dIsomtrie :
E
_
_
t
0
s
dB
s
2
_
= E
_
t
0
2
s
ds
(6) De manire plus gnrale, on a :

E
_
t
s
u
dB
u
/T
s
= 0 et E
_
_
t
s
v
dB
v
2
/T
s
_
= E
_
t
s
2
v
dv/T
s
(7) On a mme le rsultat plus gnral :

E
_
t
s
v
dB
v
_
u
s
v
dB
v
/T
s
= E
_
tu
s
v
dv/T
s
(8)

_
t
0

s
dB
s
0tT
est une F-martingale.
(9) Le processus
_
_
t
0

s
dB
s
_
t
0

2
s
ds
_
0tT
est une T-martingale.
(10) la variation quadratique de lintgrale stochastique est donne par :
_
t
0
s
dB
s
=
_
t
0
2
s
ds
(11) La covariation quadratique entre 2 intgrales stochastiques est donne par :
_
t
0
s
dB
s
,
_
u
0
s
dB
s
=
_
tu
0
s
ds
Dmonstration :
(1) La linarite de lintgrale est immdiate.
(2) La continuit de lintgrale stochastique se lit sur sa deuxime criture par la conti-
nuit des trajectoires du Mouvement Brownien.
(3) La v.a.
_
t
0

s
dB
s
est T
t
-mesurable comme somme de v.a. T
t
-mesurables, donc lint-
grale stochastique est un processus T-adapt.
(4) Prenons t = t
k
quitte rajouter un point la suite (t
i
)
01n
. Alors, le calcul de
lesprance de
_
t
0

s
dB
s
donne :
E
_
t
0
s
dB
s
=
k1
i=0
E
_
i
(B
t
i+1
B
t
i
)
=
k1
i=0
E
_
i
E
_
B
t
i+1
B
t
i
/T
t
i
= 0
Le calcul de la variance, un peu plus lourd, scrit :
V ar
_
t
0
s
dB
s
= E
_
_
t
0
s
dB
s
2
_
= E
_
_
_
k1
i=0
i
(B
t
i+1
B
t
i
)
_
2
_
_
=
k1
i=0
E
2
i
(B
t
i+1
B
t
i
)
2
+ 2

i<j
E
j
(B
t
i+1
B
t
i
) (B
t
j+1
B
t
j
)
=
k1
i=0
2
i
E
(B
t
i+1
B
t
i
)
2
/T
t
i
+ 2

i<j
E
j
(B
t
i+1
B
t
i
) E[B
t
j+1
B
t
j
/T
t
i
]
=
k1
i=0
2
i
(t
i+1
t
i
) + 0 =
_
t
0
2
s
ds
On aurait pu viter le calcul et utiliser le rsultat plus gnral nonc dans (6)
(5) La proprit disomtrie est celle que lon vient dcrire.
(6) Quitte rajouter 2 points la suite (t
i
)
01n
, on peut supposer que s = t
j
et t = t
k
et alors :
E
_
t
0
u
dB
u
/T
s
= E
_
k1
i=0
i
(B
t
i+1
B
t
i
)/T
t
j
_
= E
_
_
j1
i=0
i
(B
t
i+1
B
t
i
)/T
t
j
_
_
+
k1
i=j
E
i
(B
t
i+1
B
t
i
)/T
t
j
=
j1
i=0
i
(B
t
i+1
B
t
i
) +
k1
i=j
E
i
E[B
t
i+1
B
t
i
/T
t
i
] /T
t
j
=
_
s
0
u
dB
u
+ 0
Le deuxime calcul, un peu plus lourd, scrit :
E
_
_
t
s
u
dB
u
2
/T
s
_
= E
_
_
k1
i=j
i
(B
t
i+1
B
t
i
)
2
/T
t
j
_
_
=
k1
i=j
E
2
i
(B
t
i+1
B
t
i
)
2
/T
t
j
+ 2

i<l
E
l
(B
t
i+1
B
t
i
) (B
t
l+1
B
t
l
)/T
t
j
=
k1
i=j
E
2
i
E
(B
t
i+1
B
t
i
)
2
/T
t
i
/T
t
j
+ 2

i<l
E
l
(B
t
i+1
B
t
i
) E[B
t
l+1
B
t
l
/T
t
i
]/T
t
j
=
k1
i=j
E
2
i
(t
i+1
t
i
)/T
t
j
+ 0
= E
_
t
s
2
u
du/T
s
(7) Pour et dans c, et u t on a :

2 E
_
t
s
v
dB
v
_
u
s
v
dB
v
/T
s
= E
_
_
t
s
(
v
+
v
1
vu
)dB
v
2
/T
s
_
E
_
_
t
s
v
dB
v
2
/T
s
_
E
_
u
s
v
dB
v
2
/T
s
= E
_
t
s
(
v
+
v
1
vu
)
2
dv/T
s
_
t
s
2
v
dv/T
s
E
_
u
s
2
v
dv/T
s
= 2 E
_
u
s
v
dv/T
s
(8) On a vu que le processus

_
t
0

s
dB
s
tT
est T-adapt. La proprit disomtrie nous
donne que
_
t
0

s
dB
s
est dans L
2
() et donc dans L
1
(). La premire partie de la pro-
prit 6 nous donne la proprit de martingale de lintgrale stochastique. En fait cest
simplement une tranforme de martingale.
(9) Le processus M dni par
_
_
t
0

s
dB
s
_
t
0

2
s
ds
_
0tT
est T-adapt comme
somme discrte de processus T-adapts. Chaque M
t
est dans L
1
() comme somme
de 2 lments de L
1
(). La 2me partie de la proprit (6) nous donne la proprit de
martingale de M.
(10) Si on admet que la variation quadratique est telle que M
2
M) soit martingale
(Doob-Meyer), le rsultat du dessus nous permet de conclure directement.
(11) Le rsultat vient directement de la dnition de la covariation quadratique par les
mme calculs que dans (8).
Exemple :
_
t
0
dB
s
= B
t
B
0
= B
t
Finalement, lintgrale stochastique dun lment de c est une martingale continue
de carr intgrable. Nous noterons /
2
([0, T]) lensemble des martingales continues de
carr intgrable :
/
2
([0, T]) :=

M T martingales telles que E[M
2
t
] < t [0, T]
Pour le moment, lintgrale stochastique est une fonction de c[0, T] dans /

2
([0, T]).
On va maintenant, comme annonc, tendre la dnition de lintgrale stochastique
des processus adapts ayant un moment dordre 2, i.e. :
L
2
F
(, [0, T]) =
(
t
)
0tT
, processus CADLAG T-adapt tq E
_
T
0
2
s
ds
<
Lemme 4.4.1 Lensemble des processus lmentaires c est dense dans L

2
F
(, [0, T]) au
sens de la convergence en norme quadratique. Autrement dit, pour tout L
2
F
(, [0, T]),
il existe une suite
n
dlments de c telle que
[[
n
[[
2
= E
_
T
0
(
s
n
s
)
2
ds
1/2
0
Ce lemme sera admis. Il sagit dune gnralisation de la densit des fonctions en escalier
dans lensemble des fonctions avec un contrle global sur lensemble des trajectoires. Pas
super comme remarque.
Thorme 4.4.1 Il existe une unique application linaire I de L
2
F
(, [0, T]) dans /
2
([0, T])
qui coincide avec lintgrale stochastique sur lensemble des processus lmentaires c et
vrie la proprit disomtrie :
t T E[I()
2
t
] = E
_
t
0
2
s
ds
.
Dmonstration :
Approximation : Soit un processus lment de L
2
F
(, [0, T]). Daprs le lemme admis,
il existe une suite
n
dlments de c telle que :
[[
n
[[
2
= E
_
T
0
(
s
n
s
)
2
ds
1/2
0
Convergence : La proprit disomtrie entre 0 et t T sur lintgrale stochastique
du processus (
n+p

n
) de c nous donne :
E
_
_
t
0
(
n+p
s

n
s
)dB
s
2
_
= E
_
t
0
(
n+p
s

n
s
)
2
ds
_
T
0
(
n+p
s

n
s
)
2
ds

ce qui scrit en terme de norme :
_
t
0
n+p
s
dB
s

_
t
0
n
s
dB
s
n+p

n
2
Comme
n
converge dans L
2
(, [0, T]), elle est de Cauchy et donc
_
t
0

n
s
dB
s
est de
Cauchy dans L
2
(). Or L
2
() muni de [[.[[
2
est un espace de Banach (donc complet),
par consquent la suite
_
t
0

n
s
dB
s
converge dans L
2
(). En notant
_
t
0

s
dB
s
sa limite, on
a donc :
E
_
_
t
0
s
dB
s

_
t
0
n
s
dB
s
2
_
= E
_
t
0
(
s

n
s
)
2
ds
Unicit : Cette proprit implique que la limite ne dpend pas de la suite approxi-
mante choisie, en eet, si javais 2 suites approximantes
n
et
n
, la condition disomtrie
donnerait :
_
t
0
n
s
dB
s

