Mouvement Brownien

Le mouvement Brownien
Promenade aleatoire
Proprietes
Integrale de Wiener
Exemples

Robert Brown (1828) observe le mouvement irregulier de particules de

pollen en suspension dans leau.
Delsaux (1877) explique les changements incessants de direction de
trajectoire par les chocs entre les particules de pollen et les molecules deau.
Bachelier (1900) met en evidence le caract`ere markovien du mouvement
Brownien, en vue detudier les cours de la Bourse.
Einstein (1905) determine la densite de transition du mouvement Brownien
par lintermediaire de lequation de la chaleur et relie ainsi le mouvement
Brownien et les equations aux derivees partielles de type parabolique.
Smoluchowski (1905) decrit le mouvement Brownien comme une limite de
promenades aleatoires.
N. Wiener (1923) realise la premi`ere etude mathematique rigoureuse et
donne une demonstration de lexistence du Brownien.

P. Levy (1948) sinteresse aux proprietes nes des trajectoires du Brownien.

Depuis, travaux dIt
o, Watanabe, Meyer, Yor, LeGall, Salminen, Durrett,
Chung, Williams, Knight, Pitman,...

Le mouvement Brownien

On se donne un espace (, F, P ) et un processus (Bt , t 0) sur cet espace.

1.1

D
efinition.

Le processus (Bt , t 0) est un mouvement Brownien (standard) si

a) P (B0 = 0) = 1 (le mouvement Brownien est issu de lorigine).
b) s t, Bt Bs est une variable reelle de loi gaussienne, centr
ee de
variance (t s).
c) n, ti , 0 t0 t1 . . . tn , les variables
(Btn Btn1 , . . . , Bt1 Bt0 , Bt0 )
sont ind
ependantes.
c) Pour tout (t, s) la variable Bt+s Bt est independante de la tribu du
passe avant t, soit FtB = (Bu , u t).
5

1.2

G
en
eralisation.

Le processus Z deni par Zt = a + Bt est un Brownien issu de a.

On dit que X est un MB de drift et de coecient de diusion si
Xt = x + t + Bt
o`
u B est un mouvement Brownien. La v.a. Xt est une v.a. gaussienne
desperance x + t et de variance 2 t.
Pour tout (t, s), la v.a. Xt+s Xt est independante de FtX = (Xu , u s).

Promenade al
eatoire

On peut montrer que le mouvement Brownien sobtient comme limite de

promenades aleatoires renormalisees.
Soit, sur un espace de probabilite (, F, P) une famille de variables
aleatoires de Bernoulli independantes equidistribuees
P (Xi = 1) = P (Xi = 1) =

1
2

i IN .

On associe `a cette famille la suite (Sn , n 0) denie par

S0 = 0, Sn =

n

Xi

i=1

On dit que la suite Sn est une promenade al

eatoire
On a E(Sn ) = 0, Var (Sn ) = n.

6
Sn

S2

@
@

S1
O

@
@@
@@

Promenade aleatoire
9

@
@

Remarquons que la suite (Sm Sn , m n) est independante de

(S0 , S1 , . . . , Sn ) et que Sm Sn a meme loi que Smn .
On proc`ede alors `a une double renormalisation. Soit N xe
* on ram`ene lintervalle de temps [0, N ] a` [0, 1]
* on change lechelle des valeurs prises par Sn .
Plus precisement, on denit une famille de variables aleatoires indexees par
k
, k IN , par
les reels de la forme N
Uk

1
= Sk .
N

On a


E Uk

= 0

et
10

Var U k

k
=
.
N

Les proprietes dindependance et de stationarite de la promenade aleatoire

restent veriees, soit
si k k  , U k U k
est independante de (U Np ; p k  )
N

si k k  , U k U k
a meme loi que U kk
.

N

On denit un processus a` temps continu (Ut , t 0) a` partir de U k en

N

k
imposant a` la fonction t Ut detre ane entre N
et k+1
N . Pour cela, N
etant xe, on remarque que pour tout t IR+ il existe k(t) IN unique tel
k(t)+1
que k(t)

t
<
et on pose
N
N

UtN

= Uk

k 
+N t
U k+1 U k )
N
N
N

o`
u k = k(t).
Pour t = 1 on a U1N =

1 SN .
N

Le theor`eme central-limite implique alors

que U1N converge en loi vers une variable aleatoire gaussienne centree
reduite.
11

On montre alors que le processus U N converge (au sens de la

convergence en loi) vers un mouvement Brownien B.
L

En particulier UtN Bt et (UtN1 , . . . , UtNk ) (Bt1 , . . . , Btk ) pour tout

k-uple (t1 , . . . , tk ).

