M1mmd MouvementBrownien Ibtjtgt v7 3

Éléments de calcul stochastique pour l’évaluation et
la couverture des actifs dérivés
Imen Ben Tahar, José Trashorras et Gabriel Turinici
17 mai 2015 et 1332 minutes
MIDO, Université Paris Dauphine

Introduction
Un actif contingent est un contrat financier entre deux parties, un acheteur

et un vendeur, qui donne lieu à des flux monétaires futurs dépendant d’évène-
ments incertains. On parle également de produit dérivé, contrat dont la valeur
dérive de la valeur future d’un sous-jacent. Le sous-jacent peut être : un actif
financier (prix d’une action), une matière première (prix du blé), une créance,
etc.
L’existence de tels produits n’est pas un fait récent. La création de contrat
permettant de se prémunir contre les risques futurs (ou de faire de la spécula-
tion) a accompagné les activités commerciales depuis des siècles. Cependant, le
XXème siècle, notamment à partir des années 1970, a connu un développement
spectaculaire du marché des produits dérivés. Plusieurs auteurs s’accordent à
citer, parmi les facteurs principaux de cette évolution, l’élaboration d’une mé-
thodologie permettant de donner, dans le cadre de modèles mathématiques,
une réponse au problème d’évaluation des actifs contingents.
L’objectif du livre : L’objectif de ce livre est de présenter le modèle de Black-
Merton-Scholes pour l’évaluation et la couverture de produits dérivés. Ce mo-
dèle procède de la méthodologie d’évaluation par réplication en absence d’op-
portunités d’arbitrage. Il repose sur la modélisation des processus de prix des
actifs financiers par des processus stochastiques en temps continu et fait appel
notamment au Mouvement Brownien et au calcul d’Itô.
Le programme abordé : Nous commençons par exposer, dans le chapitre 1,
la méthodologie d’évaluation par réplication en absence d’opportunités d’ar-
bitrage dans le cadre d’un modèle de marché financier en temps discret. La
modélisation en temps discret des transactions financières est assez intuitive.
iii
Elle permet de présenter dans un cadre simple des notions de base, qui seront
étendues dans les chapitres suivants au temps continu. Le chapitre 2 est consa-
cré au mouvement Brownien et au calcul d’Itô. Nous y présentons les outils
mathématiques du calcul stochastique indispensables pour aborder le Chapitre
3. Dans ce dernier chapitre nous décrivons le Modèle de Black-Merton-Scholes
et nous examinons, dans le cadre de ce modèle, le problème d’évaluation d’ac-
tifs contingents. Finalement, des applications (travaux pratiques, études de
cas) font l’objet des derniers chapitres de l’ouvrage.
Table des matières
Table des matières v
1 Evaluation d’actifs en temps discret 1

1.1 Modèle de marché financier . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Stratégie financière . . . . . . . . . . . . . . . . . . . . . 3
1.1.2 Processus de gains . . . . . . . . . . . . . . . . . . . . . 4
1.1.3 Stratégie auto-financée . . . . . . . . . . . . . . . . . . . 6
1.1.4 Portefeuilles admissibles . . . . . . . . . . . . . . . . . . 6
1.1.5 Contraintes de portefeuille . . . . . . . . . . . . . . . . . 7
1.2 Opportunités d’arbitrage et leur absence . . . . . . . . . . . . . 8
1.2.1 Opportunité d’arbitrage . . . . . . . . . . . . . . . . . . 8
1.2.2 Conséquences de l’AOA . . . . . . . . . . . . . . . . . . 8
1.3 Caractérisation de la condition AOA . . . . . . . . . . . . . . . 11
1.4 Réplication d’actifs et évaluation sous la condition AOA . . . . 13
1.5 Arbre binômial . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5.1 Modélisation probabiliste . . . . . . . . . . . . . . . . . 15
1.5.2 Évaluation de produits dérivés dans le modèle binomial 16
1.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2 Mouvement Brownien et calcul d’Itô 25

2.1 Processus stochastiques en temps continu . . . . . . . . . . . . 25
2.1.1 Filtrations et Mesurabilité . . . . . . . . . . . . . . . . . 27
2.1.2 Processus Gaussiens . . . . . . . . . . . . . . . . . . . . 28
2.2 Martingales en temps continu . . . . . . . . . . . . . . . . . . . 30
v
2.3 Mouvement Brownien . . . . . . . . . . . . . . . . . . . . . . . 34
2.3.1 Définition et premières propriétés . . . . . . . . . . . . . 34
2.3.2 Mouvement Brownien multi-dimensionnel . . . . . . . . 39
2.3.3 Variation d’ordre p . . . . . . . . . . . . . . . . . . . . . 39
2.4 Intégrale d’Itô . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.4.1 Fonction à variation bornée et intégrale de Stieltjes . . . 44
2.4.2 Intégration des processus élémentaires . . . . . . . . . . 46
2.4.3 Intégration des processus de L2 ([0, T ]) . . . . . . . . . . 53
2.4.4 Intégration des processus de L([0, T ]) . . . . . . . . . . 54
2.5 Calcul d’Itô . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.5.1 Processus d’Itô . . . . . . . . . . . . . . . . . . . . . . . 56
2.5.2 Formule d’Itô . . . . . . . . . . . . . . . . . . . . . . . . 59
2.5.3 Formule de Itô multi-dimensionnelle . . . . . . . . . . . 64
2.5.4 Équations différentielles stochastiques . . . . . . . . . . 65
2.6 Répresentation de martingales, changement de probabilité . . . 66
2.7 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3 Modèle de Black et Scholes 79

3.1 Présentation du modèle . . . . . . . . . . . . . . . . . . . . . . 79
3.1.1 Stratégie financière . . . . . . . . . . . . . . . . . . . . . 80
3.2 Condition d’absence d’opportunités d’arbitrage et changement
de mesure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.3 Evaluation d’options européennes et équation de Black et Scholes 83
3.3.1 Evaluation par réplication . . . . . . . . . . . . . . . . . 84
3.3.2 Approche Monte Carlo pour la valuation d’options : cal-
cul pratique du prix en utilisant la formule (3.18) . . . . 85
3.3.3 Équation de Black et Scholes . . . . . . . . . . . . . . . 87
3.3.4 Approche EDP pour la valuation d’options, delta-hedging
en pratique . . . . . . . . . . . . . . . . . . . . . . . . . 89
3.3.5 Les Grecques . . . . . . . . . . . . . . . . . . . . . . . . 90
3.4 Évaluation d’options américaines . . . . . . . . . . . . . . . . . 91
3.5 Exercices : modèle de Black et Scholes . . . . . . . . . . . . . . 92
4 Solution des exercices 97
4.1 Exercices du chapitre 1 . . . . . . . . . . . . . . . . . . . . . . . 97
5 Travaux pratiques en Octave et Matlab 155

5.1 Programmes pour le chapitre 1 . . . . . . . . . . . . . . . . . . 155
5.4 Versions R des programmes . . . . . . . . . . . . . . . . . . . . 165
6 Quelques études de cas 171

6.1 Couverture d’option (delta hedging) et négociation (trading) de
volatilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
6.1.1 Implémentation d’une couverture de type delta-hedging 171
6.1.2 Incertitude sur les paramètres, volatilité implicite, réelle,
négociation de volatilité . . . . . . . . . . . . . . . . . . 174
6.2 Assurance de portefeuille : stop-loss et CPPI . . . . . . . . . . 176
6.2.1 Une fausse bonne idée : prendre le meilleur actif . . . . 177
6.2.2 Stratégie stop-loss . . . . . . . . . . . . . . . . . . . . . 179
6.2.3 CPPI . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
6.3 Versions R des programmes . . . . . . . . . . . . . . . . . . . . 185
A Quelques prérequis de probabilités 189

A.1 Variable normale ou Gaussienne . . . . . . . . . . . . . . . . . . 189
A.2 Fonction caractéristique . . . . . . . . . . . . . . . . . . . . . . 189
A.3 Espaces Lp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
A.3.1 Espace L0 (X, A, P) . . . . . . . . . . . . . . . . . . . . 190
A.3.2 Espaces Lp (X, A, P), p ≥ 1 . . . . . . . . . . . . . . . . 190
A.4 Convergence des suites de variables aléatoires . . . . . . . . . . 191
A.5 Espérance conditionnelle . . . . . . . . . . . . . . . . . . . . . . 193
A.6 Martingales en temps discret . . . . . . . . . . . . . . . . . . . 195
A.7 Changement de probabilité, théorème de Radon-Nicodym . . . 197
A.8 Résultat de type théorème de classe monotone . . . . . . . . . 198
A.9 Sur la construction de processus continus, application à la construc-
tion du mouvement Brownien . . . . . . . . . . . . . . . . . . . 199
A.10 Ensemble de scénarios et mesure de Wiener . . . . . . . . . . . 200
Bibliographie 201
B Index 203
Chapitre 1
Absence d’opportunités
d’arbitrage, probabilité risque
neutre et évaluation en temps
discret
Nous introduisons, à travers la présentation d’un marché financier en temps

discret, les notions essentielles abordées dans ce livre :
? la formulation d’un modèle mathématique pour décrire des stratégies
financières dynamiques,
? la condition d’absence d’opportunités d’arbitrage (A.O.A) et le principe
d’évaluation par réplication en A.O.A.,
? la modélisation de la rentabilité par une marche aléatoire,
? l’outil fondamental qu’est la probabilité risque neutre.
1.1 Modèle de marché financier

On considère, sur un horizon de temps T > 0, un marché financier formé
par (d + 1) actifs, S 0 , · · · S d ; à noter que S j signifie aussi bien l’actif j que son
processus de prix. On suppose que les agents peuvent intervenir sur ce marché
aux dates discrètes : tk ∈ T := {t0 , · · · tN } où t0 < · · · < tN = T .
1
2
L’actif S 0 est un actif sans risque. Son processus de prix, noté toujours
S 0 := {St0 , t ∈ T } évolue selon la dynamique déterministe
St0k+1 = St0k er(tk+1 −tk ) . (1.1)
Sauf mention explicite du contraire nous prendrons t0 = 0 et St00 = 1. La

constante r ≥ 0 est le taux d’intérêt sans risque, supposé constant et connu.
Pour modéliser l’incertitude concernant les prix des actifs S 1 , · · · , S d , on intro-
duit un espace de probabilité (Ω, F, P). On désigne par Stik la variable aléatoire
qui correspond au prix de l’actif i à la date tk . On note S = {St , t ∈ T } le
processus d + 1-dimensionnel
n ? o
S := St = St0 , St1 , . . . , Std , t∈T .
Ici, pour tout vecteur ou matrice X nous notons par X ? son transposé. En
particulier St est donc un vecteur colonne.
On désigne par processus de prix actualisés le processus S̃ défini par
n ? o
S̃ := S̃t = 1, St1 /St0 , . . . , Std /St0 , t∈T .
Notons que S̃ i représente le prix de l’actif risqué S i si S 0 est pris comme unité
de compte. On dit également que S̃ i est le prix de l’actif S i lorsque S 0 est pris
comme numéraire.
Dans ce chapitre, on note F := {Ft , t ∈ T } la filtration engendrée par S :
Ftk = σ (Sti , ti ≤ tk ) ∀tk ∈ T .
Hypothèse 1.1 (Marché sans frictions) Les actifs de ce marché financier

sont parfaitement divisibles et ils ne sont pas soumis à des coûts de transaction.
Pour faciliter les points techniques, nous prennons aussi l’hypothèse sui-
vante :
Hypothèse 1.2 Le processus de S est borné.

3
1.1.1 Stratégie financière

Un agent disposant d’un capital initial Vt0 l’investit sur le marché financier
en l’allouant entre les différents actifs. À chacune des dates tk il a la possibilité
de changer l’allocation de sa richesse entre ces actifs. Ainsi, une stratégie
financière peut être décrite par un processus stochastique
n ? o
θ := θtk = θt0k , . . . , θtdk , tk ∈ T . (1.2)
Ici θtik ∈ R représente le nombre d’unités de S i détenues entre les dates

tk−1 et tk . A noter qu’en particulier θtik peut être négatif, dans ce cas il s’agit
d’une vente à decouvert. Parfois nous utiliserons aussi la notation αtk = θt0k St0k
qui représente le montant investi dans l’actif sans risque S 0 entre la date tk−1
et la date tk .
On note Vtk la valeur à la date tk de ce portefeuille et Ṽtk sa valeur actua-
lisée, i.e., sa valeur exprimée dans le numéraire S 0 . On a alors
d
X
Vtk = θtik Stik =: hθtk , Stk i (1.3)
i=0
Xd
Ṽtk = θtik S̃tik =: hθtk , S̃tk i . (1.4)
i=0
Intuition 1.1.1 Pour comprendre la notation θtk il faut constater qu’il

y a une ambiguïté possible concernant le choix pour la valeur θtk : nous
pouvons noter θtk la valeur AVANT (en notation intuitive θtk = θt− )
k
ré-allocation au prix Stk ou la valeur APRÈS (en notation intuitive
θtk = θt+ ) ré-allocation au prix Stk . Nous considérons que θtk est
k
la distribution d’actifs résultant de la ré-allocation au prix Stk−1
et AVANT une éventuelle ré-allocation au prix Stk .
Les raisons de cette notation un peu particulière ne seront pas totale-
ment élucidées avant l’étude des marchés en temps continu avec processus
de sauts continus à droite (dont un exemple remarquable est le processus
4
de Poisson) ; il sera vu à cette occasion que les stratégies continues à

gauche sont les plus naturelles à manipuler.
Une tentative d’interprétation intuitive est la suivante : les prix sont
imprévisibles, c’est à dire comme le prix change en tk sa valeur n’est pas
une simple "continuation" des ses valeurs en tk −. Pour cette raison nous
pouvons le considérer comme continu a droite mais ayant une limite à
gauche (trajectoire dite "cadlag"). Par conséquent la quantité θ subira ce
changement sans pouvoir intervenir : la quantité θt+ après la réalloca-
k−1
tion au prix Stk−1 subira, sans possibilité d’intervention, le prix Stk ; donc
θt− = θt+ voit le prix Stk ; cette quantité est notée θtk := θt− = θt+ .
k k−1 k k−1
Voir la Figure 1.1 pour une représentation graphique de cette notation.
Introduisons ∆S̃ le processus d + 1-dimensionnel défini par

? ?
∆S̃t0k , . . . , ∆S˜tdk

∆S̃tk = := 0, S̃t1k − S̃t1k−1 , . . . , S̃tdk − S̃tdk−1 (1.5)
La décision prise par l’investisseur lors de la ré-allocation à la date tk−1 au

prix Stk−1 dépend de l’information dont il dispose entre t0 et tk−1 . Il est alors
naturel de considérer que la variable aléatoire θtk soit Ftk−1 -mesurable. On dit
alors que le processus θ est prévisible.
Définition 1.1 Soit θ = {θtk , 1 ≤ k ≤ N } un processus aléatoire à valeurs

dans Rd+1 . Il est dit prévisible si pour tout k = 1, · · · , N , la variable aléatoire
θtk est Ftk−1 -mesurable.
1.1.2 Processus de gains

Si θ est un processus
 prévisible
 alors nous pouvons aussi considérer le
processus de gains θ • ∆S̃  c’est à dire le processus :
    k
X
θ • ∆S̃  = 0 et θ • ∆S̃  = hθtm , ∆S̃tm i pour k ≥ 1 (. 1.6)
t0 tk
m=1
Il est facile de voir que ce processus compte la somme des gains réalisés
par la stratégie θ du fait de son choix d’allocation, gains exclusivement dûs
5
réallocation
θt0
 
θt0k
 
..   k+1
 .. 