_
t
0
n
s
dB
s
2
= E
_
t
0
(
n
s

n
s
)
2
ds
1/2
[[
n

n
[[
2
0
Donc les deux suites approximantes donnent la meme limite dans L
2
() qui sont donc
gales p.s.
Convergence dans /
2
([0, T]) : Le processus limite M est un lment de /
2
([0, T])
car chaque M
t
scrit comme limite dans L
2
() de M
n
t
avec M
n
une suite de martingales
T-adaptes telles que E[[M
n
t
[
2
] < pour tout t. (application de la proposition 4.1.6
avec p = 2).
Linarit et Isomtrie : La linarit est immdiate, reste prouver la proprit
disomtrie qui scrit en passant la limite la proprit disomtrie sur les lments de
c :
E
_
_
t
0
n
s
dB
s
2
_
= E
_
t
0
(
n
s
)
2
ds
E
_
_
t
0
s
dB
s
2
_
= E
_
t
0
2
s
ds
2
Remarque 4.4.2 On peut voir notre transformation comme un prolongement disom-
trie entre deux espaces complets : lespace L
2
F
(, [0, T]) muni de la norme [[.[[
2
et lespace
/
2
([0, T]) muni de la norme [[M[[ = E[M
2
T
].
Proposition 4.4.2 Sur L
2
F
(, [0, T]), lintgrale stochastique satisfait les mme pro-
prits que celles nonces dans c :
(1)
_
t
0

s
dB
s
est linaire
(2) t
_
t
0

s
dB
s
est continue p.s.
(3)

_
t
0

s
dB
s
0tT
est un processus T-adapt.
(4) E
_
t
0

s
dB
s
= 0 et V ar
_
t
0

s
dB
s
= E
_
t
0

2
s
ds
.
(5) proprit dIsomtrie :
E
_
_
t
0
s
dB
s
2
_
= E
_
t
0
2
s
ds
(6) De manire plus gnrale, on a :

E
_
t
s
u
dB
u
/T
s
= 0 et E
_
_
t
s
v
dB
v
2
/T
s
_
= E
_
t
s
2
v
dv/T
s
(7) On a mme le rsultat plus gnral :

E
_
t
s
v
dB
v
_
u
s
v
dB
v
/T
s
= E
_
tu
s
v
dv/T
s
(8)

_
t
0

s
dB
s
0tT
(9) Le processus
_
_
t
0

s
dB
s
_
t
0

2
s
ds
_
0tT
(10) la variation quadratique de lintgrale stochastique est donne par :
_
t
0
s
dB
s
=
_
t
0
2
s
ds
(11) La covariation quadratique entre 2 intgrales stochastique est donne par :
_
t
0
s
dB
s
,
_
u
0
s
dB
s
=
_
tu
0
s
ds
Dmonstration : On a dj vu (1) (3), (5) et (8).
(2) La proprit disomtrie donne la continuit dans L
2
() mais nous allons admettre
la continuit presque sre.
(4) est un cas particulier de (6).
(6) La premire est la proprit de martingale de lintgrale stochastique et la deuxime
la proprit de martingale du processus donn par la proprit (9).
(7) On lobtient partir de (6) comme on lavait obtenu dans c en considrant
2
,
2
et ( +)
2
.
(9) On lobtient grce la proposition (4.1.6) avec p = 1.
(10) est obtenu par Doob-Meyer.
(11) est une consquence de (10). 2
Remarque 4.4.3 Lintgrale stochastique est une limite dans L
2
() et est donc dnie
une modication presque sre prs.
Cas particulier ou le processus nest pas alatoire.
Proposition 4.4.3 Si le processus nest pas alatoire mais simplement une fonction
f du temps, en plus des proprits prcdentes, lintgrale stochastique alors appele
intgrale de Wiener est Gaussienne :
_
t
0
f(s)dB
s
^
0,
_
t
0
f
2
(s)ds
Dmonstration : En eet,
_
t
0
f(s)dB
s
scrit comme une limite dans L
2
() de v.a. de
la forme :
n1
i=0
f
i
(B
t
i+1
B
t
i
)
L
2
_
t
0
f(s)dB
s
Or

n1
i=0
f
i
(B
t
i+1
B
t
i
) est Gaussienne comme combinaison linaire dlments du vec-
teur Gaussien B
t
1
, . . . , B
t
n
. Donc
_
t
0
f(s)dB
s
est Gaussienne comme limite dans L
2
()
de v.a. Gaussiennes. En eet, la convergence dans L
2
() entrane la convergence de
lesprance, de la variance et donc de la fonction caractristique des v.a. gaussiennes. 2
De plus, toute combinaison linaire de
_
t
i
0
f(s)dB
s
est galement une intgrale de
Wiener qui est Gaussienne. Donc lintgrale de Wiener
_
t
0
f(s)dB
s
est un processus
Gaussien caractris par
cov
_
t
0
f(s)dB
s
,
_
u
0
g(s)dB
s
=
_
tu
0
f(s)g(s)ds
On dmontre galement que la v.a.
_
t
s
f(u)dB
u
est indpendante de la tribu T
s
(cf
TD).
Cas particuler o le processus est de la forme f(B)
Pour linstant, nous avons vu que, lorsquune suite de processus lmentaires
n
converge vers dans L
2
(, [0, T]), alors lintgrale stochastique de est la limite dans
L
2
() des intgrales stochastiques des
n
. Le candidat le plus naturel pour approcher
lintgrale stochastique de f(B) est alors :
n1
i=0
f(B
t
i
)(B
t
i+1
B
t
i
)
Mais, quelles conditions, a ton la convergence voulue ?
Proposition 4.4.4 Si f est une fonction drivable drive borne, on a :
n1
i=0
f(Bi
n
T
)(B(i+1)
n
T
Bi
n
T
)
L
2
_
T
0
f(B
s
)dB
s
La convergence a lieu dans L
2
().
Dmonstration : Avant toute chose, il faut justier que lintgrale stochastique a un
sens, i.e. que f(B) L
2
F
(, [0, T]). Le processus f(B) est bien T-adapt et CADLAG
car le mouvement Brownien est T-adapt et continu p.s. . On a, pour tout t T :
[f(B
t
)[ [f(B
0
)[ + [[f
[[
.[B
t
B
0
[ = [f(0)[ + [[f
[[
.[B
t
[
La constante [f(0)[ est bien sr dans L
2
F
(, [0, T]) et on a :
E
_
T
0
[B
s
[
2
ds
=
_
T
0
E[[B
s
[
2
] ds =
_
T
0
s ds =
T
2
2
<
Donc f(B
t
) L
2
F
(, [0, T]) et
_
T
0
f(B
s
)dB
s
est bien dnie.
Lintervalle [0, T] est dcoup en n intervalles ]t
i
, t
i+1
] avec t
i
= iT/n et on introduit le
processus
B
n
s
:=
n1
i=0
B
t
i
1
]t
i
,t
i+1
]
(s) tel que
_
T
0
f(B
n
s
) dB
s
:=
n1
i=0
f(Bi
n
T
)(B(i+1)
n
T
Bi
n
T
)
Alors
_
T
0
f(B
s
) dB
s
sera la limite dans L
2
() de
_
T
0
f(B
n
s
) dB
s
si f(B) est la limite
dans L
2
(, [0, T]) de f(B
n
). Or on a :
[[f(B) f(B
n
)[[
2
= E
_
T
0
(f(B
s
) f(B
n
s
))
2
ds
1/2
= E
_
n1
i=0
_
t
i+1
t
i
(f(B
s
) f(B
t
i
))
2
ds
_
1/2
[[f
[[
_
n1
i=0
_
t
i+1
t
i
E[(B
s
B
t
i
)
2
] ds
_
1/2
= [[f
[[
_
n1
i=0
_
t
i+1
t
i
(s t
i
) ds
_
1/2
= [[f
[[
n
_
T/n
0
u du
1/2
=
T[[f
[[
n

n
0
2
Exemple : Que vaut
_
T
0
B
s
dB
s
?
En reprenant le processus B
n
s
:=

n1
i=0
B
t
i
1
]t
i
,t
i+1
]
(s), la proposition prcdente nous
donne la convergence dans L
2
() de
_
T
0
B
n
s
dB
s
vers
_
T
0
B
s
dB
s
. Remarquons alors que :
2
_
T
0
B
n
s
dB
s
= 2
n1
i=0
B
t
i
(B
t
i+1
B
t
i
) ds =
n1
i=0
(B
2
t
i+1
B
2
t
i
)
n1
i=0
(B
t
i+1
B
t
i
)
2
= B
2
T
+
n1
i=0
(B
t
i+1
B
t
i
)
2
Le deuxime terme converge dans L
2
() vers la variation quadratique sur [0, T] du
Mouvement Brownien qui vaut T donc on obtient nalement :
B
2
T
=
_
T
0
2B
s
dB
s
+ T
On retrouve donc que B
2
T
T est une martingale. Par rapport lintgrale classique, il y
a un terme en plus, (le T) qui vient du fait que la variation quadratique du Mouvement
Brownien est non nulle.
Heuristiquement, on peut se dire quune petite variation du Mouvement Brownien
dB
t
quivaut une variation en

