-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
1/79
Evaluation dActifs contingents
M1 MIDO
Romuald ELIE
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
2/79
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 decouverture des produits drivs. Aprs lobtention de la dfinition 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 diffrentes 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 : [email protected].
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
3/79
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 . . . . . . . . . . . . . . . . . . . . . . . . . . . 142.4 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 EspacesLp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 314.1.3 Filtration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.1.4 Martingale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.1.5 Processus Gaussien . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
4/79
4 TABLE DES MATIRES
4.2 Mouvement Brownien . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.3 Variation totale et Variation quadratique . . . . . . . . . . . . . . . . . . 394.4 Intgrale stochastique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.5 Formule dIto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.6 Processus dIto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.7 Equation Diffrentielle 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 autofinanants . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.5 Duplication dun produit driv . . . . . . . . . . . . . . . . . . . . . . . 72
5.6 Formule de Black Scholes . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.7 Sensibilits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
5/79
Chapitre 1
Notion dArbitrage
1.1 Hypothses sur le march
Nous supposerons que :
1. Les actifs sont divisibles linfini ;
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 ?
Dfinition 1.2.1 Unportefeuille autofinancantest une stratgie dachat ou de vente
de titres, actions, prts et emprunts la banque, et plus gnralement de produits drivsdont la valeur nest pas modifie par lajout ou le retrait dargent. On notera
Xt lavaleur en t du portefeuilleX.
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 ?
Dfinition 1.2.2 Unarbitrage sur la priode [0, T] est un portefeuille autofinanant
Xde valeur nulle en t = 0 dont la valeurXT enTest positive et strictement positive
5
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
6/79
6 CHAPITRE 1. NOTION DARBITRAGE
avec une probabilit strictement positive.
X0= 0, XT 0 et P(XT >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.
{X0= 0 et XT 0} P(XT >0) = 0
Lhypothse signifie 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
profit". 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 autofinanants X et Y ont mme
valeur enT, ils ont mme valeur en 0.
XT =YT X0 = Y0
Dmonstration : Supposons X0 < Y0 et proposons la stratgie suivante : A linstant
t = 0, achat de X, vente de Yet placement de Y0 X0 >0 la banque. La valeur duportefeuille linstant t = T est XT YT plus ce qua rapport largent la banque,qui est toujours> 0.
en 0 en T
Achat de X X0 XT
Vente de Y Y0 YTPlacement du gain la banque Y0 X0> 0 (Y0 X0)/B(0, T)> 0
Valeur 0 >0
Donc AOA implique X0 Y0 et, de manire similaire, on obtient X0 Y0 si bienqueX0= Y0.
Remarque 1.3.1 Pour crer un arbitrage, on a achet le moins cher et vendu le plus
cher. Vu quils ont meme valeur enT, on y gagne, logique...
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
7/79
1.4. RELATION DE PARIT CALL-PUT 7
Proposition 1.3.2 En AOA, si deux portefeuilles autofinanants X et Y ont mme
valeur enT, elles ont presque srement mme valeur en tout instantt T.XT =YT t T Xt= Yt Pp.s.
Ce rsultat est une consquence directe du rsultat suivant :
Proposition 1.3.3 En AOA, considrons deux portefeuilles autofinanants X et Y,
alors :
XT YT t T Xt Yt p.s.
Dmonstration : Soit t T. Proposons la stratgie suivante :en 0 : je ne fais rien.
en t : Sur{ , Xt() > Yt()}, jachte le portefeuille Y au prix Yt, je vend leportefeuille X au prix Xt et je place la diffrence Xt Yt > 0 la banque. Sur{, Xt() Yt()}, je ne fais rien.
Finalement, en T, sur{Xt > Yt}, je touche YT XT 0 plus ce qua rapportlargent la banque qui est toujours > 0, soit une valeur > 0, et sur{Xt Yt}, lavaleur du portefeuille est nulle.
en t en T
Sur{Xt> Yt} Achat de Y en t Yt YTVente de X en t Xt XT
Placement du gain la banque Xt Yt > 0 (Xt Yt)/B(t, T)> 0Valeur 0 >0
Sur{Xt Yt} Valeur 0 0
Donc AOA implique P(Xt> Yt) = 0.
1.4 Relation de parit Call-Put
Uncall de strike Ket dchance T sur le sous-jacent Sa pour payoff(ST K)+ ;notons Ct son prix linstant t.
Un put de strike K et dchance T sur le sous-jacent S a pour payoff (KST)+ ;notons Pt son prix linstant t.
Unzero-coupon dchanceTest un produit financier de valeur 1 en T. Son prix en t
est not B (t, T).
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
8/79
8 CHAPITRE 1. NOTION DARBITRAGE
Alors, en AOA, les prix des calls et des puts ent sont relis par la relation deparit
call put :Ct Pt = St KB(t, T)
En effet considrons les deux stratgies de portefeuille :
en 0 en t en T
Port. 1 Achat dun Put europen ent Pt (K ST)+Achat dun actif risqu en t St ST
Valeur Pt+ St (K ST)+ + STPort. 2 Achat dun Call europen ent C
t (S
TK)+
Achat de Kactifs sans risque en t KB(t, T) K
Valeur Ct+ KB(t, T) (ST K)+ + KRemarquons que lon a :
(K ST)+ + ST = K1{STK}+ ST1{KST} = (ST K)+ + K
Donc, les deux portefeuilles ont des flux finaux gaux, et donc en AOA des valeurs gales
tout instant t Tce 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 datet = 0qui assure lchange enT de
lactif risquScontre un prixF(0, T)fix 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 TPort. 1 Achat de lactif S0 en 0 S0 ST
Vente de F(0, T) zros coupons en 0 F(0, T)B(0, T) F(0, T)Valeur S0 F(0, T)B(0, T) ST F(0, T)
Port. 2 Achat du contrat Forward en0 0 ST F(0, T)Sous, AOA, on a donc
F(0, T) = S0B(0, T)
.
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
9/79
1.5. PRIX DUN CONTRAT FORWARD 9
Remarque 1.5.1 Montrez que de manire plus gnrale, on obtient :
F(t, T) = StB(t, T)
.
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
10/79
10 CHAPITRE 1. NOTION DARBITRAGE
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
11/79
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 actifsans risquequi vaut 1 ent = 0et vautR = (1+ r)en t = 1, qui reprsente
largent plac la banque au tauxr (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 unactif risqu S, il vaut S0 ent = 0et linstant 1, il peut avoir pris 2 valeurs
diffrentes : soit il est mont Su1 =u.S0, soit il est descendu Sd1 =d.S0 avec d < u.
uS0
S0
dS0
La modlisation probabiliste du march est la donne de 3 choses : ,F 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 tatsdu monde peuvent arriver.
11
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
12/79
12 CHAPITRE 2. MODLE BINOMIAL UNE PRIODE
F= {F0, F1}est un couple de deux tribus reprsentant linformation globale dispo-nible sur le march aux instants t = 0et t = 1.En t = 0, on ne dispose daucune information :
F0 ={, }.
En t = 1, on sait si lactif est mont ou descendu :
F1 =P() ={, , {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 aF0 F1, en effet plus le temps avance plus lonacquiert de linformation.
Remarque 2.1.2 Une variable alatoire estF1-mesurable si et seulement si elle estconnue avec linformation donne parF1, i.e. dtermine linstant 1. En effet, heuris-tiquement
Une variable alatoireX estF1-mesurable
Limage rciproque de tout Borlien
BdeR est dans
F1;
Je peux dire ent= 1 pour tout BorlienB deR siX est valeur dansB ; Je peux dire pour tout relr siXest dans ] , r[ ou pas ; Je connaisX la datet= 1.
Remarque 2.1.3F1 est la tribu engendre parS1 :
F1 = (S1).
En effet, par dfinition, la tribu engendre parS1 est limage rciproque parS1 des Bo-
rliens deR, i.e.{
S11
(B
) ,B B
(R)}
. Cest la plus petite tribu qui rendeS1 mesurable.
Pour tout BorlienB deR,- siuS0 etdS0 sont dansB, on aS11 (B) = ,- si justeuS0 est dansB, on aS11 (B) =u,- si justedS0 est dansB, on aS11 (B) =d,- et si aucun des 2 nest dansB, on aS11 (B) = .DoncF1 est bien la tribu engendre parS1 se qui se rcrit :
"ConnatreS1 est quivalent connatre tout lmentF1-mesurable"
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
13/79
2.2. STRATGIE DE PORTEFEUILLE SIMPLE 13
Dfinition 2.1.1 Unproduit driv (ou actif contingent) est une v.a. F1-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
S1.
Proposition 2.1.1 Soit X et Ydeux variables alatoires sur un espace de probabilit
(, A,P). Alors, Y est (X)-mesurable ssi elle est de la formef(X) avec f une appli-cation mesurable (borlienne).
Dmonstration : Si Y =f(X), alors, pour tout BorlienBde R, on a
f(X)1
(B) = X1 f1(B) (X).
