EXERCICES DE CALCUL STOCHASTIQUE DESS IM Evry option
DESS IM Evry option finance Exercice 1.2.3 Exponentielles. Soit N une v.a. de loi N(0
Cours de Calcul stochastique DESS IM EVRY Option Finance
On verra d'autres propriétés de l'espérance conditionnelle dans le polycopié d'exercices. On utilisera sans modération la formule E.
EXERCICES DE CALCUL STOCHASTIQUE DESS IM Evry option
EXERCICES DE CALCUL STOCHASTIQUE. DESS IM Evry option finance. Monique Jeanblanc. Université d'EVRY Equations différentielles stochastiques
EXERCICES DE CALCUL STOCHASTIQUE M2IF Evry
par un dessin). Calculer le prix d'une telle option c'est-`a-dire calculer E(e?rT A) ... Exercice 3.2.12 Moments d'une exponentielle stochastique.
Cours de Calcul stochastique Master 2IF EVRY
Master 2IF EVRY Valorisation d'une option sur obligation `a coupons . ... propriétés de l'espérance conditionnelle dans le polycopié d'exercices.
el-karoui-masterfin034.pdf
l'option 100 actions `a un prix d'exercice convenu `a l'avance. est remarquable d'observer que sans les outils du calcul stochastique
Méthodes dapproximation numérique pour le pricing des options
???/???/???? [Jea06]. M. Jeanblanc. Calcul stochastique Cours de Master 2 Ingénierie Financière
Intégration et probabilités (cours + exercices corrigés) L3 MASS
en calcul des probabilités et en analyse. Il est destiné aux étudiants qui veulent poursuivre leurs études dans un master `a composante mathématique.
Volterra processes and applications in finance
???/???/???? 1.2 Existence of solutions for the stochastic Volterra equations . ... American options allow holders to exercise the option rights at any ...
Curriculum vitae
DEA de probabilités option ? processus stochastiques ?
EXERCICES DE CALCUL STOCHASTIQUE DESS IM Evry option ?nance
Exercice 1 3 3 Soit (X;Y) ind¶ependantes X strictement positive et Z = XY Calculer E (11 Z•t jX ) en utilisant la fonction de r¶epartition de Y Exercice 1 3 4 Soit ( X;Y ) ind¶ependantes¶equidristibu¶ees et M = max( X;Y )
EXERCICES DE CALCUL STOCHASTIQUE DESS IM Evry option nance
EXERCICES DE CALCUL STOCHASTIQUE DESS IM Evry option nance Monique Jeanblanc Universit e d’EVRY Octobre 2002 2 TABLE DES MATIERES 3 Exercice 1 1 7 Lois de v a
Cours de Calcul stochastique DESS IM EVRY Option Finance
Cours de Calcul stochastique DESS IM EVRY Option Finance Monique Jeanblanc Septembre 2002
Cours de Calcul stochastique
Master 2IF EVRY
Monique Jeanblanc
Septembre 2006
2Contents
1.1 Tribu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Existence d'une v.a. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Variables gaussiennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5 Convergence de v.a. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5.1 Convergence presque s^ure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.5.2 Convergence quadratique, ou convergence dansL2() . . . . . . . . . . . . . . . 13
1.5.4 Convergence en loi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6 Processus stochastiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.6.1 Filtration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.6.2 Processus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.6.3 Processus croissant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.6.4 Processus Gaussiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.7.1 Cas discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.7.5 Variance conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.7.6 Formule de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.8 Loi conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.8.2 Cas Gaussien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.9 Martingales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.9.1 Cas discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.9.2 Cas continu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.10 Temps d'arr^et . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.10.3 Processus de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.11 Rappels d'analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
32 LE MOUVEMENT BROWNIEN 23
2.1 Le mouvement Brownien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.1 Processus gaussien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3.2 Une notation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3.3 Scaling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3.5 Equation de la chaleur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3.6 Trajectoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3.8 Temps d'atteinte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3.9 Brownien multidimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.5.2 Processus d'Ornstein-Uhlenbeck . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.5.3 Modµele de Vasicek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3 INT3.2.3 Un exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2.4 Martingale locale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3 Processus d'It^o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.3.4 Crochet d'un processus d'It^o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.4 Lemme d'It^o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.4.1 Premiµere forme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.4.3 Cas multidimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.4.4 Cas du Brownien multidimensionnel. . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.4.5 Application µa la formule de Black et Scholes . . . . . . . . . . . . . . . . . . . . . 47
