Professional Documents
Culture Documents
M2IF Evry
Monique Jeanblanc
Université d’EVRY
Mars 2009
2
Contents
1 Rappels 7
1.1 Tribu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Variables gaussiennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Espérance conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Martingales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5 Temps d’arrêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Changement de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.7 Algèbre béta-Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.8 Divers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 Mouvement Brownien 15
2.1 Propriétés élémentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Processus Gaussiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3 Brownien Multidimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4 Temps d’atteinte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.5 Scaling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.6 Compléments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.7 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.8 Problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.8.1 Partie I : Résultats préliminaires . . . . . . . . . . . . . . . . . . . . . . . . 24
2.8.2 Partie II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.8.3 Partie III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3 Intégrale d’Itô 29
3.1 Intégrale de Wiener . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2 Formule d’Itô . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3 Cas multidimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4 Compléments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.5 Brownien géométrique et extensions. . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.6 Le crochet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.7 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3
4 CONTENTS
4 Exemples 45
4.1 Processus de Bessel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.2 Processus de Bessel carré . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.3 Autres processus. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.4 Des calculs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
6 Girsanov 59
6.1 Résultats élémentaires. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.2 Crochet. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.3 Processus. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.4 Cas multidimensionel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
6.5 Temps d’arrêt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
6.6 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
7 Compléments 75
7.1 Théorème de Lévy. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
7.2 Equations rétrogrades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
7.3 Théorèmes de représentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
7.4 Temps local. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
7.5 Lois . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
7.6 Filtrations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
7.7 Options barrières . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
7.8 Méandres, ponts, excursions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
7.9 Divers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
8 Processus à sauts 85
8.1 Processus de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
8.2 Poisson composé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
8.3 Formule d’Itô . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
8.4 Temps de Défaut . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
8.5 Marché complets, incomplets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
1 Rappels, Corrigés 91
1.1 Tribu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
1.2 Variables gaussiennes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
CONTENTS 5
Rappels
1.1 Tribu
Exercice 1.1.1 Ensembles appartenant à une tribu.
7
8 Rappels
1. Soit f une fonction borélienne (bornée) de R dans R. Comparer E(f (X)) et E(f (Z)).
2. Soit h une fonction borélienne (bornée) de R2 dans R. Comparer E(h(X, Y )) et E(h(Z, T )).
X−m
1. Quelle est la loi de σ ? Calculer E|X − m|.
Exercice 1.2.5 Vecteur gaussien. Soit X un vecteur gaussien à valeurs dans Rn et A une matrice
(p, n). Montrer que AX est un vecteur gaussien. Préciser son espérance et sa variance.
Exercice 1.2.6 Vecteur Gaussien. Soit (X, Y ) un vecteur gaussien centré tel que E(XY ) = 0.
Montrer que X et Y sont indépendantes.
Enoncés 9
E( (X − P rX)Z) = 0, ∀Z ∈ A
Exercice 1.2.8 Caractérisation de vecteur gaussien. Soit (X, Y ) deux v.a.r. telles que Y
est gaussienne et la loi conditionnelle de X à Y est gaussienne de moyenne aY + b et de variance
λ2 2
indépendante de Y , c’est-à-dire que E(exp(λX)|Y = y) = exp(λ(ay + b) + σ ). Montrer que le
2
couple (X, Y ) est gaussien.
Montrer que si X est G-mesurable et Y est indépendante de G, pour toute fonction borélienne bornée
Φ,
E(Φ(X, Y )|F) = Ψ(X)
où Ψ(x) = E(Φ(x, Y )).
Exercice 1.3.3 Soit (X, Y ) indépendantes, X strictement positive et Z = XY . Calculer E(11Z≤t |X)
en utilisant la fonction de répartition de Y .
Exercice 1.3.8 Covariance conditionnelle. Soit Z1 , Z2 deux variables aléatoires de carré intégrable.
On définit
Cov(Z1 , Z2 |G) = E(Z1 Z2 |G) − E(Z1 |G)E(Z2 |G) .
Montrer que
Cov(Z1 , Z2 |G) = E[ (Z1 − E(Z1 |G)) Z2 |G ].
Exercice 1.3.10 Linéarité. Soit Z = αY +β, avec α 6= 0. Montrer que E(aX+b|Z) = aE(X|Y )+b.
Exercice 1.3.11 Grossissement progressif Soit F une tribu. On considère la tribu G engendrée
par τ ∧ 1 où τ est une v.a. à valeurs dans R+ .
1. Montrer que toute v.a. G mesurable s’écrit h(τ ∧ 1) où h est borélienne.
2. Montrer que, si X est une v.a. F mesurable, E(X|G)111≤τ = A111≤τ où A est une constante.
Montrer que A = E(X111≤τ )/P(1 ≤ τ ).
Exercice 1.3.14 Formule de Bayes. Soit dQ = LdP sur (Ω, F) et G une sous-tribu de F.
Montrer que
1
EQ (X|G) = EP (ZX|G) .
EP (Z|G)
Montrer que
EQ (X|G) = EP (X|G), ∀X ∈ F
si et seulement si L est G mesurable.
Exercice 1.3.15 Soit f et g deux densités strictement positives sur R. Soit X une v.a. de densité
f sur un espace (Ω, P). Montrer qu’il existe une probabilité Q sur cet espace telle que X soit de
densité g.
1.4 Martingales
L’espace Ω est muni d’une filtration (Ft ).
Un processus M est une martingale si
- pour tout t, Mt est intégrable;
- pour tout t > s, E(Mt |Fs ) = Ms , p.s.
On dit que M est une surmartingale si
- Mt est adapté, intégrable;
- E(Mt |Fs ) ≤ Ms , ∀s ≤ t .
Le processus M est une sousmartingale si −M est une surmartingale.
Exercice 1.4.1 Exemple de base. Soit X une v.a. intégrable. Montrer que (E(X |Ft ), t ≥ 0) est
une martingale.
Exercice 1.4.3 Martingale locale. Montrer qu’une martingale locale positive est une surmartin-
gale.
Exercice 1.4.4 Martingale en fonction de la valeur terminale. Soit X une martingale telle
que XT = ζ. Exprimer Xt en fonction de ζ pour t < T au moyen d’une espérance conditionnelle.
Exercice 1.4.6 Martingale de carré intégrable. Soit (Mt , t ≥ 0) une Ft -martingale de carré
intégrable (telle que Mt2 soit d’espérance finie, pour tout t). Montrer que
Exercice 1.4.7 Projection de martingale. Montrer que si M est une Ft -martingale, c’est aussi
une martingale par rapport à sa propre filtration Gt = σ(Ms , s ≤ t). Soit Ht ⊂ Ft . Montrer que
Yt = E(Mt |Ht ) est une Ht -martingale.
Exercice 1.4.8 Une sousmartingale. Soit τ une v.a. positive. Montrer que Zt = P(τ ≤ t|Ft )
est une sousmartingale.
eλXt
Zt =
E(eλXt )
Exercice 1.4.10 Soit M une martingale positive continue uniformément intégrable et τ = inf{t :
Mt = 0}. Montrer que M est nulle sur t > τ .
Exercice
R t 1.4.11 SoitR tX un processus F-adapté, positif à trajectoires continues et G ⊂ F. Montrer
que E( 0 Xs ds|Gt ) − 0 E(Xs |Gs )ds est une G-martingale.
Exercice 1.5.2 Soit T un temps d’arrêt et X une variable aléatoire appartenant à FT , vérifiant
X ≥ T . Montrer que X est un temps d’arrêt.
Exercice 1.5.3 Exemple de processus adapté. Soit T un temps d’arrêt. Montrer que le pro-
cessus Xt = 11]0,T ] (t) est adapté.
Exercice 1.5.4 Comparaison de tribus. Soit S et T deux temps d’arrêt tels que S ≤ T . Montrer
que FS ⊂ FT .
Exercice 1.5.5 Propriété de mesurabilité. Soit S un temps d’arrêt. Montrer que S est FS -
mesurable.
Exercice 1.5.7 Exemple de processus càdlàg. Soit S et T deux temps d’arrêt tels que S < T .
Montrer que le processus Zt = 11[S,T [ (t) (égal à 1 si S ≤ t < T et à 0 sinon) est un processus càdlàg.
Exercice 1.5.8 Exemple trivial de temps d’arrêt. Montrer qu’une constante τ est un temps
d’arrêt. Quelle est dans ce cas la tribu Fτ ?
Exercice 1.5.9 Opérations sur les temps d’arrêt. Montrer que l’inf (resp. le sup) de deux
temps d’arrêt est un temps d’arrêt.
Enoncés 13
Exercice 1.5.11 Théorème d’arrêt. Soit M une martingale continue telle que M0 = a et
loi a
limt→∞ Mt = 0. Montrer que sup Mt = où U est une v.a. de loi uniforme sur [0, 1].
U
P(A) = 0 ⇐⇒ Q(A) = 0.
Exercice 1.6.1 Montrer que si P est une probabilité et Z une v.a., telle que l’égalité dQ = ZdP
(soit Q(A) = EP (Z11A )) définit une probabilité, alors EP (Z) = 1 et P(Z < 0) = 0.
P(U = 0) = 1 − p, P(U = 1) = p.
Soit Y la variable définie par Y = λU + µ(1 − U ). Dans quels cas cette variable est elle
d’espérance 1? Soit dQ = Y dP, Calculer Q(U = 1). Quelle est la loi de U sous Q?
2. Soit X est une v.a. de loi N (m, σ 2 ) sous P et soit Y = exp{h(X −m)− 21 h2 σ 2 }. Soit dQ = Y dP.
Calculer EQ {exp(λX)}) = EP {Y exp(λX)}. En déduire la loi de X sous Q (utiliser l’exercice
1.2.1.
3. Soit X est un vecteur gaussien sous P et U une variable telle que le vecteur (X, U ) soit gaussien.
1
On pose dQ = Y dP avec Y = exp(U − EP (U ) − VarP U ). Montrer que X est gaussien sous
2
Q, de même covariance que sous P.
N2 loi
Soit N et N 0 deux variables N (0, 1) indépendantes. Montrer que = A.
N 2 + N 02
N 1
Soit C = . Montrer que C a une loi de Cauchy et que a une loi Arc sinus.
N0 1 + C2
1.8 Divers
Exercice 1.8.1 Soit X un processus at Mt = sup0≤s≤t Xs . On note τ une v.a. de loi exponentielle
de paramètre θ indépendante de X. Montrer que
Z ∞
−λu −θTu
E (exp(−λMτ )) = 1 − λE due e
0
Exercice 1.8.3 Transformée de Laplace et moments. Soit X et Y deux v.a. bornées telles
que E(eλX) = E(eλY ) pour tout λ. Montrer que X et Y ont même moments.
Exercice 1.8.4 Markov. Soit X un processus de Markov fort et Ta = inf{t : Xt = a}. Montrer
que, pour t < T
P(XT ∈ dx |Xt = a) = P(XT ∈ dx|Ta = t) .
Mouvement Brownien
Dans tout ce qui suit, (Bt , t ≥ 0) est un mouvement Brownien réel (un processus à accroissements
indépendants issu de 0, tel que pour t > s, Bt − Bs est une v.a. gaussienne centré de variance t − s)
et on note F = (Ft , t ≥ 0) sa filtration naturelle.
Dans certains exercices, il sera précisé que B est issu de x.
On rappelle que si X est un processus continu issu de 0, c’est un mouvement Brownien si et seulement
si X et (Xt2 − t, t ≥ 0) sont des martingales.
Le mouvement Brownien est un processus de Markov fort: pour tout temps d’arrêt τ fini
Exercice 2.1.2 Caractérisation 2. Montrer qu’un processus continu X est une mouvement
Brownien si et seulement si, pour tout λ le processus exp(λXt − 12 λ2 t) est une martingale.
1. Calculer pour tout couple (s, t) les quantités E(Bs Bt2 ), E(Bt |Fs ), E(Bt |Bs ) et E(eλBt |Fs ).
Rt Rt
2. Calculer E( 0 Bu du|Fs ) avec t > s et E( 0 Bu du|Bs )
3. On a vu, dans Exercice 1.2.1, que si Z est une v.a. gaussienne centrée de variance σ 2 , on a
E(Z 4 ) = 3σ 4 . Calculer E(Bt2 Bs2 ).
4. Quelle est la loi de Bt + Bs ?
5. Soit θs une variable aléatoire bornée Fs -mesurable. Calculer pour t ≥ s, E(θs (Bt − Bs )) et
E[θs (Bt − Bs )2 ].
6. Calculer E(11Bt ≤a ) et E(Bt 11Bt ≤a ).
Rt Rt
7. Calculer E( 0 exp(Bs )ds) et E(exp(αBt ) 0 exp(γBs )ds).
8. Calculer E(eBt |Fs ) et E((aeBt − b)+ |Fs ).
15
16 Brownien.
√
Exercice 2.1.4 Lois. Montrer que E(f (Bt )) = E(f (G u + Bt−u )) avec G v.a. indépendante de
Bt−u et de loi gaussienne centré réduite. En déduire le calcul de E(f (Bt )|Fs ).
Exercice 2.1.5 Soit Θ une variable aléatoire de loi exponentielle de paramètre θ (soit P (Θ ∈ dx) =
θe−θx 11x>0 dx) indépendante de B. Quelle est la loi de BΘ ?
Exercice 2.1.6 Des martingales. Parmi les processus suivants, Z t quels sont
Z t ceux qui sont des
martingales. (On pourra utiliser, sans démonstration, que E[ Bu du|Fs ] = E[Bu |Fs ] du.)
0 0
Rt
1. Mt = Bt3 − 3 0
Bs ds.
2. Zt = Bt3 − 3tBt .
Rt
3. Xt = tBt − 0 Bs ds.
Z
1 t
4. Ut = sin Bt + sin(Bs ) ds.
2 0
Rt
5. Yt = t2 Bt − 2 0 Bs ds.
Exercice 2.1.8 Changement de temps. Soit Zt = BA(t) où A est une fonction déterministe
continue strictement croissante.
1. Calculer l’espérance et la variance de Zt . Ce processus est-il une martingale par rapport à F?.
2. On définit Gt = FA(t) . Montrer que Z est une G-martingale.
3. Déterminer le processus croissant C tel que (Zt )2 − Ct soit une G-martingale.
4. Soit un processus M tel que M est une martingale et il existe A, fonction déterministe continue
strictement croissante telle que Mt2 − A(t) est une martingale. On note C l’inverse de A, c’est-
à-dire la fonction telle que C(A(t)) = t. Montrer que Wt = MC(t) est un mouvement Brownien.
Exercice 2.1.11 Calcul de transformée de Laplace. Calculer Ex exp(−λWt2 ) .
Bt
1. Montrer que limt→∞ =0
t
2. Montrer que limt→∞ Px (Bt < 0) = 1/2. En déduire que pour tout x > 0, si T0 = inf{t : Bt =
0}, on a Px (T0 < ∞) ≥ 1/2. (En fait, on peut montrer que T0 est fini ps.)
Z 1
Bs
Exercice 2.1.13 Montrer que l’intégrale ds est convergente.
0 s
Enoncés 17
Exercice 2.1.14 Tribu triviale. On admettra qu’un ensemble appartenant à la filtration F0 = F0+
a pour probabilité 0 ou 1.
1
Si τ = inf{t ≥ 0 : Bt > 0}, montrer que P (τ ≤ t) ≥ . En déduire que P (τ = 0) = 1.
2
Exercice 2.1.16
Z τ Soit τ un temps d’arrêt, λZ> ∞0 et u une fonction
continue bornée. On pose
−λt −λt
g(x) = Ex e u(Bt )dt et f (x) = Ex e u(Bt )dt où comme d’habitude l’indice x
0 0
précise que le Brownien est issu de x.
2. Montrer que Z
∞
Ex e−λt u(Bt )dt = Ex 11τ <∞ e−λτ f (Bτ ) .
τ
α2
Exercice 2.1.17 Polynômes d’Hermite. Les polynômes d’Hermite Hk sont définis par eαx− 2 =
X αk α2
Hk (x). Montrer qu’il existe Hk (x, t), polynômes en les deux variables (t, x) tels que eαx− 2 t =
k!
X αk
Hk (x, t). En déduire la valeur de E(Btk |Fs ).
k!
Exercice 2.1.18 Des gaussiennes. Soit St = exp(µt + σBt ). Calculer l’espérance et la variance
Z T Z T
de St dt et ln St dt. Ces variables sont-elles gaussiennes?
0 0
Exercice 2.1.20 Filtration. Soit Gt = Ft ∨ σ(B1 ). Vérifier que B n’est pas une G-martingale.
Exercice 2.2.3 Non-existence de processus. Montrer qu’il n’existe pas de processus ”régulier”
X tel que ∀(s, t), s 6= t, les variables Xt et Xs soient indépendantes, centrées gausssiennes, et E(Xt2 )
Z t
localement borné. On considérera Xs ds et on montrera que ce processus serait Gaussien, on
0
calculera son espérance et sa variance.
loi
4. Montrer que (Zt = (Bt |B1 = 0)).
Z t
Bs
Exercice 2.2.5 Un exemple surprenant. Montrer que Zt = Bt − ds est un processus
0 s
gaussien. Calculer sa variance et sa covariance. En déduire que Z est un mouvement Brownien.
Montrer que Z n’est pas une FB -martingale, où FB est la filtration naturelle de B.
u
Exercice 2.2.6 Pont. Soit B un MB et Γt l’espace Gaussien engendré par (Bu − Bt , u ≤ t).
t
Montrer que Γt est croissant en t. Montrer que Γ(Bu , u ≤ t) = Γt ⊕ Γ(Bt ) où Γ(G) est l’espace
engendré par G.
m2
Exercice 2.2.7 Changement de probabilité. Soit B un MB, Lt = exp(mBt − t) , et Q
2
définie sur FT par dQ = LT dP. Montrer que B̃t = Bt − mt est, sous Q, un processus gaussien à
accroissements indépendants. Montrer que B̃t est un Q-mouvement Brownien.
Exercice 2.2.8 Soit B un mouvement Brownien, p > 1 et τ une v.a. positive. On admettra que
E(sup(|Bt | − tp/2 )) < ∞
t
1. Montrer que
E(sup(|Bt | − µtp/2 )) = λE(sup(|Bs | − sp/2 ))
t s
1
avec λ = ( )1/(p−1) .
µ
2. Montrer que E(|Bτ |) ≤ E(supt (|Bt | − µtp/2 )) + µE(τ p/2 ).
3. Montrer que
∀p > 1, ∃Cp , ∀τ, E(|Bτ |) ≤ Cp ||τ 1/2 ||p
est un Brownien.
Exercice 2.3.3 Soit B un Brownien n-dimensionnel. Soit f une fonction borélienne bornée. Mon-
trer que, pour 0 < s < t Ex (f (Bt )|Fs ) = Φ(Bs ) avec Φ(x) = Ex [f (Bt−s )]. En déduire que B i B j est
une martingale pour i 6= j.
est une martingale pour tout couple (a, b), W1 et W2 sont des MB. Calculer E[exp(aW1 (t) +
bW2 (t))].
Exercice 2.4.1 Transformée de Laplace. Montrer que Ta est un temps d’arrêt. Calculer
E(e−λTa ) pour tout λ réel. Montrer que P(Ta < ∞) = 1 et que E(Ta ) = ∞.
Mêmes questions avec τa = inf{t : St = a} où St = exp(σBt ).
Exercice 2.4.4 On suppose b < 0 < a. Montrer que (a − Bt )(Bt − b) + t est une F-martingale. En
déduire E(Ta,b ) où Ta,b = Ta ∧ Tb .
Exercice 2.4.5 Premier instant. Soit B un MB issu de 0 et T d = d+inf{t : Bt+d = 0}. Calculer
d d
E(e−λT ) et E(11Bd ≤a e−λT ).
∗
Soit T ∗ = d si Bd ≥ −a et T ∗ = d + T d si Bd ≤ −a, Bd+T d ≥ −a. Calculer E(e−λT ).
Exercice 2.4.6 Soit Tea et Tba deux v.a. indépendantes de même loi que Ta . Quelle est la loi de
Tea
(Sans faire de calculs).
Tea + Tba
dx
Exercice 2.4.7 Loi de l’inf. Soit I = − inf s≤T1 Bs . Montrer que P(I ∈ dx) = .
1 + x2
Exercice 2.4.8 Soit Ta∗ = inf{u : Mu − Bu > a} avec Mu = supt≤u Bt . Montrer que MTa∗ a une
loi exponentielle.
Exercice 2.4.9 Temps d’atteinte Soit A et B deux nombres positifs. On note Xt = µt + σBt et
exp(−2µx/σ 2 ) − exp(2µB/σ 2 )
h(x) = . Vérifier que h(Xt ) est une martingale. Le temps d’arrêt τ
exp(−2µA/σ 2 ) − exp(2µB/σ 2 )
est défini par
τ = inf{t : Xt = A ouXt = −B} .
Calculer P(Xτ = A).
Exercice 2.4.12 On trouve parfois (voir exercice précédent, ou les temps d’atteinte d’un niveau)
des temps d’arrêt τ tels que τ et Bτ sont indépendants. Ceci n’est cependant pas très courant.
Dans ce qui suit on admettra le résultat (non trivial) suivant (Cramer) Si X et Y sont deux v.a.
indépendantes telles que X + Y est une v.a. gaussienne, alors X et Y sont des gaussiennes.
Le but de cet exercice est de montrer : si τ est borné par K et si τ et Bτ sont indépendants,
alors τ est une constante.
2.5 Scaling
Z t Z T
Exercice 2.5.1 Montrer que le calcul de E( exp(νs + σBs ) ds) se déduit de E( exp(2(µs +
0 0
Bs ) ds). On ne demande pas de faire ce calcul.
Exercice 2.5.2 Soit T1 = inf{t : Bt = 1}. Utiliser le scaling du MB pour établir les égalités en loi
suivantes
loi 1
1. T1 = avec S1 = sup(Bu , u ≤ 1)
S12
loi
2. Ta = a2 T1 avec Ta = inf{t : Bt = a}.
loi loi
3. gt = tg1 , dt = td1 où gt = sup{s ≤ t : Bs = 0} et dt = inf{s ≥ t : Bs = 0}. Montrer que
loi t loi 1
{gt < u} = {du > t}. En déduire gt = d1 = d(1/t) .
4. On suppose que A est un processus croissant continu tel que, pout tout c
loi √
(Bct , Act , t ≥ 0) = ( cBt , cAt ; t ≥ 0)
loi loi
On note ∆a = inf{t : At ≥ a}. Montrer que d∆a = ad∆1 . En déduire Ag = 1/d∆1 .
Exercice 2.5.4 Soit A une fonctionnelle du mouvement brownien. On dit que A a la propriété
(hom) s’ il existe r ∈ R tel que pour tout c,
loi √
(Bct , Act ; t ≥ 0) = ( cBt , cr+1 At ; t ≥ 0)
Z t
Pour quelle valeur de r la fonctionnelle At = 11(Bs >0) ds a t’elle la propriété (hom)? Même
0
question pour le temps local (voir la définition plus loin)
2.6 Compléments
Exercice 2.6.1 Projection d’un Brownien. Soit B un MB dans sa filtration F et G une filtration
bt est un MB. Montrer que B
plus petite que F. On suppose que E(Bt |Gt ) = B bt = Bt .
Exercice 2.6.3 Représentation prévisible. Soit B (i) , i = 1, 2, 3 trois MB, avec B (i) , i = 1, 2
(3) (1) (2)
indépendants. Montrer qu’il n’est pas possible d’avoir σ(Bs , s ≤ t)) = σ(Bs , Bs , s ≤ t). On
(1) (2)
utilisera le théorème de représentation prévisible pour représenter Bt , Bt en terme de B (3) .
Enoncés 23
Exercice 2.6.4 Ponts, suite de ex. 2.2.6 Pour chaque t on définit la tribu
s
Ftβ = σ{(Bs − Bt , s ≤ t}
t
1. F = BT ,
Z T
2. F = Bs ds,
0
3. F = BT2 ,
4. F = exp BT .
Exercice 2.6.8 Le mouvement Brownien B est issu de 0. Soit W un second mouvement Brownien
issu de 0 indépendant de B et
Z t Z t
Ws 1
Xt = (1 − t) 2
ds + (1 − t) dBs .