Rciproquement, si Y est lindicatrice dun ensembleAqui est (X)-mesurable, on a :Y = 1A = 1X1(B) = 1B(X) ,
et f = 1B convient. Si Y est une somme finie dindicatrice 1Ai avecAi = (Bi), lasomme des 1Bi convient. Si Y est positive, elle scrit comme limite croissante de Yn,sommes dindicatrices qui donc scrivent fn(X)et f =limfn convient. (cette fonction
peut valoir + mais pas en des points atteints par X). Si Yest de signe quelconque,on la dcompose en sa partie positive et sa partie ngative et lon approche les deux
sparment.
Par exemple, le call est donc un produit driv (S1) 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 autofinanante 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
Dfinition 2.2.1 Une stratgie de portefeuille simple Xx, est la donne dun
capital initialx et dune quantit dactif risqu.
Le portefeuille ne subit aucune rentre ou sortie dargent. La stratgie de portefeuille
simple consiste en lachat la date0 de actifs risqus et dexS0actifs sans-risquestelle que la valeur en 0 du portefeuille est :
Xx,0 = S0+ (x S0) 1 =x .
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
14/79
14 CHAPITRE 2. MODLE BINOMIAL UNE PRIODE
Sa valeur en t = 1est donc donne par :
Xx,1 = S1+ (x S0)R= x R+ (S1 S0R) .
Cette stratgie est autofinanante 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 drivC est duplicable par une stratgie de portefeuille
simple(x, ) (On dit que le march estcomplet).
Dmonstration : Considrons un produit driv C. En t = 1, il prend la valeur Cu1dans ltat "up" et Cd1 dans ltat "down". On cherche un couple (x, )vrifiant :
Cu1 = Su1 + (x S0)R =xR+ (u R)S0
Cd1 = Sd1+ (x S0)R =xR+ (d R)S0
Cest un systme deux quations et deux inconnues dont la solution est donne par :
= Cu1 Cd1(u d)S0
=
(Su1 ) (Sd1)Su1 Sd1
et x =
1
R
R du d C
u1 +
u Ru dC
d1
.
Donc, sous lhypothse dabsence dopportunits darbitrage, la dfinition cono-
mique du prix dun produit driv en t = 0 est donne par :
C0 = 1
R
R du d C
u1 +
u Ru dC
d1
.
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 finales.
2.3 Probabilit risque neutre
Dfinition 2.3.1 Une opportunit darbitrage simple est une stratgie de porte-
feuille simple qui, partant dune richesse nulle ent = 0, est ent = 1toujours positive et
strictement positive avec une probabilit strictement positive. Cest la donne de Rtel que
X0,1 0etPX0,1 >0
> 0
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
15/79
2.3. PROBABILIT RISQUE NEUTRE 15
L absence dopportunits darbitrage simple (AOA) (sur stratgie de por-
tefeuille simple) scrit :
R,
X0,1 0 X0,1 = 0 P-p.s
Proposition 2.3.1 Lhypothse AOA implique la relationd < R < u.
Dmonstration : Supposons d R. Une stratgie darbitrage est alors donne parlachat dun actif risqu en t = 0 ( = 1) car la valeur du portefeuille en t = 1 est
- dans ltat "up", X0,11 =S0(u R)> 0,- dans ltat "down", X0,11 =S0(d R) 0.
Supposons uR, alors une stratgie darbitrage est donne par la vente dun actifrisqu en t = 0 ( = 1). En effet, la valeur du portefeuille est- dans ltat "up", X0,11 =S0(R u) 0,- dans ltat "down", est X0,11 =S0(R u)> 0 .
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 vrifie, un des actifs rapporterai toujours plus que lautre et
lhypothse dAOA ne serait plus vrifie.
Introduisons X, lavaleur actualisedu portefeuille Xdfinie pour i = 0, 1par :
Xx,i := Xx,i
Ri .
On a alors Xx,0 =x etXx,1 = S1+ (x S0)et la condition dautofinancement du
portefeuille se rcrit en terme de portefeuille actualis de la manire suivante :
Xx,1 Xx,0 = (S1 S0) .
Dfinition 2.3.2 On appelle probabilit risque neutre toute probabilit quivalente
P qui rende martingale toute stratgie autofinanante simple ractualise , i.e. telle
que :
X0 = EQ[Xx,1 ] ou de manire quivalente X0 =
1
REQ[Xx,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 signifie
simplement queQ(d)> 0 etQ(u)> 0.
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
16/79
16 CHAPITRE 2. MODLE BINOMIAL UNE PRIODE
Remarque 2.3.3 Dire queXx, est une martingale sous Q signifie que lesprance
de ses valeurs futures est gale elle mme, autrement dit que ce portefeuille est unjeu quitable (nous verrons une dfinition plus gnrale de la notion de martingale au
chapitre suivant).
Proposition 2.3.2 Sid < R < u, alors il existe une probabilit risque neutreQ.
Dmonstration : Prenons un portefeuille autofinanant (x, ), et notons pour simpli-
fierXu1 etXd1 ses valeur en t = 1dans les tats "up" et "down". Alors, on a les relations
suivantes :
Xu1 = Su1 + (x S0)R =xR+ (u R)S0Xd1 = S
d1+ (x S0)R =xR+ (d R)S0
Nous obtenons le mme systme que prcdemment et lon obtient :
x = 1
R
u Ru d X
d1 +
R du dX
u1
.
Introduisons donc la probabilit Q dfinie 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 :
X0 = x = 1
R
Q(d) X
d1 + Q(u) X
u1
=
1
REQ[Xx,1 ] .
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 flux 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 neutreQ, alors il y a AOA.
Dmonstration : Soit R tel que X0,1 0. Comme Q est une probabilit risqueneutre, on a :
EQ[X0,1 ] = R . 0 = 0 ,
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
17/79
2.4. EVALUATION ET COUVERTURE DUN PRODUIT DRIV 17
et X0,1 est une variable alatoire positive desprance nulle donc elle est nulleQ p.s.,
et, comme P et Q sont quivalentes (elles ont les mme ngligeables), P(X0,1 >0) = 0.
Nous avons finalement 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 :
C0 = 1
R
q Cd1 + (1 q) Cu1
=
1
1 + rEQ[C1]
Remarque 2.4.1 La probabilit risque neutre nest pas relie aux probabilits histo-
riquesp de monter ou de descendre1 p, et donc
"Le prix dune option est indpendant de la tendance rellep 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 :
= Cu1 Cd1(u d)S0
=
(Su1 ) (Sd1)Su1 Sd1
qui sapparente la variation du prix de loption en rponse la variation du prix du
sous-jacent.
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
18/79
18 CHAPITRE 2. MODLE BINOMIAL UNE PRIODE
Proposition 2.4.1 Comme le march est complet (tout actif est duplicable par une
stratgie de portefeuille simple), il y aunicit de la probabilit risque neutre.
Dmonstration: En effet, prenons deux probabilits risque neutre Q1et Q2. Pour tout
B F1= P(), 1B est un produit driv car il estF1-mesurable, donc il est duplicablepar un portefeuille autofinanant (x, )et lon a
Q1(B) = EQ1 [1B] = Rx = EQ2 [1B] = Q2(B).
Donc Q1 et Q2 sont indistinguables.
Exemple : Pricing dun call et dun put la monnaiePrenonsS0= 100, r = 0.05, d = 0.9et u = 1.1.
1.Quel est le prix et la stratgie de couverture dun call la monnaie i.e.K=S0= 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 :
C0 = .75 10 + .25 0
1.05 =
7.5
1.05 7.14 et = C
u1 Cd1
(u
d)S0=
10 020
= 0, 5
=> stratgie : achat de 1/2 actif risqu et placement de (7.14 50) dans lactif sansrisque.
2. Quen est t-il du Put la monnaie ?
Connaissant la probabilit risque neutre, on calcule le prix et la stratgie de couverture :
P0 = .75 0 + .25 10
1.05 =
2.5
1.05 2.38 et = P
u1 Pd1
(u d)S0 = 0 10
20 =0, 5
=> stratgie : vente de 1/2 actif risqu et placement de (50 2.38) dans lactif sansrisque.
3. Vrifie ton la relation de parit call put ?
C0 P0 = 7.51.05
2.51.05
= 5
1.05 = 100 100
1.05 = 100 100
R = S0 KB(0, T)
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
19/79
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 difficilement dans
ltude des modles en temps continu.
3.1 "Rappels" de probabilit : Processus discret et Martin-
gale
Dfinition 3.1.1 On appelleprocessus discret(Yk)1kn toute collection den v.a.
Dfinition 3.1.2 On appellefiltration(Fk)1kn toute collection croissante de tribu.i.e.
Fk Fk+1, k n .
Dfinition 3.1.3 le processus discret (Yk)1p
n, est dit adapt la filtration
F (ou
F-adapt) si pour toutk n, Yk estFk-mesurable.