··· ↓ ↓ ↓ ···

 .   . 
θtdk θtdk+1
tk−1 portefeuille inchangé tk portefeuille inchangé tk+1
Sit
• • • • ... • t
t0 t1 t2 t3 tN = T
θti
• • • • ... • t
t0 t1 t2 t3 tN = T
Figure 1.1 – Illustration d’un changement d’allocation au sein de la stratégie

θ (cf. l’Intuition 1.1.1) ; en particulier apparaît que l’allocation qui voit en
premier le prix Stk est celle réalisée au moment tk−1 . Nous pouvons voir les
prix St comme étant continus à droite et les quantités θt comme étant continus
à gauche.
aux évolutions (favorables ou pas) des prix des actifs St .

6
1.1.3 Stratégie auto-financée
Définition 1.2 (Stratégie autofinancée) On dit que la stratégie θ est au-

tofinancée ou encore qu’elle vérifie la condition d’autofinancement si pour tout
k = 1, · · · , N :
 
Ṽtk = Ṽt0 + θ • ∆S̃  (1.7)
tk
Intuition 1.1.2 Cette définition indique que toute variation de la valeur

du portefeuille entre deux dates successives est totalement expliquée par
la variation des prix des actifs, c’est à dire qu’il n’y a ni ajout ni retrait
d’argent du portefeuille entre t0 et tN .
Dans notre modèle en temps discret, la condition d’autofinancement de la

stratégie θ se traduit par l’équation :
d
X
Ṽtk = Ṽtk−1 + θtik S̃tik − S̃tik−1 = Ṽtk−1 + hθtk , ∆S̃tk i (1.8)
i=1
Ainsi on remarque que l’expression de la richesse actualisée d’une stratégie

autofinancée peut être complètement déterminée à partir de la connaissance
de la richesse initiale Vt0 qui a permis de constituer le portefeuille et du θ.
Remarque 1.1 La condition d’autofinancement est équivalente à :
hθtk−1 , S̃tk−1 i = hθtk , S̃tk−1 i, ∀k = 2, ...N. (1.9)
Voir l’exercice 1.1 page 21).
1.1.4 Portefeuilles admissibles
On appelle ensemble des portefeuilles admissibles (ou encore ensemble de

stratégies admissibles) et on note A, l’ensemble des processus prévisibles θ tels
7
que le processus θ soit borné. Ainsi

n o
A := θ; θ prévisible, autofinancé : ∃C θ > 0 t.q. |θtk | ≤ C θ ∀tk ∈ T .
(1.10)
Soit v ∈ R et θ ∈ A. On note V v,θ le processus de richesse autofinancé
associé au capital initial v et à la stratégie admissible θ et on note Ṽ v,θ le
processus de richesse autofinancé actualisée, c’est à dire, exprimée dans le
numéraire S 0 . Alors :
   
Ṽtv,θ
k
= v/St00 + θ • ∆S̃  ; Vtv,θ
k
= v er(tk −t0 ) + St0k θ • ∆S̃ 
tk tk
Remarque 1.2 Dès que nous parlons de portefeuille auto-financé il doit y

avoir une compatibilité entre v et θ : v = hθt0 , St0 i. Cette compatibilité sera
toujours supposée vraie dès que nous invoquons un portefeuille auto-financé.
Proposition 1.1 L’ensemble des portefeuilles admissibles est un sous-espace

vectoriel de L0 (Rd , F) (voir la Section A.3 pour la définition de L0 (Rd , F)). De
plus, pour tout θ, θ̃ ∈ A et v, ṽ ∈ R (compatibles au sens de la Remarque 1.2) :
     
(θ + θ̃) • ∆S̃  = θ • ∆S̃  + θ̃ • ∆S̃  et V v+ṽ,θ+θ̃ = V v,θ + V ṽ,θ̃ .
Preuve. Exercice.
1.1.5 Contraintes de portefeuille

Un certain nombre de contraintes de portefeuille peuvent peser sur les
stratégies financières d’un investisseur. En termes de modélisation, ceci revient
à restreindre les stratégies financières possibles à un sous-ensemble P de A
que l’on désignera dans la suite par ensemble des portefeuilles possibles. Voici
quelques exemples :
– Aucune contrainte : l’ensemble des portefeuilles possibles est P = A.
– Interdiction de vente à découvert des actifs risqués : l’ensemble des por-
tefeuilles possibles est P := {θ ∈ A : θtik ≥ 0 ∀i ∈ {1, · · · , d}, ∀tk ∈ T }.
– Limite sur la variabilité de la stratégie en actifs risqués : l’ensemble
des portefeuilles possibles est P := {θ ∈ A : |θtik − θtik+1 | ≤ ` ∀i ∈
8
{1, · · · , d}, ∀tk ∈ T } où ` est une borne fixée.

– Limite sur lŠinvestissement en actifs risqués (en occurence ici sur le
i-ème actif) : l’ensemble des portefeuilles possibles est PV0 := {θ ∈
A : |hθtik+1 , Stk i/VtVk 0 ,θ | ≤ ` ∀tk ∈ T } où ` est une borne fixée.
1.2 Opportunités d’arbitrage et leur absence
1.2.1 Opportunité d’arbitrage
On dit qu’un marché financier comporte une opportunité d’arbitrage s’il

est possible de réaliser un gain sans risque à partir d’un investissement initial
nul. Plus précisément, nous adoptons la définition suivante.
Définition 1.3 (Opportunité d’arbitrage) On dit qu’un marché financier

admet une opportunité d’arbitrage s’il existe θ ∈ A tel que :

P ṼT0,θ ≥ 0 = 1 et P ṼT0,θ > 0 > 0 .
On note C l’ensemble des richesses terminales VT réalisées à partir d’un

capital initial nul et d’un portefeuille admissible :
n   o
C := VT = ST0 θ • ∆S̃  , θ ∈ A (1.11)
T
Définition 1.4 (A.O.A) On dit que le marché financier vérifie la condition

d’absence d’opportunités d’arbitrage (AOA) s’il n’existe aucune opportunité
d’arbitrage sur ce marché financier.
1.2.2 Conséquences de l’AOA
La première propriété, énoncée ci-dessous, porte sur la comparaison des

valeurs et des ‘prix’ de stratégies financières.
Proposition 1.2 Supposons que le marché financier vérifie la condition AOA.

Soient (v1 , θ1 ), (v2 , θ2 ) ∈ R × A tel que VTv1 ,θ1 ≥ VTv2 ,θ2 P − p.s. Alors : v1 ≥ v2 .
9
Preuve. Supposons que v2 > v1 . Posons θ := θ1 − θ2 ; alors :

     
θ • ∆S̃  = θ1 • ∆S̃  − θ2 • ∆S̃  (1.12)
T T T

= VTv1 ,θ1 /ST0 − v1 − VTv2 ,θ2 /S 0 − v2 (1.13)

= VTv1 ,θ1 − VTv2 ,θ2 /ST0 + (v2 − v1 ) ≥ (v2 − v1 ) > 0(1.14)
ainsi, nous vérifions que θ est une opportunité d’arbitrage, ce qui contredit la
condition AOA. On conclut que nécessairement v2 ≤ v1 .
Remarque 1.3 Parfois les arbitrages sont définies sous contrainte de posi-
tivité à tous les instants. Une variante du résultat précédent permet de voir
qu’un marché qui n’a pas d’arbitrages positifs n’aura pas d’arbitrages du tout
et donc les définitions sont équivalentes.
Corollaire 1.1 Supposons que le marché financier vérifie la condition A.O.A.

Soient (v1 , θ1 ), (v2 , θ2 ) ∈ R × A tel que VTv1 ,θ1 ≥ VTv2 ,θ2 P − p.s.
1. Alors : v1 ≥ v2 et Vtvk1 ,θ1 ≥ Vtvk2 ,θ2 , ∀tk ∈ T .
2. En particulier, si VTv1 ,θ1 = VTv2 ,θ2 P − p.s. alors : v1 = v2 et Vtvk1 ,θ1 =
Vtvk2 ,θ2 , ∀tk ∈ T .
Nous présentons maintenant quelques implications importantes de la condi-

tion A.O.A sur les prix d’actifs contingents standards : les options vanille. On
désigne par option vanille une option d’achat ou une option de vente sur l’un
des actifs risqués S i .
Définition 1.5 (Option d’achat européenne) Un call européen est un contrat

entre deux parties, qui donne à l’acheteur le droit mais pas l’obligation (le ven-
deur est en revanche tenu de se plier à la décision de l’acheteur) :
– d’acheter un actif financier S (action, obligation, indice boursier, devise,
matière première, autre produit dérivé, fonds, inflation, etc.), appelé actif sous-
jacent,
– à un prix précisé à l’avance K (prix d’exercice ou strike en anglais),
– à une date d’échéance donnée T (option dite européenne).
Sa valeur terminale est : CT = max{ST − K, 0} = (ST − K)+ .
10
Définition 1.6 (Option de vente européenne) Un put européen est un

contrat entre deux parties, qui donne à l’acheteur le droit mais pas l’obligation
(le vendeur est en revanche tenu de se plier à la décision de l’acheteur) :
– de vendre un actif financier S (action, obligation, indice boursier, devise,
matière première, autre produit dérivé, fonds, inflation, etc.), appelé actif sous-
jacent,
– à un prix précisé à l’avance K (prix d’exercice ou strike en anglais),
– à une date d’échéance donnée T (option dite européenne).
Sa valeur terminale est : PT = max{K − ST , 0} = (K − ST )+ .
On note Ct (S, T, K), respectivement Pt (S, T, K), le prix à la date t de l’option

d’achat, respectivement vente, de maturité T , de prix d’exercice K et de sous-
jacent S.
Proposition 1.3 (Relation de parité Call-Put) Pour tout t ∈ [0, T ] les

prix du put et du call vérifient :
Ct (S, T, K) − Pt (S, T, K) = S − Ke−r(T −t) . (1.15)
Preuve. Considérons la stratégie financière, str 1, qui consiste à acheter le call

et à vendre le put à la date initiale t = 0 et à maintenir le portefeuille inchangé
jusqu’à la maturité T . Sa valeur terminale est VTstr1 = (ST −K)+ −(ST −K)− =
ST − K. Considérons maintenant la stratégie, str 2, qui consiste à acheter
l’actif risqué S et à se faire prêter Ke−rT unités monétaires dans l’actif sans
risque S 0 à la date initiale t = 0, puis maintenir le portefeuille inchangé jusqu’à
la date T . La valeur terminale de cette stratégie est VTstr2 = ST − K. On voit
que VTstr1 = VTstr dans tous les états du monde. En utilisant le Corolaire 1.1
on conclut que, à toute date t ∈ [0, T ], les valeurs de ces deux stratégies sont
égales, d’où la relation de parité Call-Put.
Proposition 1.4 (Bornes sur les prix d’options vanille) Pour tout t ∈
[0, T ]
+
S − Ke−r(T −t) ≤ Ct (S, T, K) ≤ S (1.16)
−
S − Ke−r(T −t) ≤ Pt (S, T, K) ≤ Ke−r(T −t) .
11
Preuve. C’est l’objet de l’exercice 1.2 page 21 .
Proposition 1.5 (Convexité des prix par rapport aux prix d’exercice)
Pour tout t ∈ [0, T ], la fonction : K 7→ Ct (S, T, K) et la fonction : K 7→
Pt (S, T, K) sont convexes.
1.3 Caractérisation de la condition AOA

Le but de ce paragraphe est d’établir une condition suffisante pour la condi-
tion d’A.O.A. sur ce marché financier. Le résultat que nous allons démontrer
est le suivant.
Nous renvoyons le lecteur à l’annexe A.6 pour un rappel des notions concer-
nant les martingales à temps discret.
Pour rappel, deux mesures de probabilité P et Q sur (Ω, F) sont dites
(mutuellement) équivalentes si pour tout X ∈ F : P(X) = 0 ssi Q(X) = 0.
Théorème 1.1 (Condition suffisante d’A.O.A) On suppose qu’il existe

une mesure de probabilité Q équivalente à P telle que le processus de prix
actualisé S̃ soit une martingale sur (Ω, F, Q; F) (on dira également que S̃ est
une Q-martingale). Alors, ce marché financier vérifie la condition A.O.A.
Pour prouver ce résultat, nous allons utiliser la propriété suivante.
Proposition 1.6 Soit θ ∈ A un portefeuille admissible, avec hθt0 , St0 i = 0.