dt car sa variation quadratique est en dt et que lon
considre des convergence en norme quadratique.
dB
t

dt (dB
t
)
2
dt
Donc, les termes en dB
2
t
ne sont pas ngligeables dans les dveloppements de Taylor
et lon garde un terme en plus. La formulation de ce rsultat est la formule dIto. De
manire moins heuristique, on peut retenir :
dB
t
^(0, dt)
4.5 Formule dIto
Voici loutil qui permet de calculer les intgrales stochastiques sans repasser par des
suites approximantes.
Thorme 4.5.1 Toute fonction f C
2
(R) drive seconde borne vrie p.s. :
f(B
t
) = f(B
0
) +
_
t
0
f
(B
s
) dB
s
+
1
2
_
t
0
f
(B
s
) ds , t T
La notation innitsimale de cette relation est :
d f(B
s
) = f
(B
s
) dB
s
+
1
2
f
(B
s
) ds
Dmonstration :(source : polycopi de Francis Comets) Fixons t T et considrons
de nouveau la partition de [0, t] en n intervalles ]t
i
, t
i+1
] avec t
i
= it/n. Trajectoire par
trajectoire, la formule de Taylor couple la continuit p.s. de B nous donne :
f(B
t
) f(B
0
) =
n
i=1
[f(B
t
i
) f(B
t
i1
)]
=
n
i=1
f
(B
t
i
)(B
t
i
B
t
i1
) +
1
2
n
i=1
f
(B
i
)(B
t
i
B
t
i1
)
2
4.5. FORMULE DITO 55
o les
i
sont des variables alatoires valeur dans ]t
i1
, t
i
[. Comme f
est drivable
drive borne, la proposition 4.4.4 nous donne :
i=1
f
(B
t
i
)(B
t
i
B
t
i1
)
_
t
0
f
(B
s
) dB
s
n
0
Il reste contrler le dernier terme :
U
n
:=
n
i=1
f
(B
i
)(B
t
i
B
t
i1
)
2
Nous allons successivement remplacer
i
par t
i1
puis (B
t
i
B
t
i1
)
2
par t
i
t
i1
. In-
troduisons :
V
n
:=
n
i=1
f
(B
t
i1
)(B
t
i
B
t
i1
)
2
et W
n
:=
n
i=1
f
(B
t
i1
)(t
i
t
i1
)
On a alors, par lingalit de Schwartz :
E[[U
n
V
n
[] E
_
sup
i
[f
(B
t
i1
) f
(B
i
)[
n
i=1
(B
t
i
B
t
i1
)
2
_
E
sup
i
[f
(B
t
i1
) f
(B
i
)[
2
1/2
E
_
_
_
n
i=1
(B
t
i
B
t
i1
)
2
_
2
_
_
1/2
Pour toute trajectoire, s f
(B
s
()) est continue sur un compact, donc uniformment
continue et le sup converge donc vers 0. La convergence vers 0 de lesprance est assure
par le thorme de Lebesgue car f
est borne. Le deuxime terme est la variation

quadratique du mouvement Brownien qui converge vers t. Donc on a [[U
n
V
n
[[
1
0.
Par ailleurs, on a :
E[[V
n
W
n
[
2
] = E
_
_
_
n
i=1
f
(B
t
i1
)((B
t
i
B
t
i1
)
2
(t
i
t
i1
))
_
2
_
_
=
n
i=1
E
_
(B
t
i1
)((B
t
i
B
t
i1
)
2
(t
i
t
i1
))
2
_
[[f
[[
2
i=1
V ar((B
t
i
B
t
i1
)
2
)
= [[f
[[
2
i=1
2(t
i
t
i1
)
2
= 2 [[f
[[
2
t
2
n

n
0
On a ainsi [[V
n
W
n
[[
2

n
0. Enn, par dnition de lintgrale de Lebesgue,
comme f
est borne, on a :
W
n
_
t
0
f
(B
s
)ds
n
0
La convergence L
2
impliquant la convergence L
1
, on a nalement la convergence
dans L
1
() de
f(B
t
) f(B
0
) =
n
i=1
f
(B
t
i
)(B
t
i
B
t
i1
) +
1
2
n
i=1
f
(B
i
)(B
t
i
B
t
i1
)
2
vers
_
t
0
f
(B
s
) dB
s
+
1
2
_
t
0
f
(B
s
) ds
Ceci entrane donc lgalit presque sre entre les deux v.a. On intervertit ensuite le
"t" et le "p.s." grce la continuit de chacun des processus. 2
Remarque 4.5.1 Lorsque lon a une galit entre processus qui est vrai presque sur-
ement pour tout t, elle nest pas forcment vrai pour tout t presque surement. En eet,
pour tout t, lensemble o lgalit nest pas vri est ngligeable, mais lunion sur t R
de ces ensembles nest pas forcment ngligeable. Par contre, lorsque les processus sont
continus, lunion (dnombrable) sur t Q de ces ensembles reste ngligeable et stend
lunion sur t R par continuit.
Donc, ce quil faut retenir est que lorsque que lon drive par rapport au Mouvement
Brownien, comme "dB
t
se comporte comme

dt", il faut garder un terme en plus dans
le dveloppement de Taylor.
Exemple : On retrouve B
T
=
_
T
0
dB
t
et B
2
T
= 2
_
T
0
B
s
dB
s
+T
Gnralisation
Avoir la drive seconde borne est trs contraignant, car on ne peut pas souvent
appliquer cette formule. On aimerait pouvoir gnraliser cette formule aux cas o la
fonction f est seulement drivable deux fois. Le problme est que lon nest alors pas sr
que f
(B) soit dans L

2
F
(, [0, T]) et que donc lintgrale stochastique soit bien dnie.
En fait on peut gnraliser la dnition dintgrale stochastique au cas ou au lieu de
prendre dans L
2
F
(, [0, T]), on considre des processus qui sont toujours CADLAG
et T-adapts mais qui satisfont simplement la condition :
_
T
0
[
s
[
2
ds < p.s.
Lors de la gnralisation, on perd le caractre martingale de lintgrale stochastique,
elle devient ce que lon appelle une Martingale locale. Il lui manque juste de bonnes
conditions dintgrabilit pour tre une vraie martingale. On peut alors gnraliser la
formule dIto en obtenant
4.6. PROCESSUS DITO 57
Thorme 4.5.2 Toute fonction f C
2
(R) vrie p.s. :
f(B
T
) = f(B
0
) +
_
T
0
f
(B
s
) dB
s
+
1
2
_
T
0
f
(B
s
) ds
Sans vouloir plus dtailler, dtes vous simplement que, les conditions dintgrabilit
mises part, vous pouvez appliquer la formule dIto lorsque la fonction est seulement
C
2
mais que lintgrale stochastique obtenue nest pas forcment une vraie martingale.
4.6 Processus dIto
Introduisons une nouvelle classe de processus par rapport auxquels nous pourrons
encore dnir une intgrale stochastique.
Dnition 4.6.1 Un processus dIto est un processus de la forme
X
t
= X
0
+
_
t
0
s
ds +
_
t
0
s
dB
s
(4.6.1)
avec X
0
T
0
-mesurable, et deux processus T-adapts vriant les conditions dint-
grabilit :
_
T
0
[
s
[
2
ds < p.s. et
_
T
0
[
s
[ds < p.s.
On note de manire innitsimale :
dX
t
=
s
ds +
s
dB
s
Ltude que nous avons mene jusqu maintenant ncessitait des conditions dint-
grabilit plus fortes sur les processus et . An de pouvoir prsenter ici la dmontration
de certains rsultats de cette partie, nous aurons besoin dimposer les conditions din-
tgrabilits (CI) suivantes :
(CI) E
_
T
0
[
s
[
2
ds
< et E
_
T
0
[
s
[
2
ds
<
Proposition 4.6.1 Si M est une martingale continue qui scrit sous la forme M
t
:=
_
t
0

s
ds avec L
2
(R, [0, T]), alors P-p.s. :
t T M
t
= 0
Dmonstration : Par dnition M
0
= 0 et comme M est une martingale :
E[M
2
t
] = E
_
_
_
n
i=1
Mit
n
M(i1)t
n
_
2
_
_
= E
_
n
i=1
Mit
n
M(i1)t
n
2
_
= E
_
_
n
i=1
_
_ it
n
(i1)t
n
s
ds
_
2
_
_
Grce lingalite de Cauchy-Schwartz, on obtient :
_
_ it
n
(i1)t
n
s
ds
_
2
_ it
n
(i1)t
n
1
2
ds
_ it
n
(i1)t
n
2
s
ds =
t
n
_ it
n
(i1)t
n
2
s
ds
Soit en sommant terme terme :
E[M
2
t
] E
_
n
i=1
t
n
_ it
n
(i1)t
n
2
s
ds
_
=
t
n
E
_
t
0
2
s
ds

n
0
On en dduit que M
t
est nul p.s. pour tout t, puis on intervertit le "t" et le "p.s."
grce la continuit de M. 2
Corollaire 4.6.1 La dcomposition en processus dIto vriant les conditions (CI) est
unique ( une modication p.s. prs).
Dmonstration : Supposons quun processus dIto se dcompose de deux manires
direntes :
X
t
= X
0
+
_
t
0
1
s
ds +
_
t
0
1
s
dB
s
= X
0
+
_
t
0
2
s
ds +
_
t
0
2
s
dB
s
alors, pour tout t T, on a la relation :
_
t
0
(
1
s