Proposition 3.1.1 Si (Yk)1pn estF-adapt, la v.a. Yi estFk-mesurable pour touti k.
Dmonstration : En terme dinformation, si Yi est connue avec linformation don-
ne parFi, elle sera connue avec linformation donne parFk Fi. En effet, limagerciproque de tout BorlienB par Yi est dansFi et donc dansFk.
19
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
20/79
20 CHAPITRE 3. MODLE BINOMIAL N PRIODES
Dfinition 3.1.4 Lafiltration engendre par un processus discret (Yi)0ik est la
plus petite filtration qui rende ce processusF-adapt. Par analogie avec les tribus en-gendres,
FYk := (Y1, . . . , Y k) .
Remarque 3.1.1 Suite une proposition vue dans le chapitre prcdent, une variable
alatoire estFYk -mesurable si et seulement si elle scrit comme une fonction (borlienne)de(Y1, . . . , Y k).
Dfinition 3.1.5 Un processus discret (Mi)1in est uneF-martingale sous P silvrifie :
- EP[|Mi|]< i n,- M estF-adapt,- EP[Mi+1/Fi] = Mi.
Remarque 3.1.2 Si lgalit prcdente est replace par une ingalit on parle desur-
martingale() ou desous-martingale(). Une martingale est un jeu quitable, une
sur-martingale un jeu perdant, et une sous-martingale un jeu gagnant.
Remarque 3.1.3 SiM est uneF-martingalesousP, alors,
EP[Mk/Fi] =Mi i k
et en particulier on a : EP[Mp] =M0.
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 =t0< t1< ... < tn= T.Le march est compos de 2 actifs,
- un actif sans risque S0t :
1 (1 + r) (1 + r)2 . . . (1 + r)n
- et un actif risqu St :
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
21/79
3.2. MODLISATION DU MARCH 21
unS0
. . .un1S0
. ..
u2S0 dun1S0
. . .uS0
. ..
S0 udS0
. . .dS0
. ..d2S0 d
n1uS0. . .
dn1S0
dnS0
Larbre estrecombinant: linstantti, lactif peut prendrei +1valeurs diffrentes.
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 di ou ui.
:= {(1, . . . , n) : i n i= di ou i= ui }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= ui) =p et P(i=
di) = 1 p
Hypothse cruciale:
Les rendements Yi:= StiSti1
sont indpendants.
Par indpendance des tirages, on en dduit donc :
P(1, . . . , n) = p#{j,j=uj }.(1 p)#{j,j=dj }
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
22/79
22 CHAPITRE 3. MODLE BINOMIAL N PRIODES
et lon peut crire de manire quivalente la valeur de lactif linstant ti comme :
Sti = S0.i
k=1
Yk,
avec lesYk des variables alatoires indpendantessur qui prennent la valeur u avec
une probabilit p et la valeur d avec une probabilit 1 p. Alors on a bien sr :
P(Yi= u) = P(i= ui) = p et P(Yi= d) = P(i=
di) = 1 p
Linformation disponible tout date ti est donne par la filtration (Fti)0in :
Fti := (1, 2, . . . , i) = (Y1, Y2, . . . , Y i) = (St1 , St2 , . . . , S ti)
Une variable alatoireFti- mesurable est donc naturellement une variable donne partoute linformation accumule jusqu linstant ti. Elle scrit donc comme un fonction
de (St1 , . . . , S ti)ou de manire quivalente comme une fonction de (Y1, . . . , Y i).
Dfinition 3.2.1 Unproduit driv(ou actif contingent) CT est une variable ala-
toireFT-mesurable et scrit donc, avec une application borlienne, sous la forme
CT = (St1 , . . . , S tn) .
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 portefeuillede duplication. Avant de montrer que lactif est duplicable, tudions les proprits des
stratgies de portefeuille simple dans ce modle.
3.3 Stratgie de portefeuille
Dfinition 3.3.1 Une stratgie de portefeuille simple X(x,) est la donne dun
capital initialx et dun processus discret(0, ..., n1) qui estF-adapt.
La stratgie consiste tout instanttien linvestissement dans une quantitidactif
risqu. Le processusest Fadapt, carla quantit dargent investir dans lactif linstant ti est dtermine avec linformation accumule jusqu linstant ti.
Le portefeuille ne subit aucune entre ou sortie dargent (condition dautofinan-
cement). Entre les instants ti et ti+1, le portefeuille Xx, est constitu dune quantit
i dactifs risqu et dune quantit (Xx,i iSti)/(1 + r)i actifs sans-risque. La valeur
du portefeuille linstantti est donc donne par :
Xx,ti = i Sti+(Xx,ti iSti)
(1 + r)i (1 + r)i .
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
23/79
3.4. ARBITRAGE ET PROBABILIT RISQUE NEUTRE 23
Or, sur chaque intervalle [ti, ti+1), le portefeuille ne bnficie daucune entre ou sortie
dargent, donc :
Xx,ti+1 = i Sti+1+(Xx,ti iSti)
(1 + r)i (1 + r)i+1
Donc, en introduisant les processus actualiss :
Xx,ti := Xx,ti(1 + r)i
et Sti := Sti
(1 + r)i ,
ces deux relations se rcrivent :
Xx,ti = iSti+ (
Xx,ti iSti)1 , et Xx,ti+1 = iSti+1+ ( Xx,ti iSti) .
Par diffrence, on obtient donc la relation que lon appelle relation dautofinance-
ment :
Xx,ti+1 Xx,ti = i(Sti+1Sti) ,qui se rcrit galement :
Xx,ti+1 = x +i
k=0k(Stk+1 Stk) .
Remarque 3.3.1 Le processus valeur du portefeuilleXx, est bien srF-adapt.
3.4 Arbitrage et Probabilit risque neutre
Dfinition 3.4.1 Une opportunit darbitrage simple est une stratgie de porte-
feuille simple qui, partant dune richesse nulle en t= 0 est enT =tn toujours positive
et strictement positive avec une probabilit strictement positive. Cest donc la donne de
R satisfaisant
X0,T 0 et PX0,T >0
> 0
L absence dopportunits darbitrage simple (AOA) (sur stratgie de porte-
feuille simple) scrit donc :
R,
X0,T 0 X0,T = 0 P p.s
Proposition 3.4.1 Sous lhypothse dAOA, on ad
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
24/79
24 CHAPITRE 3. MODLE BINOMIAL N PRIODES
Dmonstration : Supposons par exemple 1 +r d et considrons la stratgie deportefeuille (0, ), o 0= 1et i= 0pouri 1: on achte lactif risqu en t0, on lerevend en t1 et on place le gain dans lactif sans risque. Cette stratgie estFadaptecar dterministe et la valeur du portefeuille en T =tn est donne par :
X0,T = 0 +i
k=0
k(Stk+1Stk) = St1St0
CommeSt1 peut prendre 2 valeurs, la valeur du portefeuille en Tpeut prendre 2 valeurs
qui sont
(1 + r)n S0 u1 + r 1 > 0 , et (1 + r)n S0 d1 + r 1 0avec respectivement des probabilitsp et 1 ptoutes deux strictement positives si bienque notre stratgie cre un arbitrage. Le cas u 1+ rest trait similairement en vendantlactif risqu (0= 1).
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 fin 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 dfinit donc Q de la manire suivante :
Q(1, . . . , n) = q#{j,j=uj }.(1 q)#{j,j=dj } avec q := (1 + r) d
u dRemarque 3.4.3 On a alors les relations suivantes :
Q(Sti =uSti1) = Q(Yi= u) = q et Q(Sti =dSti1) = Q(Yi= d) = 1 q
Dfinition 3.4.2 Uneprobabilit risque neutre est une probabilit quivalente la
probabilit historique P sous laquelle toute stratgie de portefeuille simple ractualise
est martingale.
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
25/79
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 uneF-martingale sousQ.
Dmonstration : Sest intgrableF-adapt et
EQ[Stk+1/Ftk ] = 1
1 + r
q uStk + (1 q) dStk
=
1
1 + r
(1 + r) d
u d u +u (1 + r)
u d d
Stk
= Stk .
Proposition 3.4.3 La valeur ractualiseXx, de toute stratgie de portefeuille simple
(x, ) est uneF-martingale sousQ.
Dmonstration : Xx, est intgrableF-adapt et
EQ[Xx,k+1 Xx,k /Ftk ] = EQ[k(Stk+1Stk)/Ftk ] = k EQ[(Stk+1Stk)/Ftk ] = 0
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 dautofinancement et surtout au fait quela quantit
dactif risqu entre tk et tk+1 estFtk-mesurable. (On dit que la valeur actualisedu portefeuille est une transforme de martingale). Donc, on vient de voir que :
"Tout actif de base ractualis est martingale sous une probabilitQ"
"Toute stratgie de portefeuille simple ractualise est martingale une probabilitQ"
Thorme 3.4.1 Sid
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
26/79
26 CHAPITRE 3. MODLE BINOMIAL N PRIODES
La valeur tout date ti dune stratgie de portefeuille simple de valeur finale Xx,T
scrit :
Xx,ti = 1
(1 + r)niEQ[Xx,T /Fi]
Donc, si lon arrive construire un portefeuille de couverture pour tout produit drive,
en AOA, sa valeur tout instant ti sera donne par lesprance sous la probabilit
risque-neutre de son flux final 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,
X0,T 0 et EQ[X0,T ] = 0 Q(X0,T = 0) = 1donc X0,T est nulleQ-p.s. et donc P-p.s.