0 (1 − s) 0 1−s
Z t Z t Z s Z t
Ws Wu Ws
1. Montrer que ds − ds du = (1 − t) ds.
0 1−s 0 0 (1 − u)2 0 (1 − s)2
2. En admettant que Z t si f et Zg ssont deux fonctions déterministes on peut intervertir le sens des
intégrales dans dsf (s) g(u)dBu , montrer que
0 0
Z t Z s Z t
1 1
Bt − ds dBu = (1 − t) dBs
0 0 1−u 0 1−s
24 Brownien.
Exercice 2.6.9 Soit G une filtration, W un G mouvement brownien. Soit H une filtration plus
petite que G. Montrer que le processus Mt = E(Wt |Ht ) est une martingale. (on précisera par
Z t
rapport à quelle filtration). Soit Xt = Wt + Yu du où Y est un processus G adapté. On note FX
0 Z t
b X
la filtration de X et Yu = E(Yu |Fu ). Vérifier que Zt = (Xt − Ybu du, t ≥ 0) est une FX -martingale
0
(on calculera l’espérance conditionnelle de Zt par rapport à FX
s .
Exercice 2.6.10 Let X be a Brownian motion with drift µ and MtX = sup{ s ≤ t}Xt . Prove that
Z ∞
E(MTX |Ft ) = MtX + (1 − F (T − t, u)du
MtX −Xt
where F (T − t, u) = P(MTX−t ≤ u)
2.7 Finance
Exercice 2.7.1 Black et Scholes. Calculer E(e−at (St − K)+ ) quand
σ2
St = xebt exp(σBt − t)
2
Ecrire la formule obtenue quand a = b = r et quand a = r, b = r − δ. Calculer E(e−rt (St − K)+ |Fs )
pour s < t.
Exercice 2.7.2 Options reset Une option reset est caractérisée par une suite de dates t1 , t2 , . . . , tn .
Le payoff de cette option est
X
A= (ST − Sti )+ 11Sti =inf{K,St1 ,St2 ,...,Stn } + (ST − K)+ 11K=inf{K,St1 ,St2 ,...,Stn }
i
σ2
St = xert exp(σBt − t)
2
.
2.8 Problème
2.8.1 Partie I : Résultats préliminaires
Soit (Bt )t≥0 un mouvement Brownien standard sur un espace de probabilit (Ω, F, P ). On note
(Ft )t≥0 la filtration naturelle de B.
Enoncés 25
Etant donné un processus continu (Xt )t≥0 à valeurs réelles, on pose pour t > 0 ,
MtX = sup Xs ,
s≤t
mX
t = inf Xs .
s≤t
1. En inversant la transformée de Laplace de TaB , montrer que la densité de la loi de TaB est
donnée par 2
a a
√ exp − 1(t>0) .
2πt 3 2t
2. Démontrer que pour λ ≥ 0 ,
h i √ −1
E exp(−λT̃aB ) = cosh a 2λ .
6. En-déduire que pour chaque t > 0 , les variables aléatoires MtB et |Bt | ont la même loi.
7. Vérifier que pour chaque t > 0 , la densité de la loi du couple (Bt , MtB ) est donnée par
2(2c − b) (2c − b)2
√ exp − 1{0≤c} 1{b≤c} .
2πt3 2t
2.8.2 Partie II
On considère le processus (Yt )t≥0 défini par : ∀t ≥ 0 , Yt = µ t + Bt , où µ ∈ R .
1. Montrer qu’il existe une mesure de probabilité Pµ sous laquelle (Yt )t≥0 est un mouvement
Brownien standard.
2. En utilisant le résultat de la question I.7. , en-déduire que pour chaque t > 0 , la densité de la
loi du couple (Yt , MtY ) est donnée par
2(2c − b) (2c − b)2 1 2
√ exp − . exp µ b − µ t 1{0≤c} 1{b≤c} .
2πt3 2t 2
26 Brownien.
1. Expliciter la probabilité Pθ qui fait de (B̃t )t≥0 un mouvement Brownien standard, avec B̃t =
θt + Bt et θ = σr − σ2 .
3. Montrer que
(2r/σ2 )−1
H
P St ≤ K , MtS ≤ H = N (d1 ) − N (d2 ) ,
x
avec
1 2K √
d1 = log − r− σ t /σ t ,
2 x
Kx 1 2 √
d2 = log 2
− r− σ t /σ t .
H 2
4. Montrer que
(2r/σ2 )−1
H
P St ≥ K , mSt ≥ H = N (d3 ) − N (d4 ) ,
x
avec
x 1 √
d3 = log + r − σ 2 t /σ t ,
K 2
2
H 1 √
d4 = log + r − σ 2 t /σ t .
xK 2
avec
1K √
d5 = − r + σ 2 t /σ t ,
log
2x
Kx 1 2 √
d6 = log 2
− r + σ t /σ t .
H 2
avec
x 1 2 √
d7 = log + r+ σ t /σ t ,
K 2
2
H 1 2 √
d8 = log + r+ σ t /σ t .
Kx 2
Enoncés. 2005-06 27
h i
7. On pose v1 (x, T ) = E e−rT (ST − K)+ 1{mST ≥H} .
Montrer que
" (2r/σ2 )+1 # " (2r/σ2 )−1 #
H −rT H
v1 (x, T ) = x N (d7 ) − N (d8 ) − e K N (d3 ) − N (d4 ) .
x x
∂
Déterminer la quantité ∂x v1 (x, T − t) .
h i
8. On pose v2 (x, T ) = E e−rT (ST − K)+ 1{MTS ≤H} . Donner une formule explicite pour v2 (x, T )
∂
et ∂x v2 (x, T − t) .
9. On pose h i
v3 (x, T ) = E e−rT (ST − K)+ 1{MTS ≥H} ,
h i
v4 (x, T ) = E e−rT (ST − K)+ 1{mST ≤H} ,
v(x, T ) = E e−rT (ST − K)+ .
Donner une relation entre v2 (x, T ) ,v3 (x, T ) et v(x, T ) d’une part et entre v1 (x, T ) ,v4 (x, T ) et
v(x, T ) d’autre part.
28 Itô.
Chapter 3
Intégrale d’Itô
Dans tout ce chapitre, B est un mouvement Brownien dont la filtration est notée F.
On considère un processus θ,
f f -adapté continu à gauche, et admettant des limites à droite, tel que
Z ∞
θt2 dt < ∞, a.s
0
P i,n
on montre qu’il existe des processus θ de la forme θtn =
n
θ 11]ti ,ti+1 avec θi,n ∈ L2 (Ω) et Fti -
2
mesurables, convergeant vers θ dans L2 (Ω × R+ ) (au sens où kθ − θn k → 0 quand n → ∞. On
Rt Pk(n) j,n
définit 0 θs dBs , comme la limite de j=1 θ̃ (B(tj+1 ) − B(tj ))
Rt
Le processus I(θ)t = 0 θs dBs a les propriétés suivantes. Si
Z ∞
E θt2 dt < ∞, ∀t
0
le processus I(θ) est une martingale, dans les autres cas, c’est une martingale locale.
Si Z ∞
2
E θt dt < ∞, ∀t
0
le processus Z ∞
(I(θ)t − θt2 dt, t ≥ 0)
0
est une martingale.
Intégrale de Wiener: Si f est une fonction déterministe, de carré intégrable sur tout intervalle
[0, t], le processus (I(f )t , t ≥ 0) est un processus gaussien.
Crochet: Le crochet d’une martingale de carré intégrable continue M est l’unique processus
croissant hM i tel que Mt2 − hM it soit une martingale.
R∞
Le crochet de I(θ) est par définition hI(θ)it = 0 θt2 dt Si X et Y sont deux martingales continues
leur crochet hX, Y i est l’unique processus à variation bornée tel que XY − hX, Y i est une martin-
Rt
gale. Le crochet de deux intégrales stoichastiques est hI(θ), I(ψ)i = 0 θs ψs ds Si X et Y sont deux
semi-martingales continues leur crochet est le crochet des parties martingales
29
30 Itô.
Rt Rt
où a et σ sont des processus F-adaptés, vérifiant 0
|as |ds < ∞ et 0
σs2 ds < ∞.
dXt = at dt + σt dBt
dYt = bt dt + νt dBt
où
1
Af (t, x) = ∂t f (t, x) + b(t, x)∂x f (t, x) + ∂xx f (t, x)
2
Cette formule s’écrit aussi
1
df (t, Xt ) = ∂t f (t, Xt )dt + ∂x f (t, Xt )dXt + ∂xx f (t, Xt )dhXit
2
˙ , avec la table de
Les crochets se calculent formellement de la façon suivante dhX, Y i = dX dY
multiplication suivante
1
Rt
Exercice 3.1.3 Montrer que (Yt = sin(Bt ) + 2 0
sin(Bs ) ds, t ≥ 0) est une martingale. Calculer
son espérance et sa variance.
Rt π
Exercice 3.1.4 1. Montrer que le processus (Yt = 0
(tan s) dBs , 0 ≤ t < 2) est défini.
2. Montrer que Y est un processus gaussien, calculer son espérance, sa covariance et l’espérance
conditionnelle
E(Yt |Fs ).
Enoncés. 2005-06 31
Z t
Bs
3. Montrer que Yt = (tan t) Bt − ds.
0 cos2 s
1. Montrer que Z t
dBs
Xt = (1 − t) ; 0 ≤ t < 1.
0 1−s
2. Montrer que (Xt , t ≥ 0) est un processus gaussien. Calculer son espérance et sa covariance.
3. Montrer que limt→1 Xt = 0.
Exercice 3.1.6 Montrer que, si f est une fonction déterministe de carré intégrable
Z ∞ Z t
E(Bt f (s) dBs ) = f (s) ds .
0 0
1. Xt = Bt2
2. Xt = t + eBt
3. Xt = Bt3 − 3tBt
4. Xt = 1 + 2t + eBt
5. Xt = [B1 (t)]2 + [B2 (t)]2
1
6. Xt = (Bt + t) exp(−Bt − t)
2
7. Xt = exp(t/2) sin(Bt )
Z t
Exercice 3.2.2 Intégration par parties. Soit Xt = exp a(s)ds et
0
Z t Z s
Yt = Y0 + b(s) exp − a(u)du dBs
0 0
où a et b sont des fonctions boréleiines intégrables. On pose Zt := Xt Yt . Montrer que dZt =
a(t)Zt dt + b(t)dBt .
32 Itô.
Exercice 3.2.3 Intégration par parties. Soit Yt = tX1 (t)X2 (t) avec
Calculer dYt .
Exercice 3.2.4 Equation différentielle. On admet que le système suivant admet une solution
Z t
Xt = x + Ys dBs
Z 0t
Yt = y − Xs dBs
0
Exercice 3.2.6 On suppose que X est un processus d’Itô de drift a(Kt − Xt ), que Xt = f (Kt ) et
que Kt = bt + σBt où a, b, σ sont des constantes et B un mouvement brownien. Quelle est la forme
de f ?
2. Montrer que Y est une martingale locale. Donner une condition sur σ pour que ce soit une
martingale.
4. Calculer dZt .
1. On se place dans le cas ht = 0, ∀t. Montrer que (Mt = St e−(r−q)t , t ≥ 0) est une martingale
Mt
positive. On définit une probabilité Q par dQ|Ft = M0
dP |Ft . Comment se transforme le MB
B?
2. Dans le cas h non nul, expliciter St .
3. On suppose que ht = h(St ) où h est une fonction continue. On admet qu’il existe une solution
de l’EDS correspondante. Montrer que
RT
e−rT E(e− 0
h(Ss )ds
Ψ(ST )) = e−qT S0 EQ (ST−1 Ψ(ST ))
4. On se place maintenant dans le cas ht = St−p , avec p réel. On admet qu’il existe une solution
de l’EDS. On pose Zt = Stp .
(a) Quelle est la dynamique de Z?
(b) Vérifier, en utilisant l’exercice 4 que l’on peut expliciter Z.
(c) Pour quelles fonctions f , le processus f (Z) est il une martingale (locale)?
Exercice 3.2.10 Processus d’Ornstein Uhlenbeck. Soit X tel que dXt = (a − bXt )dt + dBt
Z t Z
c2 t 2
1. Montrer que Zt = exp c Xs dBs − X ds est une martingale locale.
0 2 0 s
2. Soit Ut = Xt2 . Ecrire dUt puis la variable Ut comme une somme d’intégrales.
Z t Z t Z t
1
3. Montrer que Xs dBs = (Xt2 − X02 − t) − a Xs ds + b Xs2 ds .
0 2 0 0
1. Montrer que Z est une martingale et que Zt tend vers 0 quand t tend vers 1..
2. Calculer E(Zt ).
3. Ecrire Zt sous la forme Z Z
t t
1
Zt = exp ( Φs dBs − Φ2s ds)
0 2 0
où Φ est un processus que l’on précisera.
dLt = Lt φdBt , L0 = 1
1. Déterminer la fonction Γ telle que, pour a ∈ R, le processus (Lt )a exp(−Γ(a)t) est une mar-
tingale.
2. En déduire le calcul de E [(Lt )a ] pour tout a ∈ R.
Calculer dVt et d ln Xt .
1 1
Exercice 3.2.17 Soit dXt = dBt + dt. Montrer que est une martingale (locale). Quelles
Xt Xt
sont les fonctions f telles que f (t, Xt ) soit une martingale locale?.
Z !
T
Exercice 3.2.19 Soit T fixé et B(t, T ) = exp − f (t, u)du avec
t
Montrer que
1
dB(t, T ) = (rt − α̃(t, T ) + σ̃(t, T ))B(t, T )dt − σ̃(t, T )B(t, T )dBt
2
Z T
où on a noté α̃(t, T ) = α(u, T )du
t
Exercice 3.2.21 Fonction d’échelle. Soit X un processus d’Itô. Une fonction s est une fonction
d’echelle si s(X) est une martingale locale. Déterminer les fonctions d’échelle des processus suivants:
1. Bt + νt
2. Xt = exp(Bt + νt)
Z t Z t
3. Xt = x + b(Xs )ds + σ(Xs )ds. Identifier le processus croissant A tel que s(Xt ) = βAt où
0 0
β est un MB.
σ 2 2 00
LV (x) = (1 − rx)V 0 (x) + x V (x)
2
Montrer que sur x > x∗ on a LV (x) − λV (x) ≤ 0 et que sur x ≤ x∗ , on a LV (x) − λV (x) = 0
En déduire que
V (Ψ0 ) ≥ Ẽ(e−λT V (ΨT ))
(en admettant que l’intégrale stochastique est une martingale).
Exercice 3.2.24 Pont Brownien Calculer P (sup0≤s≤t Bs ≤ y, Bt ∈ dx). En déduire que, pour
un pont brownien b, issu de x à l instant 0, qui doit se trouver en z, z > 0 à l’instant t, on a pour
y>z
(z + x − 2y)2 (z − x)2
P ( sup bs ≤ y) = exp − + .
0≤s≤t 2t 2t
Quelle est la valeur de P (sup0≤s≤t bs ≤ y) pour y < z?
Exercice 3.2.25 Formule de Clark-Ocone Soit f une fonction bornée de classe C 1 . Justifier
rapidement qu’il existe une fonction ψ telle que, pour t ≤ 1
Expliciter ψ(t, x) sous la forme d’une espérance (non conditionnelle). Ecrire la formule d’Itô pour
ψ en faisant les simplifications qui s’imposent. Montrer que
Z t
ψ(t, Bt ) = E(f (B1 )) + E(f 0 (B1 )|Fs )dBs .
0
36 Itô.
où B 1 et B 2 sont deux Browniens indépendants et où les coefficients r, σi sont constants.
def p
2. Soit S4 (t) = S1 (t)S2 (t). Ecrire l’équation différentielle stochastique vérifiée par S4 .
Exercice 3.3.2 Formule d’Itô multidimensionnelle. Soient (B1 (t), t ≥ 0) et (B2 (t), t ≥ 0)
deux mouvements Browniens indépendants. Soit (Li (t), i = 1, 2 , t ≥ 0)) les processus définis par
où (θi (t), i = 1, 2) sont des processus adaptés continus bornés. Soit Zt = L1 (t)L2 (t). Ecrire dZt .
Montrer que L1 (t)L2 (t) est une martingale.
Exercice 3.3.3 Soit (B1 (t), t ≥ 0) et (B2 (t), t ≥ 0) deux mouvements Browniens indépendants et
ρ une constante telle que |ρ| ≤ 1.
p
1. Montrer que le processus (Wt , t ≥ 0) défini par Wt = ρB1 (t)+ 1 − ρ2 B2 (t) est un mouvement
Brownien.
2. Soit (φi (t), t ≥ 0; i = 1, 2) deux processus continus adaptés de carré intégrable (tels que
RT
∀T ≥ 0, E( 0 φ2i (t) dt) < ∞).
(a) On définit (Zt , t ≥ 0) par dZt = φ1 (t)dB1 (t) + φ2 (t)dB2 (t) et Z0 = z. Montrer que Z est
une martingale.
(b) Soit Ψ(t) = φ21 (t) + φ22 (t). On suppose que Ψ(t) > 0. On définit (Yt , t ≥ 0) par
φ1 (t) φ2 (t)
dYt = p dB1 (t) + p dB2 (t) , Y0 = y .
Ψ(t) Ψ(t)
3. On définit√Rt = B12 (t) + B22 (t). Ecrire l’équation différentielle vérifiée par R et celle vérifiée
par Ut = Rt . On montrera que
a
dUt = dt + bdB3 (t)
Ut
3.4 Compléments
Exercice 3.4.1 Formule de Tanaka. Soit f une fonction et F définie par
Z x Z z
F (x) = dz f (y) dy
−∞ −∞
Vérifier que Z ∞
F (x) = (x − y)+ f (y)dy
−∞
Z x Z ∞
et que F 0 (x) = f (y) dy = f (y) 11x>y dy.
−∞ −∞
Montrer, en appliquant la formule d’Itô à F que
Z t Z ∞ Z t
f (Bs )ds = 2 f (y) (Bt − y)+ − (B0 − y)+ − 11Bs >y dBs dy .
0 −∞ 0
Z t Z t
2. Montrer que dZt = φ(Zs )dB1 (s) + ψ(Zs )ds.
0 0
Z t
def
3. Vérifier que Mt = B2 (t) + Xs dB1 (s) est une martingale. Calculer E(Mt2 ). En admettant
Z t 0
1. Quelle condition doit vérifier la fonction s pour que s(rt ) soit une martingale ?
2. Quelle condition doit vérifier la fonction f pour que f (t, rt ) soit une martingale ?
√
3. Soit Zt = rt2 et ρt = rt . Ecrire les EDS vérifiées par Zt et par ρt .
√ √
4. Soit drt1 = µ1 dt + 2 rt dBt1 et drt2 = µ2 dt + 2 rt dBt2 deux processus, avec B 1 et B 2 deux
browniens indépendants. On admettra que r et r2 sont indépendants. On note R le processus
1
défini par Rt = rt1 + rt2 . Montrer que R s’écrit sous la forme (4.1).
Exercice 3.4.5 Exponentielle. Soit X et Y deux martingales de la forme dXt = Ht dBt , dYt =
Kt dBt . On note Mt l’unique solution de l’équation dMt = Mt dXt , M0 = 1. Montrer que la solution
de dZt = dYt + Zt dXt , Z0 = z est
Z t
1
Zt = Mt (z + (dYs − Hs Ks ds))
0 M s
Quelle est la solution de dZt = dYt + Zt dXt lorsque dXt = Ht dBt1 , dYt = Kt dBt2 où B 1 et B 2 sont
deux MB éventuellement corrélés?
38 Itô.
1. Soit dLt = −Lt θt dBt où θt est un processus adapté continu de L2 (Ω×R) . On pose Yt = St Lt .
Calculer dYt .
2. Soit r une constante et ζt défini par
σ2
1. Montrer que ln Ss = ln St + (b − 2 )(s − t) + σ(Bs − Bt ) pour s ≥ t.
2. Montrer que At est une variable gaussienne.
Z
1 T
3. Soit G(t, T ) = (Bs − Bt ) ds. Montrer que
T t
t t 1 σ2
AT = At + (1 − )[ln St + (b − )(T − t)] + σG(t, T )
T T 2 2
4. Montrer que G(t, T ) est une variable gaussienne indépendante de Ft , dont on calculera l’espérance
conditionnelle et la variance conditionnelle (par rapport à Ft ).
5. En déduire que AT = Zt +U où Zt est Ft mesurable et U une variable gaussienne indépendante
de Ft . Montrer que α(t)eZt = E(eAT |Ft ),où l’on précisera la valeur de α.
Enoncés. 2005-06 39
1
RT
Exercice 3.5.4 Soit VT = h T −h
Su du où h est un nombre réel donné tel que 0 < h < T . Soit X
le processus défini par
e−bt Xt = E[e−bT VT |Ft ] .
Exercice 3.5.5 Soit Yt = Sta avec a ≥ 2. Quelle est l’EDS satisfaite par Y ? Calculer E(Yt ).
Les questions qui suivent peuvent être traitées dans un ordre différent.
Rt
1. Montrer que e−rt St + 0
δ(s)e−rs Ss ds est une martingale locale.
4. Calculer avec le minimum de calculs (on peut utiliser des résultats connus), E((ST − K)+ )
dans le cas δ constant.
3.6 Le crochet
Soit M une martingale continue de carré intégrable. On admet qu’il existe un processus croissant
A tel que Mt2 − At est une martingale. On note At = hM, M it = hM it ce processus que l’on appelle
le crochet de M .
1. Calculer hM i pour M = B.
Z t
2. Calculer hM i pour Mt = σs dBs
0
Exercice 3.6.2 Crochet de martingales. Soit M et N deux martingales. On pose, par analogie
avec 2ab = (a + b)2 − a2 − b2
3.7 Finance
Nous considérons un marché financier comportant un actif sans risque de dynamique
dSt0 = St0 rt dt
où r est un processus F-adapté (très souvent, une fonction déterministe ou une constante) et des
actifs risqués dont les prix sont donnés par des processus d’Itô, sous une probabilité P dite historique.
Si S est un prix, la quantité S(S 0 )−1 est le prix actualisé. Une mesure martingale équivalente est une
mesure de probabilité Q, équivalente à la probabilité historique P telle que les prix actualisés sont
des martingales (locales). Un marché est sans arbitrage s’il existe au moins une mesure martingale
équivalente, complet si cette mme est unique. Dans le cas d’un marché complet sans arbitrage le
prix d’un actif contigent H (une variable aléatoire) est
Exercice 3.7.1
On considère un marché financier où deux actifs sont négociés: un actif sans risque, de taux constant
r, un actif risqué dont le prix S suit la dynamique
1. Quelle serait la richesse d’un agent qui détiendrait à chaque instant t, un nombre de parts
d’actif risqué égal à t, en utilisant une stratégie autofinançante
2. Quelle serait la richesse terminale (à l’instant T ) d’un agent de richesse initiale x qui souhaite
avoir un montant de cash égal à (T − t)x à chaque instant t en utilisant une stratégie autofi-
nançante (on donnera le résultat sous forme d’un intégrale stochastique dont tous les coefficients
sont explicites)
Exercice 3.7.3 Autofinancement Cet exercice important montre que la définition de l’autofinancement
est invariante par changement de nbuméraire. Question préliminaire: Soit X et Y deux processus
d’Itô continus (on ne précisera pas leur dynamique, c’est inutile pour ce qui suit). Rappeler la
formule d’intégration par parties pour d(XY ). En déduire que
1 1 1
Xt d( )+ dXt + dhX, it = 0 .
Xt Xt X
On considère un marché comportant deux actifs dont les prix sont des processus d’Itô S 1 et S 2 tels
que S 1 est strictement positif. Un portefeuille de valeur Vt = πt1 St1 + πt2 St2 est autofinancant si
On choisit comme numéraire le premier actif et on note Vet = Vt /St1 , Set2 = St2 /St1 , d’où
Le but de cet exercice est de montrer que la notion d’autofinancement ne dépend pas du choix de
numéraire, c’est-à-dire que
dVt = πt1 dSt1 + πt2 dSt2 (3.4)
implique
dVet = πt2 dSet2 . (3.5)
1 1 1
1. Calculer dhV, it en fonction de dhS (1) , itit et dhS (2) ,
S (1) S (1)
S (1)
!
1 2 (2) 1 1 (2) (2) 1
2. Montrer que dVt = πt St d (1) + (1) dSt + dhS , (1) it
St St S
!
(2)
1 2 St
3. Montrer que dVt = πt d (1)
.