2
s
) ds =
_
t
0
(
2
s

1
s
) dB
s
Donc ce processus est une martingale continue (terme de droite) qui scrit sous la forme
dune intgrale de Lebesgue (terme de gauche). Grce aux conditions dintgrabilit
imposes, la proposition 4.6.1 nous indique que ce processus est nul presque surement.
Trajectoire par trajectoire, lapplication t
_
t
0
(
1
s
2
s
) ds tant lapplication nulle, par
direntiation
1
=
2
p.s.. De plus, la proprit dIsomtrie de lintgrale stochastique
nous indique que :
E
_
t
0
(
2
s

1
s
)
2
ds
= E
_
t
0
(
2
s

1
s
) dB
s
= E[0] = 0
Donc on a galement
2
=
1
p.s. . 2
Corollaire 4.6.2 Un processus dIto vriant les conditions (CI) est une martingale si
et seulement si "sa partie en ds" est nulle.
Dmonstration : Si la "partie en ds" est nulle, le processus dIto est une intgrale
stochastique vriant les conditions dintgrabilit pour tre une martingale.
Rciproquement, si un processus dIto X donn par (4.6.1) vriant (CI) est une martin-
gale, le processus dni par X
t
X
0
_
T
0

s
dB
s
est une martingale continue qui scrit
_
t
0

s
ds avec L
2
(R, [0, T]). Donc la proposition 4.6.1 nous indique que
_
t
0

s
ds est
nul pour tout t presque surement et = 0. 2
Ces rsultats se gnralise au cas ou les processus et ne vrient pas les conditions
dintgrabilit (CI).
Proposition 4.6.2 :
1. Si M est une martingale locale continue qui scrit sous la forme M
t
:=
_
t
0

s
ds avec
un processus variations bornes (
_
T
0
[
s
[ds < p.s.), alors p.s. :
t T M
t
= 0
2. La dcomposition en processus dIto est unique ( une modication p.s. prs).
3. Un processus dIto est une martingale locale si et seulement si "sa partie en ds"
est nulle.
On a vu que la variation quadratique de lintgrale stochastique
_
t
0

s
dB
s
est donne
par
_
t
0

2
s
ds. Lorsque que lon ajoute un processus, un processus variation nie (de
variation quadratique nulle), on ne modie pas sa variation quadratique. Donc, la varia-
tion quadratique dun processus dIto est gale la variation quadratique de sa partie
martingale.
Proposition 4.6.3 La variation quadratique sur [0, t] dun processus dIto X donn par
(4.6.1) vaut :
X)
t
=
_
t
0
s
dB
s
=
_
t
0
2
s
ds
Proposition 4.6.4 La covariation quadratique entre 2 processus dIto X
1
et X
2
donns
par :
dX
i
t
=
i
s
ds +
i
s
dB
s
vaut :
X
1
, X
2
)
t
=
_
t
0
1
s

2
s
ds
Dmonstration : Par dnition, la covariation quadratique est donne par :
X
1
, X
2
) :=
1
2
X
1
+X
2
) X
1
) X
2
)
=
1
2
_
t
0
(
1
s
+
2
s
)
2
ds
_
t
0
(
1
s
)
2
ds
_
t
0
(
2
s
)
2
ds
=
_
t
0
1
s

2
s
ds
2
Dnition 4.6.2 La notion dintgrale stochastique par rapport un processus dIto se
dnit de la manire naturelle suivante. Pour lment de L
2
F
(, [0, T]), satisfaisant
de bonnes conditions dintgrabilit, on dnit :
_
t
0
s
dX
s
:=
_
t
0
s
dB
s
+
_
t
0
s
ds
La formule dIto se gnralise aux processus dIto.
Thorme 4.6.1 Soit f une fonction C
2
, on a alors :
f(X
t
) = f(X
0
) +
_
t
0
f
(X
s
) dX
s
+
1
2
_
t
0
f
(X
s
) dX)
s
= f(X
0
) +
_
t
0
f
(X
s
)
s
ds +
_
t
0
f
(X
s
)
s
dB
s
+
1
2
_
t
0
f
(X
s
)
2
s
ds
La notation innitsimale de cette relation est donc :
df(X
t
) = f
(X
s
) dX
s
+
1
2
f
(X
s
) dX)
s
Dmonstration : La dmo revient comme dans le cas du Mouvement Brownien faire
un dveloppement de Taylor :
f(X
t
) f(X
0
) =
n
i=1
f
(X
t
i
)(X
t
i
X
t
i1
) +
1
2
n
i=1
f
(X
i
)(X
t
i
X
t
i1
)
2
Le premier terme va converger vers lintgrale stochastique
_
t
0
f
(X
s
) dX
s
et le deuxime
vers le terme
1
2
_
t
0
f
(X
s
) dX)
s
par dnition de la variation quadratique. 2
Une des consquence de la formule dIto est la formule dintgration par partie :
Proposition 4.6.5 Formule dintgration par partie Soient X et Y deux processus
dIto, on a :
X
t
Y
t
= X
0
Y
0
+
_
t
0
X
s
dY
s
+
_
t
0
Y
s
dX
s
+
_
t
0
dX, Y )
s
Soit en notation innitsimale :
d(XY )
t
= X
s
dY
s
+ Y
s
dX
s
+ dX, Y )
s
Dmonstration : En apppliquant la formule dIto X
2
t
et Y
2
t
, on obtient :
dX
2
t
= 2X
s
dX
s
+
2
2
dX)
s
et dY
2
t
= 2Y
s
dY
s
+
2
2
dY )
s
Et en lappliquant (X +Y )
2
, on obtient :
d(X +Y )
2
t
= 2(X
s
+Y
s
)d(X
s
+Y
s
) +
2
2
dX +Y )
s
On obtient donc :
d(XY )
t
=
1
2
d(X +Y )
2
t
dX
2
t
dY
2
t
= X
s
dY
s
+ Y
s
dX
s
+
1
2
(dX +Y )
s
dX)
s
dY )
s
)
= X
s
dY
s
+ Y
s
dX
s
+ dX, Y )
s
2
La formule dIto sous toutes ses formes
1. Pour le Mouvement Brownien avec f C
2
(R) :
f(W
t
) = f(W
0
) +
_
t
0
f
(W
s
) dW
s
+
1
2
_
t
0
f
(W
s
) ds
2. Pour un processus dIto avec f C
2
(R) :
f(X
t
) = f(X
0
) +
_
t
0
f
(X
s
) dX
s
+
1
2
_
t
0
f
(X
s
) dX)
s
3. Pour un processus dIto avec f C
1,2
([0, T] R) fonction du temps et de lespace :
f(t, X
t
) = f(0, X
0
) +
_
t
0
f
t
(s, X
s
) ds +
_
t
0
f
x
(s, X
s
) dX
s
+
1
2
_
t
0
2
f
x
2
(s, X
s
) dX)
s
4. Pour un processus dIto multidimensionnel avec f C
1,2
([0, T] R
d
) :
f(X
t
) = f(X
0
) +
d
i=1
_
t
0
f
x
i
(X
s
) dX
i
(s) +
1
2
d
i=1
d
j=1
_
t
0
2
f
x
i
x
j
(X
s
) dX
i
, X
j
)
s
Pour dmontrer ces formules de plus en plus gnrales, la mthode est toujours la
mme : faire un dveloppement de Taylor et ne pas ngliger les termes provenant de la
drive seconde par rapport au Brownien ou au processus dIto dans le dveloppement
de Taylor car dB
t
se comporte comme