On a donc, comme dans le modle une priode :
AOA d < R < u il existe une probabilit risque neutre
3.5 Duplication dun produit drivThorme :
Tout produit driv Cest 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 CT enT. CommeCT est Ftn-adapt, la valeur du produit drivse rcrit (St1 ,...,Stn)et on cherche donc (x, )tel que :
Xx,tn = (St1 ,...,Stn)
Comme nous venons de le voir, toute stratgie de portefeuille simple est martingale
sous la probabilit risque neutre Q donc la valeur Xx,tk du portefeuille de duplication
satisfait :
Xx,tk = 1
(1 + r)nkEQ[(St1 ,...,Stn)/Ftk ]
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
27/79
3.5. DUPLICATION DUN PRODUIT DRIV 27
Donc, la richesse initiale x de notre portefeuille de duplication est ncessairement :
x := 1
(1 + r)nEQ[(St1 , . . . , S tn)]
Remarquons que 1(1+r)nk
EQ[(St1 ,...,Stn)/Ftk ], en tant que variable alatoireFtk -mesurable, se rcrit sous la forme Vk(St1 , . . . , S tk) avec Vk une fonction dterministe
(i.e. non alatoire). On note donc :
Vk(St1 , . . . , S tk) := 1(1 + r)nkEQ[(St1 , . . . , S tn)/Ftk ]
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
dfini pour k {1, . . . , n} par :
k := Vk+1(St1 , . . . , S tk ,u.Stk) Vk+1(St1 , . . . , S tk ,d.Stk)
u.Stk d.Stk.
Linvestissement initialx est dterministe et, pour k {1, . . . , n},k estFtk -mesurableen tant que fonction de (St1 , . . . , S tk). Donc estF-adapt et (x, ) dfinit bien unestratgie de portefeuille simple.
RESOLUTION DU PROBLEME
On se propose donc de montrer que la stratgie de portefeuille (x, ) dfinie prc-
demment duplique notre produit driv, soit : Xx,tn = (St1 , . . . , S tn) = Vn(St1 , . . . , S tn).
Pour cela, montrons, par rcurrence sur k {1, . . . , n}, la relation :
Xx,tk = Vk(St1 , . . . , S tk)
Par construction, la relation est vraie pour k = 0, montrons donc "k => k+1".
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
28/79
28 CHAPITRE 3. MODLE BINOMIAL N PRIODES
Remarquons tout dabord que
Xx,tk = Vk(St1 , . . . , S tk)
= 1
(1 + r)nkEQ [(St1 , . . . , S tn)/Ftk ]
= 1
(1 + r)EQEQ
1
(1 + r)n(k+1)(St1 , . . . , S tn)/Ftk+1
/Ftk
=
1
(1 + r)EQ[Vk+1(St1 , . . . , S tk+1)/Ftk ]
= 1
(1 + r)EQ[Vk+1(St1 , . . . , S tk , u Stk)1{Xk+1=u} + Vk+1(St1 , . . . , S tk , d Stk)1{Xk+1=d}/Ftk ]
= 1(1 + r) {Q(Xk+1= u).Vk+1(St1 , . . . , S tk , u Stk) + Q(Xk+1= d).Vk+1(St1 , . . . , S tk , d Stk)
= 1
(1 + r){q.Vk+1(St1 , . . . , S tk , u Stk) + (1 q).Vk+1(St1 , . . . , S tk , d Stk)} .
La condition dautofinancement du portefeuille scrit :
Xx,tk+1 = Xx,tk + k(Stk+1Stk) .
En "dsactualisant", on obtient donc
Xx,tk+1 = q.Vk+1(St1 , . . . , S tk , u Stk) + (1
q).Vk+1(St1 , . . . , S tk , d Stk) +
Vk+1(St1 , . . . , S tk , u Stk) Vk+1(St1 , . . . , S tk , d Stk)u Stk d Stk
Stk+1 (1 + r)Stk
.
En remplaant Stk+1 par Yk+1 Stk et qpar 1+rd
ud , on en dduit
Xx,tk+1 = Vk+1(St1 , . . . , S tk , u Stk)Yk+1 d
u d + Vk+1(St1 , . . . , S tk , d Stk)u Yk+1
u d .
CommeYk+1 ne prend que les valeurs d ou u, on vrifie alors
Xx,tk+1 = Vk+1(St1 , . . . , S tk , Yk+1 Stk) = Vk+1(St1 , . . . , S tk , Stk+1) ,
ce qui conclut la rcurrence et donc la preuve.
3.6 Evaluation et couverture dun produit driv
Comme tout produit driv est duplicable, on en dduit que, sous AOA, la valeur
tout instant tk dun produit driv CT := (St1 , . . . , S tn) est donne par
Ctk = 1
(1 + r)nkEQ[(St1 , . . . , S tn)/Ftk ] ,
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
29/79
3.6. EVALUATION ET COUVERTURE DUN PRODUIT DRIV 29
et, en particulier, son prix en 0 est donn par
C0 = 1
(1 + r)nEQ[(St1 , . . . , S tn)] .
Proposition 3.6.1 Comme le march est complet (tout actif est duplicable par une
stratgie de portefeuille simple), il y aunicit de la probabilit risque neutre.
Dmonstration : Comme dans le modle une priode, prenons deux probabilits
risque neutre Q1 et Q2. Pour toutB F1 =P(), 1B est un produit driv car il estF1-mesurable, donc il est duplicable par un portefeuille autofinanant (x, ) et lon a
Q1(B) = EQ1 [1B] = Rx = EQ2 [1B] = Q2(B) .Donc Q1 et Q2 sont indistinguables.
Remarque 3.6.1 Comme dans le modle une priode, le prix de lactif ne dpend que
de la forme du payoff, deu, r etd. Doncle 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 nouveaucomme 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 finale, 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 ti+1 ses valeurs aux
noeuds de linstanttien actualisant sous la probabilit risque neutre. Lintrt dutiliser
un arbre recombinant n priodes et que lon a seulementn + 1valeurs possible enT au
lieu de2n si larbre ntait pas recombinant. Pour connatre son prix en 0, on doit donc
faire n! calculs au lieu de 2n 2n1 . . . 2 =2n(n+1)/2. Pour n = 10 par exemple onobtient11 valeurs possibles et 11! 4 107 avec unarbre recombinant, et 2048 valeurspossibles soit 7 1019 calculs sinon.
A RETENIR :
- Le prix de lactif scrit toujours comme lesprance actualise de sa valeur
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
30/79
30 CHAPITRE 3. MODLE BINOMIAL N PRIODES
finale sous la probabilit risque neutre Q.
- La probabilit risque neutre rend les actifs ractualiss martingales et demanire quivalente les stratgies de portefeuille simple ractualises mar-
tingales.
Si lon fait tendre le nombren de priodes vers linfini, 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). Afin de manipuler des objets similaires en temps continu, il
nous faut dvelopper la thorie des processus en temps continu que lon appelle calcul
stochastique.
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
31/79
Chapitre 4
Calcul stochastique
Dans toute la suite on se place sur un espace de probabilit (, A,P).
4.1 Processus et Martingale
4.1.1 Processus
Dfinition 4.1.1 Unprocessus (alatoire) Xsur lespace de probabilit(, A,P)estune famille de v.a. alatoires(Xt)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 prendret R, t R2... De mme, lespace darrive pourrait tre bien plus complexe queR.
Remarque 4.1.2 On peut voir un processus comme une fonction qui associeune fonction de [0, T] dansR, t Xt(), appele trajectoire du processus.
Dfinition 4.1.2 On dit que X est un processus continu (p.s.) si il est continu
trajectoire par trajectoire, i.e. t Xt() estC0 pour presque tout.
4.1.2 EspacesLp
Notation : Pour tout p R+, nous noterons :
Lp() :=
X v.a. t.q.||X||p := E[|X|p]1p <
Lp(, [0, T]) :=
(s)0sT processus t.q.||||p := E T
0|s|pds
1/p<
31
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
32/79
32 CHAPITRE 4. CALCUL STOCHASTIQUE
Proposition 4.1.1 Pour p 1 les espacesLp() muni de||.||p etLp(, [0, T]) munide||.||p sont des espaces de Banach (i.e. complets).