4 EQUATIONS DIFFERENTIELLES STOCHASTIQUES 49
4.1.5 Exemple : Martingale exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.2.3 Formule de Black et Scholes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.2.4 Formule de Feynman-Kac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5 EXEMPLES DE PROCESSUS D'ITO 55
5.2 Modµele de Cox-Ingersoll-Ross . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.4 De¯nitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.4.1 Euclidian norm ofn-dimensional Brownian motion . . . . . . . . . . . . . . . . . 58
5.4.2 General de¯nition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.4.3 Scaling properties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.4.4 Absolute continuity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.5 Properties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.5.1 Additivity of BESQ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.5.2 Bessel functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.5.3 Transition densities . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.5.4 Hitting times for Bessel processes . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.5.5 Laplace transforms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.6 Cox-Ingersoll-Ross processes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.6.1 CIR processes and BESQ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.6.2 Transition probabilities for a CIR process . . . . . . . . . . . . . . . . . . . . . . 65
5.6.3 CIR model for spot rate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
6 CHANGEMENT DE PROBABILIT
6.1.3 Remarques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6.1.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6.1.5 Cas vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
6.2 Application aux modµeles ¯nanciers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
6.2.2 Arbitrages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.2.3 Hedging methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.2.4 Arbitrage et mme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
6.3.4 Valorisation d'une option sur obligation µa coupons . . . . . . . . . . . . . . . . . 77
Begin at the beginning, and go on till you come to the end. Then, stop.L. Caroll, Alice's Adventures in Wonderland
6CONTENTS
Chapter 1
dans tout le coursde Breiman [?], Grimmett et Stirzaker [?], Jacod et Protter [?] ou encore Williams [?]. Voir aussi des
exercices dans [?] ou dans [?].1.1 Tribu
cet espace. Dans la plupart des cas, la structure de n'a pas de r^ole µa jouer. Par contre, lorsque l'on
(Voir Breiman [?]). On pourra regarder le paragraphe concernant l'existence d'une v.a. (voir ci-dessous)
pour une approche du problµeme. Une tribu (¾-algebra en Anglais) surest une famille de parties de, contenantUne tribu contient donc l'espace .
Un espace mesurable est un espace muni d'une tribu.Proposition 1.1.1
Une intersection de tribus est une tribu.
SoitFune tribu. Une sous-tribu deFest une tribuGtelle queG ½ F, soitA2 GimpliqueA2 F.La plus petite tribu contenant une famille d'ensembles est l'intersection de toutes les tribus qui conti-
Exemple 1.1.1
1 Give us the tools, and we will ¯nish the work. Winston Churchill, February 9, 1941. 7 Soit(;F)et(E;E)deux espaces mesurables. Une applicationfdedansEest dite(F;E)mesurable sif¡1(A)2 F;8A2 E, oµu f¡1(A)def=f!2jf(!)2Ag:
B application mesurable de(;F)dansIR( donc telle queX¡1(A)2 F;8A2 BIR). Une constante est une v.a. de m^eme qu'une fonction indicatrice d'ensemble de la tribuF.Proposition 1.1.2
Une v.a.Gmesurable est limite croissante de v.a. du typenX i=1a i11AiavecAi2 G. Une fonction nX i=1a i11AioµuAiest un intervalle. cette famille, on la note¾(A). Elle est l'intersection de toutes les tribus contenantA. contenant les deux tribusF1etF2. La tribu¾(X) est contenue dansF. C'est la plus petite tribu sur rendantXmesurable.Une v.a.r.XestG-mesurable si¾(X)½ G.
petite tribu contenant les ensemblesfX¡1t(A)gpour toutt2[0;T]etA2 BIR. On la note¾(Xt;t·T). a)P() = 1; b)P([1n=0An) =P1 n=0P(An) pour desAnappartenant µaFdeux µa deux disjoints.Notation:P(A) =R
AdP=R 11A(!) = 1 si!2Aet 11A(!) = 0 si! =2A.
July 8, 20069
On aP(A) +P(Ac) = 1 pour toutAappartenant µaF.