12

10

Figure 1: Trajectoires Browniennes

1

Propri
et
es

13

Soit B = (Bt , t 0) un mouvement Brownien et Ft = {Bs , s t} sa

ltration naturelle.

3.1

Processus Gaussien

Proposition 3.1 Le processus B est un processus Gaussien, desperance

nulle et de covariance Cov(Bt , Bs ) = s t.
Le processus (Xt = x + t + Bt , t 0) est un processus gaussien
desperance x + t et de covariance
E[(Xt E(Xt )) (Xs E(Xs ))] = 2 (s t)

14

3.2

Une notation

On note Ex (f (Bs )) lesperance de f (Bs ) quand B est un Brownien issu de

x. Cette quantite est egale `a
 2

1
y

dy
f (x + y) exp
E(f (x + Bs )) =
2t
2t IR
o`
u B est un Brownien issu de 0.
On note Px (Bs A) = P (x + Bs A) et Px (Bs da) est la densite de la
v.a. Bs o`
u B est un Brownien partant de x.

15

3.3

Scaling

Proposition 3.2 Si (Bt , t 0) est un mouvement Brownien, alors

t = Bt est un mouvement Brownien.
i) le processus B
t = 1 Bc2 t est un mouvement Brownien. (Propriete de
ii) le processus B
c
scaling)

16

3.4

Propri
et
e de Markov

Th
eor`
eme 3.3 Pour f borelienne bornee, pour u > t
E(f (Bu ) |Ft ) = E(f (Bu ) |(Bt ) )

def

Pour tout s, le processus (Wt , t 0) deni par Wt = Bt+s Bs est un

mouvement Brownien independant de Fs .
Pour u > t, conditionnellement a` Bt , la v.a. Bu est de loi gaussienne
desperance Bt et de variance u t. Alors
E(11Bu x |Ft ) = E(11Bu x |(Bt ) ) = E(11Bu x |Bt )
pour t u.

17

Proposition 3.4 Propri

et
e de Markov forte:
Soit T un temps darret `
a valeurs finies. On a alors
E(f (BT +s ) |FT ) = E(f (BT +s ) |(BT ) )
En particulier, pour tout temps darret fini T , le processus (Wt , t 0)
def

defini par Wt = Bt+T BT est un mouvement Brownien independant de

FT .

18

3.5

Trajectoires

Nous admettons les resultats suivants:

Les trajectoires du mouvement Brownien sont continues.
Les trajectoires du mouvement Brownien sont p.s. nulle part
dierentiables.
Th
eor`
eme 3.5 Soit n fixe et tj = 2jn t pour j variant de 0 `
a 2n . Alors
2n
2
j=1 [B(tj ) B(tj1 )] t quand n , la convergence ayant lieu en
moyenne quadratique et p.s..
Proposition 3.6 Soit une subdivision de lintervalle [0, t] caracterisee
par 0 = t0 t1 . . . tn = t. Soit Vt la variation de la trajectoire du

Brownien sur [0, t] definie par Vt () = sup i |Bti+1 () Bti ()|. Alors
Vt () = p.s.

19

3.6
3.6.1

Propri
et
es de martingale
a. Cas du Brownien

Proposition 3.7 Le processus B est une martingale. Le processus

(Bt2 t, t 0) est une martingale.
Reciproquement, si X est un processus continu tel que X et (Xt2 t, t 0)
sont des martingales, X est un mouvement Brownien.

20

Proposition 3.8 Soit B1 et B2 deux MB independants. Le produit B1 B2

est une martingale.
D
enition 3.9 On dit que B est un (Gt )-mouvement Brownien si B et
(Bt2 t, t 0) sont des (Gt )-martingales.
Proposition 3.10 Pour tout reel, le processus
1 2
(exp(Bt t), t 0)
2
est une martingale.
Reciproquement, si X est un processus continu tel que
(exp(Xt 12 2 t), t 0) est une martingale, pour tout reel, le processus
X est un brownien.

21

3.7

Temps datteinte

Proposition 3.11 Soit (Bt , t 0) un mouvement Brownien et a un

nombre reel. Soit
Ta = inf{t 0; Bt = a} .
Alors Ta est un temps darret fini p.s. tel que E(Ta ) = et pour 0

E(exp Ta ) = exp(|a| 2) .
(3.1)

Par inversion de la transformee de Laplace, on obtient la densite de Ta qui

est, pour a > 0
 a2 
a

exp
3
2t
2t

22

3.8

Brownien multidimensionnel
(1)

(2)

(n)

Soit Bt = (Bt , Bt , . . . , Bt )T un processus n-dimensionnel. On dit que

B est un Brownien multidimensionnel si les processus (B (i) , i n) sont des
browniens independants.
Le processus n-dimensionnel B est un mouvement Brownien si et
seulement si les processus B (i) et B (i) B (j) i,j t sont des martingales
(avec i,j = 0 pour i = j et i,i = 1.