Nous passerons sur la dmonstration mais vous avez dja vu que lespace Lp()taitcomplet et Lp(, [0, T])lest galement pour les mme raisons. Au lieu de considrer desfonctions dune variable , il suffit de considrer des fonctions de deux variables (t, ).
4.1.3 Filtration
Dfinition 4.1.3 UneFiltration(
Ft)tR+ est une collection croissante de tribus (sous-
tribus deA), i.e.Fs Ft s t.
Remarque 4.1.3Ft reprsente la quantit dinformation disponible linstantt ; il estlogique que cette quantit augmente avec le temps.
Dfinition 4.1.4 Un processus (Xt)t0 est ditF-adapt si, pour tout t, la variablealatoireXt estFt-mesurable.
Proposition 4.1.2 SiX estF-adapt, la v.a. Xs estFt-mesurable pour touts t.
Dmonstration: Le rsultat est naturel lorsque lon raisonne en terme dinformation,
la tribuFt est plus grande que la tribuFs, donc, si Xs est connue avec linformationFs, il lest avec linformationFt. Maintenant, analytiquement, soitB un Borlien deR, alors limage rciproque deB par Xs, X1s (B) est un lment deFs et est donc unlment deFt Fs.
Dfinition 4.1.5 La filtration engendre par un processusX, noteFX est la suitecroissante de tribusFXt engendres par(Xs)st i.e.,FXt =(Xs, s t)
Remarque 4.1.4FX est la plus petite filtration qui rendeX adapt.Une tribu est dite complte lorsquelle contient lensemble des ngligeablesN de
(, A,P) qui est dfini par
N := {N ,A A / N A , P(A) = 0}
Dfinition 4.1.6 Une filtrationF est complte lorsque toutFt contient lensembledes ngligeablesN(ce qui quivaut N F0).
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
33/79
4.1. PROCESSUS ET MARTINGALE 33
Remarque 4.1.5 Pour complter une filtrationF, il suffit de remplacerFt par (A N , (N, A) N F t)ou plus simplement remplacerF0 par(AN , (N, A) N F 0).La filtration complte engendre par un processusXest gnralement appelefiltration
naturelle du processus.
SiF est complte, t fix, on a
Xt= Yt p.s. {Xt Ft mesurable Yt Ft mesurable}
On montre alors que, si une tribuFt est complte, alors, toujours t fix :
Xnt p.s. Xt et n, Xnt Ft mesurable {Xt Ft mesurable}Le rsultat reste vrai pour une convergence dansLp() avec p 1, car on peut alorsextraire un sous suite qui converge p.s. vers la mme limite et donc la limite reste
mesurable :Xnt
Lp Xt et n Xnt Ft mesurable
{XtFt mesurable}
Dans toute la suite, nous allons considrer des filtrations compltes
et parlerons donc de filtration naturelle de processus.
4.1.4 Martingale
Dfinition 4.1.7 Un processus alatoireM est uneF-martingalesi- M estF-adapt,- pour toutt T, Mt L1(), i.e. E[|Mt|]< ,- E[Mt/Fs] =Ms pour touts t.Unesur-martingaleet unesous-martingalesont des processus qui vrifient les deux
premires proprits et pour toutst respectivementE[Mt/Fs]Ms etE[Mt/Fs]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 martingaleM vrifie :
t T E[Mt] = E[M0] .
Dmonstration : On a pour tout t T, E[Mt] = E[E[Mt/F0]] = E[M0].
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
34/79
34 CHAPITRE 4. CALCUL STOCHASTIQUE
Proposition 4.1.4 Soit M uneF-martingale et : R R une fonction convexemesurable, alors si(M) est intgrable, cest une sous-martingale.
Dmonstration : (M) est intgrable et adapt et lingalit de Jensen conditionelle
nous donne :
E[(Mt)/Fs] (E[Mt/Fs]) = (Ms) .
Proposition 4.1.5 SoitM uneF-martingale de carr intgrable (i.e. E[M2t] < pourtoutt), alors, pours t, on a :
E[(Mt Ms)2/Fs] = E[M2t M2s /Fs]
Dmonstration:
E[(Mt Ms)2/Fs] = E[M2t/Fs] 2E[MtMs/Fs] + E[M2s /Fs]= E[M2t/Fs] 2MsE[Mt/Fs] + M2s= E[M2t M2s /Fs]
On retrouve donc que M2 est uneF-sous-martingale.
Proposition 4.1.6 StabilitLp des martingalesSoitp 1et(Mn)une suite deF-martingales, telles que, pour toutn ett,Mnt Lp().Si, pour toutt fix dans [0, T] la v.a. Mnt converge vers la v.aMt au sens de la conver-
gence dansLp(), alors le processus limite M est uneF-martingale et pour tout t,Mt Lp().
Dmonstration : Il faut montrer 3 choses :
(1) M estF-adapt ;(2) pour tout t [0, T], Mt Lp() (alors Mt L1() Lp()) ;(3) pour 0
s
t
T, on a : E[Mt/
Fs] =Ms.
(1) Pour tout n, Mnt estFt-mesurable, donc Mt estFt-mesurable. (car la filtrationFest complte)
(2) Pour tout t fix, Mnt converge vers Mt dansLp(), donc Mt est dansLp().(3) Pour 0 s t T, on a :
||Mns E[Mt/Fs]||p = ||E[Mnt Mt/Fs]||p ||Mnt Mt||p 0
OrMnsE[Mt/Fs]converge versMs E[Mt/Fs]dans Lp(), doE[Mt/Fs] = Ms p.s.
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
35/79
4.2. MOUVEMENT BROWNIEN 35
4.1.5 Processus Gaussien
Dfinition 4.1.8 Un vecteur de v.a. (X1, . . . , X n) est un vecteur Gaussien si et
seulement si toute combinaison linraire desXi est Gaussienne (i.e. < a, X > est une
v.a. Gaussienne pour touta Rn).
Voici deux propositions trs utiles dans la manipulation des vecteurs Gaussiens.
Proposition 4.1.7 Si le vecteur (X1, X2) est Gaussien, les v.a. X1 et X2 sont ind-
pendantes si et seulement sicov(X1, X2) = 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.
Dfinition 4.1.9 Un processus(Xt)t0 est appelprocessus Gaussiensi pour toutn
et toutt1 . . . tn le vecteur(Xt1 , . . . , X tn) 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 Wpour Wiener.
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
36/79
36 CHAPITRE 4. CALCUL STOCHASTIQUE
Dfinition 4.2.1 Un Mouvement Brownien (standard) est un processus B vri-
fiant :- B0= 0 P-p.s. ;
- B est continu, i.e. t Bt() estC0 pour presque tout ;-B est accroissements indpendants : BtBs est indpendant deFBs :=(Bs, s t) ;- les accroissements sont stationnaires, Gaussiens et pours t : Bt Bs N(0, t s).
Remarque 4.2.1 Pour information, dans le dfinition, la quatrime proprit peut tre
remplace par "les accroissements sont stationnaires centrs de carr intgrable avec
V ar(B1) = 1". Cette hypothse plus faible implique, grce la continuit deB, que les
accroisements sont Gaussiens. En effet, on a Bt
Bs = limnni1(Bs+(ts)i/nBs+(ts)(i1)/n)somme compose de v.a. alatoires indpendantes de mme loi car le pro-
cessus est stationnaire. Grce la continuit duB, on obtient quelles sont desprance
nulle et de variance(t s)/n. On a alors envie de conclure grce au Thorme CentraleLimite 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 finie, il est donc naturel de considrer un
Mouvement Brownien qui sera donc un outil trs utile pour modliser les fluctuations
des cours des actifs dans un march financier.
Thorme 4.2.1 Le Mouvement Brownien existe ! ! !
Dmontration :Ce rsultat non vident est admis. La plus grosse difficult 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.
Proposition 4.2.1 Si B est un Mouvement Brownien etFsa filtration naturelle, lesprocessus(Bt), (B
2t t) et(eBt
2t2 ) (Brownien Exponentiel) sont desF-martingales.
Dmonstration : Ces trois processus sont adapts F. Il sont intgrables car BtN(0, t), donc son esprance, sa variance et sa transforme de Laplace sont finies. Reste vrifier la dernire condition. Pour le premier, on a :
E[Bt/Fs] = E[Bs/Fs] + E[Bt Bs/Fs] = Bs+ E[Bt Bs] = Bs+ 0 = BsPour le deuxime, comme B est une martingale, on a :
E[B2t B2s /Fs] = E[(Bt Bs)2/Fs] = E[(Bt Bs)2] = V ar[Bt Bs] =t s
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
37/79
4.2. MOUVEMENT BROWNIEN 37
Et la condition sur le dernier sobtient grce la transforme de Laplace dune Gaus-
sienne :
E
eBt
2t2 /Fs
= e
2t2 E
e(BtBs)eBs/Fs
= e
2t2 eBsE
e(BtBs)
= eBs
2s2
Pour dmontrer quun processus est un mouvement Brownien, au lieu de revenir
sa dfinition, 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 covariancecov(Xs, Xt) =s t.Dmonstration :
Sens direct : Pour t1t2. . .tn, le vecteur (Bt1 , Bt2 Bt1 , . . . , Btn Btn1) estcompos de v.a. Gaussiennes indpendantes, donc il est Gaussien et toute combinaison
linaire desBti 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[Bt] =E[Bt B0] = 0et de fonction de covariance, pour s t :
Cov(Bs, Bt) = E[BsBt] = E[Bs(BtBs)]+E[B2s ] =BsE[BtBs]+V ar[BsB0] = 0+s= s
Rciproquement, on va montrer les proprits de la dfinition du MB une une :
- E[B20 ] =V ar[B0] = 0donc B0= 0 p.s.