dt et dX
t
se comporte comme
t
dt.
4.7 Equation Direntielle Stochastique
Tout comme on dnit dans un cadre dterministe la notion dquation diren-
tielle, on va dnir ici la notion dquation direntielle stochastique. Typiquement, une
quation direntielle stochastique (EDS) est donne par :
X
0
= x dX
t
= (t, X
t
)dt + (t, X
t
)dW
t
(4.7.1)
(avec et des applications borliennes)
Dnition 4.7.1 Un processus X est solution de cette EDS si cest un processus T-
adapt (ou T est la ltration naturelle du MB W) satisfaisant
_
t
0
[(s, X
s
)[ds +
_
t
0
2
(s, X
s
)ds < t R
+
P p.s
et qui vrie
X
t
= x +
_
t
0
(s, X
s
)ds +
_
t
0
(s, X
s
)dW
s
t R
+
P p.s
Ces quations nont pas toujours de solution. Pour assurer lexistence et lunicit
dune solution, on a besoin de 2 types de conditions.
Une premire qui assure lunicit de la solution grce au caractre contractant (Lip-
schitz) des fonctions et :
Condition 1 : Il existe K > 0 tel que pour tout (t, x, y) R
+
R
2
, on ait :
[(t, x) (t, y)[ + [(t, x) (t, y)[ K[x y[
Et une deuxime qui assure que le processus nexplose pas en temps ni an quil
soit bien dnit sur tout R
+
Condition 2 : Il existe L > 0 tel que pour tout (t, x) R
+
R, on ait :
[(t, x)[
2
+ [(t, x)[
2
L(1 +[x[
2
)
Thorme 4.7.1 Considrons lEDS (4.7.1). Si et satisfont les conditions 1 et 2,
alors lEDS admet une unique solution.
La dmonstration de ce thorme utilise, comme toujours pour dmontrer lexistence
et lunicit de solutions dquations direntielles, le thorme du point xe.
Remarque 4.7.1 Dans le cas particulier ou et sont seulement des fonctions de x
et non de t (EDS autonome), la condition 2 est une consquence de la condition 1.
Chapitre 5
Modle de Black Scholes
Le premier modle dvolution des actif nanciers a t proppos par Louis Bachelier
dans sa thse en 1900. Les actifs risqus taient supposs Gaussiens et pouvaient donc
prendre des valeurs ngatives. Pour remdier ce dfaut, le modle retenu par la suite
est un modle rendant les actifs risqus log-normaux, an de sassurer quils restent
toujours positifs. Ce modle le nom de modle de Black Scholes. En eet, en 1973,
Fisher Black, Robert Merton et Myron Scholes proposent lide de dnir le prix dun
produit driv comme celui de son portefeuille de couverture et lappliquent ce modle
Log-normal. Ils ont obtenus le prix nobel dconomie en 1997 pour ces travaux ce qui na
pas empch, leur fond dinvestissement "Long Term Capital Market" de faire faillite
en 1998.
5.1 Hypothses sur le march
Nous reprenons ici les hypothses fates au debut du cours :
1. Les actifs sont divisibles linni ;
2. Le march est liquide : on peut acheter ou vendre tout instant ;
3. On peut emprunter et vendre dcouvert ;
4. Les changes ont lieu sans cots de transaction ;
5. On peut emprunter et prter au mme taux constant r.
5.2 Modlisation probabiliste du march
Nous considrons un march constitu dun actif sans risque S
0
et dun actif risqu
S sur la priode [0, T].
63
64 CHAPITRE 5. MODLE DE BLACK SCHOLES
Lactif sans risque : Dans le modle discret n priodes, lorsque lon discrtise
lintervalle [0, T] en n intervalles de longeur T/n, que lon considre un taux sans risque
r
n
de la forme rT/n, la valeur de lactif sans risque linstant pT/n a la forme suivante :
(1+rT/n)
p
. Donc, lorsque n tend vers linni, S
0
t
se comporte comme e
rt
. La dynamique
retenue pour lvaluation de lactifs sans risque en continu est donc naturellement :
dS
0
t
= rS
0
t
dt et S
0
0
= 1 S
0
t
= e
rt
Lactif risqu aura la dynamique donne par lEDS de Black-Scholes o > 0 :
dS
t
= S
t
(dt + dW
t
) (5.2.1)
Ce modle est le modle le plus simple que lon puisse imaginer pour modliser
lvolution dun actif risqu tout en imposant quils soient positifs. Comme nous allons
le voir, cela revient supposer que les rendements des actifs sont normaux. Cet actif a
une tendance donne par et une volatilit donne par toutes les deux constantes.
Dcrivons maintenant (, T, P) : Lensemble des tats du monde sera un sous
ensemble de R
+
]0, T].
Pour tout t [0, T], la tribu T
t
reprsente linformation disponible la date t, lala
provient seulement de S, donc
T
t
:= (S
r
, r t)
La probabilit historique P est la probabilit de survenance de chaque tat du monde,
elle est telle que W soit un Mouvement Brownien sous P.
Essayons de rsoudre lEDS de Black Scholes :
Thorme 5.2.1 LEDS (5.2.1) admet une unique solution qui est donne par :
S
t
= S
0
e
(
2
2
)t + W
t
P p.s.
Dmonstration : Vrions tout dabord que la solution propose vrie lEDS en
appliquant la formule dIto f(t, W
t
) avec
f : (t, x) S
0
e
(
2
2
)t + x
On obtient :
df(t, W
t
) = f
x
(t, W
t
) dW
t
+ f
t
(t, W
t
) dt +
1
2
f
xx
(t, W
t
) dW)
t
= f(t, W
t
)dW
t
+ (

2
2
) f(t, W
t
) dt +

2
2
f(t, W
t
)dt
5.2. MODLISATION PROBABILISTE DU MARCH 65
Ce qui se rcrit donc :
dS
t
= S
t
(dt + dW
t
)
Donc S, processus T-adapt est bien solution de lEDS 5.2.1. Le caractre Lipschitz
des coecients de lEDS nous assure lunicit de la solution, mais, dans notre cas,
nous pouvons galement la dmontrer : soit Y un processus solution de lEDS 5.2.1.
Remarquons que S
t
ne sannule jamais si bien que lon peut appliquer la formule dIto
pour dterminer la dynamique de
1
S
t
:
d
1
S
t
=
1
S
2
t
dS
t
+
1
2
2
S
3
t
dS)
t
=
1
S
t
(dt + dW
t
) +
1
S
t
2
dt
Donc la formule dintgration par partie donne la dynamique de Y
t
/S
t
:
d
Y
t
S
t
= Y
t
d
1
S
t
+
1
S
t
dY
t
+ d
1
S
, Y )
t
=
Y
t
S
t
((
2
) dt dW
t
) +
Y
t
S
t
(dt + dW
t
) Y
t
S
t
dt
= 0
Remarquez que lon aurait pu obtenir directement le resultat en appliquant la formule
dIto la fonction (y, s) y/s. On a donc :
Y
t
S
t
=
Y
0
S
0
+
_
t
0
0 dW
s
= 1
Donc les processus Y et S sont gaux presque surement et lEDS admet une unique
solution. 2
Remarque 5.2.1 On obtient comme dynamique pour le sous-jacent la forme qui avait
t obtenue en TD lorsque lon faisait tendre le nombre de priodes de larbre binomial
a n priodes vers linni.
Remarque 5.2.2 Comme nous avons suppos > 0, La fonction g telle que S
t
=
g(W
t
) est inversible, et donc les alas du march sont compltement dcrits par le mou-
vement Brownien W :
T
t
:= (S
r
, r t) = (W
r
, r t)
Dnition 5.2.1 Un produit driv (ou actif contingent) est une v.a. T
T
-mesurable.
Comme dans le cas du modle discret, nous allons chercher donner un prix en t
un produit driv connu en T et trouver une manire pour dupliquer exactement ce
produit driv.
La mthode va tre similaire celle utilise dans le cas discret :
- On va chercher construire une probabilit risque neutre qui rende tout actif de base
ractualis martingale.
- On va dnir ce que lon appelle une stratgie de portefeuille simple autonanante.
- On va vrier que toute stratgie de portefeuille simple autonanante ractualise
reste martingale sous la probabilit risque neutre.
- On en dduira labsence dopportunits darbitrage entre stratgies de portefeuille
simple (AOA).
- Nous allons chercher dupliquer tout produit driv par une stratgie de portefeuille
simple.
- On en dduira que la dnition conomique naturelle du prix de loption en t scrit
un facteur dactualisation prs comme lesprance sous cette proba risque neutre du
ux nal.
- Le portefeuille de duplication nous donnera la stratgie de couverture de loption.
5.3 Probabilit risque neutre
Ecart sur les changements de probabilit
On cherche construire une probabilit

P sur (, T
T
) quivalente P. Si

P est absolu-
ment continue par rapport P, alors le thorme de Radon Nikodym assure lexistence
dune variable alatoire Z
T
T
T
-mesurable telle que d
P = Z
T
dP, i.e. :
/
T
T
T

P(/
T
) =
_
A
T
Z
T
dP
Dire que

P et P sont quivalentes revient dire quelles chargent les mmes ensembles
et donc que que Z
T
ne sannule jamais, i.e. Z
T
> 0. Alors, la densit de Radon Nikodym
de P par rapport

P est 1/Z
T
.
Pour que (, T
T
,
P) soit toujours un espace probabilis, il faut de plus
P() = E
P
[Z
T
] = 1
La formule de Bayes nous assure que pour toute v.a. X
T
, T
T
-mesurable, on a :
E
P
[X
T
] = E
P
[Z
T
X
T
]
5.3. PROBABILIT RISQUE NEUTRE 67
On associe naturellement la v.a. Z
T
, le processus martingale (Z
t
)
0tT
dni par :
Z
t
:= E
P
[Z
T
/T
t
]
Alors, pour tout t et toute variable alatoire X
t
T
t
-mesurable, on a :
E
P
[X
t
] = E
P
[Z
T
X
t
] = E
P
[E
P
[Z
T
X
t
/T
t
]] = E
P
[Z
t
X
t
]
En fait, Z
t
est la densit de Radon Nikodym (dnie une modication p.s. prs) de