SiA½B, alorsP(A)·P(B) etP(B) =P(A) +P(B¡A), oµuB¡A=B\Ac. (resp.An¾An+1), et siA=[nAn(resp.A=\nAn) alorsAappartient µaFetP(A) = limP(An). pour toutA2 C, oµuCest une famille stable par intersection ¯nie et engendrantF. AlorsP=QsurF. (c'est-µa-dire de montrer que siC12 C;C22 C, l'intersectionC1\C2appartient µaC). Un espace (;F;P) est ditcomplets'il contient tous les ensemblesGtels que inffP(F) :F2 F;G½Fg= 0.
parF(x) =P(X·x).Af(x)dx. En particulierP(X2[a;b]) =Rb
af(x)dx. Il nous telles queP(X·a) =P(Y·a);8a2IR, alorsXetYont m^eme loi, ce que l'on noteraXloi=Y.1.3.1 Existence d'une v.a.
P(d!) =1
p2¼exp¡!2
2 FX(x) =P(X < x) =Z
11 !2¼exp¡!2
2 d! :D'o'uXest une v.a. Gaussienne.
espace: soit = que la v.a. soit de loi gaussienne et on poseP=P1P2. Si on souhaite construire une v.a. de loi exponentielle, on choisit =IR+.XdPque l'on noteE(X) ou
E XdP=RIRxdPX(x).
XdPE(©(X)) =Z
©(X)dP=Z
IR©(x)dPX(x):
IRxf(x)dxetE(©(X)) =R
IR©(x)f(x)dx.
de la formee¸x;¸2IRpour avoirXloi=Y. fonctionÃ(t) =E(eitX) =Z
IR eitxPX(dx):IReitxf(x)dx. La fonction car-
f(x) =12¼Z
1 ¡1 e¡itxÁ(t)dtvariable. Mais dans ce cas il n'y a pas de formule d'inversion simple. Pour conna^³tre la loi d'un couple
(X;Y), il su±t de conna^³treE(exp(¸X+¹Y)) pourtoutcouple (¸;¹). Lorsque la v.a.Xest positive,
Exemple 1.3.1
Exemple fondamental :SiXest une variable gaussienne de loiN(m;¾2), on aE(e¸X) = exp(¸m+¸2¾2
2 );8¸2IRProposition 1.3.1
c'est µa direE(aX+bY) =aE(X) +bE(Y);
©(E(X)).
July 8, 200611
jXij¸ajXijdP!0 quand a! 1.P(A\B) =P(A)P(B);8A2 F1;8B2 F2:
8A2 C1;8B2 C2oµuCiest une famille stable par intersection telle que¾(Ci) =Fi.
Proposition 1.3.2
PfA\(X·x)g=P(A)P(X·x);8x2IR;8A2 G:
Proposition 1.3.3
E('(X;Y)) =E(f(X)) =E(g(Y));avecf(x) =E('(x;Y)); g(y) =E('(X;y))Proposition 1.3.4
f(x) = exp(¡¸x) etg(x) = exp(¡¹x) pour tous¸;¹positifs. dire siP(\1·i·nAi) =QP(A) = 0()Q(A) = 0:
dQ dP EQ(Z) =Z
ZdQ=Z ZdQ dP dP=ZZY dP=EP(ZY)
On a aussi
dP dQ =1 Y SiYest seulement positive, on aP(A) = 0 =)Q(A) = 0 et on dit queQest absolument continue par rapport µaP.Exemple 1.3.2
P(U= 0) = 1¡p; P(U= 1) =p:
SoitdQ=Y dP, on aQ(U= 1) =¸p. SousQ,Uest une variable de Bernoulli de paramµetre¸p.2. SiXest une v.a. de loiN(m;¾2) sousPet soitY= expfh(X¡m)¡1
2 h2¾2g. SoitdQ=Y dP.SousQ,Xest une v.a. de loiN(m+h¾2;¾2).
exp[¸(m+h¾2) +¸2¾2 23. SoitXest un vecteur gaussien sousPetUune variable telle que le vecteur (X;U) soit gaussien.