On suppose qu’il existe une mesure de probabilité Q équivalente à P telle que
le processus de prix actualisé, S̃, soit une Q-martingale. Alors le processus de
richesse actualisée Ṽ 0,θ est une Q-martingale.
Preuve. Soit θ ∈ A un portefeuille admissible tel que θ soit borné par une
constante M : P(|θtk | ≤ M ) = 1. Comme la mesure de probabilité Q est
équivalente à P, on a aussi Q(|θtk | ≤ M ) = 1. Par conséquent, pour tout k ≥
1, on a : |Ṽt0,θ | := | km=1 hθtm , ∆S̃tm i| ≤ M km=1 |∆S̃tm |. Comme chacune
P P
k
12
des variables aléatoires S̃tm est Q-intégrable, on en déduit que chacune des
variables aléatoires Ṽt0,θ
k
est Q-intégrable.
Il nous reste à vérifier que pour tout k ≥ 1, EQ [Ṽt0,θ
k
|Ftk−1 ] = Ṽt0,θ
k−1
. Or,
h i
EQ [Ṽt0,θ
k
|Ftk−1 ] = EQ Ṽt0,θ
k−1
+ hθtk , ∆S̃tk i|Ftk−1 .
Puisque le processus Ṽ 0,θ est adapté et le processus θ est prévisible, on a
d h i
EQ [Ṽt0,θ |Ftk−1 ] = Ṽt0,θ
X
k k−1
+ θtik EQ ∆S̃tik |Ftk−1 .
i=1
h i
Enfin, puisque S̃ est une Q-martingale on a EQ ∆S̃tik |Ftk−1 =0, ce qui nous
permet de conclure que EQ [Ṽt0,θ
k
|FtSk−1 ] = Ṽt0,θ
k−1
.
Preuve. Revenons au Théorème 1.1. Supposons qu’il existe une mesure de
probabilité Q équivalente à P telle que S̃ soit une Q-martingale. Nous montrons
par l’absurde que cela implique AOA. Supposons qu’il existe un portefeuille
admissible θ ∈ A tel que
P(ṼT0,θ ≥ 0) = 1 et P(ṼT0,θ > 0) > 0 .
Comme Q est équivalente à P, on a également
Q(ṼT0,θ ≥ 0) = 1 et Q(ṼT0,θ > 0) > 0 .
Pour rappel θ est borné. Dans ce cas, d’après la Proposition 1.6, le proces-
sus Ṽ 0,θ est une Q-martingale qui démarre (au capital initial égal) à zéro donc
E Q [ṼT0,θ ] = Ṽ00,θ = 0. Cette dernière égalité combinée à la condition Q(ṼT0,θ ≥
0) = 1 implique que Q(ṼT0,θ = 0) = 1, ce qui contredit Q(ṼT0,θ > 0) > 0.
Définition 1.7 (Mesure neutre au risque) On appelle ensemble des me-

sures de probabilité neutres au risque l’ensemble noté M(S̃) des mesures de
probabilité, Q, définies sur (Ω, F) telles que : Q est équivalente à P et le pro-
cessus S̃ est une Q-martingale.
Nous venons de montrer que : M(S̃) 6= ∅ implique AOA.

13
Remarque 1.4 En temps discret et sous l’hypothèse que l’espace des états est
fini (ou dénombrable) la réciproque est aussi vraie : l’AOA implique l’existence
d’une mesure risque neutre, voir [11] pour une démonstration. Il y a donc,
sous ces hypothèses, équivalence entre AOA et l’existence d’une mesure risque
neutre. Ceci est parfois appelé le premier théorème fondamental de la valuation
d’actifs.
1.4 Réplication d’actifs et évaluation sous la condi-

tion AOA
Définition 1.8 Un actif financier dont la valeur terminale au temps T est
une variable aléatoire G intégrable et FT -mesurable est appelé actif contingent
de maturité T .
Cet actif contingent peut être, par exemple, un produit dérivé tel qu’une
option d’achat ou une option de vente. On s’intéresse dans ce paragraphe au
problème d’évaluation d’un actif G : comment déterminer le juste prix pGt de
G à la date t pour tout t ∈ [0, T ] dans un modèle donné.
Intuition 1.4.1 Le principe d’évaluation par réplication en A.O.A re-

pose sur l’idée suivante : si le marché financier vérifie la condition d’ab-
sence d’opportunités d’arbitrage, alors deux stratégies financières ayant
les mêmes valeurs terminales ont nécessairement le même prix à chaque
date t ∈ [0, T ]. Ceci est énoncé dans le Corollaire 1.1. Donc si l’on est
on mesure de construire à partir des actifs S i une stratégie dont la valeur
terminale coïncide avec G alors le prix de G peut être calculé comme la
valeur de cette stratégie.
Définition 1.9 (Stratégie de réplication) Soit θ ∈ A et v0 ∈ R. On dit

que le portefeuille admissible θ permet de répliquer l’actif contingent G à partir
du capital initial v0 si : G = VTv0 ,θ P − p.s.
14
Proposition 1.7 (Prix d’un actif réplicable) On suppose qu’il existe une
mesure de probabilité neutre au risque Q. On suppose que l’actif contingent
G admet une stratégie de réplication θ ∈ A à partir du capital initial v0 . On
suppose de plus que θ est bornée. Si on note par pG
tk le prix de G à l’instant tk
alors pour tout k : pG rtk EQ [Ge−rT |F ].
tk = e tk
Preuve. On suppose que G est réplicable à partir du capital initial v0 et de

v0 ,θ
la stratégie admissible θ ∈ A. Alors, par A.O.A, pour tout k ≤ N , pG
tk = Vtk .
Comme θ est bornée, le processus Ṽh v0 ,θ est unei Q-martingale.
h iEn utilisant le
v0 ,θ
fait que G = VT , on obtient : E e −rT G|Ftk = E ṼT |Ftk = Ṽtvk0 ,θ . On
v0 ,θ
h i
v0 ,θ
conclut que : pG
tk = Vtk = E e−r(T −tk ) G|Ftk .
Définition 1.10 (Marché complet) . On suppose que dans ce marché fi-

nancier, tout actif contingent admet une stratégie de réplication. On appelle
alors ce marché complet.
Proposition 1.8 On suppose que le marché financier est complet. Alors, si

elle existe, la mesure de probabilité neutre au risque est unique.
Preuve. La preuve est laissée comme exercice au lecteur.
Intuition 1.4.2 Si r = 0 le prix de l’actif à l’instant zéro est pG 0 =

EQ (G), c’est à dire que le prix est juste la moyenne, sous la probabilité Q,
des gains possibles à maturité. C’est cette propriété qui donne le nom de
probabilité risque neutre, en opposition aux approches "averses au risque "
(où le prix est inférieur à la moyenne des gains espérés) ou "à propension
pour le risque" (où le prix est supérieur à la moyenne des gains espérés).
1.5 Arbre binômial

Dans cette section consacrée au modèle binômial, également appelé arbre
binômial, nous allons nous restreindre au cas où le marché contient un seul
15
actif risqué, d = 1. Cette simplification est adoptée par souci de clarté du texte,
les résultats énoncés dans cette section peuvent être étendus au cas général
d ≥ 1 sans difficulté.
Nous modélisons l’actif risqué par un arbre binômial (aussi dit arbre de
Cox Ross Rubinstein ) décrit graphiquement en (1.17) pour N = 3 : le prix
de l’actif peut évoluer en multipliant sa valeur par le facteur u ("up") ou en
multipliant sa valeur par le facteur d ("down"), avec 0 < d < u < ∞.
St10 u3
%
St10 u2
% &
St10 u St10 u2 d
% & %
St10 St10 ud
..
. & % & (1.17)
..
. St10 d St10 ud2
.. ..
. . & %
.. ..
. . St10 d2
.. .. ..
. . . &
.. .. ..
. . . St10 d3
t0 t1 t2 t3 = T
1.5.1 Modélisation probabiliste
Ici l’ensemble des états possibles est l’ensemble des suites u, ud, u2 d,... etc.
Donc :
Ω = {(ω1 , ..., ωN )|ωi ∈ {d, u}} = {u, d}N . (1.18)
A noter que ceci implique que l’arbre est recombinant c’est à dire que
l’ensemble des valeurs possibles en T est N + 1 (et pas 2N ).
Nous notons Yk+1 = St1k+1 /St1k les rendements.
Ici F = {F0 , ..., FN } avec :
16
- au temps t0 : F0 = {∅, Ω} car on connait seulement l’état initial ;

- au temps t1 : F1 = {∅, {ω ∈ Ω|ω1 = d}, {ω ∈ Ω|ω1 = u}, Ω} car on connait
l’état au temps t1 ; cette tribu représente l’ensemble de sous-parties de Ω dont
on peut dire si elles sont réalisées ou pas à l’instant t1 ;
- au temps t2 :
F2 = {∅, {ω ∈ Ω|ω1 = d, ω2 = d}, {ω ∈ Ω|ω1 = d, ω2 = u},

{ω ∈ Ω|ω1 = u, ω2 = d}, {ω ∈ Ω|ω1 = u, ω2 = u}, Ω} , (1.19)
car on connait les valeurs prises par St1 jusqu’à t2 (inclus) ; cette tribu repré-
sente l’ensemble de sous-parties de Ω dont on peut dire si elles sont réalisées
ou pas à l’instant t2 ;
- ...
Par ailleurs nous constatons que les variable St1k : Ω → R et Yt1k : Ω → R
sont respectivement définies par
k
Y
St1k (ω1 , ..., ωN ) = St10 ω` , (1.20)
`=1
Yk (ω1 , ..., ωN ) = ωk . (1.21)
Remarque 1.5 Clairement Ftk = σ(Y1 , . . . , Yk ). La tribu F1 est aussi la tribu

engendrée par St11 , car la tribu engendrée est l’image réciproque par St11 des
boréliens de R (pour rappel, la tribu borélienne sur R est celle engendrée par
les ensembles ouverts). De même, Ftk = σ(St11 , ..., St1k ).
1.5.2 Évaluation de produits dérivés dans le modèle binomial

Remarque 1.6 Un produit dérivé (ou actif contingent) G est une variable
aléatoire FT -mesurable et s’écrit donc sous la forme
G = φ(St10 , St11 , ..., St1N ), (1.22)
avec φ application borélienne. Lorsque φ dépend seulement de la dernière va-

riable on dira que l’actif dérivé est indépendant du chemin : calls et puts
européens (dits aussi "vanille"), calls et puts digitaux, etc.
17
Lorsque au contraire φ dépend pleinement de tous les arguments on dira

que G est un actif dérivé dépendant du chemin. Un exemple d’actif dépendant
du chemin est l’option (call ou put) asiatique dont le payoff se calcule comme
celui d’un call ou put européen mais en prenant en compte la moyenne des
valeurs du sous-jacent entre t0 et T plutôt que sa valeur terminale. Par souci
de clarté nous considèrerons seulement les actifs indépendants du chemin, bien
que notre manière de procéder soit facilement extensible à tous les actifs.
Théorème 1.2 (Existence et unicité de la probabilité risque neutre)

Supposons que tk = k∆t et que dans le modèle binomial il y a AOA. Alors
1. d < er∆t < u ;
2. il existe une unique probabilité risque neutre Q. Sous cette probabilité les
rendements Y1 , . . . , YN sont indépendants et de même loi donnée par
Q(Y1 = u) = q et Q(Y1 = d) = 1 − q (1.23)
où
er∆t − d
q= . (1.24)
u−d
Preuve. Démonstration du point 1 : une stratégie d’arbitrage entre l’actif
sans risque et l’actif risqué est immédiate à construire si la condition n’est
pas satisfaite. Par exemple si d ≥ er∆t ceci veut dire u > d ≥ er∆t et alors il
suffit d’acheter l’actif risqué et vendre l’actif sans risque pour la même somme
d’argent pour obtenir un arbitrage.
Démonstration du point 2 : Supposons qu’il existe une probabilité risque
neutre Q et montrons qu’elle est nécessairement unique. Une mesure risque
neutre Q satisfait EQ (S̃t1k |Ftk−1 ) = S̃t1k−1 pour tout k = 1, . . . , N ou encore,
selon la définition de Yk et de S̃ : EQ (S̃t1k−1 Yk e−r∆t |Ftk−1 ) = S̃t1k−1 . Puisque
St1k−1 est Ftk−1 mesurable il en découle que EQ (Yk |Ftk−1 ) = er∆t ou encore,
après quelques calculs immédiates :
uEQ (1Yk =u |Ftk−1 ) + dEQ (1Yk =u |Ftk−1 ) = er∆t . (1.25)
Par ailleurs 1Ω est certainement Ftk−1 -mesurable donc EQ (1Ω |Ftk−1 ) = 1Ω =

18
1. Mais en décomposant comme avant nous obtenons aussi :
EQ (1Yk =u |Ftk−1 ) + EQ (1Yk =u |Ftk−1 ) = 1. (1.26)
Combinant les relations (1.25) et (1.26) nous obtenons :
er∆t − d u − er∆t
EQ (1Yk =u |Ftk−1 ) = et EQ (1Yk =d |Ftk−1 ) = . (1.27)
u−d u−d
Nous constatons que les termes de droite des deux égalités ci-dessus ne dé-
pendent ni de ω ni de k, donc sous Q, pour tout k = 1, . . . , N , la variable
aléatoire Yk est nécessairement indépendante de Ftk−1 ce qui implique que
sous Q les variables aléatoires Y1 , . . . , YN sont nécessairement indépendantes
et de même loi
er∆t − d u − er∆t
Q(Y1 = u) = =q et Q(Y1 = d) = =1−q (1.28)
u−d u−d
où q est donné par (1.24). Ceci détermine Q de façon unique. Réciproquement,

en reprenant les arguments ci-dessus, il est facile de montrer qu’en posant
Q(ω1 , ..., ωN ) = q card{k:ωk =u} (1 − q)card{k:ωk =d} . (1.29)
on définit bien une probabilité risque neutre.
Théorème 1.3 (Évaluation des actifs indépendants du chemin) Soit un

actif dérivé G indépendant du chemin G = φ(ST1 ) avec φ : R → R mesurable.
Supposons que tk = k∆t et que dans le modèle binomial il y a AOA. Alors
pour tout k = 0, . . . , N le prix de G à la date tk ne dépend que de la valeur
du sous-jacent à cette date. On note pG 1
tk (X) ce prix quand Stk = X et on a
pG
tN (X) = φ(X) et
h i
−r∆t
pG
tk (X) = e qpG G
tk+1 (Xu) + (1 − q)ptk+1 (Xd) si k = 0, . . . , N − 1 (1.30)
où q vérifie (1.24). De plus l’actif G admet une stratégie de réplication donnée

19
par :
−rT
pG 1 G 1
tk (Stk−1 u) − ptk (Stk−1 d)
Q
v = E [e φ(ST1 )], θt1k = . (1.31)
St1k−1 u − St1k−1 d
Preuve. Supposons d’abord que G est réplicable. On sait alors d’après la

Proposition 1.7 page 14 que en AOA pour tout k = 0, . . . , N − 1 le prix de G à
la date tk est donné par EQ [e−r(T −tk ) φ(ST1 )|Ftk ]. Mais ici ST1 = St1k · ΠN
l=k+1 Y`
par conséquent le conditionnement par Ftk est identique au conditionnement
par St1k . Ceci est spécifique aux actifs indépendants du chemin. En particulier
le prix de l’actif contingent à la date tk est donné par une fonction de St1k .
Donc
Q −r(T −tk )
pG 1
tk (Stk ) = E [e φ(ST1 )|Ftk ] (1.32)
hh i i
= EQ EQ [e−r(T −tk ) φ(ST1 ) Ftk+1 Ftk

h i
= EQ e−r∆t pG 1
tk+1 (Stk+1 ) Ftk

h i
= EQ e−r∆t 1{Yk+1 =u} + 1{Yk+1 =d} pG 1
tk+1 (Stk+1 ) Ftk

h i
= e−r∆t EQ 1{Yk+1 =u} pG 1 G 1
tk+1 (Stk u) + 1{Yk+1 =d} ptk+1 (Stk d) Ftk .