St
Exercice 3.7.4 Dans un marché incomplet, il existe des actifs contingents duplicables. En partic-
Z T
ulier, montrer que (aSs + b)ds est duplicable lorsque S est un processus d’Itô.
0
Exercice 3.7.5 Equation d’évaluation. Soit dSt = rSt dt+St σ(t, St )dBt , où r est une constante.
1. Montrer que E(Φ(ST )|Ft ) est une martingale pour toute fonction Φ borélienne bornée.
3. Soit ϕ(t, x) la fonction définie par ϕ(t, St ) = E(Φ(ST )|St ). Ecrire dZt avec Zt = ϕ(t, St ).
42 Itô.
4. En utilisant que ϕ(t, St ) est une martingale, et en admettant que ϕ est C 1,2 , montrer que pour
tout t > 0 et tout x > 0:
∂ϕ ∂ϕ 1 ∂2ϕ
(t, x) + rx (t, x) + σ 2 (t, x)x2 2 (t, x) = 0 .
∂t ∂x 2 ∂x
Quelle est la valeur de ϕ(T, x)?
Exercice 3.7.7 Volatilité stochastique Soit r un réel et (σt , t ≥ 0) un processus aléatoire (Ft )
adapté tel que σ1 ≤ σt ≤ σ2 où σ1 et σ2 sont des constantes.
1. On note V1 la fonction V1 (t, x) définie par V1 (t, x) = e−r(T −t) E(h(XT )|Xt = x) lorsque dX(t) =
X(t)(rdt + σ1 dBt ). Montrer que e−rt V1 (t, Xt ) est une martingale.
2. Ecrire l’ EDS vérifiée par le processus V1 (t, Xt ). En déduire que la fonction V1 satisfait une
EDP. Dans la suite, on suppose V1 convexe en x.
3. Soit dS1 (t) = S1 (t)(rdt + σt dBt ). Ecrire la formule d’Itô pour e−rt V1 (t, St ). En déduire
e−rT V1 (t, ST ) en fonction de e−rt V1 (t, St ), d’une intégrale en dt dont on donnera le signe et
d’une intégrale stochastique.
4. Montrer que e−rt V1 (t, St ) ≤ E(e−rT h(ST )|Ft ) ≤ e−rt V2 (t, St ).
où on explicitera µ et φ.
Enoncés. 2005-06 43
Exercice 3.7.9 Portefeuille de marché. On considère un marché comportant un actif sans risque
de taux r et un actif risqué de dynamique
1. Montrer qu’un portefeuille autofinançant est caractérisé par le couple (v, β) tel que
3. On suppose que dYt = Yt (rdt + νdBt ), Y0 = y. Soit γ une constante. Montrer que Y γ vérifie
une équation du type (3.6) où l’on précisera la valeur de δ et de σ.
1. Soit M une martingale telle que MT ≥ 0. Montrer que Mt ≥ 0 pour t < T . Cette propriété
s’étend-elle au cas t > T ? Si oui, donner une démonstration, sinon, donner un contre exemple.
Soit τ un temps d’arrêt borné par T . On suppose que Mτ = 0. Montrer qu’alors Ms = 0 pour
s ∈ [τ, T ].
3. Un agent de richesse initiale x souhaite former un portefeuille tel que VT > K. Quelle condition
sur x cela implique t’il? Comment peut-il réaliser cet objectif? (on donnera plusieurs solutions)
r
Yt
Exercice 3.7.12 Soit dXt = Xt dBt et dYt = gt dBt +µdt. On note C(T −t, x, σ) la fonction
T −t r
Yt
de Black-Scholes. Donner une relation entre g, µ pour que C(T − t, Xt , ) soit une martingale.
T −t
44 Exemples. Enoncés
Z T
σ2
Exercice 3.7.13 Calcul de E(exp − rs ds|Ft ) avec rt = f (t) + t + σBt
0 2
Exercice 3.7.14 On considère un marché dans lequel sont négociés trois actifs Un actif sans risque
dont la dynamique est dSt0 = St0 rdt et DEUX actifs risqués
Exemples
Dans tout ce chapitre, B est un mouvement Brownien dont la filtration est notée F.
1. Soit f (t, x) une fonction de Cb1,2 . Quelle condition doit vérifier la fonction f pour que f (t, rt )
soit une martingale ?
√
2. Soit Zt = rt2 et ρt = rt . Ecrire les EDS vérifiées par Zt et par ρt .
√ √
3. Soit drt1 = µ1 dt + 2 rt dBt1 et drt2 = µ2 dt + 2 rt dBt2 deux processus, avec B 1 et B 2 deux
browniens indépendants. On admettra que r1 et r2 sont indépendants. On note R le processus
défini par Rt = rt1 + rt2 . Montrer que R s’écrit sous la forme (4.1).
45
46 Exemples. Enoncés
λ2 Tm
3. En déduire la valeur de E exp(− ) où Tm = inf{t : Rt = m}, avec m > 0.
2
4. Soit f une fonction continue bornée et a un nombre réel. Quelles conditions doit vérifier la
fonction v pour que
Z t
v(Rt ) exp[−at − f (Rs )ds]
0
1
Exercice 4.1.4 Processus de Bessel de dimension 2. Soit dRt = dWt + dt.
2Rt
√
4. Montrer que drt = (a − brt ) dt + σ rt dBt
1. Soit Zt = (Bt )2 . Montrer que Z vérifie une équation de la forme (4.2). Quelle est la valeur de
µ correspondante?
(µ) (ν)
(c) En déduire que Xt = Rt + Rt vérifie
p
dXt = βdt + 2 Xt dZt
On explicitera β en fonction de µ et ν.
(µ) (µ)
5. (a) On suppose que l’on connaı̂t E(Rt ) = m(µ) et Var(Rt ) = v(µ) pour tout µ. Exprimer
E(Xt ) et Var(Xt ) en fonction de m et v.
√
(b) On admet que, si W est un brownien issu de x (voir exo 2.1.11)
1 λx
E(exp −λ(Wt )2 ) = √ exp(− ) (4.4)
1 + 2λt 1 + 2λt
(1) (1) (2)
Comment calculer E(exp −λ[ρt ]2 ), E(exp −λRt (x)) et E(exp −λRt (x)) ?.
(µ) (ν)
On utilisera la question (d) et l’indépendance de Rt et Rt .
6. Montrer que
µ−1
(µ) (1) (1)
E(exp −λRt (x)) = E(exp −λRt (x)) E(exp −λRt (0))
(µ)
Calculer E(exp −λRt (x)).
48 Exemples. Enoncés
(µ) (ν)
7. Comment démontrer l’indépendance de Rt et Rt ?
Comment démontrer (4.4) ?
1
1. Montrer que ( Xct , t ≥ 0) est un BESQ(δ) (x/c).
c
2. Monter que, si F est un processus adapté
Z Z
1 t 1 t 2
Zt = exp{ Fs d(Xs − δs) − F Xs ds}
2 0 2 0 s
4. Soit Φ solution de
Φ00 = b2 Φ , Φ(0) = 1, Φ0 (1) = 0
Z
1 b2 t
Montrer que Zt = exp{ F (t)Xt − F (0)X0 − δ ln Φ(t) − Xs ds}. On admettra que Z est
2 2 0
une martingale.
5. En déduire que
Z 1
1
Q(δ)
x (exp − Xs ds) = (cosh b)−δ/2 exp(−xb tanh b)
2 0
Exercice 4.2.5 Application du théorème de Lamperti The following absolute continuity relation
between two BES processes (with ν ≥ 0)
ν 2Z t
(ν) Rt ν ds
Px = exp − Px(0)
x 2 0 Rs2
Montrer que
Z !! Z !
T T
1 ∂u ϕ(t, T ) 1 ∂u ϕ(s, T )
Et,x exp − Xu m(u)du = exp x exp δ(u)du
2 t 2ϕ(t, T ) 2 t ϕ(s, T )
1. Calculer la dynamique de Z −1 .
def Zt − a
2. soit ζt = . Calculer la dynamique de ζ et celle de ln ζ.
b − Zt
3. Soit Xt = (b − Zt )g(t, ζt ). Donner une condition sur g pour que X soit une martingale. Sauriez
vous résoudre l’équation obtenue ?
4. Soit Y solution de
Montrer qu’il existe une probabilité Q que l’on déterminera telle que, sous Q Y ait même loi
que Z sous P.
Exercice 4.3.2 Un processus stationnaire. Soit X vérifiant dXt = −aXt dt+σdBt , X0 v.a. donnée.
1. Explicitez Xt .
2. Montrer que si X0 est une v.a. gaussienne indépendante de B, le processus X est un processus
gaussien.
Φ(a, T ) = P (Bt ≤ at , ∀t ≤ T )
Exercice 4.4.2 Un calcul de loi Let dXt = µ(t)dt + σ(t)dBt , X0 = 0 where µ and σ are piece
wise constant over known time.
Let us restrict our attention to the case
où on explicitera a et b.
Exercice 4.4.4 Changement de temps Soit dXt = −λXt dt + σdBt et τ = inf{t : |Xt | > g(t)}
où g est une fonction déterministe. Exprimer P (τ > t) en fonction de Ψ(u) = P (τ ∗ > u) avec
τ ∗ = inf{t : |Bt | > h(t)}.
Chapter 5
Equations différentielles
stochastiques
où l’inconnue est le processus X, les donnés sont le mouvement Brownien B (éventuellement multi-
dimensionel) et les fonctions b et σ.
L’équation précédente a une unique solution si a- les fonctions b et σ sont continues,
b- il existe K tel que pour tout t ∈ [0, T ], x ∈ R, y ∈ R
i) |b(t, x) − b(t, y)| + |σ(t, x) − σ(t, y)| ≤ K |x − y|
2 2 2
ii) |b(t, x)| + |σ(t, x)| ≤ K 2 (1 + |x| ). De plus cette solution vérifie
pose Yt = e−bt Xt . Quelle est l’EDS vérifiée par Yt ? Exprimer Yt sous la forme Yt =
1. On Z
t
y+ f (s)dBs où l’on explicitera la fonction f .
0
51
52 Equa. Diff.
et L le générateur associé
σ 2 2 00
LV (x) = (1 − rx)V 0 (x) + x V (x)
2
Soit u une solution de
Lu(x) − λu(x) = 0
x∗
On définit x∗ comme solution de x∗ u0 (x∗ ) = u(x∗ ) et v(x) = u(x). On admettra que v 00 (x) ≥ 0.
u(x∗ )
Soit enfin V définie par
V (x) = v(x), 0 ≤ x ≤ x∗
= x, x > x∗
Montrer que 1 − (r + λ)x∗ ≤ 0.
Ecrire la formule d’Itô pour e−λt V (Ψt ) (il apparait un terme LV (x) − λΨ(x)). Montrer que sur
x > x∗ on a LV (x) − λV (x) ≤ 0 et que sur x ≤ x∗ , on a LV (x) − V (x) = 0
En déduire que
V (Ψ0 ) ≥ Ẽ(e−λT V (ΨT ))
(en admettant que l’intégrale stochastique est une martingale).
est
1
Yt = exp {(α − β 2 )t + βBt } .
2
2. Montrer que si α ≥ 0, Y est une sous-martingale par rapport à la filtration (Ft ).
A quelle condition sur α, Y est elle une martingale?
Montrer que (Zt )t≥0 est un processus d’Itô. Calculer < Y, Z >t .
En déduire que la solution X de (5.3) peut s’écrire Xt = Yt Zt .
5. Soit X solution de (5.1), et φ une fonction de classe C 2 . Ecrire la formule d’Itô pour Zt =
φ(Xt ). Z x
y2
En déduire que si φ(x) = exp(−α 2 ) dy, alors
0 b
Z t
Bs2
Zt = b exp(−α ) dBs
0 b2
Ψ(t, x) = x2 a(t) + b(t), avec a0 (t) = −2a(t)(α + b2 a(t)), b0 (t) = −b2 a(t) .
1 b + βy
h(y) = ln | |
β b + βx
pour y 6= − βb
b β2 b
Xt = (x + ) exp(− t + βBt ) −
β 2 β
(a) Montrer que m(t) est l’unique solution de l’équation différentielle ordinaire
y 0 − αy = a (5.4)
y(0) = x
où m est la solution de (5.4). (On admettra que l’intégrale stochastique qui intervient est
une martingale)
(d) Résoudre (5.4) puis (5.5).
et Y la solution de
dYt = F (t)Yt dt + G(t)Yt dBt , Y0 = 1
1. Expliciter Y .
Montrer que X = Y Z.
3. Soit m(t) = E(Xt ) et Mt = E(Xt2 ). Montrer que m est l’unique solution de y 0 (t) − F (t)y(t) =
f (t), y(0) = x. En déduire
Z t
m(t) = exp(Fe(t)) x + exp −Fe(s)f (s)ds
0
Z t
où Fe(t) = F (s)ds. Montrer que M est l’unique solution de
0
(s − T )Xt + mT
dXt = dt + dBt
(s − T )t + T 2
est Z t
m dBu
Xt = t + [(s − T )t + T 2 ]
T 0 (s − T )u + T 2
Enoncés. 2009-10 55
Exercice 5.1.11 Soit π un processus adapté (de carré intégrable), σ, θ et r des processus adaptés
(bornés), c un processus positif, adapté, borné et X la solution de
dXtx,π,c = rt Xtx,π,c dt − ct dt + πtT σt [dBt + θt dt] (5.6)
X0x,π,c= x
R Rt Rt Rt
t
On note H le deflateur, soit Ht = exp 0 rs ds + 0 θs dBs − 21 0 θ2 ds = Lt 0 rs ds . Montrer que
Z t
Rt
les processus Ht Xt + Hs cs ds, t ≥ 0 et Lt (Xt Rt + 0 cRs ds) sont des martingales. Vérifier que
0
leur difference est une martingale.
montrer que pour toute fonction affine ψ(x) = ψ0 + ψ1 x, pour tout θ, il existe deux fonctions α et
β telles que, ! !
Z T
θXT
E e exp − ψ(Xs )ds |Ft = eα(t)+β(t)St .
t
1. Montrer qu’il suffit d’établir l’existence de deux fonctions α et β telles que le processus
Z t
α(t)+β(t)St
e exp − ψ(Ss )ds
0
5.4 Finance
Exercice 5.4.1 Options Asiatiques. Soit St solution de
dSt = St (r dt + σ dBt )
Z !
T
1 +
1. Soit K une constante. Montrer que le processus Mt = E ( Su du − K) |Ft est une
T 0
martingale.
Z t
1
2. Montrer que, si l’on pose ζt = St−1 (K − Su du), on a
T 0
Z !
T
1 Su
Mt = St E [ du − ζt ]+ |Ft .
T t St
Z ! Z !
1 T Su + 1 T Su +
3. Soit Φ(t, x) = E [ du − x] . Montrer que Φ(t, x) = E [ du − x] |Ft
T t St T t St
et que Mt = St Φ(t, ζt ).
4. Ecrire la formule d’Itô pour M . En déduire une équation aux dérivées partielles vérifiée par
Φ.
Exercice 5.4.2 Black et Scholes, volatilité déterministe. Soit σ une fonction déterministe
continue et r une constante et (St , t ≥ 0) la solution de
1. Montrer que
Z t Z
1 t 2
St = S0 exp rt + σ(s) dBs − σ (s) ds
0 2 0
Z t Z t
1
2. Montrer que σ(s) dBs − σ 2 (s) ds est une variable gaussienne dont on calculera l’espérance
0 2 0
et la variance.
3. On rappelle que dans le cas σ constant, le prix d’un call est donné par
avec
1 x σ2 √
d1 = √ln( ) + T (r + ) , d2 = d1 − σ T
σ T K 2
En déduire (sans faire de calculs) que, dans le cas de volatilité déterministe, la formule de
Black et Scholes s’écrit
Exprimer D1 et D2 .
Enoncés. 2009-10 57
où σ est une fonction de R+ × R+ dans R et f (t, x) la densité de St , soit f (t, x) = P (St ∈ dx). ON
admettra que
1
∂t f − ∂xx x2 σ 2 (t, x)f (t, x) + ∂x [rxf ] = 0
2
On note C(K, T ) le prix en zéro d’un call Européen de strike K et de maturité T . On note
∂1 C, ∂2 C, ∂11 C les dérivées partielles de C par rapport à la première variable, seconde variable,
dérivée seconde par rapport à la premiere variable.
la condition initiale étant X0 = x avec x ∈]0, 1[. On admet que X prend ses valeurs dans l’intervalle
Xt
]0, 1[. On pose Yt = .
1 − Xt
x exp(αBt − α2 t/2)
2. En déduire que Xt = .
x exp(αBt − α2 t/2) + 1 − x
Exercice 5.5.3 Soit B un mouvement Brownien issu de a > 0 et T0 = inf{t : Bt = 0}. Pour
t < T0 , on définit Xt = µ (Bt )α . Montrer que, pour t < T0 ,
Wt − Xt
2. Soit W un MB indépendant de B. Vérifier que la solution de dXt = dBt + dt est
Z t Z t 1−t
Ws 1
Xt = (1 − t) 2
ds + (1 − t) dBs . En déduire que X est un processus gaussien,
0 (1 − s) 0 1 − s
dont on calculera l’espérance et la covariance.
Chapter 6
Girsanov
Soit (Ω, F, P) un espace de probabilité. Une probabilité Q sur (Ω, F) est dite équivalente à P si
P(A) = 0 équivaut à Q(A) = 0. Dans ce cas, il existe une variable aléatoire Z, F-mesurable,
strictement positive telle que Q(A) = EP (Z11A ) ce que l’on note dQ|F = ZdP|F . La v.a. Z vérifie
EP (Z) = 1, on l’appelle densité de Radon-Nykodym.
Si (Ω, F, P) est un espace de probabilité filtré, et si Q est équivalente à P sur FT (avec T ≤ ∞),
alors dQ|Ft = Zt dP|Ft et le processus (Zt , t ≤ T ) est une Ft , t ≤ T ) martingale. On rappelle la
formule de Bayes (voir Exercice 1.3.14): pour X FT -mesurable bornée
1
EQ (X|Ft ) = EP (XZT |Ft )
Zt
Dans tous ces exercices, B désigne un P -mouvement Brownien issu de 0, F = (Ft , t ≥ 0) sa filtration
naturelle.
Exercice 6.1.1 Changement de probabilité. Soit (θt , t ≥ 0) un processus adapté continu borné
Z t Z
1 t 2
et L la martingale df́inie par Lt = exp[ θs dBs − θ ds]. Soit Q la probabilité définie sur FT
0 2 0 s
Z t Z t
par dQ = LT dP. Soit (φt , t ≥ 0) un processus adapté continu borné et Mt = φs dBs − θs φs ds.
0 0
Montrer que M est une Q-martingale.
On pose Zt = Mt Lt . Montrer que Z est une P-martingale locale. Pouvait-on prévoir ce résultat.
Exercice 6.1.3 Calcul d’espérance 2. Soit pZ une fonction déterministe donnée. Pour quelles
t
fonctions h et k le processus exp(h(t) + k(t)Bt2 + p(s)Bs2 ds) est-il une martingale? Applications :
0
59
60 Girsanov. Enoncés
Z T
1. Calculer E[exp(λBT2 + p(s)Bs2 ds]
0
Z T
2. Calculer E[exp(λBT2 + p(s)Bs2 ds)Ψ(A + BBT )]
0
Exercice 6.1.5 Longstaff ’s Model. Soit rt = Yt2 avec dYt = dBt − (λYt + α2 )dt.
1. Donner la dynamique de r.
2. Soit f et g deux fonctions déterministes (que l’on supposera continues bornées). Exprimer
Z t Z t
1
E(exp [f (s)Bs + g(s)]dBs − [f 2 (s)Bs2 + 2Bs f (s)g(s)]ds)
0 2 0
Z t
1
en fonction de exp g 2 (s)ds.
2 0
Z t
3. Montrer que le calcul de E(exp − rs ds) se déduit du calcul de l’expression précédente avec
0
des fonctions f et g vérifiant des conditions que l’on précisera.
P (Bt + νt ∈ dy|Bs + νs = x)
ne dépend pas de ν.
Exercice 6.1.7 Loi du sup. On suppose que l’on connait la loi du couple de v.a. (Bt∗ , Bt ) où pour
un processus X on note
Xt∗ = sup Xs .
s≤t
α2
Montrer comment calculer la loi de (L∗t , Lt ) pour Lt = exp(αBt − t).
2
1. Soit F et G deux fonctionnelles définies sur C([0, 1], R). Montrer que l’on a équivalence entre
loi
(i) ∀t, ∀µ ∈ R, F (Xs , s ≤ t) = G(Xs , s ≤ t) le processus X étant un Brownien de drift µ
loi
(ii) ∀t, F (Xs , s ≤ t) = G(Xs , s ≤ t) le processus X étant un Brownien.
2009-2010 61
Z t
2. Soit At = ds11Xs ≥0 et θt = sup{s ≤ t : supu≤s Xu = Xs }. Montrer que
0
loi
At = θt , lorsque le processus Xest un mouvement Brownien de drift µ
équivaut à
loi
A1 = θ1 , lorsque le processus Xest un mouvement Brownien
3. Soit X un mouvement Brownien. Montrer que si E(f (X1 , A1 )11X1 >0 ) = E(f (X1 , θ1 )11X1 >0 ),
loi
alors (X1 , A1 ) = (X1 , θ1 ).
6.2 Crochet.
1
Exercice 6.2.1 Girsanov Soit M une P-martingale de carré intégrable et dQ = exp(Mt − hM it ) dP.
2
Montrer que si N est une P martingale, N − < N, M > est une Q martingale.
Exercice 6.2.2 h-processus. Soit X tel que dXt = µdt + σdBt , X0 = x et h une fonction de
classe C 1 telle que h(Xt ) est une martingale positive. On note Q la probabilité définie par dQ|Ft =
Z t 0
h(Xt ) h (Xs )
dP|Ft . Soit M une P-martingale. Montrer que Mt − dhM, Xis est une Q-martingale.
h(x) 0 h(Xs )
6.3 Processus.
Exercice 6.3.1 Processus de Bessel. Soient θ et µ deux processus Z t adaptés bornés. On note Pθ
def
la probabilité telle que le processus B θ défini par Btθ = Bt − θs ds soit un mouvement Brownien
Z t 0
def
et Pµ la probabilité telle que B µ avec Btµ = Bt − µs ds soit un mouvement Brownien.
0
dPθ dPµ
1. Quelles sont les densités Lθ = et Lµ = ?
dP dP
Lθ
2. Soit L = µ . Expliciter L en fonction de B puis en fonction de B µ . A quel changement de
L
probabilité type Girsanov correspond L?
3. Soit δ > 1 et R le processus solution de
δ−1
dRt = dt + dBt , R0 = 1
Rt
(on admet qu’il existe une solution)
(a) Montrer que
Z t Z
dRs 1 t 1
= ln Rt + ds
0 Rs 2 0 Rs2
Z t Z
1 t 2
(b) Soit θ un processus adapté borné et Lt = exp( θs dB(s) − θ ds). On note Q la
0 2 0 s
probabiité définie par dQ = Lt dP.
Comment choisir θ pour que, sous Q
1
dRt = dt + dB̃t
Rt
où B̃ est un Q-Brownien. Exprimer L en n’utilisant que le processus R
62 Girsanov. Enoncés
(a) Montrer en utilisant le théorème de Girsanov que le calcul de E(A(t, ν)) se ramène au cas
ν = 0.
(b) Peut-on faire un calcul direct?
1. On définit Z t Z
λ2 t 2
Lt = exp λ Xs dBs − X ds .
0 2 0 s
Vérifier que L est une martingale locale. On admet pour la suite que c’est une martingale.
2. On note Pλ la mesure de probabilité définie sur Ft par dPλ = Lt dP. Quelle est la dynamique
de X sous Pλ ?
3. Montrer que Z Z
t t
1
Lt = exp( λXs dXs + λ2 Xs2 ds)
0 2 0
4. Calculer Z
t
b2
EP exp(− Xs2 ds) .
2 0
avec x = a2 .
dSt = St (µ dt + σ dBt ) , S0 = s ,
σ2
1. Montrer que St = S0 exp(µt + σBt − t).
2
µ−r 1
2. On pose θ = − . Soit Q définie sur Ft par dQ = Lt dP avec Lt = exp(θBt − θ2 t).
σ 2
Montrer que (Wt = Bt + θt, t ≥ 0) est un Q-mouvement brownien.