- B est continu par hypothse
- Prenons r1 . . . rn s t, le vecteur (Br1 , . . . , Brn , Bt Bs) est Gaussien. Orcov(Bt Bs, Bri) =ri s ri t= 0, donc Bt Bs est indpendante de tout vecteur(Br1 , . . . , Brn) et donc deFBs =(Br, r s).- Pour st, Bt Bs est Gaussienne et est donc dtermine par son esprance E[Bt Bs] = 0et sa variance :
V ar[Bt Bs] =V ar(Bt) + V ar(Bs) 2 cov(Bt, Bs) =t + s 2 s t= t s.
Donc Bt Bs N(0, ts) et, la loi de Bt Bs ne dpendant que de ts, lesaccroissements sont stationnaires.
Remarque 4.2.2 Le rsultat indiquant que montrer lindpendance entre BtBs et(Bs, s t) est quivalent montrer que tout vecteur de la forme (Br1 , . . . , Brn) sedmontre laide du thorme de la classe monotone. Le lecteur intrss pourra se
reporter au Livre de Briane-Pages.
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
38/79
38 CHAPITRE 4. CALCUL STOCHASTIQUE
Proposition 4.2.2 Si B est un Mouvement Brownien, les processus 1aBa2t, tB1/t +
valeur nulle en 0, etBt+t0 Bt 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 tB1/t (fate en TD)
Remarque 4.2.3 Le fait que le processus 1aBa2t soit encore un Mouvement Brownien
est laproprit fractale du Mouvement Brownien. Son comportement est stable par
changement dchelle. Il traduit galement que les trajectoires du Mouvement Brownien
ont une longueur infinie.
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 :
Btt
t 0 p.s.
Ce rsultat, difficile montrer pour t R, est obtenu naturellement sur les suites valeur dans N :
Bnn =
1
n
n
i=1
(Bi Bi1) n E[Bi Bi1] = 0 p.s.
grce la loi de grands nombres, les Bi Bi1 tant indpendantes de loiN(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 :
limtBt = + et limtBt =
Ainsi, le Mouvement Brownien passe par tous les points de lespace presque surement.
(4) Le Mouvement Brownien repasse presque surement en tout point une infinit de
fois.
(5) Le Mouvement Brownien est un processus markovien :
s t Bt/Fs loi Bt/Bs
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.
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
39/79
4.3. VARIATION TOTALE ET VARIATION QUADRATIQUE 39
4.3 Variation totale et Variation quadratique
Dfinition 4.3.1 On dfinit la variation infinitsimale dordrep dun processusX sur
[0, T] associe une subdivisionn= (tn1 , . . . , t
nn) de [0, T] par :
VpT(n) :=n
i=1
|Xtni
Xtni1
|p
SiVpT(n) a une limite dans un certain sens (convergenceLp, convergence p.s.) lorsquen :=||n|| := M axin|tni+1tni | 0, la limite ne dpend pas de la subdivisionchoisie et nous lappellerons variation dordrep deX sur [0, T] . En particulier :
- sip= 1, la limite sappelleravariation totale de X sur [0, T] ;- sip= 2, la limite sappellera variation quadratique de X sur [0, T] noteXT.
Remarque 4.3.1 Pourquoi la limite de dpend pas de la subdivision choisie ?
Supposons que la variation infinitsimale dordrep a une limite lorsque le pas de la sub-
division tend vers0. Considrons deux subdivisions diffrentes. 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 :
V1T := supP
ni=1
|Xti Xti1 | p.s.
oP est lensemble des subdivisions possibles de [0, T]. Rciproquement, si ce sup estfini, le processus admet une variation totale. Ce rsultat est du la dcroissance en de
la variation infinitsimale : si alorsV1T() V1T() qui vient naturellement delingalit triangulaire
|x
y
| |x
z
|+
|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
dansL2() (la variation infinitsimale converge en||.||2) et vautT. De plus, si la sub-division n satisfait
n=1 n
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
40/79
40 CHAPITRE 4. CALCUL STOCHASTIQUE
Dmonstration : La variation infinitesimale dordre 2 du Mouvement Brownien est
donne par :
V2T(n) :=n
i=1
|Btni
Btni1
|2
On rappelle que si X N(0, 2) alors E[X2] =2 et V ar[X2] = 2 4. On a donc :
E[V2T(n)] =n
i=1
E[(Btni
Btni1
)2] =n
i=1
(tni tni1) = T
Et en notant n:= M ax|tni1 tni |, on obtient :
V ar[V2T(n)] =n
i=1
V ar[(Btni
Btni1
)2] = 2n
i=1
(tni tni1)2 2 T nn0
0
Donc||V2T(n) T||2 = V ar[V2T(n)] 0 quand n 0. Pour obtenir la conver-gence presque sre, il faut utiliser lingalit de Markov qui donne pour tout :
P[|V2T(n) T| > ] V ar[V2T(n)]
2 T n
Donc si
n=1 n< , on a pour tout,
i=1 P[|V2T(n) T| > ]< ce qui (parBorel-Cantelli) entrane la convergence presque sre de V2T(n) vers T.
Proposition 4.3.2 Pour toute subdivisionn satisfaisant
n=1 n
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
41/79
4.3. VARIATION TOTALE ET VARIATION QUADRATIQUE 41
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 cohrentavec la proprit fractale du Mouvement Brownien. Un Mouvement Brownien oscille en
permanence et donc la longueur de ses trajectoires est infinie. Ceci est galement li au
fait que les trajectoires du MB, bien que continues ne sont pas rgulires.
En effet, lorsquune fonction f : [0, T] R est drivable drives bornes, pourtoute subdivision n de [0,T], il existesi]ti1, ti] tel que :
ni=1
|f(tni) f(tni1)| =n
i=1
f(sni)|tni tni1| ||f||T
Donc, cette fonction est variation totale finie :
sup
ni=1
|f(ti) f(ti1|
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
42/79
42 CHAPITRE 4. CALCUL STOCHASTIQUE
o les (t)sont des subdivisions de [0, t]. Alors Xt se rcrit :
Xt = Xt+ X
t
2 X
t Xt
2 := X+t Xt
Les processus X+t et Xt sont croissants car, pour s t,|Xt Xs| Xt Xs .
Rciproquement, si Xet de la forme X+ X avec X+ et X croissants, on a,pour toute subdivision de [0, T] :
ni=1
|Xti Xti1 | =n
i=1
(X+ti X+ti1) +n
i=1
(Xti1 Xti)
= X+t
X+0 + X0
Xt = Xt
X0
Donc Xest variation borne.
Proposition 4.3.4 Si X est un processus variation borne trajectoires continues,
sa variation quadratique est nulle presque surement :XT = 0.
Dmonstration : Comme nous lavions vu prcdemment, pour presque tout :
V2T(n)() sup|u
v
|n
|Xu() Xv()| V1T(n)()
CommeXest continue sur le compact [0, T], lesup tend vers0 et la variation totale
de Xest finie donc sa variation quadratique est nulle p.s.
Remarque 4.3.4 Malheureusement les rsultats que nous obtenons sont des conver-
gence dansL2 ou des convergence presque sre. A une modification presque sre prt,la limite ne dpend pas du type de convergence considr mais ces convergences ne sont
pas quivalentes. Loutil adquat pour dfinir la variation quadratique est la convergence
en probabilit mais cet outil est peu intuitif et difficile manipuler.
Finalement le tableau rcapitulatif retenir est le suivant :
Variation totale Variation quadratique
Mouvement Brownien TProcessus continu var. borne < 0
Par construction de la variation quadratique, X =2X, si bien quil est naturelde prolonger lapplication X X, X := Xen une application bilinaire.
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
43/79
4.3. VARIATION TOTALE ET VARIATION QUADRATIQUE 43
Dfinition 4.3.3 SoientX etYdeux processus tels queX, Y etX+ Yont des varia-
tions quadratiques finies dansL2. On dfinit alors la covariation quadratique entre lesprocessusX etY comme :
X, Y := 12
(X+ Y X Y)Par construction, cette dfinition rend lapplication(X, Y) X, Y bilinaire :
Relation de bilinarit : X+ Y, X+ Y =X, X + 2 X, Y + Y, YRelation scalaire X,Y = X, Y
Dmonstration : Par construction, 2||
XiYi X, Y||2 converge vers 0 car il
est born par :(Xi+ Yi)2 X+ Y2
+X2i X2 + Y2i Y2
Remarque 4.3.5X, Ysidentifie la limite dansL2()deni=1|Xtni Xtni1 | |Ytni Ytn
i1|.