En observant que pG 1 G 1 1
tk+1 (Stk u) et ptk+1 (Stk d) sont des fonctions de Stk alors que
1{Yk+1 =u} et 1{Yk+1 =d} sont indépendantes de St1k on obtient l’expression (1.30)
après utilisation des propriétés élémentaires de l’espérance conditionnelle. On
remarquera que (1.30), combiné au fait évident que pG tN = φ, détermine de
G
façon unique par récurrence descendante une famille ptk , tk ∈ T , de fonctions
définies sur les valeurs possibles de St1k à chaque date tk .
Montrons à présent, à l’aide de la famille pG tk , tk ∈ T , que G est effective-

ment réplicable en considérant le problème de sa couverture. Nous procédons
par récurrence en montrant que pour tout k = 0, . . . , N l’actif pG 1
tk (Stk ) est
réplicable en suivant la stratégie θ donnée par l’énoncé. Ceci prouvera que G
est réplicable puisque pG 1 1
tN (StN ) = φ(ST ) = G. Le cas k = 0 est trivial car
pG 1
t0 (St0 ) est la constante réelle v, réplicable avec un portefeuille de valeur v
investi uniquement en actif sans risque. Supposons à présent que nous avons
montré pour k fixé que pG 1
tk (Stk ) est replicable à l’aide d’une stratégie de valeur
20
initiale v et de θt1` (` = 1, ..., k) définies comme indiqué ; nous montrons que

ceci est encore vrai pour k + 1. D’après (1.8) page 6, nous sommes donc à la
recherche d’une variable Ftk mesurable θt1k+1 telle que :
er∆t pG 1 1 1 1 r∆t
tk (Stk ) + θtk+1 (Stk+1 − Stk e ) = pG 1
tk+1 (Stk+1 ). (1.33)
Ceci, selon les valeurs possibles de St1k+1 , conduit à un système de deux équa-
tions
er∆t pG 1 1 1
tk (Stk ) + θtk+1 Stk (u − e
r∆t
) = pG 1
tk+1 (Stk u) (1.34)
er∆t pG 1 1 1
tk (Stk ) + θtk+1 Stk (d − e
r∆t
) = pG 1
tk+1 (Stk d). (1.35)
pG
t (St1 u)−pG
t (St1 d)
On obtient donc θt1k+1 = k+1 k k+1
St1 u−St1 d
k
, c’est à dire la formule atten-
k k
due pour θ1 . On remarque que θ1 est égal au quotient entre la variation du
prix du dérivé et la variation du produit sous-jacent. En utilisant les for-
mules (1.30) et (1.31) (et après calculs) nous constatons que pG et θ vérifient
effectivement (1.33). La stratégie θ ainsi construite permet de répliquer G ce
qui conclut la preuve.
Remarque 1.7 La valeur q ne dépend pas de la probabilité P donc la proba-

bilité Q ne dépend pas de la probabilité P. Donc, dans ce modèle, le prix du
produit dérivé sera le même dès que les investisseurs s’accordent sur l’ensemble
de scénarios possibles, sans nécessité d’accord sur la probabilité de chaque scé-
nario.
Ainsi deux options ayant le même strike et maturité sur deux sous-jacents
différents (mais avec les scénarios "u" ou "d" identiques) auront le même prix,
même si par exemple pour le premier P(Yk = u) = 90% et pour le deuxième
P(Yk = u) = 10%.
Il est possible, avec les mêmes arguments, de démontrer le
Théorème 1.4 (Évaluation des actifs dépendants du chemin) Soit un

actif dérivé G dépendant du chemin G = φ(St10 , St11 , ..., St1N ) avec φ : RN +1 → R
mesurable. Supposons que tk = k∆t et que dans le modèle binomial il y a AOA.
21
Alors pour tous k = 0, . . . , N le prix de G à la date tk ne dépend que de la va-

leur du sous-jacent aux dates t0 , . . . , tk . On note pG tk (X0 , . . . , Xk ) ce prix quand
1 1 G
(St0 , . . . , Stk ) = (X0 , . . . , Xk ) et on a ptN (X0 , . . . , XN ) = φ(X0 , . . . , XN ) et
h i
−r∆t
pG
tk (X0 , . . . , Xk ) = e qpG G
tk+1 (X0 , . . . , Xk , Xk u) + (1 − q)ptk+1 (X0 , . . . , Xk , Xk d)
(1.36)
si k = 0, . . . , N − 1 où q vérifie (1.24). De plus l’actif G admet une stratégie
de réplication donnée par
−rT
pG 1 1 1 1 G 1 1 1 1
tk (St0 , St1 , ..., Stk−1 , Stk−1 u) − ptk (St0 , St1 , ..., Stk−1 , Stk−1 d)
v = E [eQ
G], θt1k = .
St1k−1 u − St1k−1 d
(1.37)
Preuve. C’est l’objet de l’exercice 1.11.
Remarque 1.8 Les arguments de cette section sont encore valables, avec
quelques ajustements, pour des arbres plus généraux ayant des valeurs u et
d qui peuvent dépendre de tk et plus généralement de St10 , ..., St1k .
1.6 Exercices
Exercice 1.1 Démontrer la Remarque 1.1, page 6.
Exercice 1.2 Démontrer la Proposition 1.4 page 11.
Exercice 1.3 Démontrer la Proposition 1.5 page 11.
Exercice 1.4 Soit un marché avec d = 1, r = ln(1.06), N = 2, t0 = 0,

t1 = 1, t2 = 2 et un investisseur avec un portefeuille autofinancé de valeur V .
Nous savons que Vt0 = 1000, Vt1 = 1060, Vt2 = 1042, St00 = 100, St10 = 100,
St11 = 120, St12 = 100.
1. Calculer St0k et V˜tk pour k = 0, 1, 2.
2. Calculer θtk pour k = 1, 2.
3. Comparer la stratégie de l’investisseur avec une stratégie impliquant seule-
ment l’actif sans risque.
22
Exercice 1.5 Soit un marché avec un actif risqué et un investisseur qui alloue
toujours la moitié de la valeur de son portefeuille auto-financé sur l’actif risqué
et l’autre moitié sur un actif sans risque.
1. Écrire la formule de récurrence de θtk en fonction de θtk−1 et Stk−1 .

2. Pareil pour Vtk en fonction de Vtk−1 , Stk−1 et Stk .
Exercice 1.6 Soit ξ1 ,...,ξn ,... des variables aléatoires indépendantes et de

même loi (qui seront dites "i.i.d." par la suite) de moyenne nulle et de va-
riance finie.
1. Montrer que le processus (Xn )n≥0 défini par X0 = 0 et Xn = nk=1 ξk

P
pour tout n ≥ 1 est une martingale par rapport à la filtration "naturelle"

F donnée par F0 = {∅, Ω} et pour tout n ≥ 1,
Fn = σ (ξi , 1 ≤ i ≤ n) . (1.38)
2. Montrer que pour tout n ≥ 0,
2
E[Xn+1 |Fn ] = Xn2 + E[ξn+1
2
].
En déduire qu’il existe une unique suite croissante de réels (an )n≥0 telle
que a0 = 0 et (Xn2 − an )n≥0 soit une F-martingale.
3. Soit maintenant une autre suite de variables aléatoires η1 ,...,ηn ,... i.i.d.,
centrées, de variance finie telle que ξk est indépendante de η` pour tout
` 6= k. Soit (Yn )n≥0 le processus défini par Y0 = 0 et Yn = n`=1 η`
P
pour tout n ≥ 1 . Montrer qu’il existe une unique suite de réels (dn )n≥0
vérifiant d0 = 0 et telle que (Xn Yn − dn )n≥0 soit une martingale par
rapport à la filtration G donnée par G0 = {∅, Ω} et pour tout n ≥ 1
Gn = σ (ξi , η` , 1 ≤ i, ` ≤ n) . (1.39)
Exercice 1.7 (arbre binômial) Considérons un arbre binomial à 2 pas avec

St10 = 100, t0 = 0, N = 2, T = 4, K = 100, u = 1.5, d = 0.5, r = − 21 ln(0.8).
Cet arbre est utilisé pour le pricing d’une option call européenne de strike K.
23
Calculer q et remplir les endroits manquants du tableau suivant qui contient
225
??
NA
%
150
???
???
% &
100 75
St1 ?? ??
k
?? NA
pG 1
tk (Stk ) : .
1
θt (St1 ) .
k+1 k . & %
. 50
.
. ??
??
. .
. .
. . &
. . 25
. .
. . ??
NA
. . .
. . .
. . .
t0 t1 t2 = T
Exercice 1.8 Considérons un arbre binomial à 3 pas (exemple adapté de [1])

avec St10 = 80, t0 = 0, N = T = 3, K = 80, u = 1.5, d = 0.5, r = ln(1.1).
1. Calculer q et remplir les endroits manquants du tableau suivant qui

St1
k
contient pG 1
t (St )
k k
:
θt1 (St1 )
k+1 k
24
270
190
NA
%
180
107.272
1
% &
120 90
??? 10
??? NA
% & %
80 60
34.065 5.454
0.719 0.167
.
.
. & % &
. 40 30
.
. 2.974 0
0.136 NA
. .
. .
. . & %
. . 20
. .
. . 0
NA
. . .
. . .
. . . &
. . . 10
. . .
. . . 0
NA
t0 t1 t2 t3 = T
2. Considérer par exemple le scénario 80 → 120 → 60 → 90 et montrer

comment se fait la couverture d’une option call vanille. Même question
pour le scénario 80 → 120 → 60 → 30.
Exercice 1.9 Montrer que pour un arbre trinomial la probabilité risque neutre
n’est pas unique.
Exercice 1.10 Soit un marché complet à d = 1 actif risqué et qui admet une
probabilité risque neutre. Nous supposons que pour tout k les valeurs possibles
de St1k sont en nombre fini. Comparer les prix actualisés d’un dérivé de payoff
fonction indicatrice d’une valeur possible de ST1 (dit actif de type "‘Arrow-
Debreu"’) avec la probabilité risque neutre. Généraliser pour d > 1.
Exercice 1.11 Démontrer le Théorème 1.4.

Chapitre 2
Mouvement Brownien et
calcul d’Itô
Le but de ce chapitre est d’introduire le mouvement Brownien et les outils

de base du calcul stochastique essentiels pour comprendre et formuler le modèle
de Black-Merton-Scholes :
? Après une présentation générale des processus en temps continu, une
section est consacrée aux martingales continues.
? Nous présentons ensuite le mouvement Brownien et étudions quelques
propriétés importantes de ce processus.
? Nous introduisons la notion d’intégrale stochastique qui nous servira par
la suite à modéliser l’évolution du processus de richesse dans un modèle
financier où les transactions se déroulent de manière continue dans le
temps
? Enfin, nous présentons les processus d’Itô, le Lemme d’Itô et les équa-
tions différentielles stochastiques.
Pour toute information complémentaire concernant ce chapitre nous ren-
voyons les lecteurs vers les références, dont en particulier [12, 13].
2.1 Processus stochastiques en temps continu

Dans toute cette section, on considère un espace de probabilité (Ω, F, P).
25
26
On rappelle qu’un ensemble B ⊂ Ω est dit négligeable s’il existe un événement

A ∈ F tel que B ⊂ A et P(A) = 0. Dans toute la suite, on note N l’ensemble
des ensembles négligeables de (Ω, F, P).
Définition 2.1 (Espace de probabilité complet) L’espace de probabilité

(Ω, F, P) est dit complet si N ⊂ F.
Définition 2.2 (Processus stochastique) Un processus stochastique en temps

continu à valeurs dans Rd , ou simplement processus stochastique, est une fa-
mille X = {Xt , t ≥ 0} de variables aléatoires.
Un processus X peut être vu comme une famille de v.a. indexée par le temps :

Xt : ω ∈ (Ω, F) 7→ Xt (ω) ∈ Rd , B(Rd ) ,
on peut alors s’intéresser aux lois des variables aléatoires Xt :
Définition 2.3 Soit Xt un processus stochastique.