σ2
3. Soit P̃ définie sur Ft par dP̃ = Zt dQ avec Zt = exp(σWt − t).
2
Montrer que
dSt = St ((r + σ 2 ) dt + σ dB̃t )
où B̃ est un P̃-mouvement brownien.
St
4. Soit Pt = P0 ert . Montrer que , t ≥ 0 est une Q-martingale.
Pt
Pt
Montrer que est une P̃-martingale.
St
Z t
5. Soit Ft = e−λt Su du + sA où A, λ sont des constantes
0
Ft eλt
Soit Ψt = . Ecrire l’équation différentielle stochastique vérifiée par Ψt en utilisant le
St
Brownien B̃.
Z t
Exercice 6.3.6 Soit α, β et σ des fonctions (déterministes) bornées et b(t) = β(s) ds. On note
0
r le processus solution de
drt = (α(t) − β(t)rt ) dt + σ(t)dBt
On suppose que σ ne s’annule pas.
64 Girsanov. Enoncés
1. Vérifier que
Z t Z t
rt = exp(−b(t)) r0 + exp(b(u)) α(u) du + exp(b(u)) σ(u) dBu .
0 0
Exercice 6.3.7 Drift non observable Soit BtY = Y t + Bt où Y est une variable aléatoire de loi
ν, indépendante de B. Soit F une fonctionnelle sur C([0, t], R). Montrer que
1. Donner des conditions sur h pour que dQ = h(BT )dP définisse, sur FT une probabililité
équivalente à P.
2. Calculer Lt telle que dQ|Ft = Lt dP|Ft
3. Montrer que ∀X ∈ FT , on a EQ (X|BT ) = EP (X|BT )
4. Expliciter Q(BT ∈ dx).
5. Soit A ∈ FT , indépendante de BT . Montrer que Q(A) = P(A). Donner des exemples de tels
A.
6. Calculer Q(f (BT )|Ft ).
7. Montrer que
Z t Z ∞ 2
h0 (y)e−(y−Bs ) /(2(T −s))
Lt = 1 + dBs dy p
0 −∞ 2π(T − s)
2009-2010 65
Z Z Z t 2 !
t t
x − Xs x − Xs 1 x − Xs
Exercice 6.3.9 Soit, pour t < 1, Xt = Bt + ds et Mt = exp − dBs − ds
0 1−s 0 1−s 2 0 1−s
Montrer que 2
x (x − Xt )2 1
Mt = exp − + + ln(1 − t)
2 2(1 − t) 2
Exercice 6.3.10 Soit dQ|Ft = h(t, Xt )dP|Ft . Sous quelles conditions sur h Q est-elle une proba-
bilité sur FT ? Montrer que Z t
Bt − ∂x h(s, Bs )ds
0
est une Q-martingale?
Rt
Exercice 6.3.11 Soit Lt = exp − 14 e−2Bt − 1 + 1
2 0
e−2Bs − 41 e−4Bs ds
Rt
1. Question préliminaire: Calculer l’intégrale 0
e−2Bs dBs .
2. Montrer que L est une martingale. Quelle est son espérance?
3. On pose dQ = Lt dP. Quelle est la dynamique de B sous Q?
1. Vérifier que Z Z
t t
1
Li (t) = exp( θi (s)dBi (s) − θi2 (s) ds) .
0 2 0
2. Soit T ≥ 0 et Q1 la probabilité définie sur FT par dQ1 = L1 (T )dP. Soit (φt , t ≥ 0) un processus
Z t Z t
adapté continu et Mt = φs dB1 (s) − θ1 (s)φs ds.
0 0
(b) On pose Z1 (t) = Mt L1 (t). Calculer dZ1 (t). Montrer que Z1 est une P-martingale.
Pouvait-on prévoir ce résultat ?
3. Soit Zt = L1 (t)L2 (t). Ecrire dZt . Montrer que Z est une P-martingale.
4. Soit Q la probabilité définie sur FT par dQ = ZT dP. Comment se transforment les browniens
Bi ?
Exercice 6.5.2 Let B be a Brownian motion and T = inf{t : eBt −t/2 > a}, where a > 1. Prove
that, ∀λ ≥ 1/2,
λ2
E(11T <∞ exp(λBT − T )) = 1
2
où µ et ν sont des constantes telles que ν > 0. Soit r une constante.
τ = inf{t ≥ 0 | Xt = b}
Calculer E(exp(−rτ + θXτ )). On admettra que la martingale Mt est uniformément intégrable
et que le temps d’arrêt τ est fini. En déduire E(exp(−rτ )).
3. On suppose que les conditions de la première question sont satisfaites. Soit Q telle que dQ =
Mt dP, sur Ft . Comment se transforme B?
St
et Yt = ln . Ecrire dYt .
s
2009-2010 67
TB = inf{t ≥ 0 | St = B}
Calculer
E(exp(−rTB )) .
1
Exercice
Z t 6.5.4 Soit f et g deux fonctions déterministes, f de classe C , g continue. On note
Ft = f (s)dBs et u est la solution de
0
f 0 (t) 0
u00 (t) − 2 u (t) − 2λg(t)f 2 (t)u(t) = 0
f (t)
2. En déduire que
Z Z !!
T
h(s) 2 1 t 2 2
1 = E exp dFs − (h(s)f (s) + h (s)Fs )ds
0 2f (s) 2 0
Z T 0 Z t !!
1 h(T ) 2 2 h (t)f (t) − f 0 (t)h(t) 2 2
= E exp F − Ft dt − (h(s)f (s) + h (s)Fs )ds
2 f (T ) T 0 f 2 (t) 0
3. Montrer que
" Z T 00 #! 1/2
1 u0 (T ) 2 2 u (t) − 2u0 (t)f 0 (t)/f (t) u(T )
E exp FT − Ft dt =
2 u(T )f 2 (T ) 0 u(t)f 2 (t) u(0)
6.6 Finance
Dans toute cette section, P est la probabilité historique, Q la probabilité
R t risque neutre.Le processus
Se est le prix de l’actif sous-jacent aprs actualisation (soit Set = St e− 0 rs ds . Dans un modèle Black
et Scholes, le prix de l’actif suit
dSt = St (bt dt + σdBt )
sous la probabilité P, où σ est une constante.
Exercice 6.6.1 Moyenne. Soit dSt = St (rdt + σdBt ), S0 = 1, r et σ étant des constantes. On
Z T
1
souhaite calculer C = EQ [(ZT − ST )+ ] quand ZT = exp ln St dt .
T 0
1. Soit Q∗ la probabilité définie sur FT par dQ∗ = exp(σBT − σ 2 T /2)dQ. Montrer que
ZT
e−rT EQ [(ZT − ST )+ ] = EQ∗ [( − 1)+ ] .
ST
Z T
2. Soit B̃t = Bt − σt. Ecrire ZT /ST sous la forme exp(αT − β(t)dB̃t ) pour une fonction β
0
que l’on précisera.
3. Montrer que le calcul de C se réduit au calcul de EQ ((S̃T −K)+ ) pour un Brownien géométrique
S̃ dont on précisera la loi.
1. Déterminer l’ensemble des probabilités équivalentes à P telles que, sous Q, S soit une martin-
gale.
2. Soit B un actif contingent B ∈ FT . Comment lui donner un prix (le taux sans risque est nul)
?
Exercice 6.6.3 Options boost. Soit M une F-martingale à valeurs strictement positives.
1. Justifier qu’il existe ψ tel que dMt = ψt dBt et qu’il existe Ψ tel que dMt = Ψt Mt dBt .
où r et σ sont des constantes. Montrer qu’il existe γ tel que St = x(Mt )γ où M est une
martingale. A quel choix de r et σ correspond la valeur γ = 1?
2009-2010 69
3. Soit S un processus vérifiant (6.1), St∗ = sups≤t Ss et Bt∗ = sups≤t Bs . La loi de Bt∗ est connue
(c’est celle de |Bt |, ce résultat sera admis), on notera Φ(a) = P(Bt∗ ≤ a). Calculer, en utilisant
les résultats de la question 3, E(11ST∗ ≤a ) qui correspond à la valeur d’une option boost (au
coefficient exp(−rT ) près).
dZt = Zt θt dBt1 , Z0 = 1
4. Soit Q∗ définie sur Ft par dQ∗ = Lt dP. Montrer que Z̃ est une Q∗ martingale. En déduire
que B̃ 1 est un Q∗ brownien.
Z t
2 2
5. Montrer que B̃t = Bt − νs ds est un Q∗ brownien.
0
6. On admet que si Q est une mesure équivalente à P il existe λ, ν tels que la densité de Q par
rapport à P soit de la forme (6.2). Décrire l’ensemble des couples λ, ν correspondants à des
probabilités Q telles que (St e−rt , t ≥ 0) soit une Q-martingale.
8. Soit X un actif contingent duplicable, c’est-à-dire tel qu’il existe V processus adapté de la
forme
dVt = rVt dt + φt (dSt − rSt dt)
vérifiant VT = X, avec φ processus adapté borné. (On ne demande pas de justifier cette
définition)
(a) Montrer que (Vt e−rt , t ≥ 0) est une Q martingale pour tout Q ∈ Q.
(b) On suppose que Vt = v(t, St , Yt ). Montrer que v vérifie une équation aux dérivées par-
tielles que l’on explicitera.
Exercice 6.6.5 Symétrie put-call. Soit M une (Ft )-martingale telle que dMt = Mt σdBt où σ
est une constante et M0 = 1.
70 Girsanov. Enoncés
où q est le taux de dividendes. On note C(x, K, r, q) (ou C(x, K, r, q, σ) si besoin est) le prix d’une
option d’achat européenne de prix d’exercice K, soit
On rappelle que, dans le cas r = 0 = q, en notant C ∗ (x, K) = C(x, K, 0, 0) le prix d’un call de strike
K sur un sous jacent de valeur initiale x et P ∗ le prix d’un put, on a
h x i h x i
K K
C ∗ (x, K) = xN d1 −KN d0 , P ∗ (x, K) = −xN d0 +KN d1 , (6.3)
K K x x
avec
1 1 √ √
d1 (α) = √ ln(α) + σ T , d0 (α) = d1 (α) − σ T
σ T 2
x
et que le delta du call est DeltaC∗ (x, K) = N (d1 ( )).
K
1. Montrer, en utilisant les résultats de l’exercice 3.6 que C(x, K, r, q) = C ∗ (xe−qT , Ke−rT ).
2. Montrer, au vu des formules précédentes que
−qT
xe Ke−rT
DeltaC(x, K, r, q) = e−qT N d1 DeltaP(x, K, r, q) = −e−qT N d0
Ke−rT xe−qT
où DeltaC est le Delta du call.
3. Montrer, au vu des formules (6.3) et de la question (a) que
Cette dynamique modélise, sous la probabilité risque-neutre Q, le prix d’un actif versant des divi-
dendes au taux δ le taux spot étant r.
1. Calculer
EQ (h(ST )e−r(T −t) |Ft )
dans le cas h(x) = (xα − K)+ .
2. On suppose r = δ. On pose dQ∗ |Ft = (St /x)dQ|Ft et Zt = x2 /St . Quelle est la dynamique de
(Zt , t ≥ 0) sous Q∗ ? Montrer que pour toute fonction f borélienne bornée
1 x2
EQ (ST f ( )) = EQ (f (ST ))
x ST
2009-2010 71
3. On repasse au cas général. Montrer que S a est une martingale pour une valeur de a que l’on
précisera. Montrer que, pour toute fonction f borélienne bornée
1 a x2
EQ (f (ST )) = EQ (S T f ( ))
xa ST
Exercice 6.6.9 Taux de change On considère deux pays. Les quantités relatives au pays do-
mestique seront indexées par d, les quantités relatives à l’autre pays par f . Chaque pays possède
un taux sans risque noté respectivement rd et rf . Les marchés des deux pays sont dirigés par un
mouvement Brownien B. Sous la probabilité P, un actif S suit la dynamique
On suppose que chacun des deux marchés est sans arbitrage : il existe une probabilité risque neutre
d
domestique notée Qd équivalente à P telle que sous Qd le processus (e−r t Std , t ≥ 0) est une Qd
martingale.
où B d est un Qd mouvement Brownien. On notera λd la prime de risque définie par dBtd =
dBt + λdt dt. Le taux de change entre ces pays est X dirigé par
Si S f est un prix en unités monétaires du pays étranger, S f X est le prix du même produit en
unités monétaires domestiques.
Montrer que
λft − λdt = −σtX
Z t
d f
Bt − Bt = σsX ds
0
4. On souhaite valoriser une option quanto, c’est à dire une option sur produit étranger faisant
intervenir le taux de change. Comment évaluer en monnaie domestique un flux étranger de
(SfT −K)+ ? Comment évaluer une option d’achat sur action étrangère avec strike en monnaie
domestique ?
72 Girsanov. Enoncés
Exercice 6.6.10 Richesse (Cox-Huang, Karatzas) Un agent financier souhaite investir sur un
marché sur lequel deux actifs sont négociables:
Un actif sans risque de dynamique dS0 (t) = S0 (t)r(t)dt où r est déterministe,
Un actif risqué dont le prix a pour dynamique dS1 (t) = S1 (t)(b(t)dt + σ(t)dBt ). On suppose
que σ ne s’annule pas.
La richesse X de cet agent a pour dynamique
dXt = Xt r(t)dt + πt [b(t) − r(t)]dt + σ(t)πt dBt
où π est un processus F adapté représentant la proportion de la richesse investie dans l’actif risqué.
et ) où B
1. Montrer qu’il existe une probabilité Q telle que dS1 (t) = S1 (t)(r(t)dt + σ(t)dB e est un
Q-mouvement Brownien.
Z t
2. Montrer que (R(t)Xt , t ≥ 0) est une Q-martingale locale, avec R(t) = exp − r(s)ds
0
b(t) − r(t)
3. Soit θ(t) = et H solution de l’équation dHt = −Ht (r(t)dt + θ(t)dBt ), H0 = 1.
σ(t)
Montrer que le processus (Ht Xt , t ≥ 0) est une P-martingale locale.
4. On suppose que (Ht Xt , t ≥ 0) est une P-martingale pour tout choix de π. L’agent souhaite
obtenir une richesse terminale égale à ζ, v.a. FT mesurable (i.e. XT = ζ). Montrer que
sa richesse initiale X0 est alors déterminée, et que son portefeuille de couverture (i.e. π)
également.
Exercice 6.6.11 Optimisation de richesse Sur le marché financier on trouve un actif risqué et
un actif sans risque. Soit (St , t ≥ 0) le prix de l’actif risqué. On suppose que dSt = St (µt dt + σdBt )
. L’actif sans risque vérifie
dS0 (t) = S0 (t)rt dt .
Les processus µt , rt sont Ft -adaptés bornés, σ est une constante non nulle.
Z t
1. Montrer que St exp − µs ds est une P-martingale.
0
µt − rt
2. On pose θt = .
σ Z t
Déterminer Q telle que, sous Q le processus B̃t = Bt + θs ds soit un mouvement Brownien.
0
Ecrire l’équation vérifiée par St en utilisant B̃t .
3. Un agent de richesse initiale x investit sa richesse Xt suivant l’actif sans risque et l’actif risqué
de prix St suivant Xt = n0 (t)S0 (t) + n1 (t)St . On suppose que dXt = n0 (t)dS0 (t) + n1 (t)dSt .
(a) Montrer que dXt = rt Xt dt + n1 (t)(dSt − St rt dt).
Z t
(b) On note πt = n1 (t)St et Rt = exp − rs ds.
0
Ecrire dXt en fonction de πt , rt , et Bt .
(c) Montrer que, sous Q, le processus Xt Rt est une martingale.
(d) Soit ζ = XT . Ecrire Xt sous forme d’une espérance conditionnelle faisant intervenir ζ et
le processus r.
4. On se donne un processus (ct , t ≥ 0) à valeurs positives adapté et un processus (πt , t ≥ 0) de
carré intégrable Ft - adapté.
Soit (Xt , t ≥ 0) un processus tel que
dXt = rt Xt dt + πt (dBt + θt dt) − ct dt . (6.5)
2009-2010 73
Z t
(a) Montrer que, sous Q, le processus Xt Rt + Rs cs ds est une martingale. En déduire que
Z T 0
Xt Rt = EQ (XT RT + Rs cs ds|Ft ).
t
(b) Ecrire cette relation sous P.
(c) Montrer que si l’on impose la condition XT ≥ 0, il existe une solution de (6.5) positive,
vérifiant cette condition.
Exercice 6.6.12 Soit Xt = µt + σBt . On note Ta = inf{t|Xt = a}. Trouver une probabilité Q
telle que sous Q, (B̃t = Xt /σ , t ≥ 0) soit un mouvement Brownien. Exprimer Ta en utilisant B̃t .
Calculer EP (exp −λTa ).
Exercice 6.6.13 Montrer que le prix d’une option Asiatique dont le strike est le sous jacent est
le prix d’un call sur un sous jacent de dynamique dZt = (1 − rZt )dt − Zt σdBt . Comment faire le
calcul?
Exercice 6.6.14 On considère un modèle Black et Scholes. Calculer, pour tout couple (s, t)
EP (St |Fs ) et EQ (St |Fs ).
Rt
On note Yt = 0 Su du.
Exercice 6.6.15 Zero-coupons SoitdYt = h(t)dt+dB t et rt = σ(t)Yt où h et σ sont des fonctions
Z t
de classe C 1 . On souhaite calculer E exp − rs ds .
0
Z t Z t
1
1. Soit f une fonction continue et Lft = exp f (s)dBs − H (s)ds . Justifier que E(LfT ) =
2
0 2 0
1. En déduire que
" Z Z #!
T T
0 1 2
E exp h(T )BT − h (s)Bs ds − h (s)ds = 1.
0 2 0
Exercice 6.6.17 On se place dans le cas où St = e2(Bt +νt) Montrer que S est une sousmartingale
pour ν +1 ≥ 0 et une surmartingale sinon. En déduire que le prix d’une option asiatique est plus petit
Z
1 T
que le prix d’une option plain vanilla. Montrer par une minoration simple que E( exp(2(Bs +
T 0
νs))ds) ≥ E(e2(BT +νT ) )
Chapter 7
Compléments
Dans tout ce chapitre, B est un mouvement Brownien dont la filtration est notée F.
where θ (resp. σ) is the time of the absolute maximum (resp. minimum) of the Brownian motion
over [0, 1], (i.e., ).
loi
1. Prove that D = sup0≤t≤1 |Bt |.
2. En déduire la loi de D.
loi
3. Prove that D1 = supg≤t≤1 |Bt | where g = sup{t ≤ 1 : Bt = 0}.
1. Justifier rapidement (en se basant sur des résultats classiques) que P(Bt∗ > a) = 2P(Bt > a)
pour a > 0. Cette égalité est-elle vérifiée également pour a ≤ 0?
75
76 Compléments. Enoncés
bs , s ≤ T ) tel que
1. On note Xt = E(ζ|Ft ). Montrer qu’il existe un processus (X
bt dBt ,
dXt = X XT = ζ (7.1)
b de
2. Soit r un nombre réel. En utilisant ert E(ζe−rT |Ft ) montrer qu’il existe un couple (X, X)
processus (Ft ) adaptés tels que
bt dBt
dXt = rXt dt + X XT = ζ
b de processus
3. Soit (rt , t ≥ 0) un processus F adapté borné. Montrer qu’il existe un couple (X, X)
F-adaptés tels que
dXt = rt Xt dt + Xbt dBt , XT = ζ
4. Soit Γβ,γ le processus solution de dΓt = −Γt (βt dt+γt dBt ), Γ0 = 1 où β et γ sont des processus
F adaptés bornés. Soit φ un processus F adapté borné. En considérant
Z T
E(ΓT ζ + Γs φs ds|Ft )
t
bt )dt + X
dXt = −(φt + Xt βt + γt X bt dBt , XT = ζ
1
5. Soit a un nombre réel. En considérant ln (E [exp (2aζ) |Ft ]), montrer qu’il existe un couple
2a
b de processus F-adaptés tels que
(X, X)
b 2 dt + X
dXt = −aX bt dBt , XT = ζ (7.2)
t
1 h i
6. Montrer que ln E Γ2ac,b
t,T exp (2aζ) |Ft est solution de
2a
bt2 − bX
dXt = −(aX bt − c)dt + X
bt dBt , XT = ζ
Hs
On notera Ht,s = pour t < s.
Ht
def
2. Soit ζ une v.a. bornée FT -mesurable et Xt = ln E(Ht,T eζ |Ft ). Montrer que Yt = exp(Xt )Ht
Z t
est une martingale que l’on peut écrire sous la forme z + zs dBs .
0
3. Montrer que dXt = (aX b 2 + bX bt + c)dt + X bt dBt où Xb est un processus adapté que l’on
t
déterminera en fonction de Y, z, r et θ et où b et c sont des constantes.
où γ est un scalaire quelconque. Exprimer Y0 sous la forme d’une espérance dépendant des
données du problème.
Z T
1
3. On pose αt = Bt . Montrer que Y0 = E(Mt Bt ) dt où Mt = exp(γBt − γ 2 t). Calculer
0 2
E(Mt Bt ) et E(Mt signBt )) où
4. On introduit le processus Z t
Bt = sign(Bs ) dBs ,
0
−dY t = (B t + γZ t ) dt − Z t dB t , Y T = 0,
vérifie
Y 0 = γT 2 /2. (7.5)
vérifie Z Z
T T
Y0 = E MT B t dt = E Mt B t dt.
0 0
7. Supposons que Y0 représente l’utilité (mesure le bien être que l’on éprouve quand on con-
somme c) associée à un plan de consommation (ct = exp(B(t))) et une information F et que
Y 0 représente l’utilité associée au même plan de consommation mais avec l’information F.
Interprétez alors le résultat trouvé en (7.5) et en (7.7) selon que γ > 0 ou que γ < 0.
Exercice 7.2.4 facts on quadratic BSDE The solution of the BSDE −dyt = azt2 − zt dBt , yT = ζ
1
is yt = 2a ln E(e2aζ |Ft ). The solution of
obtained by Girsanov.
bt )
−dy = (az 2 + bz)dt − zdBt = az 2 dt − z(dBt − bdt) = az 2 dt − zt dB
leads to
1 b 2aζ |Ft )
yt = ln E(e
2a
1 1 2 1 2
= ln E(ebBT − 2 b T e2aζ |Ft )ebBt − 2 b t
2a
1 bBT − 12 b2 T 2aζ 1 2
= ln E(e e |Ft ) + bBt − b t
2a 2
The solution of
−dy = (az 2 + bz + ct )dt − zdBt
Rt
follows setting ỹt = yt + 0
cs ds. The process ỹ satisfies
Z T
−dỹ = (az 2 + bz)dt − zdBt , ỹT = ζ + cs ds
0
therefore Z t
1 R 1 2
bBT − 12 b2 T 2a(ζ+ 0T cs ds)
ln E(e e |Ft ) + bBt − b t − cs ds
2a 2 0
Z t
Exercice 7.3.2 Changement de temps Soit Mt = 11Bs >0 dBs .
0
2. Trouver un processus (At , t ≥ 0) croissant tel que Mt2 − At est une (Ft )-martingale.
3. On admet qu’il existe un processus croissant C tel que A(C(t)) = t. Montrer que (MCt , t ≥ 0)
est un (Gt )-mouvement Brownien. Préciser quelle est la filtration (Gt )-utilisée.
Exercice 7.3.3 Crochet et indépendance. Soient B1 et B2 deux MB tels que leur crochet soit
nul. Montrer qu’ils sont indépendants.
2009-10 79
loi
2. On note Ta = inf{t ≥ 0; Bt = a} et τ` = inf{t ≥ 0; Lt = `}. Montrer que T` = τ`
3. Soit St = sups≤t Bs . Vérifier que S est un processus croissant. Comparer les décompositions
|Bt | = βt + Lt et St − Bt = −Bt + St . Pour cette question, je ne vous demande aucun
raisonnement précis.
Exercice 7.4.3 Temps local. Soit L le temps local. Montrer que Lt = inf s≥t (|Bs | + Ls ).
Exercice 7.4.4 Temps aléatoire. Soit B un MB, S son maximum sur [0, 1] (soit S = sup{Bs , s ≤
1} et θ = inf{t ≤ 1 : Bt = S}. La v.a. θ est-elle un temps d’arrêt? Quelle est la loi de θ? On
loi
calculera P(θ ≤ u) et on utilisera le principe de réflexion et l’identité de Lévy (St − Bt , t ≥ 0) =
(|Bt |, t ≥ 0).