Proposition 4.3.5 SoitXun processus variation borne continu ayant une variation
quadratique dansL2 (qui est donc nulle) etYun processus variation quadratique finiedansL2, alorsX+ Y est variation finie dansL2 et lon a :
X+ Y = YCe qui revient dire que :
X, Y = 0Dmonstration :On a la relation
E
XiYi2 E X2i Y2i X2i 2 Y2i 2
Ce qui donneX, Y = 0 la limite. 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 (B2tt) est une martingale. Ceci nest pas un hasard, il existe un rsultat plusgnral 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 Mest une martingale continue de carr intgrable (E(M2t)
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
44/79
44 CHAPITRE 4. CALCUL STOCHASTIQUE
4.4 Intgrale stochastique
On veut donner un sens la variable alatoire : T0
s dBs
Lorsque lon intgre une fonction g par rapport une fonction fdrivable, si g est
rgulire, on dfinit son intgrale comme : T0
g(s) df(s) =
T0
g(s) f(s)ds
Si jamais f nest pas drivable mais simplement variation borne, on sen sort encore
en dfinissant lintgrale par : T0
g(s) df(s) = limn0
n1i=0
g(ti)(f(ti+1) f(ti))
Lintgrale alors dfinie sappelle intgrale de Stieljes. Dans notre cas, le Mouvement
Brownien nest pas variation borne donc, on ne peut pas dfinir cette limite
trajectoire par trajectoire. Par contre, comme il est a variation quadratique finie,
il est naturel de dfinir lintgrale par rapport au Mouvement Brownien comme une
limite dans L2 (convergence au sens de ||.||2 ) de cette variable alatoire.
T0 s dBs = limn0n1i=0
ti(Bti+1 Bti)Attention, la convergence est au sens de la convergence des variables alatoires dans
L2(). Pour cela nous allons donc devoir imposer au processus dtre L2(, [0, T]).On demandera galement lintgrant dtreF-adapt afin que ti soit indpen-dant deBti+1 Bti . En effet, dans les applications en finance, treprsentera la quantitdactif risqu contenue dans notre portefeuille linstant t et dBt la variation infinitsi-
male de cet actif risqu. Il est donc naturel de vouloir imposer que soitF-adapt.Sil ne ltait pas, on pourrait tout de mme dfinir une intgrale par rapport au mouve-
ment Brownien mais elle serait trs diffrente car la variation quadratique du Mouvement
Brownien est non nulle. Sur un exemple simple par exemple, comme approximations deT0 Bt dBt, nous aurions entre autre le choix entre les 2 approximations suivantes :
n1i=0
Bti [Bti+1 Bti ] oun1i=0
Bti+1 [Bti+1 Bti]
Lcart entre nos deux intgrales est alors gal :
n1i=0
[Bti+1 Bti ]2 L2 T
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
45/79
4.4. INTGRALE STOCHASTIQUE 45
Nous allons construire lintgrale stochastique ou lapproximation est faite au point le
plus gauche afin que lintgr soit indpendant de lintgrant. Cest lintgrale au sensdIto (et non Stratonovich ou anticipante). Enfin, 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
L2F(, [0, T]) =
(t)0tT, processus CADLAGF-adapt tq E T
02sds
<
Construisons tout dabord lintgrale stochastique sur lensemble des processus l-
mentaires.
Dfinition 4.4.1 Un processus(t)0tTest appelprocessus lmentaire sil existeune subdivision0 = t0 t1 . . .tn = T et un processus discret (i)0in1 tel quetouti estFti-adapt et dansL2() tel que :
t() =n1i=0
i()1]ti,ti+1](t)
On noteElensemble des processus lmentaires qui est un sous espace deL2F(, [0, T]).
Dfinition 4.4.2 Avec les mme notations, lintgrale stochastique entre 0 et t Tdun processus lmentaire Eest la variable alatoire dfinie par : t
0sdBs :=
ki=0
i(Bti+1 Bti) + i(Bt Btk) sur ]tk, tk+1] ,
soit t0
sdBs =n
i=0
i(Btti+1 Btti) .
On associe donc E le processus t0sdBs0tT.Remarque 4.4.1 On dfinit naturellement
tsudBu:=
t0udBu
s0 udBu.
Proposition 4.4.1 Proprits de lintgrale Stochastique surESur lensemble des processus lmentairesE, lintgrale stochastique satisfait les propri-ts :
(1) t0sdBs est linaire
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
46/79
46 CHAPITRE 4. CALCUL STOCHASTIQUE
(2) t
t0sdBs est continue p.s.
(3) t0sdBs0tTest un processusF-adapt.(4) E
t0sdBs
= 0 etV ar
t0sdBs
= E
t0
2sds
.
(5) proprit dIsomtrie :
E
t0
sdBs
2= E
t0
2sds
(6) De manire plus gnrale, on a :
E t
s
udBu/F
s= 0 et E t
s
vdBv2
/F
s= E t
s
2vdv/F
s(7) On a mme le rsultat plus gnral :
E
ts
vdBv
us
vdBv
/Fs
= E
tus
vvdv/Fs
(8)
t
0 sdBs0tT
est une F-martingale.
(9) Le processus t
0sdBs2 t02sds0tT est uneF-martingale.
(10) la variation quadratique de lintgrale stochastique est donne par :
t0
sdBs
=
t0
2sds
(11) La covariation quadratique entre 2 intgrales stochastiques est donne par : t0
sdBs,
u0
sdBs
=
tu0
ssds
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.t0sdBs estFt-mesurable comme somme de v.a.Ft-mesurables, donc lint-
grale stochastique est un processusF-adapt.(4) Prenons t = tk quitte rajouter un point la suite (ti)01n. Alors, le calcul delesprance de
t0sdBs donne :
E
t0
sdBs
=
k1i=0
Ei(Bti+1 Bti)
=
k1i=0
EiE
Bti+1 Bti/Fti
= 0
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
47/79
4.4. INTGRALE STOCHASTIQUE 47
Le calcul de la variance, un peu plus lourd, scrit :
V ar
t0
sdBs
= E
t0
sdBs
2 = E
k1i=0
i(Bti+1 Bti)2
=k1
i=0E
2i (Bti+1 Bti)2
+ 2
i
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
48/79
48 CHAPITRE 4. CALCUL STOCHASTIQUE
Le deuxime calcul, un peu plus lourd, scrit :
E t
sudBu
2/Fs
= E
k1i=j
i(Bti+1 Bti)2
/Ftj
=k1i=j
E
2i (Bti+1 Bti)2/Ftj
+ 2i
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
49/79
4.4. INTGRALE STOCHASTIQUE 49
Exemple :
t0dBs = Bt B0= Bt
Finalement, lintgrale stochastique dun lment deE est une martingale continuede carr intgrable. Nous noteronsM2([0, T]) lensemble des martingales continues decarr intgrable :
M2([0, T]) :=
MF martingales telles que E[M2t] < t [0, T]
Pour le moment, lintgrale stochastique est une fonction de E[0, T]dans M2([0, T]).On va maintenant, comme annonc, tendre la dfinition de lintgrale stochastique
des processus adapts ayant un moment dordre 2, i.e. :
L2F(, [0, T]) = (t)0tT, processus CADLAGF-adapt tq E T0 2sds<
Lemme 4.4.1 Lensemble des processus lmentairesEest dense dansL2F(, [0, T])ausens de la convergence en norme quadratique. Autrement dit, pour tout L2F(, [0, T]),il existe une suiten dlments deE telle que
||n ||2 = E T
0(s ns )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 linaireIdeL2F(, [0, T])dansM2([0, T])qui coincide avec lintgrale stochastique sur lensemble des processus lmentairesE etvrifie la proprit disomtrie :
t T E[I()2t ] = E t
02sds
.
Dmonstration :
Approximation : Soit un processus lment de
L2
F(, [0, T]). Daprs le lemme admis,
il existe une suite n dlments deEtelle que :
|| n||2 = E T
0(s ns )2 ds
1/2 0
Convergence : La proprit disomtrie entre 0 et t T sur lintgrale stochastiquedu processus(n+p n)deEnous donne :
E
t0
(n+ps ns )dBs2
= E
t0
(n+ps ns )2ds E
T0
(n+ps ns )2ds
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
50/79
50 CHAPITRE 4. CALCUL STOCHASTIQUE
ce qui scrit en terme de norme :
t0 n+ps dBs t0
ns dBs2
n+p n
2
Comme n converge dansL2(, [0, T]), elle est de Cauchy et donc t0ns dBs est deCauchy dansL2(). OrL2() muni de||.||2 est un espace de Banach (donc complet),par consquent la suite
t0
ns dBs converge dansL2(). En notant
t0sdBs sa limite, on
a donc :
E
t0
s dBs t0
ns dBs2
= E
t0
(s ns )2dsUnicit :Cette proprit implique que la limite ne dpend pas de la suite approxi-
mante choisie, en effet, si javais 2 suites approximantesnet n, la condition disomtrie
donnerait : t0
ns dBs t0
ns dBs
2
= E
t0
(ns ns )2ds1/2
||n n||2 0
Donc les deux suites approximantes donnent la meme limite dans L2() qui sont donc
gales p.s.