1. [Lois fini-dimensionnelles] Les lois fini-dimensionnelles de X sont les
lois de tous les vecteurs aléatoires (Xt1 , · · · , XtN ) pour t1 , · · · tN ∈ R+ et
N ∈ N.
2. [Processus équivalents] Deux processus X et Y sont dits équivalents si on
a égalité de toutes les lois fini-dimensionnelles de X et de Y . On écrit
L
alors X = Y . On dit également que X et Y sont égaux en loi ou que Y
est une version ou une modification de X.
3. [Processus stationnaire] Un processus X est dit stationnaire si : pour
tout h ≥ 0 le processus X.+h := {Xt+h , t ≥ 0} est équivalent à X.
4. [Accroissements stationnaires - Accroissements indépendants] Un pro-
cessus X est dit à accroissements stationnaires si : pour tout t, la loi de
Xt+h − Xt ne dépend pas de t. Le processus X est dit à accroissements
indépendants si : pour tout t1 ≤ · · · ≤ tn ∈ R+ , les variables aléatoires
Xt1 , Xt2 − Xt1 , · · · , Xtn − Xtn−1 sont indépendantes.
5. [Trajectoire d’un processus] Pour tout ω ∈ Ω, la fonction t 7→ Xt (ω)
est appelée trajectoire de X (associée à l’état ω). Le processus est dit
27
à trajectoires continues si pour tout ω ∈ Ω, la fonction t 7→ Xt (ω) est

continue sur R+ .
6. [Processus mesurable] Le processus X est dit mesurable si l’application : (t, ω)
7→ Xt (ω) définie sur l’ensemble R+ × Ω muni de la tribu B(R+ ) ⊗
F, à valeurs dans Rd , muni de la tribu B(Rd ), est mesurable. C’est
à dire si : pour tout α1 , · · · , αd ∈ R, l’ensemble {(t, ω) : Xt1 (ω) ≤
α1 , · · · , Xtd (ω) ≤ αd } est dans B(R+ ) ⊗ F.
2.1.1 Filtrations et Mesurabilité

Un processus stochastique X modélise l’évolution d’une quantité -ou phénomène-
aléatoire dans le temps. L’observation de l’évolution de X dans le temps véhi-
cule de l’information : les réalisations passées de X et sa réalisation présente
peuvent informer sur son évolution future. L’outil mathématique qui nous
permettra de traduire cette idée d’évolution de l’information est la notion de
filtration.
Définition 2.4 Soit X = (Xt )t≥0 un processus stochastique.

1. [Filtration] Une filtration est une famille F = {Ft , t ≥ 0} de tribus telles
que : Fs ⊂ Ft ⊂ F pour tout t ≥ s ≥ 0. Si l’espace de probabilité
(Ω, F, P) est muni d’une filtration F, on parlera de l’espace de probabilité
filtré (Ω, F, P; F).
2. [Espace filtré complet] Soit F = {Ft , t ≥ 0} une filtration donnée sur
(Ω, F, P). L’espace de probabilité filtré (Ω, F, P; F) est dit complet si pour
tout t ≥ 0 N ⊂ F0 .
3. [Filtration naturelle d’un processus] Soit X un processus stochastique
défini sur l’espace de probabilité (Ω, F, P). Une filtration naturellement
associée à X est la filtration F̃X = {F̃tX , t ≥ 0} définie par : F̃tX =
σ(Xs , s ≤ t). Néanmoins, en général, l’espace de probabilité filtré (Ω, F, P, F̃X )
n’est pas complet. Nous considérons donc plutôt la filtration FX définie
par : FtX := F̃tX ∨ N . La filtration FXt est appelée la P− complétée de
F̃ et l’espace de probabilité filtré (Ω, F, P; FX ) est donc complet. C’est
X
FXt que nous appellerons la filtration naturelle du processus X ou encore

la filtration engendrée par X.
28
4. [Processus adapté] On dit que X = {Xt , t ≥ 0} est F-adapté si pour tout

t ≥ 0, la variable aléatoire Xt est Ft -mesurable.
Pour en savoir plus 2.1.1 (Processus progressif) On dit que X =

{Xt , t ≥ 0} est F-progressif si pour tout t ≥ 0, la fonction (s, ω) 7→
Xs (ω), définie sur ([0, t] × Ω, B([0, t]) ⊗ Ft ) à valeurs dans (Rd , B(Rd )),
est mesurable. Cette definition est surtout utile pour les processus avec
des sauts et où les filtrations (Ft− )t≥0 , (Ft )t≥0 et (Ft+ )t≥0 peuvent être
différentes.
2.1.2 Processus Gaussiens
Ce paragraphe est consacré à un type particulier de processus : les pro-

cessus Gaussiens. Avant de définir ces processus nous commençons par faire
un bref rappel sur les vecteurs Gaussiens.
Définition 2.5 (Vecteur Gaussien) Soit X = (X 1 , · · · , X N ) un vecteur

aléatoire défini sur (Ω, F, P). Il est dit Gaussien si et seulement si toute combi-
naison linéaire des composantes X k est une variable aléatoire Gaussienne : i.e.
pour tout a ∈ RN , la variable aléatoire Y a := ha, Xi = N k k
P
k=1 a X est Gaus-
sienne.
Proposition 2.1 Soit X 1 , · · · , X N des variables aléatoires Gaussiennes in-

dépendantes. Alors le vecteur (X 1 , · · · , X N ) est un vecteur Gaussien.
Preuve. La démonstration utilise la fonction caractéristique, cf. Section A.2

pour les détails. Par la définition d’un vecteur Gaussien il suffit de montrer
que Y a := ha, Xi = N k k k
P
k=1 a X est une v.a. normale. Notons mk = E[X ],
29
σk2 = var(X k ). Alors

PN
a ξak X k k
ΦY a (ξ) = E[eihξ,Y i ] = E[ei k=1 ] = E[ΠN
k=1 e
iξak X
]
N
!
X k indépendantes iξak X k
Y ξ 2 σk2 a2k
============= ΠN
k=1 E[e ] = exp iξak mk −
k=1
2
N PN !
X ξ2( 2 2
k=1 σk ak )
= exp iξ( ak mk ) − , (2.1)
k=1
2
qui est la fonction caractéristique d’une v.a. normale de moyenne ( N

P
k=1 ak mk )
PN
et variance ( k=1 σk ak ). Par l’injectivité de la fonction caractéristique Y a est
2 2
une v.a. normale.
Proposition 2.2 Si X := (X 1 , · · · , X N ) est un vecteur Gaussien alors sa

fonction caractéristique vaut :
1

N
ΦX : ξ ∈ R 7 exp ihξ, E[X]i − hξ, KX ξi
→ (2.2)
2
où KX est la matrice de covariance de X.
Preuve.
PN k
ΦX (ξ) = E[eihξ,Xi ] = E[ei ξ X
k=1 k ] = ΦPN ξ X k (1)
k=1 k
PN "N # N
!!
ξ X
k=1 k
k =Gaussienne X
k 12 X
================== exp i1 · E ξk X − var ξk X k
k=1
2 k=1
 
N
1 X
= exp ihξ, E[X]i − ξk ξ` cov(X k X ` )
2 k,`=1
1

= exp ihξ, E[X]i − hξ, KX ξi . (2.3)
2
Théorème 2.1 Soit X := (X 1 , · · · , X N ) un vecteur Gaussien. Ses compo-

santes sont indépendantes si et seulement si elles sont non corrélées.
Preuve. La preuve de "indépendance implique corrélation zéro" est immé-

diate. Supposons maintenant que les composantes X k sont non corrélées. Alors
30
la matrice KX est diagonale. Par la proposition précédente
1

ΦX (ξ) = exp ihξ, E[X]i − hξ, KX ξi
2
N N
! !!
KX = diagonale X 1 k
X
============ exp i ξk E[X ] − ξk2 var(X k )
k=1
2 k=1
N N
!
Y ξk2 var(X k ) Y
exp iξk E[X k ] − = ΦX k (ξk ), (2.4)
k=1
2 k=1
ce qui implique, via la Proposition A.1 page 190, l’indépendance des compo-
santes du vecteur X.
Définition 2.6 (Processus Gaussien) Soit X : {Xt , t ≥ 0} un processus

stochastique défini sur l’espace de probabilité (Ω, F, P). Le processus X est dit
Gaussien si pour tout N ∈ N et pour tous t0 ≤ · · · , tN ∈ R+ , le vecteur
(Xt0 , · · · , XtN ) est Gaussien.
Si X est un processus Gaussien, alors (par la Proposition 2.2) sa loi est

complètement caractérisé par sa fonction moyenne eX : t 7→ E[Xt ] et par
l’opérateur covariance KX : (s, t) 7→ cov(Xs , Xt ). Quelques exemples :
– le mouvement Brownien issu de zéro (il sera étudié plus tard) est un pro-
cessus Gaussien B = {Bt , t ≥ 0} à trajectoires continues dont la fonction
moyennes eB et l’opérateur de covariance KB sont donnés par : eB (t) = 0
et KB (s, t) = min(s, t) ;
– le pont Brownien est un processus Gaussien Π = {Πt , t ∈ [0, 1]} à trajec-
toires continues centré, eΠ (t) = 0, d’opérateur de covariance KΠ (t, s) =
min(s, t) − st.
2.2 Martingales en temps continu

Définition 2.7 (F-martingale en temps continu) Soit M = {Mt , t ≥ 0}
un processus stochastique adapté défini sur l’espace de probabilité (Ω, F, P)
muni de la filtration F. On dit que M est une martingale si :
1. pour tout t ≥ 0 la variable aléatoire Mt est intégrable : E[|Mt |] < ∞,
31
2. pour tout t ≥ s ≥ 0, E[Mt |Fs ] = Ms .

Lorsque à la place du point 2 le processus Mt vérifie ∀s ≤ t : Ms ≤ E(Mt |Fs )
(ou ∀s ≤ t : Ms ≥ E(Mt |Fs )) le processus M est appelé sous-martingale
(respectivement sur-martingale).
Intuition 2.2.1 Si on considère un jeu qui paie Mt à tout instant t et

on se pose la question de comparer combien le jeu paiera à l’instant t
sachant l’instant présent s ≤ t alors une martingale est un jeu équitable,
une sur-martingale un jeu perdant et une sous-martingale un jeu gagnant.
Définition 2.8 (Temps d’arrêt) Soit F = {Ft , t ≥ 0} une filtration. Une

variable aléatoire τ : Ω → R ∪ {+∞} est un temps d’arrêt si pour tout t ≥ 0
{τ ≤ t} ∈ Ft . (2.5)
Définition 2.9 (F-martingale locale en temps continu) Soit M = {Mt , t ≥

0} un processus stochastique adapté défini sur l’espace de probabilité (Ω, F, P)
muni de la filtration F. Le processus M est dit martingale locale s’il existe une
suite strictement croissante de temps d’arrêt (Tn )n≥1 telle que :
1. la suite Tn converge presque surement vers +∞,
2. pour tout n ≥ 0 le processus M Tn := {MtTn = Mt∧Tn , n ≥ 0} est une
matingale.
Proposition 2.3 Soit M = {Mt , t ≥ 0} une martingale définie sur l’espace

de probabilité (Ω, F, P) muni de la filtration F. Soit Φ : R → R une application
convexe telle que pour tout t ≥ 0, la v.a. Φ(Mt ) est intégrable. On définit le
processus M Φ par : MΦ t := Φ(Mt ), t ≥ 0.
1. M Φ est une sous-martingale sur (Ω, F, P; F) ;

2. si M est seulement sous-martingale mais Φ est croissante alors M Φ est
également une sous-martingale.
32
Preuve. Il faut utiliser l’inégalité de Jensen pour les espérances condition-

nelles, cf. Section A.5 Proposition A.5, point 9 page 194.
Le résultat de la Proposition A.7 page 196 valable pour les (sous)-martingales
en temps discret peut être étendu aux martingales à trajectoires continues. En
fait il suffit d’avoir des processus avec des trajectoires "càdlàg" (continues à
droite avec limite à gauche cf. [15]). Nous obtenons :
Proposition 2.4 (Inégalité maximale de Doob) Soit M une F-sous-martingale

définie sur l’espace de probabilité (Ω, F, P) muni de la filtration F. On suppose
que M est à trajectoires continues, alors pour tout 0 ≤ τ < T et tout λ > 0
on a
!
λP sup Ms ≥ λ ≤ E |MT |1{sup Ms ≥λ} ≤ E [|MT |] .
s∈[τ,T ]
s∈[τ,T ]
Preuve.
Technique importante 2.2.1 Le résultat est démontré dans l’appen-

dice pour le cas du temps discret. Pour passer au temps continu nous
allons utiliser l’ensemble (dénombrable) des temps rationnels et utiliser
la continuité pour les autres.
On note D l’ensemble dénombrable D := ([τ, T ] ∩ Q) ∪ {T }.

