[PDF] INTRODUCTION AU CALCUL STOCHASTIQUE

INTRODUCTION AU CALCUL STOCHASTIQUE

INTRODUCTION AU CALCUL STOCHASTIQUE Nadine GUILLOTIN-PLANTARD 13 novembre 2009 Table des mati eres 1 Processus stochastiques 3 1 1 Processus stochastiques

Introduction au calcul stochastique appliqué à la finance

10 INTRODUCTION AU CALCUL STOCHASTIQUE POUR LA FINANCE – le prix d’exercice, qui est le prix (fixé d’avance) auquel se fait la transaction en cas d’exer-cice de l’option L’option, elle même, a un prix, appelé la prime Lorsque l’option est cotée sur un marché or-ganisé, la prime est donnée par le marché

1 Introduction, but du cours, rappels

ELEMENTS DE CALCUL STOCHASTIQUE APPLICATIONS AUX FINANCES 1 Introduction, but du cours, rappels Les applications en finance sont, pour ce cours, un peu un pr´etexte a l’introduction des bases du calcul stochastique De fait, ainsi que l’indique le plan, elles n’occuperont gu`ere plus que le quart du cours

CALCUL STOCHASTIQUE ET FINANCE

Master of Financial Engineering : Stochastic Calculus with

[LL07] Lamberton, D and Lapeyre, B Introduction to Stochastic Calculus Applied to Finance, Second Edition Chapman & Hall [CM06] Comets, F and Meyre, T Calcul stochastique et mod eles de di usions : Cours et exercices corrig es Dunod Some more advanced references are : [KS98] Karatzas, I and Shreve, S Brownian Motion and Stochastic

Calcul stochastique et modèles de diffusions

Ce livre est une introduction au calcul stochastique et aux processus de diffusion Les diffusions sont des fonctions aléatoires, qui sont très utilisées en physique, chimie, biologie, statistique et en finance Leur nature même en fait un outil de modélisation formidable : elle permet de capter des dynamiques instantanées entachées d

Calcul Stochastique et modèles de diffusions

VIII Calcul stochastique et modèles de diffusions CHAPITRE14•SIMULATION DE DIFFUSIONS, EXERCICES 14 1 Introduction à Matlab 297 14 2 Simulation d’un mouvement brownien 300 14 3 Fonction de répartition du maximum d’un pont brownien 304 14 4 Simulation d’une diffusion 307 CHAPITRE15•PROBLÈMES CORRIGÉS 15 1 Équation de Smoluchowski 313

Topics in Analysis: Introduction to stochastic integration

\Introduction to stochastic integration" by Hui-Hsiung Kuo, Springer (Universitext Series), 2006 (If you read French ) \Mouvement brownien, martingales et calcul stochastique" by Jean-Francois Le Gall, Springer, 2013 These are two nice little books, which also have the advantage of being available online at the university library

The Feynman integral and Feynmans operational calculus : a

introduction to Feynman s operational calculus for noncommuting operators [Fe2] Then, in Section 2, to give a very brief discussion of a mathematical approach to this calculus, as developed originally by G W Johnson and the author by means lResearch partially supported by the US National Science Foundation

[PDF] Cours de calcul stochastique - Département de mathématiques

[PDF] methodes de valorisation des stocks - AUNEGE

[PDF] Math 5 #8211 Aire et périmètre de figures irrégulières - Learn Alberta

[PDF] TAUX DE SURCOTISATION - TEMPS PARTIEL et TEMPS - CDG81

[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] Cas #8211 évaluation de la taille d 'une équipe commerciale Cas - Free

[PDF] Taille optimale de l 'équipe commerciale - MemoPage

[PDF] modalités de calcul des tarifs de péage au sein des - Asecap

[PDF] Comment calculer le taux d 'évolution global de plusieurs - Euler

[PDF] Mesure et contrôle des impayés Calcul et fixation de taux d 'intérêt

INTRODUCTION AU CALCUL

STOCHASTIQUE

Nadine GUILLOTIN-PLANTARD

13 novembre 2009

Table des matieres

1 Processus stochastiques 3

1.1 Processus stochastiques equivalents. Modication. Processus

indistinguables. . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.2 Loi d'un processus stochastique. Processus canonique. . . . . . 9