P
restreint T
t
par rapport P restreint T
t
. On note :
Z
t
=
d
P
dP
F
t
Si lon considre un processus X T-adapt, la formule de Bayes gnralise scrit :
E
P
[X
T
/T
t
] = E
P
Z
T
Z
t
X
T
/T
t
=
1
Z
t
E
P
[Z
T
X
T
/T
t
]
En eet, pour toute variable alatoire Y
t
T
t
-mesurable borne, on a :
E
P
[X
T
Y
t
] = E
P
[Z
T
X
T
Y
t
] = E
P
[E
P
[Z
T
X
T
/T
t
] Y
t
] = E
1
Z
t
E
P
[Z
T
X
T
/T
t
] Y
t
2
Retour notre problme
Dans toute la suite, tout comme dans le cas discret, on notera

Y , la valeur actualise
dun processus Y dnie donc par
Y
t
:=
Y
t
S
0
t
= e
rt
Y
t
Dterminons la dynamique des actifs risqus et sans risque ractualiss sous la proba-
bilit historique P. Lactif sans risque ractualis

S
0
t
est constant gal 1 donc
d
S
0
t
= 0
Pour lactif risqu ractualis, il faut appliquer la formule dIto :
d
S
t
=
1
S
0
t
dS
t
+ S
t
d
1
S
0
t
+ d
S,
1
S
0
t
=

S
t
[( r) dt + dW
t
]
Dnition 5.3.1 Dans le modle de Black Scholes, :=
r
est ce que lon appelle la

prime de risque.
Donc, si lon introduit le processus dni pout t [0, T],
W
t
:= W
t
+t ,
alors la dynamique de

S est donne par :
d
S
t
=
S
t
d
W
t
Donc, si lon arrive a construire une probabilit

P, quivalente P sous laquelle

W
t
=
W
t
+t est un Mouvement Brownien, cette probabilit rendra lactif risqu ractualis
martingale et sera un trs bon candidat pour notre probabilit risque neutre. Loutil
qui va nous permettre de dmontrer lexistence de cette probabilit est le thorme de
Girsanov :
Thorme 5.3.1 Thorme de Girsanov
Il existe une probabilit

P quivalente la probabilit historique P dnie sur (, T
T
)
par :
d
P
dP
F
T
:= Z
T
:= e
W
T
2
2
T
sous laquelle le processus

W
t
dni par

W
t
:= W
t
+t est un Mouvement Brownien sur
[0, T].
Dmonstration :

W est continu p.s. et

W
0
= 0, c est donc un MB sur [0, T] si et
seulement si pour tout n, pour tout 0 t
1
. . . t
n
= T, les v.a

W
t
i

W
t
i1
sont
indpendantes de loi ^(0, t
i
t
i1
). Ceci revient montrer que pout tout u
1
, . . . , u
n
de
R
n
, on a lgalit entre fonction caractristique :
E
e
i
n
j=1
u
j
(
W
t
j
W
t
j1
)
=
n
j=1
e
u
2
i
2
(t
j
t
j1
)
5.4. PORTEFEUILLES AUTOFINANANTS 69
Ceci se dmontre de la manire suivante :
E
e
i
n
j=1
u
j
(
W
t
j
W
t
j1
)
= E
P
_
_
n
j=1
e
iu
j
[(W
t
j
W
t
j1
)+(t
j
t
j1
))]
e
W
T
2
2
T
_
_
= E
P
_
_
n
j=1
e
(iu
j
)(W
t
j
W
t
j1
)+(iu
j
2
2
)(t
j
t
j1
)
_
_
=
n
j=1
e
(iu
j
2
2
)(t
j
t
j1
)
E
P
_
e
(iu
j
)(W
t
j
W
t
j1
)
_
=
n
j=1
e
(iu
j
2
2
)(t
j
t
j1
)
e
(iu
j
)
2
2
(t
j
t
j1
)
=
n
j=1
e
u
2
j
2
(t
j
t
j1
)
2
Maintenant que nous avons un candidat pour notre probabilit risque neutre, regar-
dons si elle rend les portefeuilles autonanants ractualiss martingales.
5.4 Portefeuilles autonanants
Une stratgie de portefeuille consiste linvestissement tout instant t [0, T] dans
une quantit dnote
t
dactif risqu S et dune quantit
0
t
dactif sans risque S
0
. La
valeur du portefeuille est donc donne par :
X
x,
t
=
0
t
S
0
t
+
t
S
t
Dans le cas discret, nous avons vu que la condition dautonancement, qui signie qu
chaque date on r-alloue les richesse entre les dirents actifs sans ajout ni retrait dar-
gent, scrivait :
X
x,
t
i+1
X
x,
t
i
=
0
i
S
0
t
i+1
S
0
t
i
+
i
_
S
t
i+1
S
t
i
_
Le prolongement continue de la condition dautonancement est donc naturelle-
ment :
dX
x,
t
=
0
t
dS
0
t
+
t
dS
t
Dnition 5.4.1 Une stratgie de portefeuille simple autonancante X
x,
est
la donne dun capital de dpart x et dune stratgie continue dinvestissement dans
lactif risqu, soit un processus T-adapt (
t
)
0tT
qui doit vrier certaines conditions
dintgrabilit :
E
_
T
0
[
s
S
t
[
2
dt
<
A chaque instant t, la quantit
0
t
est dtermine laide de la condition dauto-
nancement du portefeuille. Cette condition se lit simplement "La variation de la
valeur du portefeuille est gale la variation de la valeur des actifs multi-
plie par la quantit dactifs dtenus". Intuitivement, que les actifs soient crits
dans nimporte quel numraire (autre monnaie, normalis par S
0
, par S), tant que ce
numraire est bien dtermin linstant t par linformation T
t
dont lon dispose sur le
march en t, la condition dautonancement devrait tre vrie. En eet, la condition
dautonancement est stable par changement de numraire, et la formulation
mathmatique de ce rsultat est la suivante :
Proposition 5.4.1 Pour tout processus dIto Y T-adapt (appel numraire) "qui ne
sannulle pas", la condition dautonancement se rcrit :
d
X
x,
Y
t
=
0
t
d
S
0
Y
t
+
t
d
S
Y
t
Dmonstration : Appliquons la formule dintgration par partie aux processus X
x,
et U :=
1
Y
:
d (U X
x,
)
t
= U
t
dX
x,
t
+ X
x,
t
dU
t
+ d X
x,
, U)
t
= U
t
(
0
t
dS
0
t
+
t
dS
t
) + (
0
t
S
0
t
+
t
S
t
) dU
t
+ d
0
S
0
+ S, U
t
=
0
t
U
t
dS
0
t
+ S
0
t
dU
t
+ d
S
0
, U
+
t
(U
t
dS
t
+ S
t
dU
t
+ d S, Z)
t
)
=
0
t
d
U S
0
t
+
t
d (U S)
t
La dicult vient du passage de la deuxime la troisime ligne, qui ncessite la relation :
d
0
S
0
+ S, U
t
=
0
t
d
S
0
, U
t
+
t
d S, U)
t
Cette relation vient du fait que la covariation entre 2 processus dIto fait uniquement
intervenir linairement leurs parties Browniennes. Or grce la condition dautonan-
cement, on a :
d(
0
S
0
+ S)
t
=
0
t
dS
0
t
+
t
dS
t
Donc la partie Brownienne de
0
S
0
+ S est la somme de celles de S
0
(qui est nulle)
et de S ce qui donne le rsultat. 2
5.4. PORTEFEUILLES AUTOFINANANTS 71
En particulier la relation dautonancement crite dans le numraire cash S
0
donne :
d
X
x,
t
=
t
d
S
t

X
x,
t
= x +
_
t
0
r
d
S
r
et donc la dynamique de la valeur ractualise de mon portefeuille

X
x,
t
sous la proba-
bilit

P est
d
X
x,
t
=
t
d
S
t
=
t
S
t
d
W
t
ce qui justie la forme que lon a donn a notre condition dintgrabilit pour rendre

X
martingale.
Remarque 5.4.1 Le rsultat indiquant que la condition dautonancement est stable
par changement de numraire est trs utile. Dans notre cas, nous resterons dans le
numraire cash, mais selon le problme auquel on est confront, il peut tre judicieux de
changer de numraire. Nous allons prouver lexistence dune proba risque neutre qui rend
martingales les actifs crits dans le numraire cash mais on pourrait galement choisir de
rendre martingales les actifs crits dans un numraire dirent. En particulier, lorsque
les taux ne sont plus supposs constants, le numraire cash nest pas toujours le plus
adapt, il est plus pratique dcrire les actifs dans le numraire Zro-coupon, on parle
alors de Probabilit forward neutre. Larticle introduisant le concept de changement de
numraire est du El-Karoui - Geman -Rochet (1995).
Le rsultat est donc comme dans le cas discret : "Si lactif risqu ractualis est un
processus dIto martingale sous

P, toute stratgie de portefeuille autonance ractua-
lise lest galement"
Proposition 5.4.2 La probabilit