1. Dans un premier temps, on montre que sups∈[τ,T ] Ms = sups∈D Ms .
Comme D ⊂ [τ, T ], il est clair que sups∈[τ,T ] Ms ≥ sups∈D Ms . Soit mainte-
nant t ∈ [τ, T ] et ω ∈ Ω quelconques mais fixés. On peut trouver une suite
sn ∈ D telle que sn → t. Alors sups∈D Ms (ω) ≥ Msn (ω) pour tout n. Par
passage à la limite et continuité de la trajectoire on obtient sups∈D Ms (ω) ≥
Mt (ω). Comme ceci a lieu pour t et ω arbitraires on obtient sups∈D Ms (ω) ≥
supt∈[τ,T ] Mt (ω) ce qui conduit à l’égalité annoncée.
2. Il est possible de considérer une suite d’ensembles finis (Fn )n≥0 tels que
[
Fn ⊂ Fn+1 ⊂ D, T = max Fn pour tout n, et Fn = D .
n
33
La Proposition A.7 appliquée à la sous-martingale {Ms , s ∈ Fn } permet d’écrire :

!
h i
λP sup Ms ≥ λ ≤ E |MT |1{sup Ms ≥λ} ≤ E |MT |1{sup Ms ≥λ} .
s∈Fn s∈[τ,T ]
s∈Fn
Or, comme la suite des ensembles Fn est croissante :

! !
[
P sup Ms ≥ λ = P { sup Ms ≥ λ}
s∈D n s∈Fn
!
= lim P sup Ms ≥ λ .
n→∞ s∈Fn
On conclut alors que :

! !
λP sup Ms ≥ λ = lim λP sup Ms ≥ λ ≤ E |MT |1{sup Ms ≥λ} .
s∈D n→∞ s∈Fn s∈[τ,T ]
Le résultat suivant est une conséquence de la Proposition 2.4 .
Proposition 2.5 (Inégalité de Doob II) Soit M une sous-martingale dé-

finie sur l’espace de probabilité (Ω, F, P) muni de la filtration F. On suppose
que M est à trajectoires continues, alors pour tout 0 ≤ τ < T , p > 1 et λ > 0
on a
" !p # p
p

E sup |Ms | ≤ E [|MT |p ]
s∈[τ,T ] p−1
Preuve. Notons M ? := sups∈[τ,T ] |Ms |. Soit L un réel positif

"Z # "Z #
M ? ∧L L
? p p−1 p−1
E[(M ∧ L) ] = E pλ dλ = E pλ 1{M ? ≥λ} dλ
0 0
Z L
= pλp−1 P(M ? ≥ λ)dλ
0
34
où la dernière égalité découle du théorème de Fubini. Maintenant, en appli-

quant la Proposition 2.4 à la sous-martingale |M | on obtient :
Z L
? p
E[(M ∧ L) ] ≤ pλp−2 E[|MT |1{M ? ≥λ} ]dλ
0
"Z #
L
p−2
= E pλ |MT |1{M ? ≥λ} dλ
0
"Z #
L∧M ?
= E pλp−2 |MT |dλ
0
p h i
= E |MT |(L ∧ M ? )p−1 .
p−1
En appliquant l’inégalité de Hölder :

h i
E |MT |(L ∧ M ? )p−1 ≤ (E [|MT |p ])1/p (E [(L ∧ M ? )p ])(p−1)/p .
p
p
Il en résulte que E[(M ? ∧ L)p ] ≤ p−1 E [|MT |p ]. Enfin, en faisant tendre L
vers +∞ et par un argument de convergence monotone (voir Proposition A.2
point 4 page 192) on obtient l’inégalité voulue.
Intuition 2.2.2 Les inégalités précédentes sont utiles pour obtenir des
informations sur le comportement de TOUTE la trajectoire d’une sous-
martingale (Mt )t≥0 en utilisant seulement les valeurs MT au temps final
T.
2.3 Mouvement Brownien

2.3.1 Définition et premières propriétés
Définition 2.10 (mouvement Brownien réel) Soit B = {Bt , t ≥ 0} un

processus défini sur l’espace de probabilité (Ω, F, P) muni de la filtration na-
turelle (complétée) du processus B, filtration notée F tel que :
1. B est à trajectoires continues ;
35
2. B est à accroissements indépendants, c’est à dire que pour tous 0 ≤ s ≤ t

la variable aléatoire Bt − Bs est indépendante de Fs ;
3. pour tous 0 ≤ s ≤ t la variable aléatoire Bt − Bs suit la loi normale
N (0, t − s).
Si de plus B0 = 0 (respectivement B0 6= 0), on dit que B est un mouvement
Brownien standard (respectivement non-standard).
Quand la filtration F est donnée a priori, un processus F-adapté qui vérifie
les conditions ci-dessus est dit F-mouvement Brownien.
Dans tout ce qui suit, sauf mention explicite du contraire nous supposerons
B0 = 0.
Remarque 2.1 Un mouvement Brownien est à accroissements stationnaires.
Théorème 2.2 Le mouvement Brownien existe.
Preuve. Résultat admis ; la démonstration peut être consultée en entier dans

les références. Une partie non-triviale est la continuité des trajectoires, voir le
Théorème A.4 (Section A.9 page 199).
Proposition 2.6 1. Soit B = {Bt , t ≥ 0} un F-mouvement Brownien sur

l’espace de probabilité filtré (Ω, F, P; F). Alors B est un processus Gaus-
sien de fonction moyenne eB (t) = 0 et d’opérateur variance KB (s, t) =
min(s, t).
2. Soit B un processus Gaussien continu de fonction moyenne eB (t) = 0 et
d’opérateur variance KB (s, t) = min(s, t) et avec B0 = 0. Alors B est
un mouvement Brownien standard.
Preuve. Pour le point 1 voir aussi l’exercice 2.6 page 70 . Pour le point 2 la
plupart des propriétés s’obtiennent immédiatement. L’indépendance de Bt −
Bs par rapport à Fs est une conséquence du caractère Gaussien (pour les
lois fini-dimensionnelles), du théorème de type classe monotone A.3 et du
Corrolaire A.1.
36
Proposition 2.7 Soit B un mouvement Brownien standard et λ ∈ R une

constante. Chacun des processus suivants est une martingale :
2 t/2
(i) : {Bt , t ≥ 0} , (ii) : {Bt2 − t, t ≥ 0} , (iii) : {eλBt −λ , t ≥ 0} .
Preuve. Voir exercice 2.4 page 70 .
Proposition 2.8 (Théorème de Levy de caractérisation du mouvement Brownien)

Soit Mt une martingale continue avec M0 = 0 telle que Mt2 − t est aussi une
martingale. Alors Mt est un mouvement Brownien.
Preuve. Résultat admis ; pour une démonstration dans un cas particulier

(les processus Gaussiens) voir l’exercice 2.7 page 70.
Proposition 2.9 Soit B un mouvement Brownien standard. Soient T et λ

deux constantes positives données. Alors les processus suivants sont des mou-
vements Browniens.
1. B − := {−Bt , t ≥ 0} : c’est la propriété de symétrie.
2. B ⊕T := {BT +t − BT , t ≥ 0} : c’est la propriété d’invariance par trans-
lation.
3. B ⊗λ := { √1λ Bλt , t ≥ 0} : c’est la propriété d’autosimilarité .
n o
4. B C := tB1/t , t ≥ 0 : c’est la propriété d’inversion du temps.
Mise en garde 2.3.1 Il faut faire attention dans la définition des

filtrations. Par exemple pour l’autosimilarité la filtration naturelle asso-
ciée à B ⊗λ est la filtration suivante (Ft⊗λ )t≥0 = (Fλt )t≥0 où (Ft )t≥0 et
la filtration du Brownien Bt .
Preuve. Ces différentes propriétés sont relativement faciles à obtenir (par la

définition ou, mieux encore, par application de la Proposition 2.6), le point
le plus délicat concerne la propriétés d’inversion du temps où, pour vérifier
37
la continuité de la trajectoire du processus B C , il faut établir que P − p.s.

limt&0 tB1/t = 0. Ceci est une conséquence de la propriété énoncée dans la
Proposition suivante, laquelle est obtenue grâce à la propriété de martingale
du mouvement Brownien B.
Proposition 2.10 Soit B un mouvement Brownien standard. Alors, pour

tout ε > 0 :
Bt
lim 1 = 0 , P − p.s.
t→∞ t 2 +ε
√
Mise en garde 2.3.2 La v.a. Bt est de loi tN (0, 1) (ici N (0, 1)
désigne une variable normale centrée réduite). Donc tB1/2+ε t (ω)
est de loi
1
tε N (0, 1), et devrait être de plus en plus petit dans la limite t → ∞.
Mais la loi de tB1/2+ε
t (ω)
ne donne que des informations qu’à un temps fixé et
ne nous renseigne pas sur le comportement des trajectoires qui elles, dé-
crivent justement l’évolution par rapport au temps. Il faut donc chercher
une autre idée.
Bt (ω)
Technique importante 2.3.1 Notons que si ω est tel que t1/2+ε
ne
Btn (ω) (ω)
converge pas vers 0 alors on peut trouver une suite tn (ω) telle que t (ω)1/2+ε/2 ≥
n
1.
Preuve. Nous rappelons que |B| = {|Bt |, t ≥ 0} est une sous-martingale.

Soit ( )

An = ω ∈ Ω max |B | ≥ (2n )1/2+ε/2 . (2.6)

t∈[2n ,2n+1 ] t
Par l’inégalité de Doob (Proposition 2.4 page 32) pour λ = (2n )1/2+ε/2 et en
√
tenant compte du fait que |Bt | a la même loi que t|N (0, 1)| il existe une
constante C0 dépendant seulement de la distribution de la loi normale telle
38
que :
(2n )1/2+ε/2 P(An ) ≤ C0 (2n+1 )1/2 , (2.7)
√
ou encore P(An ) ≤ (2Cn0)ε/2
2
. Mais alors pour Dm = ∪n≥m An il existe une
constante C1 telle que
√
X C0 2 C1
P(Dm ) ≤ = . (2.8)
n≥m
(2n )ε/2 ε/2
(2 )m
Donc P(Dm ) → 0 pour m → ∞ ; par ailleurs Dm est une suite décroissante.

Par conséquent pour presque tout ω ∈ Ω il existe mω tel que ω ∈ / Dmω ; ceci est
équivalent à dire que ω ∈ / An pour tout n ≥ mω . Donc maxt∈[2n ,2n+1 ] |Bt | ≤
n
(2 ) 1/2+ε/2 n
, ∀t ∈ [2 , 2 n+1 ], ∀n ≥ mω . Ceci implique |Bt | ≤ (2n )1/2+ε/2 ≤
|Bt |
t1/2+ε/2 , ∀t ≥ 2mω . Nous obtenons donc t1/2+ε/2 ≤ 1 pour tout t ≥ 2mω . Ceci
|Bt | 1 |Bt |
montre que t1/2+ε ≤ tε/2 pour tout t ≥ 2mω donc limt→∞ t1/2+ε = 0.
Nous terminons ce paragraphe avec deux propriétés importantes des tra-
jectoires du mouvement Brownien.
Proposition 2.11 (Recurrence du mouvement Brownien) Soit B un mou-

vement Brownien. Alors pour tout T ≥ 0 et pour tout x ∈ R : P (∃s ≥ T, Bs = x) =
1.

Soit B un mouvement Brownien. On note
B ? (ω) := sup Bt (ω) et B? (ω) := inf Bt (ω) .

t≥0 t≥0
La continuité des trajectoires du mouvement Brownien permet d’écrire que
B ? (ω) := sup Bt (ω) et B? (ω) := inf Bt (ω) .

t≥0,t∈Q t≥0,t∈Q
Or le supremum (respectivement, l’infimum) d’une famille dénombrable de va-

riables aléatoires est une variable aléatoire (pour rappel, la propriété à vérifier
est la mesurabilité de B ? et B? ). Donc, B ? et B? sont des variables aléatoires.
39
Proposition 2.12 Soit B un mouvement Brownien, alors :

!
P inf Bt = −∞ = 1 et P sup Bt = +∞ =1.
t≥0 t≥0
Preuve. Ce résultat est établi dans l’exercice 2.9 page 70.
Proposition 2.13 Le mouvement Brownien est nulle-part dérivable (à un en-

semble P-négligeable près).
2.3.2 Mouvement Brownien multi-dimensionnel

Définition 2.11 Soit Ft une filtration donnée. Un processus Bt = (Bt1 , ..., Btd )t≥0
à valeurs dans Rd est dit mouvement Brownien d-dimensionnel standard adapté
à la filtration Ft si les composantes Btk de B sont des Ft -mouvements Brow-
niens indépendants.
2.3.3 Variation d’ordre p

Soit t > 0 un réel donné et ∆ := {t0 = 0 ≤ t1 ≤ · · · ≤ tn = t} une
subdivision de l’intervalle [0, t]. On appelle module de la subdivision ∆ et on
note |∆| la quantité |∆| := supi |ti − ti−1 |. Pour une fonction g et un réel p ≥ 1
on note n
(p)
|g(ti ) − g(ti−1 ))|p .
X
Vt (g, ∆) := (2.9)
i=1
Définition 2.12 Soit T ∈ R+ ∪ {+∞}. On dit que la fonction g : [0, T ] → R

(p)
est à variation d’ordre p finie si pour tout 0 ≤ t ≤ T : sup∆ Vt (g, ∆) < ∞.
(p) (p)
La fonction t 7→ Vt (g) := lim sup|∆|→0 Vt (g, ∆) < ∞ est appe-
lée variation totale d’ordre p de g. Elle est positive et croissante. Si de plus
(p)
limt→∞ Vt (g) < ∞, on dit que g est de variation d’ordre p bornée.
Notons que la définition ci-dessus ne dépend pas de la sous-suite utilisée

pour la lim sup.
Dans le reste de ce paragraphe nous allons nous intéresser aux cas
40
p = 1 : La variation d’ordre 1 d’une fonction g est appelée variation totale

de la fonction g, et on note V (g) := V (1) (g).
p = 2 : La variation d’ordre 2 d’une fonction g est appelée variation
quadratique de la fonction g.
Soit X = {Xt , t ≥ 0} un processus stochastique défini sur (Ω, F, P). Nous
pouvons définir pour chaque trajectoire t 7→ Xt (ω) sa variation d’ordre p.
Proposition 2.14 (Variation quadratique du mouvement Brownien)

Soit B un mouvement Brownien sur l’espace de probabilité (Ω, F, P). Alors,
pour tout t ≥ 0
h i
(2)
lim E |Vt (B, ∆) − t|2 = 0.
|∆|→0
(2) L2
Ceci peut s’écrire encore Vt (B, ∆) −→ t. On dit que la variation quadra-
|∆|→0
(2)
tique sur [0, t] du mouvement brownien existe dans L2 et elle vaut Vt (B) = t.
Intuition 2.3.1 La variation quadratique somme les carrés des oscilla-

tions du mouvement Brownien. Lorsque l’intervalle du temps devient de
plus en plus petit nous obtenons une somme d’incréments indépendants
qui convergera donc vers sa moyenne.
Preuve. Soit ∆ = {t0 = 0 ≤ · · · ≤ tn = t} une subdivision de l’intervalle

[0, t], on a
" n #
h i
(2) X
2
E Vt (B, ∆) = E (Bti − Bti−1 )
i=1
n
X h i n
X
= E (Bti − Bti−1 )2 = (ti − ti−1 ) = t .
i=1 i=1
Notons ξi = (Bti − Bti−1 )2 − (ti − ti−1 ). Les v.a. ξi sont indépendantes et de

moyenne nulle. Par ailleurs la loi de ξi est (ti − ti−1 )(N (0, 1)2 − 1) donc en
41
particulier (en rappelant que le moment d’ordre 4 d’une loi normale centrée
réduite vaut 3) E[ξi2 ] = 2(ti − ti−1 )2 (voir aussi l’exercice 2.2 page 69). Donc
 2 
h i Xn
(2)
|Vt (B, ∆) − t|2 = E  ξi  , (2.10)