On posedQ=Y dPavecY= exp(U¡EP(U)¡1
2VarPU), le vecteurXest gaussien sousQ, de m^eme
covariance que sousP.1.4 Variables gaussiennes
N(m;¾2)(x) =1
p2¼exp¡(x¡m)2
2¾2:
On considµere qu'une v.a. constante suit une loi gaussienne de variance nulle, ce qui correspond µa une
IR f(x)±a(dx) = i=1aiXi¡ = [¾i;j]i=1;n;j=1;n
Proposition 1.4.1
exp(¸m+¸2¾2 2 2 ), la variableXest de loiN(m;¾2).1.5 Convergence de v.a.
On distingue plusieurs types de convergence:
2July 8, 200613
1.5.1 Convergence presque s^ure
X n(!)!X(!) quandn! 1:On noteXnp:s:!X
X nQ:p:s:!X. X n+1) et siX= limp:s:Xn, on aE(X) = limE(Xn) . 1 n P n i=1Xiconverge p.s. versE(X1).1.5.2 Convergence quadratique, ou convergence dansL2()
On notekXk2def=s
ZX2dP=p
L2()) versXsi
(kXn¡Xk2)2=E(Xn¡X)2!0 quandn! 1: L'espaceL2() est un espace de Hilbert muni du produit scalairehX;Yi=RXY dP. En parti-
culier, il est complet. Si une suite converge dansL2, il existe une sous-suite qui converge p.s. de variance ¯nie , 1 n P n i=1Xiconverge en moyenne quadratique versE(X1).Si une suite de v.a. gaussiennes converge en moyenne quadratique, la limite est une variable gaussienne.
jXjpdP=E(jXjp). On L pconverge s'il existeXtel queE(Xn¡X)p!0. La convergence dansLppourp >1 implique la convergence dansLqpour toutq;1< q < p.8² >0P(jXn¡Xj ¸²)!0 quandn! 1:
On noteXnP!X.
1.5.4 Convergence en loi
celle deX. P n i=1Xi¡nE(X1) p nL!N(0;1):
1.6 Processus stochastiques
1.6.1 Filtration
dans une tribuFt, c'est l'information µa la datet. Une ¯ltration est une famille croissante de sous tribus deF, c'est-µa-dire telle que F t½ Fspour toutt·s.On parle d'hypothµeses habituelles si
- La ¯ltration est continue µa droite au sens oµuFt=\s>tFs. Une ¯ltrationGest dite plus grosse queFsiFt½ Gt;8t.1.6.2 Processus
F t) siXtestFt-mesurable pour toutt.On dit que le processus est µa trajectoires continues (ou est continu) si les applicationst!Xt(!)sont
continues pour presque tout!.Un processus est dit cµadlµag (continu µa droite, pourvu de limites µa gauche) si ses trajectoires sont
A un processus stochastiqueXon associe sa ¯ltration naturelleFXt, c'est µa dire la famille croissante
de tribusFXt=¾fXs;s·tg. par les rectangles de la forme ]s;t]£A;0·s·t; A2 Fs: (Yt1;Yt2;:::;Ytn). 3July 8, 200615
1.6.3 Processus croissant
Un processusA= (At; t¸0) est un processus croissant siA0= 0 ett!Atest une fonction croissante, c'est-µa-dire A t(!)·As(!);8t·s;p:s: Sauf mention du contraire, les processus croissants sont pris continus µa droite. sup t iXquotesdbs_dbs26.pdfusesText_32[PDF] Master MASS 1 Calcul Stochastique et Finance Feuille de TD no 4
[PDF] INTRODUCTION AU CALCUL STOCHASTIQUE
[PDF] methodes de valorisation des stocks - AUNEGE
[PDF] circulaire temps partiel 2016-2017
[PDF] Aire totale des prismes
[PDF] notice explicative calcul des surfaces de plancher - Canohes
[PDF] Aire des polygones - Sylvain Lacroix
[PDF] Aire d 'un quadrilatère quelconque - Numdam
[PDF] SCM : Et si l 'on reparlait de gestion de stocks - Supply Chain
[PDF] Taille optimale de l 'équipe commerciale - MemoPage
[PDF] modalités de calcul des tarifs de péage au sein des - Asecap
[PDF] Calcul du taux d 'absentéisme - csmota
[PDF] Comment calculer le taux d 'évolution global de plusieurs - Euler
[PDF] Mesure et contrôle des impayés Calcul et fixation de taux d 'intérêt