P construite prcdement est une probabilit risque
neutre. La valeur en t de toute stratgie autonanante (x, ) de ux nal X
x,
T
= h
T
est :
X
x,
t
= e
r(Tt)
E
P
[h
T
/T
t
]
Dmonstration : Les dynamiques de

S et de

X
x,
sous

P sont donnes par
d
S
t
=
S
t
d
W
t
d
X
x,
t
=
t
d
S
t
=
t
S
t
d
W
t
Donc grce aux conditions dintgrabilits de ,

X
x,
est une martingale sous

P et donc :
X
x,
t
= e
rt

X
x,
t
= e
rt
E
P
[

X
x,
T
/T
t
] = e
rt
E
P
[e
rT
X
x,
T
/T
t
] = e
r(Tt)
E
P
[h
T
/T
t
]
2
Proposition 5.4.3 Lexistence dune probabilit risque neutre

P implique lAOA entre
stratgies de portefeuille simple autonanantes.
Dmonstration : Si X
0,
T
0, comme E
P
[X
0,
T
] = e
rT
0, X
0,
T
= 0 sauf sur un ensemble
de mesure nulle pour

P qui est galement un ensemble de mesure nulle pour P. 2
Nous venons donc de voir que lhypothse dabsence dopportunits darbitrage entre
portefeuilles simples est bien vrie dans le cadre du modle de Black-Scholes.
La valeur en t de toute stratgie de portefeuille simple scrit comme lesprance
sous la proba risque neutre

P de son ux terminal actualis, donc, si un produit driv
est duplicable, pour viter les arbitrages, on dnit conomiquement son prix comme
lesprance sous

P de son ux terminal actualis.
Il est important de bien visualiser la dynamique de lactif sans risque ractualis ou
non sous les direntes probabilits :
Probabilit historique Probabilit risque neutre
Actif risqu dS
t
= S
t
dt + S
t
dW
t
dS
t
= rS
t
dt + S
t
d
W
t
Actif risqu ractualis d
S
t
= ( r)S
t
dt + S
t
dW
t
d
S
t
=
S
t
d
W
t
5.5 Duplication dun produit driv
Tout dabord, remarquons le caractre Markovien du processus S :
Proposition 5.5.1 Considrons un produit driv de la forme h(S
T
). Alors il existe
une fonction v : [0, T] R
+
R telle que :
v(t, S
t
) := e
r(Tt)
E
P
[h(S
T
)/T
t
]
Dmonstration : Dans le modle de Black Scholes, la valeur du sous-jacent en t est :
S
t
= S
0
e
2
2
tW
t
On en dduit que :
S
T
= S
t
e
2
2
(Tt)(W
T
W
t
)
Donc lesprance conditionnelle se rcrit :
e
r(Tt)
E
P
[h(S
T
)/T
t
] = e
r(Tt)
E
S
t
e
2
2
(Tt)(W
T
W
t
)
/T
t

Or la v.a. S
t
est T
t
-mesurable et la variable alatoire W
T
W
t
est indpendante de T
t
.
On en dduit grce aux proprits des esprances conditionnelles que :
e
r(Tt)
E
P
[h(S
T
)/T
t
] = v(t, S
t
)
avec la fonction v dnie par :
v : (t, x) e
r(Tt)
E
xe
2
2
(Tt)(W
T
W
t
)
2
Proposition 5.5.2 Si lon suppose que v C
1,2
([0, T]R
+
), alors il existe une stratgie
autonancante (x, ) qui duplique le produit driv, i.e. telle que t [0, T], X
x,
t
=
v(t, S
t
) et les quantits x et sont donnes par :
x := e
rT
E
P
[h(S
T
)]
t
:=
v
x
(t, S
t
)
En AOA, le prix en t du produit de ux nal h(S
T
) est donc e
r(Tt)
E
P
[h(S
T
)/T
t
].
De plus le prix de loption v(t, S
t
) est solution de lquation aux drives partielles :
1
2
2
x
2
v
xx
(t, x) +rxv
x
(t, x) + v
t
(t, x) r v(t, x) = 0 et v(T, x) = h(x) (5.5.1)
Rciproquement, si lEDP prcdente admet une solution v
(dont la drive partielle
x
v
(t, x) est borne), alors v
(t, S
t
) est le prix de loption de ux terminal h(S
T
).
Dmonstration :
1.Duplication du produit driv
Supposons que v C
1,2
([0, T] R
+
), et construisons le portefeuille de couverture.
Considrons le processus dni sur [0, T] par :
U
t
:= e
rt
v(t, S
t
) = E
P
[e
rT
h(S
T
)/T
t
]
Par construction, ce processus est une martingale sous

P, en eet, pour tout s t :
E
P
[U
t
/T
s
] = E
P
[E
P
[e
rT
h(S
T
)/T
t
]/T
s
] = E
P
[e
rT
h(S
T
)/T
s
] = U
s
Remarquons que lon peut rcrire :
U
t
= u(t,

S
t
) avec u : (t, x) e
rt
v(t, e
rt
x)
Alors u C
1,2
([0, T] R
+
) et la formule dIto nous donne
dU
t
= u
x
(t,

S
t
)d
S
t
+ u
t
(t,

S
t
)dt +
1
2
u
xx
(t,

S
t
)d
S)
t
=
S
t
u
x
(t,

S
t
)d
W
t
+
u
t
(t,

S
t
) +

2
2
S
2
t
u
xx
(t,

S
t
)
dt
Le processus U est un processus dIto martingale donc sa partie en dt est nulle et lon
obtient nalement :
U
t
= U
0
+
_
t
0
u
x
(r,

S
r
)d
S
r
Considrons maintenant la stratgie de portefeuille donne par :
x := U
0
= e
rT
E
P
[h(S
T
)] et
t
:= u
x
(t,

S
t
) = v
x
(t, S
t
)
Par construction, U est une vraie martingale donc (x, ) est une stratgie de portefeuille
et grce la condition dautonancement, la valeur actualise de ce portefeuille est :
X
x,
t
= x +
_
t
0
r
d
S
r
= U
0
+
_
t
0
u
x
(r,

S
r
)d
S
r
= U
t
Donc le portefeuille X
x,
, qui vrie de bonnes conditions dintgrabilit car U est une
martingale, est bien un portefeuille de duplication car il vrie :
X
x,
t
= e
rt
U
t
= v(t, S
t
) = e
r(Tt)
E
P
[h(S
T
)/T
t
]
2.EDP dvaluation
Le processus U est une martingale sous

P donc la partie en dt de sa dcomposition en
processus dIto est nulle ce qui scrit :
u
t
(t,

S
t
) +
1
2
S
2
t
u
xx
(t,

S
t
) = 0
Or par dnition de u, on a les relations suivantes :
u
t
(t, x) = r e
rt
v(t, e
rt
x) + e
rt
v
t
(t, e
rt
x) + rxv
x
(t, e
rt
x)
et u
xx
(t, x) = e
rt
v
xx
(t, e
rt
x)
Donc lEDP en u se rcrit comme une EDP en v de la manire suivante :
1
2
2
S
2
t
v
xx
(t, S
t
) +rS
t
v
x
(t, S
t
) + v
t
(t, S
t
) r v(t, S
t
) = 0
avec la condition terminale v(T, S
T
) = h(S
T
). Lide pour obtenir lEDP en tout x est
que le mouvement Brownien W
t
diuse sur tout R, donc S
t
diuse sur tout R
+
et par
consquent v est solution sur R
+
de :
1
2
2
x
2
v
xx
(t, x) +rxv
x
(t, x) + v
t
(t, x) r v(t, x) = 0 et v(T, x) = h(x)
3. Rciproque
Si v
est solution de lEDP prcdente. Introduisons le processus U
t
:= e
rt
v
(t, S
t
) et
u
la fonction associe. Alors la dynamique de U
est donne par

dU
t
=
S
t
u
x
(t,

S
t
)d
W
t
+
t
(t,

S
t
) +
1
2
S
2
t
u
xx
(t,

S
t
)
dt
Comme v
est solution de lEDP, le terme en dt est nul et lon obtient que :

U
t
= U
0
+
_
t
0
u
x
(r,

S
r
)d
S
r
Donc, la driv v
x
borne assurant les conditions dintgrabilit susantes car lactif
riqu ractualis a des moments tout ordre (cf TD 4), U
est une martingale sous