Calculer P(θ ≤ t|Ft ).
1. Pour quelles fonctions f le processus Yt = f (Xt , St , hXit ) est-il une martingale locale?
On utilisera Z Z
λ2 t t
loi 2
f (Bs )ds = λ f (λBu )du
0 0
Exercice 7.4.8 Let M be a continuous martingale such that hM i∞ = ∞ and β the associated
Dubins-Schwarz BM. Prove that Lat (M ) = LahM it (β).
7.5 Lois
Exercice 7.5.1 Temps d’atteinte. Soit X solution de
1. Donner des conditions sur la fonction V pour que (e−λt V (Xt ), t ≥ 0) soit une martingale.
2. En déduire E(e−λTa 11(Ta <∞) ) en fonction de V . On ne demande pas d’expliciter V .
Z x
y
3. Soit f (x) = dy et Yt = f (Xt ). On suppose b ∈ C 1 . Calculer dYt .
0 b(y)
Z t Z t
4. En déduire que Xs dBs = f (Xt )−f (x)+ g(Xs ) ds où g est une fonction que l’on précisera.
0 0
Exercice 7.5.3 Soit M une martingale telle que M0 = a et limt→∞ Mt = 0. On rappelle (exercice
loi a
1.5.11) sup Mt = où U est une v.a. de loi uniforme sur [0, 1].
U
On propose des applications de ce résultat.
1. Let B be a BM with initial value a > 0 and T0 = inf{t : Bt = 0}. Identify the law of
supu≤T0 Bu .
2009-10 81
loi 1
2. Prove that, for a > 0, supu (Bu − au) = e, where e is a standard exponential variable with
2a
mean 1.
3. Let B be a BM and T1 the first hitting time of 1. Define It = − inf s≤t Bs . Identify the law of
IT1 .
7.6 Filtrations
Exercice 7.6.1 Agent initié L’agent initié connait la valeur terminale Zdu Brownien. Le problème
t
def BT − Bu
est de savoir comment se transforment les martingales. Soit Zt = Bt − du
0 T −u
Z T Z T
1
En déduire que si, pour tout u, E[Zu f (v)dBv ] = 0 , alors f vérifie f (u) = dvf (v)
0 T −u u
et montrer que f est une constante.
2. Soit t < T . On admet que E(Bt |BT ) = aBT + b où a et b sont des constantes. Montrer que
t
b = 0 et que a = . (On pourra prendre l’espérance des deux membres et calculer E(Bt BT ))
T
3. Soit s < t < T . On admet que E(Bt |Bs , BT ) = aBs + bBT + c où a, b et c sont des constantes.
T −t t−s
Montrer que a = ,b= , c = 0.
T −s T −s
4. On note Ft∗ = Ft ∨ σ(BT ) la tribu engendrée par (Bu , u ≤ t) et par BT . On admet que pour
s < t, E(Bt |BT , Bs ) = E(Bt |Fs∗ ). Montrer que Z est une (Ft∗ )- martingale. On pourrait
montrer que c’est un MB.
1. Soit H une filtration plus petite que G. Vérifier que le processus Mt = E(Bt |Ht ) est une
martingale. (on précisera par rapport à quelle filtration).
Z t
2. Soit Xt = Bt + Yu du où Y est un processus G adapté intégrable. On note FX la filtration
0 Z t
de X (qui vérifie FtX ⊂ Gt ) et Ybu = E(Yu |FuX ). Vérifier que Zt = (Xt − Ybu du, t ≥ 0) est
0
une FX -martingale (on calculera l’espérance conditionnelle de Zt par rapport à FsX ). Montrer
que Z est un mouvement Brownien.
82 Compléments. Enoncés
En déduire que
x x − 2y
P(Bt ≤ x, Mt < y) = N ( √ ) − N ( √ )
t t
1
Exercice 7.8.2 Martingale d’Azéma. On admet que le processus mu = √ |Bgt +u(t−gt ) |, u ≤
t − gt
2
1 est indépendant de Fgt , que sgneBt est Fgt mesurable et que m1 a pour densité xe−x /2 11x>0 dx.
α2
Calculer E(Bt |Fgt ), E(Bt2 − t|Fgt ) et E(eαBt − 2 t
|Fgt ). Montrer que ces processus sont des martin-
gales.
7.9 Divers
K
Exercice 7.9.1 Soit dSt = St (µdt + σdBt ) et S̃t = St max(1, max0≤s≤t Ss ). Calculer e−rT E(S̃T )
2009-10 83
1. Soit s < t Ms = supu≤s Bu , Mts = sups≤u≤t Bu . Calculer P(Ms < a, Mts < b, Bt < c). On
donnera le résultat sous forme d’une intégrale.
Rt
2. Soit Xt = e2(Bt +νt) (x + 0 e2(Bs +νs) ds). Montrer que
où l’on explicitera les fonctions f et g. Comment pourrait-on calculer le prix d’une option
européenne sur le sous jacent X, en présence d’un actif sans risque de taux constant r?
and that Z Ta
−λ2 Ta /2 −λa 2
e =e +λ e−λ(a−Bu )−λ u/2
du
0
2. By differentiating the Laplace transform of Ta , and the fact that ϕ satisfies the Kolmogorov
equation, prove that Z ∞
−λc 2 ∂
λe =2 e−λ t/2 ϕ(t, c) dt
0 ∂t
2
where ϕ(t, x) = √ 1 e−x /(2t) .
2πt
4. Deduce that Z Ta ∧t
11Ta <t = P(Ta < t) + 2 ϕ(T − t, Bt − a)dBt
0
84 Sauts. Enoncés
Chapter 8
Processus à sauts
Exercice 8.1.2 Soit N i , i = 1, 2 deux processus de Poisson indépendants de même intensité. Mon-
trer que N 1 − N 2 est une martingale.
85
86 Sauts. Enoncés
1 1 1
P (Xh ≥ 2) → 0 , P (Xh = 1) → ν , (1 − P (Xh = 0)) → ν
h h h
∂
quand h tend vers 0. Montrer que ψ(z, t) = ν(z − 1)ψ(z, t). Quel est le processus X?
∂t
Rt
Exercice 8.1.5 Calculer la transformée de Laplace de 0
Ns ds
2. On note Lt = (1 − Dt )/(1 − F (t)) où F (t) = P (τ ≤ t) est supposée continue. Montrer que
dLt = αt dZt où on explicitera α. Même question si F est seulement continue à droite.
Nt
X
Xt = Yk
k=1
où N est un processus de Poisson d’intensité λ et où les (Yk , k ∈ N) sont des v.a. i.i.d. de loi µ,
indépendantes de N .
2. Montrer que Z t
e−ct x + e−c(t−s) dNs
0
est une solution.
Exercice 8.2.3 Montrer qu’un processus de Poisson composé a des accroissements indépendants et
stationnaires et que (si Y1 est intégrable)
E(Xt ) = λtE(Y1 )
Exercice 8.2.5 Let X be a (λ, µ) compound Poisson process and f a bounded Borel function.
Then, !
XNt Z
exp f (Yk ) + t (1 − ef (x) )λµ(dx)
k=1
is a martingale.
Montrer que
11{t<τ } Vt = E (∆Vτ )11{t<τ ≤T } + X11{T <τ } Gt .
Exercice 8.5.2 On étudie un modèle dans lequel il y a un actif sans risque de taux r et un actif
risqué
dSt = S(t− )(rdt + σdBt + φdMt ) (8.2)
3. On note X x,π,C la valeur d’un portefeuille π de richesse initiale x, avec processus de consom-
mation cumulé C. Montrer que
Z t Z t
Rt Xt = x + πs Xs d(RS) − Rs dCs
0 0
2009-10 89
On admettra que V est une surmartingale pour tout Q et que toute surmatingale s’écrit comme
une martingale moins un processus croissant.
Z t Z t
Montrer qu’il existe AQ processus croissant, µ, ν tels que Vt = v + µs dBsQ + dMsQ − AQ
t ,
0 0
où W Q et M Q sont des Q-martingales et B Q un MB.. Préciser le lien entre AP et AQ .
φ
5. Montrer que µt − νt ≥ 0
σ
Z t
P φ
6. Montrer que A − λ(µs − νs ) est un processus croissant.
0 σ
7. En déduire que V est la valeur d’un portefeuille X dont on explicitera le processus de consom-
mation.
où M est la martingale compos ée associé à un processus de Poisson d’intensité constante λ.
2. Soit X le valeur d’un portefeuille autofinancant comportant θ parts d’actif risqué, soit
Vérifier que X̃t = ert Xt est une martingale. Ecrire la dynamique de X̃ en fonction de S̃.
s
CORRIGES
Chapter 1
Rappels, Corrigés
1.1 Tribu
Exercice 1.1.1: L’ensemble B − A s’écrit B ∩ Ac . Si F est une tribu, elle est stable par passage
au complémentaire et par intersection, d’où le résultat.
Exercice 1.1.2 : 1) La tribu engendrée par A est constituée des quatre ensembles A, Ac , ∅, Ω.
2) Cette tribu doit contenir A et B, l’ensemble vide et Ω. Puis les complémentaires, soit Ac et B c
(les complémentaires de Ω et de l’ensemble vide égaux à l’ensemble vide et à Ω sont déjà dans la
liste). Puis les unions d’ensembles soit A ∪ B, les autres unions A ∪ Ω = Ω, A ∪ B c = B c ,... sont
déja dans la liste. Puis les intersections Ac ∩ B c . On a terminé car les autres ensembles formés à
partir d’opérations de passage au complémentaire, d’intersection et d’union sont dans la liste par
exemple (Ac ∩ B c ) ∪ B c = B c .
Exercice 1.1.6 : On utilise que X −1 (B) = {ω : X(ω) ∈ B}. La famille C est une tribu: la sta-
bilité requise provient des égalités suivantes: X −1 (B c ) = (X −1 (B))c , X −1 (∩Bn ) = ∩X −1 (Bn ). On
trouvera une démonstration de la réciproque dans tout ouvrage de proba, cette démonstration est
basée sur le théorème qui précise que si une tribu contient une classe stable par intersection finie,
elle contient la plus petite tribu engendrée par cette classe.
Exercice 1.1.7 : Les diverses quantités que l’on veut comparer sont égales. Les espérances E(f (X))
et E(f (Z)) sont égales parce que X et Z ont même loi, et E(f (X, Y )) = E(f (Z, T )) car le couple
(X, Y ) a même loi que le couple (Z, T ). Si l’hypothèse (Z, T ) sont indépendantes n’était pas faite,
91
92 Rappels
l’égalité en loi des variables X et Z et celle des variables Y et T ne suffirait pas. Par exemple, on
loi
peut prendre X = Y de loi gaussienne N (0, 1), X et Y indépendantes et Z = T = X. On aurait
alors E(X Y ) = 1 et E(Z 2 T 2 ) = E(X 4 ) = 3. (contre exemple pour la question 3)
2 2
1 1 m 2 2 Σ2 m 2 m2
λu2 + µu − (u − m)2
= − u − (µ + )Σ + (µ + ) −
2σ 2 2Σ2 σ2 2 σ2 2σ 2
σ2
avec Σ2 = 1−2λσ 2 .
Il vient
Σ Σ2 m m2
E(exp{λU 2 + µU }) = exp (µ + 2 )2 − 2 .
σ 2 σ 2σ
En particulier
1 m2 λ
E(exp λU 2 ) = √ exp
1 − 2λσ 2 1 − 2λσ 2
Par propriété de l’espérance conditionelle E(eaXY ) = E(Φ(X)) avec Φ(x) = eaxY .
Exercice 1.2.2 : Si X et Y sont gaussiennes indépendantes de loi N (m1 , σ12 ) et N (m2 , σ22 ), la
somme X + Y est gaussienne: ceci se voit très facilement avec les fonctions caractéristiques:
t 2 σ1
2 t 2 σ2
2
t2 σ 2
E(eit(X+Y ) ) = E(eitX )E(eitY ) = eitm1 − 2 eitm2 − 2 = eitm− 2
Exercice 1.2.3 :
Corrigés 93
1 (x − m)2 X −m
1. Si X est N (m, σ 2 ), sa densité est f (x) = √ exp − 2
et la v.a. Y = est
σ 2π 2σ σ
N (0, 1). On peut le vérifier de plusieurs façons.
• En calculant la fonction de répartition de Y : Soit FY la fonction de répartition de Y . On
a FY (y) = P(Y ≤ y) = P(X ≤ m + yσ) = FX (m + yσ). Il reste à dériver par rapport à y
1 y2
pour obtenir la densité de Y qui est σf (m + yσ) = √ exp − .
2π 2
t2 σ 2
• On peut utiliser les fonctions caractéristiques. Soit φ(t) = E(eitX ) = eitm− 2 la fonc-
tion caractéristique de X; la fontion caractéristique de Y est
X−m itm t t2
E(eitY ) = E(eit σ ) = e− σ φ( ) = e− 2
σ
Cette remarque permet de ramener des calculs sur N (m, σ 2 ) à des calculs sur N (0, 1).
La variable X −m est gaussienne centrée. D’où en utilisant l’exercice 1.2.1, E(|X −m|) = √2σ .
2π
Z ∞
1 (x − m)2
2. On a E(eλX ) = √ eλx exp − dx.
σ 2π −∞ 2σ 2
2
On montre que eλx exp − (x−m)
2σ 2 = exp(λm + 12 σ 2 λ2 ) exp[− 2σ1 2 (x − (m + λσ 2 ))2 ] et le résultat
s’obtient facilement.
3. Soit X une v.a. de loi N (0, 1). On a
Z b Z b−λ
1 x2 1 λ2 x2 λ2
E(11X<b eλX ) = √ eλx e− 2 dx = √ e 2 e− 2 dx = e 2 Φ(b − λ).
2π −∞ 2π −∞
At (Var X)A ≥ 0, c’est-à-dire que les matrices de variance covariance sont semi définies positives.
Exercice 1.2.7 : Si (X, Y ) est un vecteur gaussien, X et Y sont des vecteurs Pn gaussiens.
Cas d = 1. La projection de X sur (Y1 , Y2 , . . . , Yn ) est de la forme P r X = i=1 ai Yi C’est une v.a.
gaussienne car Y est gaussien. Le vecteur (X − P r X, Y ) est gaussien. Les vecteurs X − P r X et Y
sont indépendants car E((X − P r X)Yi ) = 0 par définition de la projection.
λ2 2
E(exp(λX)) = E[E(exp(λX)|Y )] = E[exp(λ(aY + b) + σ )]
2
λ2 a 2 2 λ2
= exp[λaE(Y ) + σ (Y )] exp[λb + σ 2 ]
2 2
donc, la v.a. X est gaussienne d’espérance b + aE(Y ) et de variance σ 2 + a2 σ 2 (Y ). On calcule de
λ2 2
la même façon E(Y eλX ) = E(Y exp(λ(aY + b) + σ )] et en dérivant par rapport à λ, on trouve
2
2
E(XY ) = aE(Y ) + bE(Y ).
D’autre part
Exercice 1.3.5 : Sous les hypothèses de l’exercice E(X −Y |G) = E(X|G)−Y car Y est G-mesurable
et E(X − Y |G) = E(X − Y ) = m par indépendance. D’où E(X |G) = m + Y . De la même façon
E((X − Y )2 |G) = E(X 2 |G) − 2Y E(X|G) + Y 2 d’où E(X 2 |G) = σ 2 + (Y + m)2 .
Corrigés 95
Exercice 1.3.6 : Par définition de la projection E(XZ) = E((P r X)Z) pour tout Z combinaison
linéaire des Yi . Cela ne suffit pas à dire que P r X est l’espérance conditionnelle car il existe des v.a.
qui sont Y -mesurable et qui ne sont pas combinaison linéaire des Yi . Mais nous avons montré que
X −P r X et Y sont indépendantes, d’où E(X −P r X |Y ) = E(X −P r X) = 0. D’où E(X|Y ) = P r X.
Si n = 1, E(X|Y ) = P r X appartient à l’espace engendré par Y donc s’écrit αY , et on déduit de
E(XY )
E(X|Y ) = αY , après multiplication par Y et intégration α = .
E(Y 2 )
Exercice 1.3.7 : Soit X = X1 + X2 . On a E(X|G) = E(X1 |G) + E(X2 |G) = E(X1 ) + X2 . Puis
E(X 2 |G) = E(X12 ) + X22 + 2X2 E(X1 ) et
λ2
E(eλX |G) = E(eλX1 eλX2 |G) = eλX2 E(eλX1 ) = eλX2 exp(λE(X1 ) + 2 Var (X1 ))
Exercice 1.3.9 : Le membre de droite, noté K est H mesurable. Il suffit de vérifier que
E(X11H ) = E(K11H )
Exercice 1.3.10 : Par linéarité, E(aX + b|Z) = aE(X|Z) + b. La tribu engendrée par Z est
composée des sous-ensembles de Ω de la forme Z −1 (A) où A est un borélien de R et Z −1 (A) =
{ω|Z(ω) ∈ A} = {ω|αY (ω) + b ∈ A} = {ω|Y (ω) ∈ B} où B est l’ensemble des nombres réels tels
que x ∈ B ⇐⇒ αx + b ∈ A et est un borélien (La preuve parfaite exigerait la démonstration de ce
1
point, qui tient au fait que B est l’image réciproque de A par l’application g : y → y − b, soit
α
B = g −1 (A) et que g est continue, donc borélienne)
Exercice 1.3.11 : La premiere question est directe en utilisant le résultat admis dans l’exercice
1.1.6. En utilisant cette question, on a que E(X|G)111≤τ est de la forme h(1 ∧ τ )111≤τ = h(1)111≤τ .
En prenant l’espérance des deux membres, on identifie la constante h(1).
une mesure positive sur cette tribu, les deux mesures, après normalisation par E(X) sont des prob-
abilités (c’est-à-dire l’application qui à H associe E(X11H )/E(X) est une probabilité) qui coincident
sur les ensembles de la forme F ∩ G, donc, par théorème de classe monotone, elles coincident sur la
tribu engendrée.
Exercice 1.3.14 : Seule la réciproque demande une démonstration. Si EQ (X|G) = EP (X|G) alors
EP (LX|G) = EP (X|G)EP (L|G) = EP (XEP (L|G)|G) D’où EP (X(L − EP (L|G))|G) = 0 pour tout X. Il
en résulte (prendre X = L − EP (L|G)) que L − EP (L|G) = 0.
Z
Exercice 1.3.15 : Soit dQ = Ψ(X)dP. On a EP (φ(X)) = φ(x)f (x)dx, EQ (φ(X)) = EP (Ψ(X)φ(X)) =
Z
Ψ(x)φ(x)f (x)dx. Il suffit de choisir Ψ telle que Ψ(x)f (x) = g(x).
1.4 Martingales
Exercice 1.4.1 : Soit s ≥ t et Xt = E(X|Ft ). On a, en utilisant Ft ⊂ Fs
(le lemme de Fatou assure que lim E(Xn |G) ≤ E(lim Xn |G) si les v.a. sont positives).
Soit F ∈ F et G ∈ G E(X11F 11G ) = E(11F 11G E(X|F)) car E(X11F 11G ) = E(X11F )E(11G ) et
E(11F 11G E(X|F)) = E(11F E(X|F))E(11G ).
Exercice 1.4.4 : Par définition de la propriété de martingale, Xt = E(XT |Ft ). Cette propriété est
à la base de tous les calculs d’évaluation en finance. En effet, ces formules reposent sur le fait qu’un
certain processus est une martingale et donc que sa valeur à l’instant t est l’espérance conditionnelle
de sa valeur terminale.
Exercice 1.4.7 : Soit G = (Gt , t ≥ 0) la filtration de M , c’est à dire Gt = σ(Ms , s ≤ t). Par
définition, Gt ⊂ Ft (La martingale M est F adaptée, et la filtration de M est la plus petite filtration
telle que la propriété d’adaptation soit vraie. On a alors E(Mt |Gs ) = E(Mt |Fs |Gs ) = E(Ms |Gs ) = Ms
On peut aussi montrer que si que si M est une F-martingale et Ht ⊂ Ft , E(Mt |Ht ) est une H-
martingale.
Exercice 1.4.9 : Si X est un PAI, et Xt intégrable, pour t > s, les propriétés de l’espérance
conditionelle permettent d’écrire
et il est facile d’en déduire que Xt2 − E(Xt2 ) est une martingale. De la même façon
Exercice 1.5.2 :Par hypothèse sur X, pour tout a, {X ≤ a} ∈ FT Par définition de la tribu FT ,
{X ≤ a} ∩ {T ≤ t} ∈ Ft . Par suite {X ≤ a} ∩ {T ≤ a} ∈ Fa . Le premier membre de cette inclusion
est {X ≤ a}.
A ∩ (T ≤ t) = A ∩ (S ≤ t) ∩ (T ≤ t)
et donc, si A ∈ FS on a A ∩ (T ≤ t) ∈ Ft .
(S ≤ a) ∩ (S ≤ t) = (S ≤ (a ∧ t)) ∈ Fa∧t
(S ≤ T ) ∩ (T ≤ t) = (S ∧ t ≤ T ∧ t) ∩ (T ≤ t) ∩ (S ≤ t)
et chacu des trois ensembles du membre de droite est dans Ft (car S ∧ t est plus petit que t donc
Ft mesurable.
On introduit R = S ∧ T . C’est un temps d’arrêt, FR mesurable avec FR ⊂ FT . Donc
(R = T ) ∈ FT , et (R < T ) ∈ FT , par suite (S < T ) ∈ FT et S = T ∈ FT , ainsi que T ≤ S
et T < S.
Exercice 1.5.7 : Soit ω fixé. La fonction t → Zt (ω) vaut 1 pour t ∈ [S(ω), T (ω[ et 0 sinon. Elle
est continue sur les trois intervalles [0, S(ω)[, ]S(ω), T (ω)[, ]T (ω), ∞[. Elle est continue à droite en
S(ω) car si t → S(ω) ”par la droite” (soit t > S(ω)), Zt (ω) = 1 tend vers ZS(ω) (ω) = 1.
Exercice 1.5.11 : Utiliser le théorème d’arrêt et le temps d’arrêt Ty pour y > a. On a E(MTy ∧t ) =
a. On fait alors tendre t vers l’infini MTy ∧t converge vers y sur Ty < ∞ et vers 0 sinon. (et est
borné). D’où P(Ty < ∞) = a/y. Il reste à remarquer que P(Ty < ∞) = P(sup Mt ≥ y).
98 Rappels
Exercice ?? : On obtient
n
X
E((H · M )n |Fn−1 ) = E(Hk (Mk − Mk−1 ) |Fn−1 )
k=1
n−1
X
= Hk (Mk − Mk−1 ) + E(Hn (Mn − Mn−1 ) |Fn−1 )
k=1
n−1
X
= Hk (Mk − Mk−1 ) + Hn E(Mn − Mn−1 |Fn−1 )
k=1
n−1
X
= Hk (Mk − Mk−1 )
k=1
1.8 Divers
Exercice 1.8.1 :
Z ∞ Z ∞ Z ∞
−θt −λMt −θt
E(exp −λMτ ) = E(θ dte e ) = E(θ e−λu du)
dte λ
0 0 Mt
Z ∞ Z ∞ Z ∞ Z ∞
−θt −λu
= E(θ dt due λ11u>Mt e ) = E(θ du dte−θt λ11Tu >t e−λu )
0 0 0 0
Z ∞ Z Tu Z ∞
= θE( due−λu λ dte−θt ) = due−λu λ(1 − e−θTu )
0 0 0
Exercice 1.8.2 : La partie directe est évidente, car eλX et eλY sont indépendantes. La réciproque
n’est pas vraie, comme le montre le contre exemple suivant: Soit X, Y telles que P(X = i, Y = j) =
ai,j où les ai,j sont donnés pas les coefficients de la matrice
1/9 1/6 1/18
1/18 1/9 1/6
1/6 1/18 1/9
La loi de X est égale à celle de Y et P(X = i) = 1/3 = P(Y = j). On vérifie que X et Y ne sont
pas indépendantes (par exemple P(X = 1, Y = 3) 6= 1/9.
La loi de X + Y est égale à la loi de X1 + Y1 où X1 a même loi que X, Y1 a même loi que Y et X1
et Y1 sont indépendantes.