E

i=1
ce qui, en tenant compte de l’indépendance des variables ξi , permet d’écrire :
h i n h i
(2)
E |ξi |2 ,
X
E |Vt (B, ∆) − t|2 = (2.11)
i=1
ou encore,
h i n
(2) 2
X
E |Vt (B, ∆) − t| = 2 (ti − ti−1 )2
i=1
n
X
≤ 2|∆| (ti − ti−1 ) = 2t|∆|.
i=1
(2)
Ceci montre la convergence dans L2 de Vt (B, ∆) vers t lorsque |∆| tend vers
zéro.
Remarque 2.2 La convergence dans L2 implique la convergence en probabi-

(2)
lité, ainsi pour tout ε > 0 : lim|∆|→0 P |Vt (B, ∆) − t| > ε = 0. Consulter
la Section A.4 page 191 pour des rappels concernant la convergence des va-
riables aléatoires et les relations entre différents types de convergence.
Proposition 2.15 (Variation totale du mouvement Brownien) Soit B

un mouvement Brownien défini sur l’espace de probabilité (Ω, F, P). Alors,
pour t ≥ 0, les trajectoires de B sont, presque sûrement, à variation totale
infinie sur [0, t].
(2)
Preuve. On vient de voir que Vt (B, ∆) converge vers t en probabilité. Or
de toute suite qui converge en probabilité on peut extraire une sous-suite qui
converge presque surement. On considère alors une suite de subdivisions de
[0, t], ∆k = {tk0 ≤ · · · ≤ tkN k = t}, k ≥ 1 telle que
(2)
lim |∆k | = 0 et lim Vt (B, ∆k ) = t P − p.s.
k→∞ k→∞
42
(2)
Par définition de Vt (B, ∆k ), on a
Nk 2 N k
n o
(2) X X
Vt (B, ∆k ) = Btk − Btk ≤ sup Btk − Btk Btk − Btk

i i−1 i i−1 i i−1
i=1 i=1 i
n o
(1)
≤ sup Btk − Btk Vt (B, ∆k ) .

i i−1
i=1,...,N k
L’uniforme continuité de trajectoires

n du mouvement
o Brownien sur l’intervalle
[0, t] implique que limk→∞ sup Btk − Btk = 0 presque sûrement. Donc

i i−1
i
(2)
Vt (B, ∆k )
Vt (B) ≥ lim n o = +∞ P − p.s.
k→+∞ sup B k − B k
t t i i−1
i
Remarque 2.3 Soit g une fonction dérivable sur l’intervalle [0, t]. On sup-
pose de plus que sa dérivée g 0 est bornée. Il est alors possible de montrer que
Vt (g) = 0t |g 0 |(s)ds < ∞, ainsi g a nécessairement une variation finie. Par
R
ailleurs Vt2 (g) = 0. La Proposition 2.15 nous indique que presque surement,
les trajectoires de B sur [0, t] n’admettent pas de dérivés bornée. En réalité,
on peut monter un résultat encore plus fort : les trajectoires du mouvement
Brownien sont nulle-part dérivables, cf. la Proposition 2.13 page 39.
Remarque 2.4 La variation totale d’une fonction g sur l’intervalle de temps

[0, t] est liée à longueur de la courbe représentative de g, Cg . Plus précisément,
elle mesure la longueur de la projection sur l’axe des ordonnées de la trajec-
toire parcourue par g entre l’instant 0 et l’instant t. La Proposition 2.15 nous
informe que la longueur du chemin parcourue par un mouvement Brownien
entre la date 0 et la date t est presque surement infinie !
Dans le Tableau 2.1 est présenté un résumé des conclusions obtenues jus-
qu’ici concernant les variations d’ordre 1 et 2 ; en particulier pour montrer que
la variation d’ordre deux d’une fonction C 1 est nulle utiliser le même type de
majoration que dans la Proposition 2.15. La variation d’ordre p est donc une
mesure de la régularité d’une fonction.
43
Variation/régularité Variation d’ordre 1 Variation d’ordre 2

fonction C 1 <∞ 0
mvt. Brownien ∞ < ∞ (= t)
Table 2.1 – Variations d’ordre 1 et 2 des objets usuels.
Définition 2.13 Un processus X est dit à variation quadratique finie s’il

existe un processus fini hXit tel que pour toute suite de divisions ∆n avec
|∆n | → 0 (il s’agit donc d’une convergence en probabilité) :
(2)
P − lim Vt (X, ∆n ) = hXit . (2.12)
n→∞
Pour deux processus X, Y à variation quadratique finie nous notons
hX + Y it − hXit − hY it
hX, Y it = . (2.13)
2
Cette quantité est appelée covariation quadratique. En particulier hX, Xit =

hXit .
Mise en garde 2.3.3 La définition précédente n’est pas équivalente

(2)
à dire que P − p.s. la variation quadratique classique Vt (X(·, ω)) de la
fonction s 7→ X(s, ω) est égale à t ; il se peut même que P − p.s. ω ∈ Ω
(2)
nous ayons Vt (X(t, ω)) = ∞, comme c’est d’ailleurs le cas pour le
mouvement Brownien (voir [15] page 28).
Ceci n’est pas en contradiction avec le résultat démontré : effecti-
(2)
vement nous avons démontré que Vt (B(·, ω)) converge en L2 vers t
pour des divisions ∆ arbitraires avec |∆| → 0 ; mais cette convergence
(2)
n’entraîne pas une convergence ponctuelle donc Vt (B(·, ω)) ne converge
peut-être pas vers t, voir aussi la Remarque A.1 page 191. Par contre il est
(2)
possible d’extraire une suite de divisions ∆n telle que Vt (B(·, ω), ∆n ) −→
n→∞
t pour tout ω ∈ Ω. Cependant comme la variation quadratique est la li-
mite supérieure sur toutes les divisions (pas seulement les divisions ∆n )
44
nous obtenons seulement que
(2) (2) (2)

Vt (B(·, ω)) ≥ lim sup Vt (B(·, ω), ∆) ≥ lim Vt (B(·, ω), ∆n ) = t
|∆|→0 n→∞
(2)
donc nous n’aurons pas forcement Vt (B(·, ω)) = t pour tout ω ∈ Ω.
Proposition 2.16 (Levy, caractérisation du mouvement Brownien) Soit

M = (Mt )t≥0 une martingale continue avec M0 = 0 telle que hM it = t. Alors
M = (Mt )t≥0 est un mouvement Brownien.
Preuve. Voir exercice 2.24 page 77.
2.4 Intégrale d’Itô

On considère dans cette section un F-mouvement Brownien standard B
défini sur l’espace de probabilité filtré (Ω, F, P; F).
L’objectif de cette section est de donner un sens à l’écriture suivante :
Rt
‘ 0 f (s)dBs ’. Quel sens donner à l’intégration par rapport à l’accroissement du
mouvement Brownien ? Pour quel type de fonctions ou processus f ?
2.4.1 Fonction à variation bornée et intégrale de Stieltjes

L’intégrale de Stieltjes est une généralisation de l’intégrale ordinaire : étant
données deux fonctions f et g peut-on définir ‘ 0t f (s)dg(s)’ ? Ce paragraphe
R
explique pour quelles fonctions f et g cela est possible.
Proposition 2.17 Soit φ une fonction continue et croissante. On peut définir

une mesure µφ sur l’ensemble des boréliens de R+ en posant : µφ ([0, t[) =
φ(t) − φ(0) .
Preuve. Résultat admis. Le lecteur peut se référer à [2].
Proposition 2.18 Soit g une fonction continue à variation (d’ordre 1) fi-

nie. Alors, il existe deux fonctions croissantes et continues g+ et g− telles
que : g(t) = g+ (t) − g− (t).
45
Preuve. Il suffit de prendre g+ = (Vt (g) + g)/2 et g− = (Vt (g) − g)/2.

Grâce à la Proposition précédente, nous voyons que si g est continue et
à variation finie, alors nous pouvons définir pour toute fonction mesurable et
bornée f les intégrales
Z t Z t Z t Z t
f (s)dg+ (s) := f (s)dµg+ (s) et f (s)dg− (s) := f (s)dµg− (s)
0 0 0 0
Ainsi, pour la fonction continue et à variation finie, g, l’intégrale de Stieltjes

de f par rapport aux variations de g est définie comme étant
Z t Z t Z t
f (s)dg(s) := f (s)dg+ (s) − f (s)dg− (s)
0 0 0
Z t Z t
:= f (s)dµg+ (s) − f (s)dµg− (s) .
0 0
On vérifie de plus que

Z t X
f (s)dg(s) = lim f (ti ) {g(ti ) − g(ti−1 )} (2.14)
0 |∆|→0
i
X
= lim f (ti−1 ) {g(ti ) − g(ti−1 )} . (2.15)
|∆|→0
i
Soit A := {At , t ≥ 0} et H := {Ht , t ≥ 0} deux processus stochastiques

définis sur l’espace de probabilité (Ω, F, P). On suppose que les trajectoires de
A sont à variations finies. On suppose de plus que H est mesurable et borné.
Dans ce cas, on peut clairement définir pour chaque ω l’intégrale
Z t
Hs (ω)dAs (ω)
0
R
Pour en savoir plus 2.4.1 D’une manière générale, l’intégrale de f dg
peut être définie pour des fonctions f, g ayant respectivement des varia-
tions d’ordre p et q finies avec 1/p + 1/q > 1 (voir [8, 9, 7, 16]).
46
Intuition 2.4.1 Si le processus A considéré est un mouvement Brow-

nien alors presque toutes ses trajectoires ont une variation totale infi-
nie sur chaque intervalle [0, t]. Il n’est pas possible de définir d’une ma-
nière convenable, pour un mouvement brownien B, l’intégrale " 0t Hs dBs "
R
trajectoire par trajectoire comme une intégrale de Stieltjes. D’un autre

côté, le fait que la variation quadratique du mouvement Brownien existe
dans L2 , amène à envisager une approche dans L2 pour définir l’intégrale
contre le mouvement Brownien.
L’avantage d’une formulation en tant que variable aléatoire est que
ceci permet de compenser, d’une manière similaire à la loi des grands
nombres, les oscillations (rapides) du mouvement Brownien.
2.4.2 Intégration des processus élémentaires
Dans toute la suite, on fixe un horizon de temps T > 0. On s’intéressera

aux trajectoires des processus considérés seulement sur l’intervalle de temps
[0, T ].
Définition 2.14 (Processus élémentaire) Un processus réel H := {Ht , t ≥

0} défini sur l’espace de probabilité filtré (Ω, F, P; F) est appelé élémentaire s’il
peut s’écrire comme :
n
X
Ht (ω) = θi (ω)1]ti−1 ,ti ] , ∀t ∈]0, T ], (2.16)
i=1
où {t0 ≤ · · · ≤ tn = T } est une subdivision de [0, T ] et (θi )0≤i≤n est une suite
de variables aléatoires telles que θi est Fti−1 -mesurable et la v.a. supi |θi | est
bornée. Dans toute la suite on note E := E(Ω, F, P; F) l’ensemble des processus
élémentaires définis sur l’espace de probabilité filtré (Ω, F, P; F).
On commence par définir l’intégrale stochastique pour les processus élémen-

taires.
47
Définition 2.15 (Intégrale stochastique I) Soit H ∈ E(Ω, F, P; F) un pro-

cessus élémentaire et θi les variables qui interviennent dans l’écriture de l’équa-
tion (2.16). L’intégrale stochastique de H contre le mouvement Brownien entre
la date 0 et la date t ≤ T , notée 0t Hu dBu est définie par
R
Z t n
X
Hu dBu := θi Bt∧ti − Bt∧ti−1
0 i=1
Rt
Pour 0 ≤ s ≤ t ≤ T , on définit s Hu dBu par
Z t Z t Z s
Hu dBu := Hu dBu − Hu dBu .
s 0 0
Remarque 2.5 Notons que si k est l’entier tel que t ∈]tk , tk+1 ], alors
Z t k
X k
X

Hu dBu = θi Bti − Bti−1 +θk+1 (Bt − Btk ) = Hti Bti − Bti−1 +Ht (Bt − Btk ) .
0 i=1 i=1
(2.17)
En particulier : Z t
1dBu = Bt . (2.18)
0
Intuition 2.4.2 Comparer cette définition avec l’illustration dans la Fi-

gure 1.1, page 5 (voir aussi l’Intuition 1.1.1). L’intégrale ainsi définie
permettra de calculer le gain de toute stratégie élémentaire.
Proposition 2.19 (Propriétés de l’intégrale stochastique I) L’intégrale

stochastique du processus élémentaire H contre le mouvement Brownien, sa-
tisfait les propriétés :
Rt
1. Le processus { 0 Hu dBu , 0 ≤ t ≤ T } est F- adapté et à trajectoires
continues.
Rt
2. Le processus { 0 Hu dBu , 0 ≤ t ≤ T } est une F-martingale qui démarre
à zéro.
48
Rt
3. Le processus { 0 Hu dBu , 0 ≤ t ≤ T } vérifie la propriété d’isométrie :
"Z
t 2 # Z t
E Hu dBu = E Hu2 du
0 0
4. Si K est un processus élémentaire, alors

Z t Z τ "Z #

min(t,τ )
Hu dBu Ku dBu Fs = E Hu Ku du Fs

E
s s s
2
Rt Rt 2
5. Le processus 0 Hu dBu − 0 Hu du, 0 ≤ t ≤ T est une F-martingale
qui démarre à zéro.
Preuve. Le point 1 est facile à vérifier : par définition, 0t Hu dBu est la

R
somme de variables aléatoires qui sont toutes Ft -mesurables, donc c’est une
variable aléatoire Ft -mesurable. La continuité des trajectoires
R du mouvement

t
Brownien permet aussi de vérifier que le processus 0 Hu dBu est à trajec-
t
toires continues.
Le point 2 : Chacune des variables aléatoires θi est de carré intégrable. Les

accroissements du mouvement Brownien sont également de carré intégrable
(puisqu’ils suivent la loi normale). Alors, par application de l’inégalité de
Cauchy-Schwartz, E[|θi (Bti ∧t − Bti−1 ∧t )|] < ∞ pour tout i. Ce qui permet
de vérifier que pour tout t ≤ T la variable aléatoire 0t Hu dBu est intégrable.
R
49
Soit 0 < s ≤ t et ks l’entier tel que s ∈]tks , tks +1 ], on a