23

On dira que les mouvements Browniens `a valeurs reelles B1 et B2 sont

corr
el
es de coecient de correlation si B1 (t)B2 (t) t est une
martingale.
On decorrele les MB en introduisant le processus B3 deni par
1
(B2 (t) B1 (t)). Ce processus est un MB independant
B3 (t) = 
2
1
de B1 .

24

Int
egrale de Wiener

25

4.1

D
efinition

On note L2 (IR+ ) lensemble des (classes dequivalence des) fonctions

boreliennes f de IR+ dans IR de carre integrable, cest-`a-dire telles que
+
2
|f
(s)|
ds < .
0

1/2
f 2 (s) ds
.
Cest un espace de Hilbert pour la norme ||f ||2 =
0

26

4.1.1

a. Fonctions en escalier
+

Pour f = 11]u,v] , on pose 0 f (s)dBs = B(v) B(u).

i=n
Soit f une fonction en escalier, f (s) = i=1 fi1 11]ti ;ti+1 ] (s) on pose

0

f (s)dBs =

i=n

fi1 (B(ti ) B(ti1 )) .

i=1
def

La variable aleatoire I(f ) =

+
0

desperance nulle et de variance

f (s)dBs est une variable gaussienne

+
0

f 2 (s)ds.

Lintegrale est lineaire : I(f + g) = I(f ) + I(g). Si f et g sont des

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

27

4.1.2

b. Cas g
en
eral

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

(dans L2 (IR+ )) vers f , cest-`a-dire qui verie

|fn f |2 (x) dx n 0.
0

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

Fn = 0 fn (s) dBs est une suite de Cauchy dans lespace de Hilbert L2 ()
(en eet ||Fn Fm ||2 = ||fn fm ||2 n,m 0), donc elle est convergente.
On pose



def

I(f ) =

f (s) dBs = lim

fn (s) dBs

la limite etant prise dans L2 ().

On dit que I(f ) est lint
egrale stochastique (ou integrale de Wiener) de
f par rapport a` B.

2
Le sous-espace de L () forme par les v.a. 0 f (s)dBs concide avec
lespace gaussien engendre par le mouvement Brownien.
28

4.2

Propri
et
es

Lapplication f I(f ) est lineaire

I(f + g) = I(f ) + I(g)
et isom
etrique de L2 (IR+ ) dans L2 ()

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

La variable I(f ) est une v.a. gaussienne centree de variance IR+ f 2 (s)ds
appartenant a` lespace gaussien engendre par (Bt , t 0) et elle verie pour
tout t
 
 
t

E Bt

IR+

f (s)dBs

f (s)ds .

(4.1)

La propriete (4.1) est en fait une caracterisation de lintegrale

 stochastique
t
au sens o`
u si pour tout t, E(ZBt ) = 0 f (s)ds, alors Z =
f (s)dBs .
0

29

4.3

Processus li
e`
a lint
egrale stochastique
t

De la meme facon on denit 0 f (s)dBs pour f telle que

T
|f (s)|2 ds < , T , ce qui permet de denir lintegrale stochastique
0
pour une classe plus grande de fonctions. On notera L2loc cette classe de
fonctions.

30

L2loc

Th
eor`
eme 4.1 Soit f
et Mt = 0 f (s)dBs .
a) Le processus M est une martingale continue, la v.a. Mt est
t 2
desperance 0 et de variance 0 f (s) ds.
b) Le processus M est un processus gaussien centre de covariance
ts 2
f (u) du `
a accroissements independants.
0
t 2
2
c) Le processus (Mt 0 f (s) ds , t 0) est une martingale.
d) Si f et g sont dans L2loc , on a
 ts
s
t
f (u)g(u)du .
E( 0 f (u)dBu 0 g(u)dBu ) =
0

31

4.4

Int
egration par parties

Th
eor`
eme 4.2 Si f est une fonction de classe C 1 ,
 t
 t
f (s) dBs = f (t)B(t)
f  (s)Bs ds.
0

On peut aussi ecrire cette formule

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

32

Exemples

33

5.1

Le brownien g
eom
etrique

D
enition 5.1 Soit B un mouvement Brownien, b et deux constantes.
Le processus
1
Xt = X0 exp{(b 2 )t + Bt }
2
est appelle Brownien g
eom
etrique.
Ce processus est aussi appelle processuslog-normal. En eet, dans ce cas


1 2
lnXt = b t + Bt + ln x
2
et la variable qui est a` droite suit une loi normale.