Cet exercice montre que la loi de la somme de deux v.a. dépend très fortement de la loi du
COUPLE. Rappellons à ce sujet que si Z1 et Z2 sont gaussiennes, cela n’implique pas que Z1 + Z2
est gaussienne: Le contre exemple suivant du à Nelson le prouve: Soit n la densité gaussienne réduite
centrée et u une fonction impaire continue, nulle hors de [−1, +1] telle que |u(x)| < (2πe)−1/2 . On
vérifie que f (x, y) = n(x)n(y) + u(x)u(y) est une densité, que les lois marginales sont normales, et
Corrigés 99
Exercice 2.1.3 :
1. On a E(Bs Bt2 ) = E( E(Bs Bt2 |Fs )). La variable aléatoire Bs est Fs -mesurable, d’où E(Bs Bt2 ) =
E(Bs E(Bt2 |Fs )).
On sait que Bt2 − t est une martingale, d’où, si s > t, E(Bt2 |Fs ) = Bs2 − s + t. En utilisant que
la v.a. Bt est centrée et que E(Bt3 ) = 0, on obtient que
Si s > t, on a E(Bs Bt2 ) = E( E(Bs Bt2 |Ft )) = E(Bt2 E(Bs |Ft )) = E(Bt3 ) = 0 où on a utilisé la
propriété de martingale de B.
2. Le MB est une martingale, donc E(Bt |Fs ) = Bs pour t ≥ s et E(Bt |Fs ) = Bs pour t < s car Bt
est Fs -mesurable dans ce cas. Si s < t, E(Bt |Bs ) = E(Bt −Bs +Bs |Bs ) = E(Bt −Bs |Bs )+Bs =
Bs car Bt − Bs est indépendant de Bs et centré. Si t < s, on s’inspire du pont Brownien (voir
t t t
ex suivant) pour écrire E(Bt |Bs ) = E(Bt − Bs |Bs ) + Bs . La v.a. Bt − Bs est centrée
s s s
t
et indépendante de Bs : en effet, le couple (Bt − Bs , Bs ) est un couple gaussien centré et sa
s
t
covariance est nulle. On en déduit E(Bt |Bs ) = Bs .
s
On peut aussi utiliser les résultats sur le conditionnement d’un vecteur gaussien.
3. La variable Bt + Bs est gaussienne (car B est un processus gaussien) centrée. On peut
aussi écrire (Bt + Bs ) comme une somme de v.a. gaussiennes indépendantes: si t > s,
Bt + Bs = Bt − Bs + 2Bs . On en déduit que sa variance est t + 3s.
De même
101
102 Brownien.
√ √
5. E(11Bt ≤a ) = P(Bt ≤ a) = P( tU ≤ a) = P(U ≤ a/ t) où U est une v.a. de loi N (0, 1).
Z a Z a/√t
1 x2 √ 1 y2
E(Bt 11Bt ≤a ) = x√ exp(− ) dx = t y √ exp(− ) dy et la dernière intégrale
−∞ 2πt 2t −∞ 2π 2
se calcule facilement.
Exercice 2.1.4 :
Pour t > u, la propriété d’indépendance et de stationarité des accroissements conduit à
loi √
bt−u + Bu )) loi
f (Bt ) = f (Bt − Bu + Bu ) = f (B bt−u +
= f (B uG))
On trouve √
2θ −|x|√2θ
P(BΘ ∈ dx) = e dx
2
mais ce calcul d’intégrale n’est pas trivial. Cependant, on peut y arriver sans utiliser un attirail lourd
de changement de variables. On sait que la transformée de Laplace du temps d’atteinte du niveau a
√ |a| 2
par un mouvement Brownien est e−|a| 2λ et que la densité de ce temps d’atteinte est √ e−a /2u .
2πu 3
Ce qui s’écrit
√
Z ∞
−|a| 2λ |a| −a2 /2t
= E(e−λTa ) = e−λt √ e dt .
0 2πt3
Par dérivation par rapport à λ, on obtient
√
Z ∞
|a| |a| −a2 /2t
√ e−|a| 2λ = e−λt √ e dt .
2λ 0 2πt
D’où √
Z ∞
−λt 1 −a2 /2t 2λ −|a|√2λ
λ e √ e dt = e .
0 2πt 2
Exercice 2.1.6 :
3
1. Le processus M est F-mesurable. La v.a. Mt r est intégrable: E(|Bt3 |) = Ct 2 où C est une
Z t Z t Z t
2s
constante et E| Bs ds| ≤ E(|Bs |) ds = ds < ∞.
0 0 0 π
En utilisant que, pour t > s, la v.a. Bt − Bs est indépendante de Fs , on obtient
E(Bt3 |Fs ) = E((Bt − Bs + Bs )3 |Fs ) = E((Bt − Bs )3 ) + 3Bs E(Bt − Bs )2 + 3Bs2 E(Bt − Bs ) + Bs3
= 3Bs (t − s) + Bs3 .
D’autre part
Z t Z t Z s Z t Z s
E( Bu du|Fs ) = E(Bu |Fs ) du = E(Bu |Fs ) du+ E(Bu |Fs ) du = Bu du+Bs (t−s)
0 0 0 s 0
2. Des calculs analogues aux précédents montrent que Bt3 − 3tBt est une martingale. Il suffit
de montrer que pour s < t, E(Bt3 − 3tBt |Fs ) = Bs3 − 3sBs . Or, en utilisant que Bt − Bs est
indépendant de Fs , on obtient E((Bt − Bs )3 |Fs ) = E((Bt − Bs )3 ) = 0 car E(X 3 ) = 0 si X est
une variable gaussienne centrée. Il reste à utiliser (a − b)3 = a3 − 3a2 b + 3ab2 − b3 pour obtenir
E(Bt − Bs )3 |Fs ) = E(Bt3 |Fs ) − 3Bs E(Bt2 |Fs ) + 3Bs2 E(Bt |Fs ) − Bs3
= − Bu du + Bs s = Xs
0
4. On verra plus tard que U n’est pas une martingale. On peut remarquer que E(Ut ) n’est sans
doute pas constant.
Z t Z t
5. Soit t > s. E(Yt |Fs ) = E(t2 Bt − 2 Bu du|Fs ) = t2 E(Bt |Fs ) − 2 E(Bu |Fs )du = t2 Bs −
Z s Z t 0
Z s 0
2
2 Bu du − 2 Bs du = t Bs − 2 Bu du − 2Bs (t − s) = Ys + (t2 − s2 )Bs − 2Bs (t − s) Pour
0 s 0
que Y soit une martingale, il faudrait que 0 = (t2 − s2 )Bs − 2Bs (t − s) = (t − s)Bs (t + s − 2),
ce qui n’est pas.
Ex (f (Bt )g(Bs )) = Ex (g(Bs )E((f (Bt )|Fs )) = Ex (g(Bs )E((f (Bt )|Bs )) = Ex (g(Bs )ϕ(Bs ))
R
avec ϕ(z) = Ez (f (Bt−s )) = f (y)pt−s (z, y)dy.
Exercice 2.1.16 La quantité e−λt u(Bt ) est majorée par e−λt M , qui est intégrable sur [0, ∞], d’où
l’existence de f et g.
La suite d’égalités
Z ∞ Z ∞
−λt −λt
Ex dte u(Bt ) = Ex Ex dte u(Bt ) |Fτ
Z ∞ τ Zτ ∞
−λt −λτ −λt
Ex dte u(Bt )|Fτ = e Ex dte u(Bt+τ − Bτ + Bτ )|Fτ
τ 0
Z ∞ Z ∞
−λt
Ex dte u(Bt+τ − Bτ + Bτ )|Fτ = dte−λt Ex (u(Bt+τ − Bτ + Bτ )|Fτ )
0 0
Ex (u(Bt+τ − Bτ + Bτ )|Fτ ) bt )]
= EBτ [u(B
Exercice 2.1.19 :P(au moins un zéro dans ]s, t[|Bs = a) = P(Ta ≤ t − s). Il reste à calculer
Z ∞ Z t−s
1 2 a2
2 da √ e−a /2s dx(2πx3 )−1/2 a exp(− )
0 2πs 0 2x
s2
Tous calculs faits, pour s < t: E(Yt Ys ) = (3t − s).
6
On procède comme pour le processus d’OU. On peut aussi résoudre dXt = −aXt dt ce qui donne
Xt = Ce−at et appliquer une méthode de variation de la constante. On cherche un processus C tel
que Xt = Ct e−at vérifie l’équation (cette méthode ne prend toute sa signification que si on a vu la
formule d’intégration par parties)
d’ou e−at dCt = ebt dBt soit dCt = e(b+a)t dBt . Il resterait à vérifier que l’on a bien trouvé une
solution, car on ne dispose pas du lemme d’Itô et on ne sait pas justifier que la dérivée de Ct e−at
est −aCt e−at dt + e−at dCt .
Exercice 2.2.4 :
1. Le processus (Zt = Bt − tB1 , 0 ≤ t ≤ 1) est un processus gaussien car pour tout choix de
(ai , ti )
X X X
a i Zt i = ai Bti − ( ai ti )B1
est une v.a.r. gaussienne (B est un processus gaussien). De la même façon, on obtient que
le vecteur (Zt , B1 ) est gaussien. Ses deux composantes Zt et B1 sont indépendantes car
E(Zt B1 ) = E(Bt B1 ) − tE(B12 ) = 0. La covariance de Z est
u u u t
Exercice 2.2.6 : Bu − Bt = (Bu − Bt+h ) − (Bt − Bt+h ) montre la croissance de Γt
t t+h t t+h
u
et Bt est orthogonal à Bu − Bt .
t
Exercice 2.2.7 : Rappel (cf. Exercice 1.6.2) : soit X est une v.a. de loi N(m; σ 2 ) et Y =
exp{λ(X − m) − 21 λ2 σ 2 }. Soit dQ = Y dP. Sous Q, X est une v.a. de densité N (m + λσ 2 , σ 2 ).
On montre alors que B̃t = Bt − mt a une loi gaussienne sous Q.
On vérifie ensuite l’indépendance des accroissements: il s’agit de montrer que
pour toutes fonctions boréliennes bornées (φ, ψ). On a, par changement de probabilité, avec Lt =
m2
exp(mBt − t)
2
1 1
A = EP [exp(m(Bt+s − Bs ) − m2 t)) φ(Bt+s − Bs − mt)] EP [exp(mBs − m2 s)ψ(B̃s )].
2 2
Exercice 2.2.8 :
loi
sup(|Bt | − µtp/2 )| = sup(|Bλ2 s )| − µ(λ2 s)p/2 ) = sup(λ|Bs | − µ(λ2 s)p/2 ) = λ sup(|Bs | − sp/2 )
t s s s
E(|BT |) ≤ E((|BT | − µT p/2 )) + µE(T p/2 ) ≤ E(supt (|Bt | − µtp/2 )) + µE(T p/2 )
2.3 Multidimensionnel
1
Exercice 2.3.2 : Si les coefficients σi sont des constantes, il suffit de définir B3 (t) = √ (σ1 B1 (t)+
σ12 +σ22
σ2 B2 (t)). Ce processus est un mouvement Brownien car c’est une martingale et (B32 (t)−t; t ≥ 0) est
une martingale. Si les σ sont déterministes, on pose dB3 = √ 2 1 2 (σ1 (t)dB1 (t) + σ2 (t)dB2 (t)).
σ1 (t)+σ2 (t)
Le processus
1
B(3) (t) = p (B(2) (t) − ρB(1) (t))
1 − ρ2
est une martingale
2 1
B(3) (t) = (B 2 + ρ2 B(1)
2
(t) − 2ρB(1) (t)B(2) (t)
1 − ρ2 (2)
2
Par définition de la corrélation, B(1) (t)B(2) (t) − ρt est une martingale. Il s’en suit que B(3) (t) − t
est une martingale, donc B(3) est un MB. Il reste à montrer que B(3) est indépendant de B(1) .
Remarque: On peut utiliser le théorème de RP pour établir que si le coefficient de corrélation de
deux MB est nul, ces processus sont indépendants.
eu = Bt+u −Bt est un MB indépendant de Ft . D’où P(maxt<s<T Bs −Bt < a−Bt |Ft ) =
Le processus B
Ψ(a − Bt ) avec
Z √x
√ 2 T −t 2
Ψ(x) = P( max B̃u < x) = P(|B̃T −t | < x) = P(| T − t G| < x) = √ e−u /2 du .
0<u<T −t 2π 0
d √
Exercice 2.4.5 : Des calculs simples montrent que E(e−λT ) = E(exp −|Bd | 2λ)e−λd . De même,
d √
E(11Bd ≤α e−λT ) = E(11Bd ≤α Φ(Bd ))e−λd avec Φ(x) = Ex (e−λT0 ) = E0 (e−λTx ) = exp(−|x| 2λ. D’où
d √ √
E(11Bd ≤α e−λT ) = E(11Bd ≤α exp(−|Bd | 2λ)e−λd ) = E(11G≤α/√d exp(G 2dλ)e−λd )
Exercice 2.4.3 : La propriété de Markov fort montre que B̂t = BTa +t − BTa = BTa +t − a est
indépendant de FTa , donc de Ta . Comme b > a, on a
Exercice 2.4.7 : Par définition P(I ≤ x) = P(inf s≤T1 Bs ≥ −x) = P(T1 ≤ T−x ). En utilisant le
théorème d’arrêt de Doob E(BT1 ∧T−x ) = E(B0 ) = 0, d’où
Exercice 2.4.9 : Le processus exp[−2µXt /σ 2 ] est une martingale, en effet il est facile de mettre
ce processus sous la forme exp(λBt − 12 λ2 t). On en déduit que h(Xt ) est une martingale et que
E(h(Xτ ∧t) ) = h(0). L’inégalité |h(Xτ ∧t) )| ≤ supx∈[−B,A] (h(x)) permet d’appliquer le théorème de
convergence dominée.
Exercice 2.4.15 : On sait que (Lamberton et Lapeyre 2nd edition, page 96, Musiela et Rutkowski
p. 49, Voir aussi Karatzas et Shreve, page 95) si Mt = sups≤t Bs
P(Bt ≤ x , Mt ≤ y) = P(Bt ≤ x) − P(Bt ≥ 2y − x)
pour 0 ≤ y, x ≤ y. On en déduit, par dérivation
1 x2 1 (2y − x)2
P(Bt ∈ dx , Mt ≤ y) = √ exp(− ) − √ exp(− )
2πt 2t 2πt 2t
et
P(Bt ∈ dx , Mt ≤ y) (2y − x)2 x2
P(Mt ≤ y|Bt = x) = = 1 − exp(− + )
P(Bt ∈ dx) 2t 2t
Si le MB est issu de x, on utilise
P(sup Bs + x ≤ y|Bt + x = z) = P(Mt ≤ y − x|Bt = z − x)
s≤t
2.5 Scaling
Exercice 2.5.2 : La partie a) résulte de
loi √ 1
(T1 > t) = (1 > St ) = (1 > tS1 ) = ( > t)
S12
La partie c) résulte de
1 1
d∆a = inf{t ≥ ∆a : Bt = 0} = inf{t : At ≥ 1, √ Bt = 0}
a a
loi
= inf{t : At/a ≥ 1, Bt/a = 0} = ad∆1
et
loi 1
(Ag ≤ a) = (g ≤ ∆1 ) = (1 ≤ d∆a = (1 ≤ ad∆1 ) = ( ≤ a)
d∆1
loi
La partie d) est facile. Dans ce cas ∆1 = T1∗ = inf{t : sups≤t |Bs | ≥ 1}.
Exercice 2.5.3 :
1
P( sup |Bt | ≤ x) = P( sup |Bt | ≤ 1) = P(M1 ≥ )
1≤t≤1 1≤t≤(1/x2 ) x2
2.6 Compléments
bt )2 )
Exercice 2.6.1 : On calcule E((Bt − B
bt )2 ) =
E((Bt − B bt2 ) − 2E(Bt B
E(Bt2 ) + E(B bt )
= 2t − 2E(Bt Bbt )
110 Brownien.
Il reste à calculer
bt ) = E[ E (Bt B
E(Bt B bt |Gt ]) = E(B
bt2 ) = t
bt )2 ) = 0; il s’en suit l‘égalité souhaitée.
d’où E((Bt − B
(s) def u
Exercice 2.6.4 : Soit s < t. Nous devons montrer que pour u ≤ s, βu = Bu − Bs ∈ Πt . Il suffit
s
(s) u u s u (t)
d’écrire βu = Bu − Bt + ( Bt − Bs ) = βu(t) − βs(t) . Le processus (βu ; u ≤ t) est indépendant
t s t s
u (s) u
de la variable Bt (calculer les covariances), et Bu = (βu + Bt est la décomposition orthogonale
t Z t t
de B, la projection de Ft est donc (t) b est un processus gaussien centré
f (s)ds βs . Le processus B
0
de covariance t ∧ s, c’est un MB (On peut aussi le voir en utilisant des résultats d’unicité en loi de
solution d’équa diff) Il est facile de montrer que
Z s
b (t) du (t)
Bs = βs − βu
0 u
et que, en particulier Z t
bt = −du (t)
B βu
0 u
Z t
D’où l’égalité des tribus. Il en résulte, en notant F̄ (t) = f (s)ds et en utilisant une intégration
0
par partie que Z Z Z
t t t
bs − Bt F̄ (s) b
f (s)dBs = f (s)dB F̄ (t) + dBs .
0 0 t 0 s
(1) (2)
Exercice 2.6.7 : On utilisera le théorème de représentation prévisible pour représenter Bt , Bt
Z t Z t
(i)
en terme de B (3) . Si l’égalité était possible, on aurait Bt = Φ(i)
s dBs avec E[Φ(i) 2
s ] ds = t et
Z t 0 0
(1) (2)
E(Bt Bt ) = E( Φ(1) (2)
s Φs ds) = 0.
0
Exercice 2.6.8 : Les premiéres questions se traitaient en utilisant des formules d’intégration par
parties, ou la formule d’Itô. A la main, on calcule
Z t Z t Z t Z s Z t Z s
Bs − Xs Bs Bu 1
Bt + ds = Bt + ds − ds 2
du − ds dBu
0 1 − s 0 1 − s 0 0 (1 − u) 0 0 1 − u
Z t Z t
t−u Bs t−s
= Bt − dBu + (1 − )ds
0 1−u 0 1−s 1−s
Z t Z t
t−u Bs t−s
= (1 − )dBu + (1 − )ds
0 1−u 0 1−s 1−s
Z t Z t
1 Bs
= (1 − t) dBu + (1 − t) 2
ds
0 1−u 0 (1 − s)
Par différentiation
Z t Z t
Bt Bs 1 1
dXt = (1 − t) dt − dt ds + (1 − t) dBt − dt dBs
(1 − t)2 0 (1 − s)2 1 − t 0 1 − s
Bt 1
= dt + dBt − Xt dt
1−t 1−t
Le calcul de la covariance du processus Gaussien X s’obtenait en appliquant plusieurs fois le
résultat d’isométrie Z t Z s Z t∧s
E( f (u)dBu g(u)dBu ) = f (u)g(u)du
0 0 0
2009-10 111
Z t Z s
et en remarquant que les v.a. f (u)dBu et g(v)dBv sont indépendantes. On trouvait pour
0 0
s<t
E(Xs Xt ) = s + 2s(1 − t) + (2 − s − t) ln(1 − s)
2.7 Finance
Exercice 2.7.1 : On calcule séparément E(St 11St <K ) et E(11St <K ). On trouve
avec
1 x 1 √
d1 (t) = √ (ln( + σ 2 t + rt), d2 (t) = d1 − σ t
σ t K 2
En appliquant la propriété de Markov, on en déduit
Exercice 2.7.2 : Nous présentons le calcul pour deux dates. Il s’agit de calculer l’espérance de
avec
1 1
d1 = √ ( σ 2 (T − t1 ) + r(T − t1 ))
σ T − t1 2
Il vient
E[(ST − St+1 11St1 <K = aE(St1 11St1 <K
avec
a = N (d1 ) − N (d2 )e−r(T −t1 )
E[(ST − K)+ 11{K<St1 } ] = E[11{K<St1 } (St1 N (d∗1 ) − Ke−r(T −t1 ) N (d∗2 )
1 St 1
d∗1 = √ (ln( 1 + σ 2 (T − t1 ) + r(T − t1 ))
σ T − t1 K 2
112 Itô. Corrigés
Chapter 3
113
114 Itô. Corrigés
En particulier E(Xt2 ) = t(1 − t) d’où Xt tend vers 0 quand t tend vers 1. Le processus X est un
pont Brownien. Z t
Exercice 3.1.6 : Formule évidente en écrivant Bt = dBs et en utilisant l’isométrie.
0
Z t2 Z t2
Exercice 3.1.7 : E( (Bt − Bt1 ) dt|Ft1 ) = E((Bt − Bt1 )|Ft1 ) , dt = 0. Par intégration par
t1 t1
Z t2 Z t2 Z t2
parties Bt − Bt1 ) dt = t2 (Bt2 − Bt1 ) − tdBt = (t2 − t)dBt On en déduit que la variance
t1 t1 t1
Z t2
cherchée est (t2 − t)2 dt.
t1
Exercice 3.2.6 : Soit dXt = a(Kt − Xt ) dt + σdBt . On voudrait que Xt = f (Kt ). La formule d’Itô
appliquée à f (Kt ) donne
1
dXt = f 0 (Xt )dKt + f 00 (Kt )σ 2 dt
2
soit
1
dXt = (f 0 (Kt )b + f 00 (Kt )σ 2 ) dt + f 0 (Kt )σdBt
2
Si on identifie les deux drifts, on obtient
1
a(Kt − f (Kt )) = f 0 (Kt )b + f 00 (Kt )σ 2
2
d’où f est solution de
1 2 00
σ f (x) + bf 0 (x) + af (x) = ax .
2
On résout cette EDO et on montre que f est de la forme
b
αeλ1 x + βeλ2 x + (x − )
a
avec λ1 et λ2 solutions de 21 σ 2 λ2 + bλ + a = 0.
Rt 1
Rt
Exercice 3.2.7 : Soit Xt = 0
σ(s) dBs − 2 0
σ 2 (s) ds. On a
1
dXt = σ(t) dBt − σ 2 (t) dt.
2
Soit Yt = exp Xt . On applique la formule d’Itô avec f (x) = ex .
1
dYt = exp(Xt ) dXt + exp(Xt ) σ 2 (t) dt
2
1 1
= Yt (− σ 2 (t) dt + σ(t)dBt ) + Yt σ 2 (t) dt
2 2
= Yt σ(t) dBt .
Le processus Y est une martingale locale. C’est une martingale si
Z t
2 2
E Yt σ (t) dt < ∞ .
0
Ce critère n’est pas très bon, nous en verrons d’autres par la suite.
Si σ est une constante, Y est un brownien géométrique avec drift nul. En particulier,
σ2
Yt = exp(σBt − t)
2
116 Itô. Corrigés
1
Soit Zt = Yt . Pour calculer dZt , on peut utiliser la formule d’Itô
ce qui va s’écrire Z Z
t t
1
Zt = Z0 exp(− σ(s)dBs + σ 2 (s) ds)
0 2 0
formule que l’on peut obtenir directement en inversant l’exponentielle.
2
a pour solution g(z) = α exp( c2b2 z )z
−1/c
. Les fonctions f recherchées (ce que l’on appelle les fonctions
d’échelle) sont les primitives de g.
Exercice 3.2.10 : Le processus Z est une martingale locale car dZt = cXt Zt dBt . On a
Exercice 3.2.11 : Pour montrer que Z est une martingale locale, on calcule dZ et on vérifie que
1 x2
son drift est nul. On a Zt = f (t, Bt ) avec f (t, x) = √ exp − . Il en résulte que
1−t 2(1 − t)
Bt Bt2
dZt = − 3/2
exp − dBt
(1 − t) 2(1 − t)
Le processus (Zt , t < 1) est une martingale locale. C’est une vraie martingale si pour tout T ≤ 1
Z T
Bt2 Bt2
E[ exp − dt] < ∞
0 (1 − t)3 (1 − t)
Z T Z T
Bt2 t
Le terme de gauche est majoré par E[ dt] = dt < ∞.