Convergence dansM
2([0, T]): Le processus limite Mest un lment deM
2([0, T])
car chaqueMtscrit comme limite dans L2()deMnt avecMn une suite de martingalesF-adaptes telles que E[|Mnt|2]
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
51/79
4.4. INTGRALE STOCHASTIQUE 51
(2) t
t0sdBs est continue p.s.
(3) t0sdBs0tTest un processusF-adapt.(4) E
t0sdBs
= 0 etV ar
t0sdBs
= E
t0
2sds
.
(5) proprit dIsomtrie :
E
t0
sdBs
2= E
t0
2sds
(6) De manire plus gnrale, on a :
E ts udBu/Fs= 0 et E ts vdBv2
/Fs= E ts 2vdv/Fs(7) On a mme le rsultat plus gnral :
E
ts
vdBv
us
vdBv
/Fs
= E
tus
vvdv/Fs
(8)t
0sdBs0tT est uneF-martingale.
(9) Le processus t
0sdBs2 t02sds0tT est uneF-martingale.
(10) la variation quadratique de lintgrale stochastique est donne par : t0
sdBs
= t0
2sds
(11) La covariation quadratique entre 2 intgrales stochastique est donne par : t0
sdBs,
u0
sdBs
=
tu0
ssds
Dmonstration :On a dj vu (1) (3), (5) et (8).
(2) La proprit disomtrie donne la continuit dansL2() mais nous allons admettrela 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 dansE en considrant 2, 2et (+ )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).
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
52/79
52 CHAPITRE 4. CALCUL STOCHASTIQUE
Remarque 4.4.3 Lintgrale stochastique est une limite dansL2()et est donc dfinie une modification 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 Wienerest Gaussienne : t0
f(s)dBs N
0,
t0
f2(s)ds
Dmonstration : En effet,
t0f(s)dBs scrit comme une limite dansL2()de v.a. de
la forme :
n1i=0
fi(Bti+1 Bti) L2
t0
f(s)dBs
Orn1
i=0 fi(Bti+1 Bti)est Gaussienne comme combinaison linaire dlments du vec-teur Gaussien Bt1 , . . . , Btn . Donc
t0f(s)dBs est Gaussienne comme limite dansL2()
de v.a. Gaussiennes. En effet, la convergence dansL2() entrane la convergence delesprance, de la variance et donc de la fonction caractristique des v.a. gaussiennes.
De plus, toute combinaison linaire de ti0 f(s)dBs est galement une intgrale deWiener qui est Gaussienne. Donc lintgrale de Wiener
t0f(s)dBs est un processus
Gaussien caractris par
cov
t0
f(s)dBs,
u0
g(s)dBs
=
tu0
f(s)g(s)ds
On dmontre galement que la v.a.tsf(u)dBu est indpendante de la tribuFs (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 dansL2(, [0, T]), alors lintgrale stochastique de est la limite dansL2() des intgrales stochastiques des n. Le candidat le plus naturel pour approcherlintgrale stochastique de f(B)est alors :
n1i=0
f(Bti)(Bti+1 Bti)
Mais, quelles conditions, a ton la convergence voulue ?
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
53/79
4.4. INTGRALE STOCHASTIQUE 53
Proposition 4.4.4 Sifest une fonction drivable drive borne, on a :
n1i=0
f(B inT)(B (i+1)
n T
B inT)
L2 T0
f(Bs)dBs
La convergence a lieu dansL2().
Dmonstration : Avant toute chose, il faut justifier que lintgrale stochastique a un
sens, i.e. que f(B) L2F(, [0, T]). Le processus f(B) est bienF-adapt et CADLAGcar le mouvement Brownien estF-adapt et continu p.s. . On a, pour tout t T :
|f(Bt)| |f(B0)| +||f||.|Bt B0| = |f(0)| +||f||.|Bt|
La constante|f(0)| est bien sr dansL2F(, [0, T])et on a :
E
T0
|Bs|2ds
=
T0E[|Bs|2] ds =
T0
s ds = T2
2
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
54/79
54 CHAPITRE 4. CALCUL STOCHASTIQUE
Le deuxime terme converge dansL2() vers la variation quadratique sur [0, T] duMouvement Brownien qui vautTdonc on obtient finalement :
B2T =
T0
2Bs dBs + T
On retrouve donc queB2TTest une martingale. Par rapport lintgrale classique, il ya un terme en plus, (leT) 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
dBt quivaut une variation en
dt car sa variation quadratique est en dt et que lon
considre des convergence en norme quadratique.
dBt
dt (dBt)2 dt
Donc, les termes en dB2t 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 :
dBt N(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 fonctionf C2(R) drive seconde borne vrifie p.s. :
f(Bt) = f(B0) +
t0
f(Bs) dBs + 1
2
t0
f(Bs) ds , t T
La notation infinitsimale de cette relation est :
d f(Bs) = f(Bs) dBs +
1
2f(Bs) ds
Dmonstration :(source : polycopi de Francis Comets) Fixons tT et considronsde nouveau la partition de [0, t] en n intervalles ]ti, ti+1] avec ti= it/n. Trajectoire par
trajectoire, la formule de Taylor couple la continuit p.s. de B nous donne :
f(Bt) f(B0) =n
i=1
[f(Bti) f(Bti1)]
=n
i=1
f(Bti)(Bti Bti1) + 1
2
ni=1
f(Bi)(Bti Bti1)2
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
55/79
4.5. FORMULE DITO 55
o les i sont des variables alatoires valeur dans ]ti1, ti[. Commef est drivable
drive borne, la proposition 4.4.4 nous donne : ni=1
f(Bti)(Bti Bti1) t0
f(Bs) dBs
2
n 0
Il reste contrler le dernier terme :
Un :=n
i=1
f(Bi)(Bti Bti1)2
Nous allons successivement remplacer i par ti1 puis (Bti Bti1)2 par ti ti1. In-troduisons :
Vn :=n
i=1
f(Bti1)(Bti Bti1)2 et Wn :=n
i=1
f(Bti1)(ti ti1)
On a alors, par lingalit de Schwartz :
E[|Un Vn|] E
supi
|f(Bti1) f(Bi)|n
i=1
(Bti Bti1)2
E
supi
|f(Bti1) f(Bi)|21/2
E
ni=1
(Bti Bti1)221/2
Pour toute trajectoire,s
f(Bs())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 variationquadratique du mouvement Brownien qui converge vers t. Donc on a||Un Vn||10.Par ailleurs, on a :
E[|Vn Wn|2] = E n
i=1
f(Bti1)((Bti Bti1)2 (ti ti1))2
=n
i=1
E
f(Bti1)((Bti Bti1)2 (ti ti1))
2
||f||2n
i=1
V ar((Bti Bti1)2)
= ||f||2n
i=1
2(ti ti1)2 = 2 ||f||2t2
n n 0
On a ainsi||VnWn||2 n 0. Enfin, par dfinition de lintgrale de Lebesgue,
commef est borne, on a :
Wn
t0
f(Bs)ds
1
n 0
-
7/22/2019 Master 1 MMD - Mouvements Brownien et Evaluations d'Actifs Contingents (Paris-Dauphine)
56/79
56 CHAPITRE 4. CALCUL STOCHASTIQUE
La convergenceL2 impliquant la convergenceL1, on a finalement la convergencedansL1()de
f(Bt) f(B0) =n
i=1
f(Bti)(Bti Bti1) + 1
2
ni=1
f(Bi)(Bti Bti1)2
vers t0
f(Bs) dBs + 1
2
t0
f(Bs) 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.
Remarque 4.5.1 Lorsque lon a une galit entre processus qui est vrai presque sur-
ement pour toutt, elle nest pas forcment vrai pour tout t presque surement. En effet,
pour toutt, lensemble o lgalit nest pas vrifi est ngligeable, mais lunion surt Rde ces ensembles nest pas forcment ngligeable. Par contre, lorsque les processus sont
continus, lunion (dnombrable) sur tQ de ces ensembles reste ngligeable et stend lunion surt R par continuit.
Donc, ce quil faut retenir est que lorsque que lon drive par rapport au Mouvement
Brownien, comme "dBt se comporte comme
dt", il faut garder un terme en plus dans
le dveloppement de Taylor.
Exemple: On retrouve BT =T0 dBt e