P.
On en dduit que, pour tout t [0, T] :
v
(t, S
t
) = e
rt
U
t
= e
rt
E
P
[U
T
/T
t
] = e
r(Tt)
E
P
[h(S
T
)/T
t
]
Donc v
(t, S
t
) est bien le prix en t du produit driv h(S
T
). 2
Remarque 5.5.1 Supposer que v C
1,2
([0, T] R
+
) nest pas restrictif. On pourrait
penser quil est ncessaire que la fonction payo h soit rgulire mais en fait, grce
des intgrations par partie, on peut renvoyer loprateur de drivation sur la densit du
sous-jacent qui est susamment rgulire.
Remarque 5.5.2 Le rsultat indiquant que le prix Black Scholes de payo h(S
T
), donn
par v(t, x) := e
r(Tt)
E
P
[h(S
T
)/S
t
= x], est solution de lEDP (5.5.1) est une rsultat
trs important connu sous le nom plus gnral de formule de Feynman-Kac. Une esp-
rance conditionnelle sur un processus Markovien peut se rcrire comme solution dune
EDP, crant ainsi des liens entre le monde dterministe et le monde probabiliste.
Remarque 5.5.3 En fait tout produit driv est duplicable. Ceci est du au fait que la
dimension du Brownien est gale celle de lactif sans risque. Il y a autant dala sur
le march que dactifs possibles pour le couvrir.
Proposition 5.5.3 La probabilit risque neutre est unique.
Dmonstration : Par dnition, la probabilit risque neutre rend tout portefeuille
autonanant ractualis martingale. Supposons que lon ai deux probas risques neutres
P
1
et

P
2
. Pour tout B lment de T
T
, 1
B
est une v.a. T
T
mesurable donc elle est
duplicable par une stratgie de portefeuille (x, ) qui est martingale sous

P
1
et

P
2
et
lon a :
P
1
(B) = E
P
1
[1
B
] = e
rT
x = E
P
2
[1
B
] =

P
2
(B)
2
5.6 Formule de Black Scholes
Le prix en t dune option Europennee de payo h(S
T
) est de la forme v(t, S
t
) avec :
v(t, S
t
) = e
r(Tt)
E
P
[h(S
T
)/T
t
]
et de plus la fonction v est solution de lEDP :
1
2
2
x
2
v
xx
(t, x) +rxv
x
(t, x) + v
t
(t, x) r v(t, x) = 0 et v(T, x) = h(x)
Dans le cadre du modle de Black Scholes, pour certains pay-os, il existe des for-
mules explicites qui donnent leur prix en t. Cest en particulier le cas du Call et du
Put.
Proposition 5.6.1 Dans le cadre du modle de Black-Scholes, le prix dun call de ma-
turit T et de strike K est :
C
t
= S
t
^(d
1
) K e
r(Tt)
^(d
2
)
Avec ^ la fonction de rpartition dune loi normale ^(0, 1), d
1
et d
2
donns par :
d
1
:=
ln(
S
t
K
) + (r +

2
2
)(T t)
T t
et d
2
:= d
1
T t
La formule de Parit Call Put scrit :
C
t
P
t
= S
t
Ke
r(Tt)
Et donc le prix du Put est donn par :
P
t
= K e
r(Tt)
^(d
2
) S
t
^(d
1
)
Dmonstration :
Prix du Call : Le prix du call en t est donn par :
C
t
= e
r(Tt)
E
P
[(S
T
K)
+
/T
t
] = e
r(Tt)
E
S
t
e
(r
2
2
)(Tt) +(
W
T
W
t
)
K
+
/T
t
Donc, comme nous lavons dja vu C

t
= v(t, S
t
) avec
v(t, x) = e
r(Tt)
E
xe
(r
2
2
)(Tt) +(
W
T
W
t
)
K
= xE
e
(
W
T
W
t
)

2
2
)(Tt)
1
E
K e
r(Tt)

P(c)
5.7. SENSIBILITS 77
avec c le rgion dexercice donne par :
c =
xe
(r
2
2
(Tt) +(
W
T
W
t
)
> K
=
_
W
t

W
T
T t
<
ln(
x
K
) + (r

2
2
)(T t)
T t
_
Introduisons, la probabilit P
quivalente P dnie par :

dP
F
T
:= Z
T
= e
W
T

2
2
T
Alors, comme c est un vnement indpendant de T
t
, on a :
E
1
E
Z
T
Z
t
= E
P
1
E
1
Z
t
= E
P
[1
E
] E
P
1
Z
t
= P
(c)
Par consquent, v(t, x) se rcrit :
v(t, x) = xP
(c) K e
r(Tt)

P(c)
Daprs le thorme de Girsanov, le processus W
dni par W
t
:=

W
t
t est un
Mouvement Brownien sous P
. Or c se rcrit :
c =
_
W
t

W
T
T t
<
ln(
x
K
) + (r

2
2
)(T t)
T t
_
=
_
W
t
W
T t
<
ln(
x
K
) + (r +

2
2
)(T t)
T t
_
Donc, comme

W
t
W
T
Tt
et
W
t
W
Tt
suivent respectivement une loi ^(0, 1) sous

P et P
, le
prix du call se rcrit :
C
t
= v(t, S
t
) = S
t
^(d
1
) K e
r(Tt)
^(d
2
)
Prix du Put : Appliquez la formule de parit Call Put et remarquez que par symtrie
^(x) +^(x) = 1. 2
Remarque 5.6.1 Le prix dun call en t est de la forme C(T t, , S
t
, r, K). et vrie
la relation dhomognit :
C(T t, , S
t
, r, K) = C(T t, , S
t
, r, K)
5.7 Sensibilits
Les sensiblits du prix dune option par rapport ses dirents paramtres sont
appels les Grecques :
- le Delta est la sensibilit du prix par rapport la valeur actuelle du sous-jacent ;
- le Theta est la sensibilit du prix par rapport au temps coul t ;
- Le Vega est la sensibilit du prix par rapport la volatilit ;
- Le Rho est la sensibilit du prix par rapport au taux dintrt r ;
- le Gamma est le sensibilit du delta par rapport la valeur actuelle du sous-jacent.
LEDP vrie par le prix dune option vanille se rcrit alors :
1
2

2
x
2
+ r x r P + = 0
Dans le cas dun Call, les valeur en t = 0 des Grecques sont :
= ^(d
1
) > 0 =
1
x
T
^
(d
1
) > 0 = TKe
rT
^(d
2
) > 0
=
x
2
T
^
(d
1
) K r e
rT
^(d
2
) < 0 V ega = x
T^
(d
1
) > 0
Dans le cas dun Put, les valeur en t = 0 des Grecques sont :
= ^(d
1
) > 0 =
1
x
T
^
(d
1
) > 0 = TKe
rT
(^(d
2
) 1) < 0
=
x
2
T
^
(d
1
) + K r e
rT
(^(d
2
) 1) V ega = x
T^
(d
1
) > 0
Le Delta sinterprte comme la quantit dactif du portefeuille de duplication de loption.
On parle de couverture en Delta neutre.
Pour une couverture en temps discret, il sut de rajuster le Delta chaque date
discrete. Par contre, pour une couverture en temps continu, cest le Gamma qui nous
indique la frquence laquelle la position de couverture doit tre modie. Si le Gamma
est faible, le delta varie peu et la couverture en Delta na pas besoin dtre modie. Par
contre si le Gamma est lev, il faut souvent et signicativement reconsidrer le nombre
dactions en portefeuille.
Le Vega est important car il donne la dpendance du prix en la volatilit du sous-jacent
qui est le paramtre dicile et primordial calculer. Plus le Vega est grand, plus le
risque derreur de calibration est grand.
Le Theta mesure la diminution du prix de loption au cours du temps.
La dpendance des prix dun Call et dun Put sans dividendes en leurs paramtres
sont les suivantes
V ega
Call + + + +
Put ? + +

Master 1 MMD - Mouvements Brownien Et Evaluations D'actifs Contingents (Paris-Dauphine)

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

Master 1 MMD - Mouvements Brownien Et Evaluations D'actifs Contingents (Paris-Dauphine)

Diunggah oleh

Hak Cipta:

Format Tersedia

Evaluation dActifs contingents

P est la probabilit historique sur . P(

d < R < u il existe une proba risque neutre AOA

d < R < u il existe une proba risque neutre

qui sapparente la variation du prix de loption en rponse la variation du prix du

On se donne une probabilit historique P de survenance de chacun des tats du

adapt, car la quantit dargent investir dans lactif

d < R < u il existe une probabilit risque neutre

) qui vient naturellement de

Construisons tout dabord lintgrale stochastique sur lensemble des processus l-

(6) De manire plus gnrale, on a :

(7) On a mme le rsultat plus gnral :

(7) Pour et dans c, et u t on a :

(8) On a vu que le processus

Pour le moment, lintgrale stochastique est une fonction de c[0, T] dans /

Lemme 4.4.1 Lensemble des processus lmentaires c est dense dans L

50 CHAPITRE 4. CALCUL STOCHASTIQUE

(6) De manire plus gnrale, on a :

(7) On a mme le rsultat plus gnral :

est borne. Le deuxime terme est la variation

(B) soit dans L

P) soit toujours un espace probabilis, il faut de plus

est ce que lon appelle la

5.5. DUPLICATION DUN PRODUIT DRIV 73

(dont la drive partielle

(t, x) est borne), alors v

est solution de lEDP prcdente. Introduisons le processus U

la fonction associe. Alors la dynamique de U

est donne par

est solution de lEDP, le terme en dt est nul et lon obtient que :

est une martingale sous

Donc, comme nous lavons dja vu C

quivalente P dnie par :

Anda mungkin juga menyukai