1.3 Processus canonique ayant des repartitions nies donnees . . . 11

2 Processus de Poisson standard et mouvement Brownien reel

standard 16

2.1 Processus ponctuel. Processus de Poisson standard . . . . . . 16

2.2 Critere de regularite de Kolmogorov. Construction du mouve-

ment Brownien reel standard . . . . . . . . . . . . . . . . . . . 18

2.3 Processus variation quadratique et application au mouvement

Brownien reel . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

3 Martingales 24

3.1 Filtration. Processus adapte. Martingale . . . . . . . . . . . . 24

3.2 Temps d'arr^et. Adaptation forte. . . . . . . . . . . . . . . . . 29

3.3 Theoreme d'arr^et pour des temps d'arr^et bornes . . . . . . . . 31

3.4 Theoremes de convergence. Theoreme d'arr^et pour une mar-

tingale uniformement integrable . . . . . . . . . . . . . . . . . 34

4 Propriete de Markov forte des P.A.I.S. et applications 40

4.1 Propriete forte de Markov . . . . . . . . . . . . . . . . . . . . 40

4.2 Application au mouvement Brownien reel standard . . . . . . 42

5 Processus a variation nie et integrale de Stieltjes 47

5.1 Fonctions a variation nie et integrale de Stieltjes . . . . . . . 47

5.1.1 Fonctions a variation nie. . . . . . . . . . . . . . . . . 47

5.1.2 Fonctions a variation nie et mesures surR+;. . . . . . 48

5.1.3 Formule d'integration par parties. . . . . . . . . . . . . 49

5.1.4 Formule de changement de variable. . . . . . . . . . . . 50

5.1.5 Changement de temps. . . . . . . . . . . . . . . . . . . 52

5.2 Processus a variation nie. . . . . . . . . . . . . . . . . . . . . 52

6 Martingales locales continues 57

6.1 Variation quadratique d'une martingale continue bornee. . . . 57

6.2 Martingales locales continues. . . . . . . . . . . . . . . . . . . 60

6.3 Semi-martingales continues . . . . . . . . . . . . . . . . . . . . 64

7 Integrale stochastique 66

7.1 Integrale stochastique par rapport a une martingale bornee

dansL2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

7.2 Integrale stochastique par rapport a une martingale locale . . 70

7.3 Integrale stochastique par rapport a une semi-martingale conti-

nue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

7.4 Formule d'integration par parties . . . . . . . . . . . . . . . . 73

7.5 Formule de changement de variables de It^o . . . . . . . . . . . 74

7.6 Applications de la formule de It^o . . . . . . . . . . . . . . . . 76

7.6.1 Exponentielle de Doleans d'une martingale locale conti-

nue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

7.6.2 Theoreme de Girsanov . . . . . . . . . . . . . . . . . . 77

7.6.3 Inegalite de Burkholder . . . . . . . . . . . . . . . . . 79

8 Equations dierentielles stochastiques 86

Chapitre 1

Processus stochastiques

1.1 Processus stochastiques equivalents. Mo-

dication. Processus indistinguables. L'objet de la theorie des processus stochastiques (ou aleatoires) est l'etude des phenomenes aleatoires dependant du temps. Soit ( ;F;P) un espace probabilise, un ensembleTappeleensemble des temps(exemples :T=R+ ou [0;t]). Soit aussi (E;E) un espace mesurable appelel'espace des etats. Un processus stochastiqueavaleurs dans (E;E) basesur ( ;F;P) est une famille (Xt)t2Tde variables aleatoires (abreviation : v.a.) de ( ;F;P) dans (E;E). A!2 , on associe l'application : T!E t7!Xt(!) appeleela trajectoire de(Xt)t2Tassociee a!. PrenonsE=Rd,E=B(Rd), on dit que (Xt)t2TestPp.s. continu a droite (resp. :Pp.s. continu a gauche,Pp.s. continu) si pourPpresque tout ,t!Xt(!) est continue a droite (resp. : continue a gauche, continue). On dira que deux processus stochastiques decrivent le m^eme phenomene aleatoire s'ils sont equivalents au sens suivant : Soient (Xt)t2Tet (X0t)t2Tdeux processus stochastiques a valeurs dans le m^eme espace d'etats (E;E), avec (Xt)t2Tbase sur ( ;F;P) et (X0t)t2Tbase sur (

0;F0;P0).