0 (1 − t)3 0 (1 − t)3
a
Exercice 3.2.12 : Soit Zt = (Lt ) exp(−Γ(a)t). Alors, en utilisant que
1 2
Lt = eθBt − 2 θ t
implique
2 2
1 1
φ2 t 1 2
(a2 −a)
Lat = eaφBt − 2 aφ t
= eaφBt − 2 a e2φ
on obtient
dZt = dMt + e−Γ(a)t (Lt )a (−Γ(a) + a(a − 1)φ)
où M est une martingale.
Le processus Z est une martingale pour Γ(a) = a(a − 1)φ. Exercice 3.2.13 : Il est facile d’établir
que
dYt = −Yt [(2Xt at + σt2 (1 + 2Xt2 ))dt + 2Xt σt dBt ]
et, en utilisant que Xt = 0 et Yt = 1 on obtient 0 = −σt2 dt.
Exercice 3.2.21 : La fonction d’échelle de Xt = exp(Bt + νt) est s(x) = x−2ν . Le processus
Z t
croissant de s(X) est At = (s0 σ)2 (Xs )ds.
0
avec
ψ(t, x) = E(f (x + B1−t )) . (3.1)
118 Itô. Corrigés
3.4 Compléments
Exercice 3.4.1 : En utilisant le théorème de Fubini pour les intégrales doubles
Z x Z z Z x Z x Z x
F (x) = dz dyf (y) = dyf (y) dz = dyf (y)(x − y)+
−∞ −∞ −∞ y −∞
1
dXt = exp B1 (t)(exp −B1 (t)) dB2 (t) + Ut (exp[B1 (t)]dB1 (t) + exp[B1 (t)]dt)
2
1
= dB2 (t) + Xt dB1 (t) + Xt dt
2
1 1
Soit f (x) = sinh x, alors, f 0 (x) = (ex + e−x ) = cosh x et f 00 (x) = (ex − e−x ) = sinh x. O applique
2 2
le lemme d’Itô:
q
1 1
dZt = cosh(B1 (t)) dB1 (t) + sinh(B1 (t)) dt = 1 + Zt2 dB1 (t) + Zt dt
2 2
Z t
def
Mt = B2 (t) + Xs dB1 (s) est une martingale locale comme somme de deux martingales locales.
0 Z t Z t
p
Son crochet est t + Xs2 ds = (1 + Xs2 )ds, d’où γs = 1 + Xs2 . En regroupant les résultats
Z tp 0 Z t0 Z tp Z
1 1 t
Xt = 1 + Xs2 dB3 (t) + Xt dt et Zt = 1 + Zs2 dB1 (s) + Zs ds. On obtient donc
0 2 0 0 2 0
l’égalité en loi de X et de Z.
Exercice 3.4.4 : (voir Brownien) Le processus Z est une martingale, et le lemme d’Itô conduit à
2 a − Bt (a − Bt )2
dZt = 11St <a √ √ exp − dBt .
2π T − t 2
On obtient
E(St ) = ebt E(Set ) = ebt S0
et
E(St |Fs ) = E(ebt Set |Fs ) = ebt Ses = eb(t−s) Ss
Le calcul de E exp((b − 12 σ 2 )(t − s) + σ(Bt − Bs ))|Fs se fait également à partir de celui de E(exp(σ(Bt −
Bs ))|Fs ) = E(exp(σ(Bt − Bs ))) pour lequel il suffit d’utiliser la transformée de Laplace de la v.a.
gaussienne Bt − Bs . On obtient
Ces calculs se généralisent au cas de coefficients aléatoires. Soit dSt = St (bt dt + σt dBt ) et
Rt Rt Rt
Yt = St exp(− 0 bs ds). On a d(exp(− 0 bs ds) = bt exp(− 0 bs ds)dt. Le processus Y vérifie
Z t Z t Z t
dYt = exp(− bs ds)dSt − St bt exp(− bs ds)dt = exp(− bs ds)St σt dBt = Yt σt dBt
0 0 0
La solution de dLt = −Lt θt dBt est une martingale locale, qui s’écrit
Z t Z
1 t 2
Lt = L0 exp(− θs dBs − θ ds).
0 2 0 s
On pose Yt = St Lt . On a
dYt = St dLt + Lt dSt + d < S, L >t .
Par définition dhS, Lit = −St σt Lt θt dt, d’où
σ2
ln St = ln Ss + σ(Bt − Bs ) + (r − )(t − s)
2
Le processus ln S est un processus gaussien, d’où At est une variable gaussienne.
RT
Soit G(t, T ) = T1 t (Bs − Bt ) ds. Soit t fixé. Le processus (Bs − Bt , s ≥ t) est gaussien, d’où G(t, T )
est une variable gaussienne. Le processus (Bs − Bt , s ≥ t) est indépendant de Ft donc G(t, T ) aussi,
RT
d’où E(G(t, T )|Ft ) = T1 t E(Bs − Bt ) ds = 0.
Z T Z T
1
Var (G(t, T )|Ft ) = E(G2 (t, T )) = E((Bs − Bt )(Bu − Bt ))ds du .
T2 t t
2009-10 121
1 1 3 1 3
Var (G(t, T )|Ft ) =
( T − t + tT (t − T ))
T2 3 3
R RT
1 t
En écrivant AT = T 0
ln Ss ds + t ln Ss ds et en remarquant que
Z T
1 r − σ2
ln Ss ds = (T − t) ln St + (T − t)2 + σG(t, T )
t 2 2
on obtient
t t 1 σ2
AT = At + (1 − )[ln St + (r − (T − t)] + σG(t, T ).
T T 2 2
Exercice 3.5.5 : Soit Set = e−bt St . On a vu déja plusieurs fois que Set est une martingale (par
exemple vérifier, en utilisant le lemme d’Itô, que dSet = Set σdBt ).
Soit Xt défini par
Z
e−bT T
e−bt Xt = E[ Su du |Ft ] .
h T −h
On a, XT = VT et si t ≤ T − h
Z T
1
e−bt Xt = e−bT E(Su |Ft ) du
h T −h
soit
1 − e−bh
e−bt Xt = St e−bt
bh
et si T − h ≤ t ≤ T
Z T
1
e−bt Xt = e−bT E(Su |Ft ) du
h T −h
Z t Z Z
−bT 1 1 T e−bT t 1 − e−b(T −t)
=e E(Su |Ft ) du + E(Su |Ft ) du = Su du + St e−bt .
h
T −h h t h T −h bh
dXt σSt 1 − e−bh 1 − e−b(T −t)
= bdt + 1{t<T −h} + 1{T −h<t<T } dBt
Xt Xt bh bh
St 1 − e−b(T −t)
= bdt + σ 1t<T −h + 1T −h<t<T dBt .
Xt bh
Rt
Exercice 3.5.6: Soit Zt = e−rt St + 0 δ(s)e−rs Ss ds. On a alors
Le processus Z est une martingale locale. On peut expliciter S qui est la solution d’une équation
du type dSt = St (a(t)dt + σdBt ) par
1
St = S0 exp(rt − ∆(t)) exp(σBt − σ 2 t)
2
122 Itô. Corrigés
1
et en utilisant que exp(σBt − σ 2 t) est une martingale d’éspérance 1, on obtient
2
1 1
St2 = S02 exp(2rt − 2∆(t) + 2σBt ) = S02 exp(2rt − 2∆(t) + (2σ)2 t) exp(2σBt − (2σ)2 t)
2 2
1
et l’on sait que exp(2σBt − (2σ)2 t) est une martingale égale à 1 en t = 0, d’où
2
1
E(St2 ) = S02 exp(2rt − 2∆(t) + (2σ)2 t)
2
Rt
et E( 0 Ss2 e−2rs ds) < ∞, ce qui établit le caractère martingale de la martingale locale Z.
On sait que (formule de Black et Scholes en changeant de nom les paramètres) si dSt = St (adt +
σdBt ), S0 = x alors
E(e−aT (ST − K)+ )) = xN (d1 ) − Ke−aT N (d2 )
1 x 1
avec d1 = √ ln( −aT
) + σ 2 T ). Le calcul demandé est alors facile.
σ T Ke 2
3.6 Le crochet
3.7 Finance
Exercice 3.7.6 : Par définition,
avec g(x) = (x − K)+ . En utilisant g(x) ≤ e−rt g(xart , pour tout t et l’inégalité de Jensen (liée à la
convexité de g) on obtient
e−ru g(Su ) ≤ e−rT g(Su er(T −u) ) = e−rT g(erT E(ST e−rT |Fu )) = e−rT g(E(erT ST e−rT |Fu ))
= e−rT g(E(ST |Fu )) ≤ E(e−rT g(ST )|Fu )) = Cu
Xt 1 1 1
d( ) = Xt d( ) + dXt + dhX, it .
Yt Yt Yt Y
X 1 1 1
d( ) = d(1) = 0 = Xd( ) + dX + dhX, i .
X X X X
Soit dV = π1 dS 1 + π 2 dS 2 . On a donc
1 1 1
dhV, i = π1 dhS 1 , 1 i + π 2 dhS 2 , 1 i .
S1 S S
Corrigés. 2009-10 123
S S S S
1 1 1 1 1 1 2 2 1 1 2 2 1
= π1 S d( 1 ) + 1 dS + dhS , 1 i + π S d( 1 ) + 1 dS + dhS , 1 i
S S S S S S
2
S
= π 2 d( 1 )
S
Le marché est complet: en effet, toute v.a. FT mesurable s’écrit comme valeur terminale d’un
portefeuille auto-finançant composé des actifs sans risque et de l’actif 1, donc le marché composé
d’un actif supplémentaire (avec les mêmes actifs contingents) est également complet. La seule
probabilité équivalente à la probabilité P telle que l’actif sans risque et l’actif 1, actualisés, sont des
1 µi − r
martingales est Q définie par dQ|Ft = exp(−θBt − θ2 t)dP |Ft avec θ = . L’actif 2, actualisé
2 σ
n’est pas une martingale sous Q, il n’existe donc pas de probabilité équivalente à la probabilité P
telle que TOUS les actifs actualisés soient des martingales. Le marché présente des opportunités
d’arbitrage. Supposons µ1 > µ2 . Si, à la date 0, on achète une part de l’actif 1 et on vend une
part de l’actif 2 (capital initial investi nul) et que l’on maintient cette position jusqu’en T , on a un
portefeuille de valeur
1
ST1 − ST2 = exp(µ1 T ) − exp(µ2 T ) exp(σBT − σ 2 T ) > 0
2
ce qui constitue un arbitrage.
124 Exemples
Chapter 4
Exemples, Corrigés
sinh λx cosh λx
f 0 (x) =− +
λx2 x
sinh λx λ cosh λx cosh λx λ sinh λx
f 00 (x) = +2 − − + .
λx3 x2 x2 x
La formule d’intégration par parties conduit à
tλ2
− λ2
dUt = e 2 [− Vt dt + dVt ]
2
et on vérifie que les termes en dt s’annulent.
Il suffit d’appliquer le théorème d’arrêt de Doob à la martingale U et au temps d’arrêt Tb (on
λ2 Tb sinh λb λ2 Tb
utilise que sinh x est born,ée sur [0, b]). On obtient E(exp(− )( )) = 1, d’où E(exp(− )) =
2 λb 2
λb
.
sinh λb
Exercice 4.1.4 :
Les deux résultats s’obtiennet en appliquant le lemme d’Itô
1 1 1 1 1 1 1
d(ln Rt ) = dRt − dRt dRt = dBt − dt + dt = dBt ,
Rt 2(Rt )2 Rt Rt 2Rt 2(Rt )2 Rt
ν 2 ν−2
= νRtν−1 dBt + R dt
2 t
125
126 Exemples
Z t
ν2 ds
On pose Zt = exp(− ) et on applique le lemme d’Itô.
2 0 Rs2
Z t
ν2 ds ν2 1
dZt = d exp(− ) = Z t (− ) dt
2 0 Rs
2 2 Rt2
ν ν ν−1 ν−1 1 ν(ν − 1) ν−2 ν2 1 ν
dLt = Zt dRt + Rt dZt = Zt νRt dBt + νRt dt + Rt dt − R dt
2Rt 2 2 Rt2 t
= Zt νRtν−1 dBt
Exercice 4.1.5 : p
dYt = 2 Yt dBt + δdt
La formule d’Itô conduit á √
dZt = Zt (−µ Y )dBt
Z tp
√
et def
Sous Q B = Bt + µ et + (δ − 2µYt )dt.
Yu du est un MB et dYt = 2 Yt dB
0
on a alors
q
2
dZt = 2Bt dBt + 2Bt1 dBt1 + 2dt = p (Bt )2 + (Bt1 )2 (Bt dBt + Bt1 dBt1 )
(Bt )2 + (Bt1 )2
p
= 2 Zt dBt3 + 2dt
Avec n Browniens on obtient µ = n.
def √
Si ρt = Rt , la formule d’Itô conduit à
1
dρt =
(µ − 1)dt + dBt
2ρt
q
(µ) (ν) (µ) (ν)
dXt = dRt + dRt = (µ + ν)dt + 2 Rt + Rt dZt
où Z est un MB. On en déduit que la somme de deux Bessels carrés indépendants est un Bessel
carré.
Exercice 4.1.6 : Px (inf s≤t Xs ) = Px (Ta > t) et on connait la transformée de Laplace de Ta
λ2
E(ν) (exp − Ta ).
2
Xt∧τ (3) (3) a
Dans le cas du BES(3) Px |Ft = Wx |Ft d’où pour a < x Px (φ(Ta )11Ta <∞ ) = Wx (φ(Ta ))
x x
(3) (3) (3) a
D’où Px (Ta > t) = Px (∞ > Ta > t) + (1 − xa ) et Px (∞ > Ta > t) = P0 (T(x−a) > t) =
√ x
a
P0 ((x − a) > |N | t).
x
Voir Borodin pour l autre cas
Rt ν ν2
W (ν) (F (xBu ), u ≤ Ct ) = W(exp(BCt +νCt )F(xBu ), u ≤ Ct ) = P(0) ( ) exp − F(Rs ), s ≤ t)
x 2Ct
car sous P(0)
exp νBCt = (exp BCt )ν , Rt = x exp BCt
where
es ) ≤ a) = E( max (µ1 s + σ1 B
Ψ(u, x) = E( max (x + µ1 s + σ1 B es ) ≤ a − x)
0≤s≤u 0≤s≤u
Then, it remains to know the law of the pair Y1 , X1 . This is the reflection principle in the case
µ = 0 (Revuz Yor, page 105 ex. 3.14) and the general result follows from Girsanov’s theorem. For
example Borodin-Salminen, page 198, formula 1.18 in the case where σ = 1
1 µ2 t (|z − y| + y)2
P(Y1 ≥ y, X1 ∈ dz) = √ exp[µy − − ] dz
2πt 2 2t
References:
Borodin, A. and Salminen, P.: Handbook of Brownian Motion. Facts and Formulae, Birkhäuser,
1996.
Exercice 4.4.3 : On écrit dS = D(rdt + σt dB̃t ). Si C̃ est la valeur de C actualisé, alors dC =
CmσdB̃t . Il suffit de résoudre et d’identifier
Z Z m
St m−1 t 1 t 2
Ct = C0 exp[− [ rs ds + σ ds]]
S0 m 0 2 0 s
Exercice 4.4.4 : On remarque que Yt = eλt Xt est un MB changé de temps: Yt = BΛ(t) avec
Z t
e2λt − 1
Λ(t) = σ 2
e2λu du = σ 2 . Par suite τ = inf{t : |Yt | > eλy g(t)}. D’où la suite d’égalités
0 2λ
avec
τ ∗ = inf{t : |Bt | > eλC(t) g(C(t))}
Chapter 5
Equations différentielles
stochastiques, Corrigés
Rt Rt
L’intégrale stochastique est une martingale car E( 0 (b + βXs )2 ds) ≤ E( 0 2(b2 + β 2 Xs2 ) ds) et la
solution de l’équation vérifie E(sups≤t Xs2 ) < ∞. D’où en prenant l’espérance de Xt et en posant
m(t) = E(Xt )
Z t
m(t) = x + (a + αm(s)) ds .
0
0
La fonction m est dérivable et vérifie m (t) = a + αm(t). Compte tenu de la condition initiale
m(0) = x, la solution est
a a
m(t) = (x + )eαt −
α α
La formule d’Itô conduit à
En admettant que l’intégrale stochastique est une martingale et en posant M (t) = E(Xt2 )
Z t Z t
M (t) = x2 + 2 (am(s) + αM (s)) ds + (b2 + β 2 M (s) + 2bβm(s)) ds
0 0
soit
M 0 (t) − (2α + β 2 )M (t) = 2(a + bβ)m(t) + b2
M (0) = x2
la solution est 2
M (t) = Ce(2α+β )t + keαt + c
k(−α − β 2 ) = 2(a + bβ)(x + αa )
c = (b2 − 2(a + bβ) αa ) 2α+β
1
2
2
C +k+c = x
129
130 Equa. Diff.
Exercice 5.1.3 : On a dYt = Yt (αdt + βdBt ) dont la solution est (cf brownien géométrique)
1
Yt = exp[(α − β 2 )t + βBt )]
2
On a (cf propriété de martingale du Brownien)
1 1
E(Yt |Fs ) = exp(αt)E(exp[− β 2 t + βBt ] |Fs ) = exp(αt) exp[− β 2 s + βBs ]
2 2
D’où, si α ≥ 0, on a E(Yt |Fs ) ≥ Ys . Le processus Y est une martingale si on a égalité soit si α = 0.
c. Le processus Y ne s’annule pas. Le processus Zt est un processus d’Itô car Yt−1 est de carré
intégrable (voir brownien géométrique) et
Exercice 5.1.4: L’équation dXt = αXt dt + b dBt admet une solution unique. En posant Zt =
e−αt Xt on voit que dZt = e−αt dBt d’où
¯
Z t
Xt = eαt x + eαt e−αs b dBs
0
1 − e−2αt def 2
V (Xt ) = b2 e2αt = σ (t) .
2α
Si Yt = φ(Xt ), la formule d’Itô conduit à
1
dYt = φ0 (Xt )dXt + φ00 (Xt )b2 dt .
2
Dans le cas particulier de l’énoncé,
α 2
dYt = exp(− X )(bdBt )
b2 t
soit Z t
α 2
Yt = b exp(− X )dBs
0 b2 s
Rt
C’est une martingale car E( 0 exp(− 2α 2
b2 Xs )ds) < ∞ (faire le calcul en utilisant ce qui suit) de carré
intégrable.
2
En utilisant le calcul de E(eλU ) quand U est une gaussienne, on trouve, en posant m(t) = eαt
2 1 λm2 (t)x2
E(eλXt ) = p exp = Φ(t, x)
1 − 2λσ 2 (t) 1 − 2λσ 2 (t)
et
2 1 λm2 (t − s)Xs2
E(eλXt |Fs ) = p exp = Φ(t − s, Xs )
1 − 2λσ 2 (t − s) 1 − 2λσ 2 (t − s)
Corrigés. 2009-10 131
Soit t fixé. Par définition, le processus d’Itô V défini par Vs = Φ(t − s, Xs ) est une martingale,
donc son drift est nul. On a donc
1
−∂1 Φ(t − s, x) + αx∂2 Φ(t − s, x) + b2 ∂22 Φ(t − s, x) = 0
2
1
∂1 Φ(u, x) + αx∂2 Φ(u, x) + b2 ∂22 Φ(u, x) = 0
2
En posant Ψ = ln Φ et en recherchant Ψ sous la forme
Calculer ϕ(λ) = E(exp(λXT )) revient à calculer ψ(λ) = E(exp(λYT )). On a en effet ϕ(λ) = ψ(λeαT ).
Le calcul des espérances conditionnelles se réduit à un calcul d’espérance par la propriété de Markov.
On a Z t Z t p
Yt = Y0 + eαs (µ − γVs )ds + eαs Vs dW1,s
0 0
On est donc ramené à calculer
Z t Z t p
αs αs
A = E exp −γ e Vs ds + e Vs dW1,s
0 0
Rt
D’où le résultat en remarquant que exp(− 0 ψ(Ss )ds) est Ft -mesurable. Pour que M soit une
martingale, il faut que sa partie à variation bornée soit nulle. Il est facile de voir que
Ce qui conduit à
α0 + β 0 St − ψ(St ) + βµ(St )dt + β 2 σ(St )2 = 0
soit
α0 + β 0 x − ψ(x) + β(µ0 + µ1 x) + β 2 (σ0 + σ1 x) = 0
Cette équation doit être vérifiée pour tout (t, x) d’où (cours élémentaire sur les ED)
α0 − ψ0 + βµ0 + β 2 σ0 = 0
β 0 − ψ1 + βµ1 + β 2 σ1 = 0
5.3 Finance
Exercice 5.4.1 : La solution de
dSt = St (r dt + σ dBt )
vérifie, pour t ≤ u
σ2
Su = St exp r(u − t) + σ(Bu − Bt ) − (u − t) (5.1)
2
Le processus S est à valeurs positives (si S0 > 0)!et ne s’annule pas.
Z
1 T
1. Le processus Mt = E [ Su du − K]+ |Ft est une martingale.
T 0
Corrigés. 2009-10 133
Z !
T
1 Su
St E [ du − ζt ]+ |Ft
T t St
Z
1 t
avec ζt = St−1 (K
− Su du), variable Ft -mesurable.
T 0
3. On rappelle que, si X est indépendante de G et Y est G-mesurable,
Su
Les variables ( , u ≥ t) sont indépendantes de Ft (utiliser (5.1)), et ζt est Ft mesurable. Il en
St
résulte
Mt = St Φ(t, ζt )
avec !+
Z T
1 Su
Φ(t, x) = E du − x .
T t St
4. On obtient
1 1 2 σ2 r σ
dSt−1 = − 2 dSt + 3 d < S, S >t = ( − )dt − dBt .
St 2 St St St St
on en déduit les égalités suivantes
Z
St 1 t 1
dζt = −St−1
dt + (K − Su du)dSt−1 = − dt + ζt (−σdBt − rdt + σ 2 dt)
T T 0 T
d < ζ, ζ >t = ζt2 σ 2 dt
1
dΦ(t, ζt ) = Φ0t dt + Φ0x dζt + Φ”xx d < ζ, ζ >t = (...) dt − σζt Φ0x dBt
2
d < S, Φ >t = −St σ 2 ζt Φ0x
ce qui s’écrit
1
Φ(t, ζt )dSt + St [Φ0t (t, ζt )dt + Φ0x (t, ζt )dζt + Φxx ”(t, ζt )d < ζ, ζ >t ] + d < S, Φ >t
2
Soit
∂Φ 1 ∂Φ 1 2 2 ∂ 2 Φ
dMt = St (rΦ + − ( + rζ) + σ ζ ) dt + dNt
∂t T ∂x 2 ∂x2
où N est une martingale du type (...) dBt . Le processus M étant une martingale locale, sa partie
processus à variation finie est nulle, soit
∂Φ 1 ∂Φ 1 2 2 ∂ 2 Φ
0 = rΦ + − ( + rζ) + σ ζ
∂t T ∂x 2 ∂x2
avec
1 x V2
d1 =ln( ) + T r + , d2 = d1 − V
V K 2
Z T
Il suffit donc de remplacer σ 2 T par Σ2 = σ 2 (s)ds
0
avec
1 x Σ2
d1 = ln( ) + T r + , d2 = d1 − Σ
Σ K 2
N − Xt
est solution de dXt = dBt + dt. Par différentiation de (5.2)
1−t
Z t
1
dXt = N dt − 1 dBs + dBt
0 1−s
1
= N dt − (Xt − tX1 )dt + dBt
1−t
1
= dBt + (−Xt + N )dt
1−t
Le processus X est donc gaussien, centré, de covariance (s < t)
Z t Z s
1 1
E(Xs Xt ) = ts + (1 − t)(1 − s)E( dBu dBv
0 1 − u 0 1 − v
Z s
1
= ts + (1 − t)(1 − s) 2
du = s
0 (1 − u)
Chapter 6
Girsanov, Corrigés
d’où le résultat.
Z t Z t Z Z t
1 t 2
Exercice 6.1.4 : On a Γt = exp( βs ds) exp( γs dBs − γ ds), d’où Γt exp(− βs ds) est
0 0 2 0 s 0
βt
une martingale. L’écriture dΓt = Γt γt (dBt + dt) montre que sous Q défini par dQ = Lt dP, avec
γt
βt βt
dLt = Lt dBt , le processus B̃t défini par dB̃t = dBt + dt est un mouvement Brownien.