34

Proprietes:
Le processus Xt ebt est une martingale.
En notant G une v.a. de loi N (0, 1)
E(f (Xt )|Fs )

1
= E(f (Xt )|Xs ) = E(f (x exp{(b 2 )(t s) + (Bt Bs )})x=Xs
2

1 2
= E(f (x exp{(b )(t s) + G t s})x=Xs
2


1 2
=
f (Xs exp{(b )(t s) + y t s})q(1, 0, y)dy .
2

35

Ce processus est appele le mod`

ele Black et Scholes, il est utilise pour
modeliser le prix dun actif nancier. Le rendement de lactif entre deux
dates est mesure par la dierence des logarithmes des cours et est donne
par la variable gaussienne


1 2
b (t s) + (Bt Bs ) .
2

36

5.2

Processus dOrnstein-Uhlenbeck

Th
eor`
eme 5.2 Lequation de Langevin
 t
aVs ds + Bt + V0 ,
Vt =

(5.1)

a pour unique solution

Vt = eta V0 +

e(ts)a dBs .

(5.2)

On ecrit lequation (5.1) sous forme condensee

dVt + aVt dt = dBt ,

V0 donne

les donnees du probl`eme sont la variable aleatoire V0 , le Brownien B et les

constantes a et .

37

Proposition 5.3 Le processus V , appelle processus

dOrnstein-Uhlenbeck est gaussien desperance et de covariance

cov[Vs , Vt ] =

E(Vt ) = eta V,
s

e(su)a 2 e(tu)a du , s t

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

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

38

En ecrivant
Vs
Vs e(st)a

= esa V0 +

= eta V0 +

on en deduit, pour s t
(ts)a

Vt = Vs e

0
s

e(su)a dBu
e(tu)a dBu

e(tu)a dBu

ou encore
ta

Vt+s = Vs e


+
0

u
e(tu)a dB

 deni par B
u = Bs+u Bs est un MB independant de
o`
u le processus B
Fs (donc de Vs ).

39

En particulier E(f (Vt+s )|Fs ) = E(f (Vs eta + Y )|Fs ) = E(f (Vt+s )|Vs )
(dans cette egalite Y est une v.a. independante de Fs ) ce qui etablit le
caract`ere markovien de V .
Le calcul explicite peut se faire en utilisant que
E(f (Vs(x) eta + Y )|Fs ) = (Vs(x) )
(y)

avec (y) = E(f (yeta + Y )) = E(f (Vt )) o`

u V (x) est la solution de
t (ts)a
(x)
ta
lequation de valeur initiale x, soit Vt = e x + 0 e
dBs .

40


Proposition 5.4 La variable aleatoire
at

de moyenne V0 1ea

0
2

Vs ds est une v.a. gaussienne,

2
at

e
et de variance 3 (1 eat )2 + 2 (t
).
2a
a
a

41

5.3

Mod`
ele de Vasicek
drt = a(b rt )dt + dBt .

La forme explicite de la solution est

rt = (r0 b)eat + b +


0

ea(tu) dBu .

Legalite
rt = (rs b)ea(ts) + b +


s

etablit le caract`ere Markovien de r.

42

ea(tu) dBu , s t

(5.3)

 Si r0 est une constante, rt est une variable gaussienne de moyenne

2
(r0 b)eat + b, et de variance 2a (1 exp 2at).
En particulier, ce nest pas une variable positive.
Le processus r est gaussien de covariance
2
Cov(rs , rt ) = 2a ea(s+t) (e2as 1) pour s t.

43

Proposition 5.5 Pout s < t, lesperance et le variance conditionnelle de r

sont
E(rt |rs )

vars (rt ) =
t

(rs b)ea(ts) + b
2
(1 e2a(ts) )
2a

Proposition 5.6 La variable 0 rs ds est une variable gaussienne de

moyenne
 t
1 eat
E(
rs ds) = bt + (r0 b)
a
0
2
1 eat
2
at 2
et de variance 3 (1 e ) + 2 (t
).
2a
a
a

44

On en deduit

E(exp
s

1
ru du |Fs ) = exp(M (t, s) + V (t, s)) .
2

45

Ces calculs sont utiles pour valoriser des zero-coupons en nance : si

B(t, T ) est la valeur dun ZC de maturite T , on a


T

B(t, T ) = E(exp

ru du |Ft )

et
B(t, T )


1 ea(T t)
exp b(T t) + (rt b)
a

1e
a(T t) 2
(1

e
)
+
(T

4a3
2sa2
a

46

a(T t)