On dit qu'ils sontequivalentssi8n1;8t1;:::;tn2T;8B1;:::;Bn2 E, on a :

P(fXt12B1;:::;Xtn2Bng) =P0(fX0t

12B1;:::;X0t

n2Bng): On dira encore que chacun de ces processus estune version de l'autreou encore que (Xt)t2Tet (X0t)t2Tsontdes versions du m^eme processus. (C'est une relation d'equivalence!). La famille des lois des v.a. (Xt1;:::;Xtn) lorsqueft1;:::;tngparcourt l'en- semble des parties nies non vides deTs'appellela famille des lois de di- mension nieoufamille des repartitions nies de(Xt)t2T. Deux processus stochastiques sont equivalents si et seulement si ils ont les m^emes repartitions nies. A partir de maintenant,T=R+et (E;E) = (Rd;B(Rd)). Un processus stochastique (Xt)t2R+base sur ( ;F;P) a valeurs dans (Rd;B(Rd)) estun processus a accroissements independants(abreviation : P.A.I.) si on a : (i)X0= 0Pp.s. (ii)8n2;8t1;:::;tn2R+tels que 0< t1< t2< ::: < tn, les v.a. t1;Xt2Xt1;:::;XtnXtn1 sont independantes. Un processus stochastique (Xt)t2R+estun processus a accroissements independants stationnaires(abreviation : P.A.I.S.) si c'est un P.A.I. et si (iii)8s;t2R+, tels que 0s < t, la v.a.XtXsa la m^eme loi queXts:

Autrement dit,8h0,

t+hXs+hL=Xts;

8s;t2R+, tels que 0s < t. (Notation :XL=YssiXetYont m^eme loi).

LorsqueT=N, la notion correspondante a celle de P.A.I. (resp. : P.A.I.S.) est la suivante : on se donne une suite (Zk)k1de v.a.ddimensionnelles independantes et on pose :S0= 0P-p.s. et pour toutn1, n=Z1+:::+Zn: (Sn)n0verie (i) et (ii) et si les v.a.Zk;k1;ont m^eme loi, (Sn)n0verie (iii) et s'appelleune marche aleatoire. Une famille (t)t2]0;+1[de probabilites sur (Rd;B(Rd)) estun semi-groupe de convolutionsi on a :8s2]0;+1[;8t2]0;+1[; s+t=st: (est la mesure image de par l'application (x;y)!x+y). Proposition 1.1.1.a). Si(Xt)t2R+est un P.A.I.S. (a valeurs dans(Rd;B(Rd))) et si pour toutt2]0;+1[,tdesigne la loi deXt, alors(t)t2]0;+1[est un semi-groupe de convolution. On l'appellele semi-groupe de convolution du

P.A.I.S. (Xt)t2R+.

b). Plus generalement, si(Xt)t2R+est un P.A.I. et si pour touts;t2R+ tels ques < t,s;tdesigne la loi deXtXs, alors on a :8s;t;u2R+, tels ques < t < u, on a : s;u=s;tt;u:

Demonstration.a) On a :

s+t=Xs+ (Xs+tXs): Or,XsetXs+tXssont des v.a. independantes etXs+tXsL=Xt, donc s+t=st: b) On ecrit : uXs= (XuXt) + (XtXs): uXsa pour lois;u; (XuXt) et (XtXs) sont des v.a. independantes de lois respectivest;uets;t, d'ou l'egalite s;u=s;tt;u:Proposition 1.1.2.a). Si(Xt)t2R+et(X0t)t2R+sont deux P.A.I.S.ddimensionnels (bases sur( ;F;P)et sur(

0;F0;P0)) qui ont m^eme semi-groupe de convo-

lution, alors(Xt)t2R+et(X0t)t2R+sont equivalents. b). Plus generalement, si(Xt)t2R+et(X0t)t2R+sont deux P.A.I.ddimensionnels tels que pour touts;t2R+avecs < t, on ait : tXsL=X0tX0s; alors(Xt)t2R+et(X0t)t2R+sont equivalents. Remarque :Le a). peut se reformuler ainsi : deux P.A.I.S. qui ont les m^emes lois de dimension 1 ont les m^emes lois de dimension nie. Ce resultat n'est pas vrai pour des processus plus generaux.

Demonstration.b) : (Remarquons queb):=)a):):

Pour toutt2R+,XtL=X0t:De plus, pour toutn2, pour toutt1;:::;tn2 +tels que 0< t1< t2< ::: < tn, (Xt1;:::;Xtn)L= (X0t

1;:::;X0t

n):

En eet, les v.a. (Xt1;Xt2Xt1;:::;XtnXtn1) et (X0t

1;X0t 2X0t

1;:::;X0t

n1) ont la loi0;t1 t1;t2 tn1;tn:On en deduit en considerant l'application : : (u1;:::;un)!(u1;u1+u2;:::;u1+:::+un) que (Xt1;:::;Xtn) =(Xt1;Xt2Xt1;:::;XtnXtn1) et (X0t

1;:::;X0t

n) ont la m^eme loi, c'est a dire la mesure image parde0;t1 t1;t2 tn1;tn.5 Exemples de semi-groupes de convolution sur(R;B(R)):quotesdbs_dbs7.pdfusesText_5