γt γt
Le processus Γ vérifiant dΓt = Γt γt dB̃t est une Q-martingale locale. On obtient facilement d(Γ−1t )=
2
γt − βt
−Γ−1
t γt (dBt − dt) et le choix de R s’en suit.
γt
6.2 Crochet
1
Exercice 6.2.1 : Soit Z = N − < N, M > et Lt = exp(Mt − hM it ). On a d(ZL) = ZdL + LdZ +
2
dhZ, Li = mart + dhZ, Li − LdhM, N i = mart
Z t 0
h (Xs )
Exercice 6.2.2 : On vérifie que Zt = h(Xt )Mt − dhM, Xi est une P-martingale.
0 h(Xs )
135
136 Girsanov.
6.3 Processus
Exercice 6.3.4 :
qui s’écrit dBt = −bBt dt + dWt montre que le processus (Bt , t ≥ 0) est un processus
d’Ornstein-Uhlenbeck sous Pb . D’où Bt est une variable gaussienne sous Pb , d’espérance ae−bt
1 − e−2tb
et de variance .
2b
Exercice 6.3.3 : Soit dXZt = −λXt dt + dBt un processus d’Ornstein-Uhlenbeck. Sous Pλ , X est
t
un Brownien car Xt = −λ Xs ds + Bt . On a
0
Z T Z T
b2 b2
EP (exp − Xs2 ds) = EPλ (L−1
T exp − Xs2 ds)
2 0 2 0
Corrigés. 2009-10 137
Z Z Z !!
T T
λ2 b2 T 2
= EPλ exp −λ Xs dXs − Xs2 ds − Xs ds
0 2 0 2 0
Z !!
T
λ λ + b2 2
= EPλ exp − (XT2 − T ) − Xs2 ds
2 2 0
p
λT λ
= exp Φ( , λ2 + b2 )
2 2
(On comparera cet exercice au précédent)
dSt = St (µ dt + σ dBt ) , S0 = s .
σ2
St = S0 exp(µt + σBt − t).
2
1
1. Soit dQ = Lt dP avec Lt = exp(θBt − θ2 t). Le théorème de Girsanov montre que W est un
2
Q-mouvement Brownien.
σ2
2. Soit dP̃ = Zt dQ avec Zt = exp(σWt − t)
2
Le théorème de Girsanov montre que (B̃t = Wt − σt, t ≥ 0) est un P̃-mouvement brownien.
On a alors
dSt = St ((r + σ 2 ) dt + σ dB̃t )
St
3. Soit Pt = P0 ert . Le processus (Yt = , t ≥ 0) est une Q-martingale, car Yt = Y0 exp(σWt −
Pt
σ2 d(St e−rt )
t) (ou parce que (Itô) dYt = = Yt dWt .)
2 P0
Pt σ2
Le processus Zt = est une P̃-martingale car Zt = Z0 exp(−σ B̃t − t)
St 2
R
t
4. Soit Ft = e−λt 0 Su du + sA où A, λ sont des constantes
Ft λt
Soit Ψt = e . On a dΨt = (1 − rΨt ) dt − σΨt dB̃t
Pt
Exercice 6.3.7 : Let BtY = Y t + Bt and F be a functional on C([0, t], R). Using the independance
between Y and B, and Cameron-Martin theorem, we get
Z
Y
E[F (Bs , s ≤ t)] = E[F (sY + Bs , s ≤ t)] = ν(dy)E[F (sy + Bs , s ≤ t)] (6.1)
Z
y2
= ν(dy)E[F (Bs , s ≤ t) exp(yBt − t)] = E[F (Bs ; s ≤ t)h(Bt , y)] (6.2)
2
h
= E (F (Xs , s ≤ t)] (6.3)
Z
y2
where h(x, t) = ν(dy) exp(yx − t) and Ph |Ft = h(Bt , t)W |Ft . Therefore,
2
Z t
h def h0
Bt = Bt − ds x (Bs , s)
0 h
is a P h -martingale, more precisely a Ph Brownian motion and Bt is solution of
Z t
h0
Xt = Bth + ds x (Xs , s)
0 h
138 Girsanov.
Z t
h Y eh + h0x Y
Under P , B has the same law as B under P. Then, BtY =B t ds (Bt , t). Let us remark
0 h
that
h0x
E(Y |BtY ) = (BsY , s)
h
where BtY = σ(BsY , s ≤ t). On a
1 2
EQ (f (Y )F (BsY , s ≤ t)) = EP (e−Y Bt − 2 Y t F (BsY , s ≤ t))
Z
1 2
= ν(dy)f (y)EP (e−yBt − 2 y t F (Bs + ys, s ≤ t))
Z
= ν(dy)f (y)E(F (Bs , s ≤ t)) = E(F (Bs , s ≤ t))EP (f (Y ))
µ µ2 µ µ2
L−1
t = exp( Bt + 2
t) = exp( B̃t − 2 t)
σ 2σ σ 2σ
et pour tout temps d’arrêt T , on a
−λ(T ∧t) µ µ2 + 2λσ 2
EP (exp(−λ(T ∧ t)) = EPµ (LT ∧t e ) = EPµ exp( B̃T ∧t − (T ∧ t))
σ 2σ 2
On en déduit
µ µ2 + 2λσ 2
EP (exp(−λTa )11Ta <∞ ) = exp 2 a EPµ exp(− Ta ) 11Ta <∞
σ 2σ 2
Le passage à la limite quand t → ∞ est licite pour a ≥ 0, car d’une part e−λ(T ∧t) ≤ 1 et d’autre
µ2 + 2λσ 2 a
part B̃Ta ∧t ≤ a, d’où exp( σµ B̃T ∧t − 2
(T ∧ t)) est borné. On utilise aussi B̃Ta 11Ta <∞ = .
2σ σ
Corrigés. 2009-10 139
Exercice 6.5.2 :
λ2
E(11T <∞ exp(λBT − T )) = P(λ) (T < ∞) =
2
and use that
T = inf{t : Bt − t/2 > ln a} = inf{t : Bt + (λ − 1/2)t > ln a}
2
Exercice 6.5.3 : Le processus (Mt = exp(θB̃t − θ2 t ) , t ≥ 0) est une Pµ -martingale et si a et θ
sont positifs (Mt∧Ta , t ≥ 0) est uniformément intégrable, car majorée par exp(θa). On en déduit
EPµ (MTa ) = 1 d’où
p
−λTa aµ a µ2 + 2λσ 2
EP (e 11Ta <∞ ) = exp( 2 − )
σ σ2
et on vérifie que Ta est fini (faire λ = 0).
Exercice 6.5.4 : L est une martingale exponentielle d’espérance 1, en utilisant que dFt2 =
2Ft f (t)dBt + f 2 (t)dt on obtient la première égalité. Une intégration par partie montre que
Z T Z T
h(s) 2 h(T ) 2 h(0) 2 2 h(t)
dFs dBs = F − F − Ft d
0 2f (s) f (T ) T f (0) 0 0 f (t)
u0
ce qui donne le résultat. On prend ensuite h(t) = et on utilise que
u(t)f (t)
" Z T 00 #! Z T 0 !
1 u0 (T ) 2 u (t) − 2u0
(t)f 0
(t)/f (t) u (t)
E exp FT − Ft2 dt = exp dt
2 u(T )f 2 (T ) 0 u(t)f 2 (t) 0 u(t)
et en appliquant Girsanov,
1/2 Z Z Z !
T T t
u(T ) u(t) f (s)
K= EQ Ψ(A + Bu(T ) dBt + dtφ(t)u(t) dBs )
u(0) 0 f (t) 0 0 u(s)
p σ 0 (t)
Exercice 6.6.16 : On a dr = 2 σ(t)rt dBt + ([2β(t) + ]rt + δσ(t))dt. L’etude de Z se fait par
σ(t)
une IP.
Exercice 6.5.5 :
6.6 Finance
!+
Z T
1
Exercice 6.6.13 : Il s’agit de calculer A = E e−rT Su du − ST que l’on écrit
T 0
1
A= E(e−rT ST (YT − K)+ )
T
140 Compléments
Z t
1 St
avec Yt = Su du et K = T . Par un changement de probabilité (le processus e−rt est une
St 0 S0
S0
Q-martingale positive d’espérance 1), on obtient A = Ẽ((YT − K)+ ) avec, sous Q̃
T
dYt = (1 − rYt )dt + Yt σdB̃t .
Exercice 6.6.15 :
σ 0 (t)
1. On a drt = rt dt + σ(t)(dBt + h(t)dt).
σ(t)
2. Une intégration par parties donne le résultat.
3. Une nouvelle intégration par parties donne le résultat
4. Une quantité du type
Z !!
T
A = E exp f (T )BT − Bs g(s)ds
0
se calcule en recherchant une fonction ϕ telle que ϕ0 (s) = g(s), ϕ(T ) = g(T ). On peut aussi
remarquer que
Z T
h(T )BT − Bs (h0 (s) + σ(s))ds
0
est une variable gaussienne centrée dont on identifie la variance.
Z t
1 − e−b
Exercice 6.6.17 : St = x + mart + 2(ν + 1) Su du. Utiliser que ≥ e−b . On en déduit
0 b
Z
1 T
que E(( exp(2(Bs + νs))ds − K) ) ≥ E((exp 2(BT + νT ) − k)+ ) pour k assez petit.
+
T 0
Exercice 6.6.7 Pour évaluer EQ (h(ST )|Ft ) dans le cas h(x) = (xα − K)+ , on utilise ce qui précède
b2
en écrivant STα sous la forme x exp((a − )t + bBt ). IL est facile de vérifier que sous Q∗ ,
2
dZt = −σZt dB̃t
et comme B̃ donc −B̃ est un MB, Z a même dynamique sous Q∗ que S sous Q. Par suite
∀ϕ, EQ (ϕ(ST )) = EQ∗ (ϕ(ZT )) .
Par définition de Q∗
1 x2 x2
EQ (ST f ( )) = EQ∗ (f ( )) .
x ST ST
Par définition de Z,
x2
EQ∗ (ST f (
)) = EQ∗ (f (ZT )) = EQ (f (ST )) .
ST
Si S a est une martingale, le même raisonnement conduit à la formule souhaitée. Un peu d’algèbre
permettait décrire xβ (x − K)+ comme
(xβ+1 − K β+1 )+ − K(xβ − K β )+ .
Chapter 7
Compléments, Corrigés
loi
(St − Wt , St , Wt ; θ ≤ t ≤ 1) = (|Wt |, Lt , Lt − |Wt |; g ≤ t ≤ 1)
D’où
loi
Wθ , sup (St − Wt − St )) = Lg − |Bg |, sup (|Wt | − Lt ) = (Lg , sup (|Wt | − Lg )
θ≤t≤1 g≤t≤1 g≤t≤1
Thus
loi
D1 = Wθ + sup (St − Wt − St ) = Lg + sup |Wt | − Lg
θ≤t≤1 g≤t≤1
141
142 Compléments
Exercice 7.3.2 : M est une intégrale stochastique, l’intégrand est borné donc de carré intégrable,
M est une martingale.
Par propriété de l’intégrale stochastique
Z t 2 Z t
11Ws >0 dWs − (11Ws >0 )2 ds
0 0
est une martingale. Une autre méthode consiste à appliquer la formule d’Itô à Yt2 avec Yt =
Z t Z t
11Ws >0 dWs . Le processus At = 11Ws >0 ds est un processus croissant.
0 0
def
Le processus MCt est une Gt = FCt martingale et
La première décomposition exprime que |Wt | est égal à un MB plus un processus croissant, la sec-
onde décomposition dit que St − Wt a la même propriété. On peut montrer, grace au lemme de
loi loi
Skohorod (voir poly) que (St − Wt , t ≥ 0) = (|Wt |, t ≥ 0) et que (Lt , t ≥ 0) = (St , t ≥ 0).
Corrigés. 2009-10 143
Z t Z t
Exercice 7.4.8 : From the occupation formula and change of time dhM is f (Ms ) = dhM is f (βhM is ) =
0 0
Z hM it Z
duf (βu ) = dyf (y)LyhM it (β).
0
7.5 Lois
Exercice 7.5.1 : Soit Yt = f (Xt ). On en déduit
Xt 1 1 Xt b0 (Xt ) 2
dYt = dXt + − 2 b (Xt )dt
b(Xt ) 2 b(Xt ) b (Xt )
a(Xt ) 1
= Xt dt + dWt + b(Xt ) − Xt b0 (Xt ) dt
b(Xt ) 2
Le résultat souhaité en découle.
Z t Z t
a(Xs ) 1 0
f (Xt ) − f (X0 ) − Xs + b(Xs ) − Xs b (Xs ) ds = Xs dWs
0 b(Xs ) 2 0
Exercice 7.5.2 : Let V be a standard Brownian motion starting at v, that is, Vt = v + Wt . In this
case, the two events { τa (V ) ≤ t} and { sups≤t Ws ≥ α}, where α = a − v are equal. The reflection
principle implies that the r.v. sups≤t Ws is equal in law to the r.v. kWt k. Therefore,
loi α2
where G is a Gaussian variable, with mean 0 and variance 1. It follows that τα (W ) = , and the
G2
probability density function of τa (V ) is
a−v (v − a)2
f (t) = √ exp − .
2πt3 2t
144 Compléments
The computation of
E 11{T <τa (V )} h(VT ) = E h(VT ) − E 11{T ≥τa (V )} h(VT )
7.6 Filtrations
Exercice 7.6.2 : Mt = E(Wt |Ht ) est un processus H-adapté. Pour montrer que c’est une H-
martingale, il suffit d’écrire la suite d’égalités suivantes, pour t ≥ s
Pour montrer que Z est une FX -martingale, on écrit (en justifiant chaque égalité, ce que je ne fais
pas)
Z t
E(Zt |FsX ) = E(Xt |FsX ) − E( Ybu du|FsX )
0
Z t Z t
= E(Wt + Yu du|FsX ) − E( Ybu du|FsX )
0 0
Z s Z t Z s Z t
= X
E(Wt |Fs ) + E( X
Yu du|Fs ) + E( Yu du|FsX ) − Ybu du − E( Ybu du|FsX )
0 s 0 s
Z s Z t Z s Z t
= E(Ws |FsX ) + E( Yu du|FsX ) + E( Yu du|FsX ) − Ybu du − E( Ybu du|FsX )
0 s 0 s
Z t Z s Z t
= X
E(Xs |Fs ) + X
E(Yu |Fs )du − b
Yu du − E( Ybu du|FsX )
s 0 s
Z t Z s Z t
= Xs + b
Yu du − b X
E(Yu |Fs )du − E( Ybu du|FsX )
s 0 s
Z s
= Xs − Ybu du)
0
∗
Soit T = inf{t ≥ 0|Bt = y}. Par définition P(Bt ≤ x, Mt > y) = P(T < t, Bt−T < x − y). Si
∗
Mt > y, c’est que l’on a dépassé y avant t: Si Mt > y, on a T < t. De plus Bt−T = Bt −BT = Bt −y.
∗
Rt ∗
Rt ∗
Par indépendance, P(T < t, Bt−T < x − y) = 0 P(T ∈ du , Bt−u < x − y) = 0 P(T ∈ du)P(Bt−u <
∗ ∗
x − y). D’après 1, P(Bt−u < x − y) = P(Bt−u > −x + y), d’où
Z t Z t
∗ ∗
P(T ∈ du)P(Bt−u < x − y) = P(T ∈ du)P(Bt−u > y − x)
0 0
et par indépendance
Z t Z t
∗ ∗
P(T ∈ du)P(Bt−u > y − x) = P(T ∈ du, Bt−u > y − x) = P(T < t, Bt > 2y − x)
0 0
En tenant compte du fait que si Bt > 2y − x et y > x , alors Bt > y, donc T < t on en déduit
P(T < t, Bt > 2y − x) = P(Bt > 2y − x) d’où
En utilisant
P(Bt ≤ x, Mt < y) = P(Bt ≤ x) − P(Bt ≤ x, Mt > y)
on obtient
x x − 2y
P(Bt ≤ x, Mt < y) = N ( √ ) − N ( √ )
t t
3. La loi de T s’obtient en écrivant P(T < t) = P(Mt < y) et la densité du couple (Bt , Mt ) en
dérivant P(Bt ≤ x, Mt < y).
4. Soit Xt = µt + Bt , Yt = sup (Xs , 0 ≤ s ≤ t}. Soit dQ = ζdP avec ζ = exp(−µXt + 12 µ2 t). En
utilisant le théorème de Girsanov, on a
1
P(Xt < x, Yt < y) = EQ (exp(µXt − µ2 t) 11Xt <x 11Yt <y )
2
que l’on peut calculer car sous Q, X est un mouvement Brownien et on connait la loi du couple
(x, Y ) sous Q.
loi α2
where G is a Gaussian variable, with mean 0 and variance 1. It follows that τα (W ) = , and the
G2
probability density function of τa (V ) is
a−v (v − a)2
f (t) = √ exp − .
2πt3 2t
The computation of
E 11{T <τa (V )} h(VT ) = E h(VT ) − E 11{T ≥τa (V )} h(VT )
loi (a − Wt )2
dat (W ) = t + inf {u ≥ 0 : Wu+t − Wt = a − Wt } = t + τba−Wt = t + .
G2
a2
kak
>P1 − t = Φ √ .
G2 1−t
Then, the Itô-Tanaka formula combined with the identity xΦ0 (x) + Φ00 (x) = 0 lead to
Z t Z
|Wt | |Ws | |Ws | 1 t ds 00 |W |
P(g ≤ t|Ft ) = Φ √ = Φ0 √ d √ + Φ √ s
1−t 0 1−s 1−s 2 0 1−s 1−s
Z t Z t
|Ws | sgn(Ws ) dL |W |
= Φ0 √ √ dWs + √ s Φ0 √ s
0 1−s 1−s 0 1−s 1−s
Z t r Z t
|Ws | sgn(Ws ) 2 dL
= Φ0 √ √ dWs + √ s .
0 1−s 1−s π 0 1−s
which gives
1
ν (1 − exp(2ν(x − a))
for 0 ≤ x ≤ a
φ(x) =
1 (1 − exp(−2νa)) exp(2νx) for x ≤ 0
ν
Exercice 7.8.2 : Il suffit d’écrire
√
Bt = m1 t − gt (sgneBt )
r
√ √ √ π
On a alors E(Bt |Fgt ) = E(m1 t − gt (sgneBt )Fgt ) = t − gt (sgneBt )E(m1 ) = t − gt (sgneBt )
√ 2
On note µt = t − gt (sgneBt ), c’est une martingale. Des calculs analogues conduisent à
E(Bt2 − t|Fgt ) = E(m21 )µ2t − t
Corrigés. 2009-10 147
α2 α2
E(eαBt − 2 t
|Fgt ) = h(αµt )e− 2
Sauts, Corrigés.
Il est bien connu (ou tout au moins facile de vérifier ) que si X et Y sont deux variables de Poisson,
indépendantes, de paramètre µ et ν
n
P(X = k|X + Y = n) = αk (1 − α)n−k
k
µ
avec α = . On en déduit
µ+ν
t−s
E(Nt − Ns |Fs ∧ σ(N1 )) = (N1 − Ns )
1−s
La vérification de la propriété de martingale est alors facile.
λn t n
Exercice 8.1.4 : Si N est un processus de Poisson, P(Nt = n) = e−λt d’où
n!
ψ(z, t) = e−λt e−λtz
loi
Si N un processus à accroissements indépendants tel que Nt+s − Nt = Ns
∞
X
ψ(z, t + s) = z n P(Nt+s = n) = E(z Nt+s ) = E(z Nt+s −Nt +Nt )
n=0
= E(z Nt+s −Nt )E(z Nt ) = E(z Ns )E(z Nt ) = ψ(z, t)ψ(z, s)
On en déduit
ψ(z, t + h) − ψ(z, t) = ψ(z, t)[ψ(z, h) − 1]
ce qui conduit à une EDO en utilisant les propriétés de ψ données dans l’énoncé. En tenant compte
de ψ(z, 0) = 1, on montre que ψ(z, t) = e−λt e−λtz , ce qui caractérise le processus de Poisson (cette
égalité caractérise la loi de Nt , ce qui avec N un processus à accroissements indépendants tel que
loi
Nt+s − Nt = Ns caractérise le processus de Poisson.)
149
150 Sauts.
avec
n+Nt−s n+k
X X X
Ψ(n) = E( Yi ) = P(Nt−s = k)E( Yi )
i=n+1 i=n+1
X
= P(Nt−s = k)kE(Y1 ) = E(Y1 )E(Nt−s ) = E(Y1 )λ(t − s)
et Z est solution de l’équation différentielle ordinaire Zt0 = −cZt avec condition initiale nulle. Donc
Z = 0. Z t
Soit Xt = e−ct x + e−c(t−s) dNs . On calcule
0
Z t Z t Z t Z s
−cs
Xs ds = e xds + ds e−c(s−u) dNu .
0 0 0 0
Pour calculer la TL, il suffit d utiliser que pour toute fonction h (ici, pour t fixé h(s) = −λ(t − s))
si c est l’intensité de N
Z t Z t
E(exp( h(s)dNs ) = exp(−c (1 − eh(s) )ds)
0 0
où ψ(λ, n) = E(λY1 )n . Le processus N est indépendant des (Yk , k ≥ 1) et la v.a. Nt a une loi de
Poisson : il s’en suit que
X n
X
P(Xt ≤ x) = P(Nt = n, Yk ≤ x)
n k=1
X Xn
= P(Nt = n)P( Yk ≤ x)
n k=1
X (λt)n
= e−λt F ∗ (x) ,
n
n!
et
∞
X n
X ∞
X
E(Xt ) = E( Yk 11Nt =n ) = nE(Y )P(Nt = n)
n=1 k=1 n=1
∞
X
= E(Y ) nP(Nt = n) = λtE(Y1 ) .
n=1
Le calcul de la variance peut être obtenu avec les mm̂es arguments, mais il est plus facile d’utiliser
que le moment d’ordre deux est obtenu par dérivation (d’ordre deux) de la transformée de Laplace
de Xt Exercice 8.2.4 : Le processus X étant un PAI et E(Xt ) = λtE(Y1 ) on obtient que
(Xt − tλE(Y ),
R t ≥ 0) est une martingale. Plus généralement, si f une fonction borélienne bornée, on
note µ(f ) = f (x)µ(dx) l’espE(f (Y )). Par définition de M f ,
X X
E(Mtf ) = E(f (Yn ))P(Tn < t) − tλµ(f ) = σ(f ) P(Tn < t) − tλµ(f ) = 0
n n
Exercice 8.2.6 : From the independence between the r.v. (Yk , k ≥ 1) and the process N ,
Nt
!
X
−αXt
E(e ) = E exp (−α Yk ) = E(Φ(Nt ))
k=1
n
!
X
where Φ(n) = E exp (−α Yk ) = [ΨY (α)]n , with ΨY (α) = E (exp −αY ). Now, E(Φ(Nt )) =
k=1
X n n Z t
n −λt λ t
[ΨY (α)] e . Exercice 8.4.1 : Appliquer la formule d’intégration par parties à Vt exp − λs ds +
n
n! 0
Z t Z u
du hu λu exp − λs ds = Ut et à Ut (1 − 11τ ≤t ).
0 0
and r = 0. Here, M is the compensated martingale associated with a poisson process with deter-
ministic intensity.
The non-arbitrage condition is equivalent to the existence of γ such that γ > −1 and µ+λφγ = 0.
λφ − µ
This implies that > 0.
λφ
dQ
The unique equivalent martingale measure Q is defined by |F = Lt where L is the strictly
dP t
positive martingale
N
λφ − µ t
Lt = exp(tµ/φ)
λφ
µ
which satisfies dLt = −Lt− dMt .
λφ
def
Under the measure Q, M̃t = Mt + tµ/φ is a martingale.
Exercice 8.5.2 : Les m.m.e. sont définies par leur densité L vérifiant
avec
σψ(t) = b − r + λφγ(t) , dP ⊗ dt.p.s.
Elles sont indexées par un processus γ > −1. Sous Pγ , le processus B γ défini par
Z t
def
Btγ = Bt − ψ(s) ds
0
Z t
def
est un mouvement Brownien Mtγ = Mt − λγ(s)ds est une martingale.
0
On utilisera Z Z
t t
γ(s) γ(s)
B γ (t) = B(t) + tθ + λφ ds = Bt0 + λφ ds
0 σ 0 σ
b−r
avec θ = .
σ