Le mouvement Brownien
Promenade aleatoire
Proprietes
Integrale de Wiener
Exemples
Le mouvement Brownien
1.1
D
efinition.
1.2
G
en
eralisation.
Promenade al
eatoire
1
2
i IN .
n
Xi
i=1
6
Sn
S2
@
@
S1
O
@
@@
@@
Promenade aleatoire
9
@
@
1
= Sk .
N
On a
E Uk
= 0
et
10
Var U k
k
=
.
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
que U1N converge en loi vers une variable aleatoire gaussienne centree
reduite.
11
12
10
Propri
et
es
13
3.1
Processus Gaussien
14
3.2
Une notation
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
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
17
18
3.5
Trajectoires
19
3.6
3.6.1
Propri
et
es de martingale
a. Cas du Brownien
20
21
3.7
Temps datteinte
E(exp Ta ) = exp(|a| 2) .
(3.1)
exp
3
2t
2t
22
3.8
Brownien multidimensionnel
(1)
(2)
(n)
23
24
Int
egrale de Wiener
25
4.1
D
efinition
26
4.1.1
a. Fonctions en escalier
+
f (s)dBs =
i=n
i=1
def
+
0
+
0
f 2 (s)ds.
27
4.1.2
b. Cas g
en
eral
def
I(f ) =
fn (s) dBs
4.2
Propri
et
es
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)
29
4.3
Processus li
e`
a lint
egrale stochastique
t
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
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
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)
e(ts)a dBs .
(5.2)
V0 donne
37
E(Vt ) = eta V,
s
e(su)a 2 e(tu)a du , s t
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)
40
Proposition 5.4 La variable aleatoire
at
de moyenne V0 1ea
0
2
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 .
0
ea(tu) dBu .
Legalite
rt = (rs b)ea(ts) + b +
s
42
ea(tu) dBu , s t
(5.3)
43
vars (rt ) =
t
(rs b)ea(ts) + b
2
(1 e2a(ts) )
2a
44
On en deduit
E(exp
s
1
ru du |Fs ) = exp(M (t, s) + V (t, s)) .
2
45
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)