Z t " n #
X
E Hu dBu Fs = E θi Bt∧ti − Bt∧ti−1 Fs
0 i=1

 
ks

X  h i
= E θi Bti − Bti−1 Fs  + E θks +1 Bt∧tks +1 − Btks |Fs
i=1
| {z }
Fs −mesurables
   

 X n 

 
+ E  E  θi
 Bt∧ti − Bt∧ti−1 Fti−1  Fs 


|{z}
i=ks +2 ∈Fti−1

ks
X h i

= θi Bti − Bti−1 + θks +1 E Bt∧tks +1 − Btks |Fs
i=1
 
n

X 
+E  θi E Bt∧ti − Bt∧ti−1 |Fti−1 Fs 

i=ks +2
| {z }
=0
ks
X Z s

= θi Bti − Bti−1 + θks +1 Bs − Btks = Hu dBs .
i=1 0
R
t
Donc le processus 0 Hu dBu t est une martingale.
Le point 3 : Soit t ∈ [0, T ] ; alors

 !2 
2 # n
"Z
t X
E Hu dBu = E θi Bt∧ti − Bt∧ti−1 
0 i=1
" n #
X 2
= E θi2 Bt∧ti − Bt∧ti−1 +A
i=1
50
où
X h i
A := 2 E θi θj Bt∧ti − Bt∧ti−1 Bt∧tj − Bt∧tj−1
1≤i<j≤n
  

X   
 θi Bt∧t − Bt∧t −
= 2 EE θ j Bt∧t B t∧tj−1 Ftj−1 

 | i i−1 j
1≤i<j≤n
{z }
Ftj−1 mesurable
 
 h i
= E θi Bt∧ti − Bt∧ti−1 θj E Bt∧tj − Bt∧tj−1 |Ftj−1  = 0.
 
 | {z }
=0, car (Bu∧t )u≥0 martingale,
Ainsi
"Z 2 # " n #
t X h 2 i
E Hu dBu = E θi2 E Bt∧ti − Bt∧ti−1 |Fti−1
0 i=1
" n # Z t
X
= E θi2 (t ∧ ti − t ∧ ti−1 ) = E Hu2 du .
i=1 0
Le point 4 : Soit d’abord le cas t = τ et K = H. Si s ∈]tk , tk+1 ] alors :

Z t n
X
Hu dBu := θi Bt∧ti − Bt∧ti−1 , (2.19)
s i=k+1
avec tk = s, t` = t` pour ` > k. Par un calcul similaire au précédent nous

obtenons :
   
2 # n
"Z
t 2
X
2

Hu dBu Fs = E E  θi Bt∧ti − Bt∧ti−1 Fti−1  Fs 

E
s
i=k+1
 
n
X
Z t
2 2

=E θi (t ∧ ti − t ∧ ti−1 ) Fs  = E
Hu du Fs (2.20)
i=k+1 s
Indication pour la suite : traiter d’abord le cas τ = t mais K 6= H et

utiliser l’écriture (dite identité polaire pour un produit scalaire) :
2E[XY |Fs ] = E[(X + Y )2 |Fs ] − E[X 2 + Y 2 |Fs ]. (2.21)

51
Pour t < τ conditionner d’abord par Ft .
Le point 5 : c’est une conséquence du point précédent (après calculs).
Proposition 2.20 (Variation quadratique I) R Soit H un

processus élémen-
t
taire. La variation quadratique de la martingale 0 Hu dBu est donnée par
t≥0
Z · Z t
h Hu dBu it = Hu2 du (2.22)
0 0
Si K est un processus élémentaire,

R la covariation
quadratique entre les deux
Rt t
martingales 0 Hu dBu et 0 Ku dBu est donnée par
t t
Z · Z · Z t
h Hu dBu , Ku dBu it = Hu Ku du (2.23)
0 0 0
Nous remarquons que le cas particulier H = 1 donne le mouvement Brow-

nien dont la variation est effectivement égale à t.
Preuve. Remarquons qu’il suffit de montrer que la variation quadratique d’un

processus élémentaire H est donnée par (2.22), l’égalité (2.23) s’en déduit par
définition même de la covariation quadratique.
Soit ∆ = {t∆ ∆
0 = 0, · · · , tN = t} une subdivision de l’intervalle [0, t]. Nous
supposons que les points tk (qui interviennent dans la définition du processus
élémentaire H) font partie de la division ∆ ; alors
Z t∆ Z t∆
k k−1

Hu dBu − Hu dBu = Ht∆ Bt∆ − Bt∆ . (2.24)
0 0 k k k−1
Donc
Z · N 2
(2) X
Vt Hu dBu , ∆ = Ht2∆ Bt∆ − Bt∆ . (2.25)
0 k k k−1
k=1
52
Nous obtenons alors, en posant ∆tk := t∆ ∆

k − tk−1 et ∆Bk := Bt∆ − Bt∆ :
k k−1
" Z · Z t 2 #
(2)
err(∆) := E Vt Hu dBu , ∆ − Hu2 du
0 0

N
!2 
X
= E Ht2∆ (∆Bk )2 − Ht2∆ ∆tk 
k k
k=1
X N
X 2
∆
= fk,q + E Ht2∆ (∆Bk )2 − Ht2∆ ∆tk
k k
k6=q k=1
h i
∆
où fk,q = E Ht2∆ (∆Bk )2 − Ht2∆ ∆tk Ht2∆ (∆Bq )2 − Ht2∆ ∆tq .
k k q q
Notons que si k < q alors

h h ii
∆
fk,q = E Ht2∆ (∆Bk )2 − Ht2∆ ∆tk E Ht2∆ (∆Bq )2 − Ht2∆ ∆tq |Ft∆
k k q q q−1
  
  h i 
= E  Ht2∆ (∆Bk )2 − Ht2∆ ∆tk Ht2∆ E (∆Bq )2 −Ht2∆ ∆tq  = 0.
  
 k q k q  
| {z }
=∆tq
Ainsi,
N
X 2 N
X
err(∆) = E Ht2∆ (∆Bk )2 − Ht2∆ ∆tk ≤ 2(∆tk )2 C 4 (1 + E[B14 ])
k k
k=1 k=1
≤ 8tC 4 |∆|,
où C est un réel strictement positif tel que le processus élémentaire H soit

borné par C : supk |Htk | < C. Nous concluons au résultat désiré : lim|∆|→0 err(∆) =
0.
D’une manière plus générale soit ∆ ˜ la division obtenue en ajoutant à ∆ les

(2) R · (2) R
points tk ; les quantités Vt ( 0 Hu dBu , ∆) et Vt ( 0· Hu dBu , ∆)
˜ diffèrent tout
au plus localement autour de chaque point tk , k = 1, ..., n ; un calcul direct
montre que
Z · Z · 2
(2) (2) ˜
E Vt Hu dBu , ∆ − Vt Hu dBu , ∆ (2.26)
0 0
53
est majorée par (3n)2 C 4 |∆|2 donc tend vers zéro lorsque |∆| → 0.
2.4.3 Intégration des processus de L2 ([0, T ])

On considère l’ensemble L2 (Ω, F, P; F; [0, T ]) noté plus simplement L2 ([0, T ])
défini par :
( "Z # )
T
2 2
L ([0, T ]) := {Ht , 0 ≤ t ≤ T }, processus F-adapté E Hu du < ∞

0
(2.27)
On désigne par M2 (Ω, F, P; F; [0, T ]),
ou plus simplement M2 ([0, T ]), l’en-
semble des martingales de carré intégrable :
n o
M2 ([0, T ]) := M = {Mt , 0 ≤ t ≤ T } martingale ∀t ∈ [0, T ], E[Mt2 ] < ∞ .

(2.28)
r h i
RT
Proposition 2.21 La fonction : H 7→ E 0 Hu2 du définit une norme sur
L2 ([0, T ]). Elle sera notée ||H||L2 .
Lemme 2.1 L’ensemble des processus élémentaires E est dense dans L2 ([0, T ])
muni de la norme || · ||L2 . C’est à dire, pour tout processus H ∈ L2 ([0, T ]) il
existe une suite de processus élémentaires (H n )n≥1 ⊂ E telle que :
"Z #
T
||H − H n ||2L2 =E (Hu − Hun )2 du −−−→ 0
0 n→∞
Preuve. Résultat admis. Le lecteur peut se référer à [15, 6].
Théorème 2.3 (Intégrale stochastique II) Il existe une unique applica-

tion linéaire I qui a tout processus H ∈ L2 ([0, T ]) associe une martingale
continue de carré intégrable I[H] ∈ M2 ([0, T ]) vérifiant les propriétés sui-
vantes :
1. L’application I coïncide avec l’intégrale stochastique des processus élé-
mentaires :
Z .
I[H e ]. = Hue dBu ∀H e ∈ E .
0
54
2. L’application I vérifie la propriété d’isométrie :

h i Z t
E I[H]2t = E Hs2 ds ∀ H ∈ L2 ([0, T ]), ∀t ∈ [0, T ].
0
Pour H ∈ L2 ([0, T ]), le processus I[H] est appelé intégrale stochastique de H

par rapport au mouvement Brownien B. On note : 0t Hs dBs := I[H]t .
R
Preuve. Résultat admis. Le lecteur peut se référer à [15, 6].
Remarque 2.6 L’isométrie nous renseigne que la norme de I[·] en tant qu’ap-
plication linéaire de L2 dans M2 est bornée égale à 1. Donc en particu-
lier il s’agit d’une application continue et par exemple avec les notations du
Lemme 2.1 nous aurons que
lim I[H n ] = I[H]. (2.29)

n→∞
Ceci est utile pour calculer I[H].
Considérons le cas particulier de l’intégrale de Wiener :
Proposition 2.22 (Intégrale de Wiener) Soit f : [0, T ] → R une fonction

dans L2 . Le processus { 0t f (s)dBs , t ∈ [0, T ]} est appelé intégrale de Wiener
R
et vérifie
Z t Z t
f (s)dBs ∼ N 0, f 2 (s)ds .
0 0
Preuve. Voir exercice 2.19, page 74.
2.4.4 Intégration des processus de L([0, T ])

On considère l’ensemble L(Ω, F, P; F; [0, T ]) noté plus simplement L([0, T ])
défini par :
( "Z # )
T
L([0, T ]) := {Ht , 0 ≤ t ≤ T }, processus F-adapté Hu2 du < ∞ P − p.s. .

0
(2.30)
55
Théorème 2.4 (Intégrale stochastique III) Il existe une unique applica-

tion linéaire I qui a tout processus H ∈ L([0, T ]) associe un processus I[H] à
trajectoires continues sur [0, T ], vérifiant les propriétés suivantes :
1. L’application I coïncide avec l’intégrale stochastique des processus élé-
mentaires : Z ·
e
I[H ]· = Hue dBu , ∀H e ∈ E. (2.31)
0
2. L’application I vérifie la propriété de continuité : si (H n )n∈N est une

suite de processus simples telle que 0T (Hun )2 du −−−→ 0 en probabilité,
R
n→∞
alors
sup (I(H n )t ) −−−→ 0 en probabilité. (2.32)
t∈[0,T ] n→∞
Pour H ∈ L([0, T ]), le processus I[H] est appelé intégrale stochastique ou

encore intégrale d’Îto de H par rapport au mouvement Brownien B. On note
Rt
0 Hs dBs := I[H]t .
Par ailleurs si H est continue et localement bornée et ∆n est une suite de
subdivisions de [0, t] avec |∆n | → 0 alors (propriété de sommes de Riemann-
Itô) :
X Z t
P − lim Htk (Btk+1 − Btk ) = Hs dBs . (2.33)
n→∞ 0
tk ∈∆n
Preuve. Résultat admis, consulter [15, 6] pour plus de détails. La propriété

des sommes de Riemann découle de la propriété de continuité de l’intégrale
stochastique.
Mise en garde 2.4.1 Soit H un processus arbitraire de L([0, T ]).

Le théorème 2.4 ne dit plus que son intégrale I[H] est nécessairement
une martingale. Cette propriété est seulement assurée si H ∈ L2 ([0, T ]).
56
Pour en savoir plus 2.4.2 Si nous remplaçons le mouvement Brow-

nien par une martingale continue générale la plupart des démonstrations
précédentes se généralisent avec adaptations immédiates (sous réserve de
conditions techniques). Il est ainsi possible de définir une intégrale par
rapport à des martingales continues ; encore plus, l’intégrale stochastique
peut être définie aussi par rapport à des semi-martingales i.e., des pro-
cessus qui sont la somme d’une martingale (locale) et d’un processus à
variation bornée (localement).
Quelques propriétés nouvelles :
Rt Rs Rt
1. associativité : 0 Hs d ( 0 Ku dXu ) = 0 Hs Ks dXs .
R· Rt 2
2. h 0 Hs dXs it = 0 Hu dhXiu .
2.5 Calcul d’Itô

Dans cette section, on considère un F-mouvement Brownien standard B
défini sur l’espace de probabilité filtré (Ω, F, P; F). Nous fixons un horizon de
temps [0, T ] où T > 0.
2.5.1 Processus d’Itô

Définition 2.16 (Processus d’Itô) Un processus stochastique X := {Xt , t ∈
R+ } est appelé processus d’Itô s’il s’écrit sous la forme
Z t Z t
Xt = X0 + αu du + Hu dBu
0 0
où X0 est F0 -mesurable, α = {αt , t ∈ R+ } et {Ht , t ∈ R+ } sont deux

processus F-adaptés vérifiant les conditions d’intégrabilité
Z T Z T
|αu |du < ∞ P − p.s. et |Hu |2 du < ∞ P − p.s.
0 0
On note également sous forme différentielle : dXt = αt dt + Ht dBt .

57
Remarque 2.7 La forme différentielle constitue juste une notation qui

traduit l’identité : Z b
dXt = Xb − Xa . (2.34)
a
Le mouvement Brownien n’est donc pas différentiable pour autant (ce que lais-
serait penser le cas particulier α = 0, H = 1 !).
Dans toute la suite, on note I l’ensemble des processus d’Itô. On considère le

sous-ensemble I2 des processus d’Itô, Xt = X0 + 0t αu du + 0t Hu dBu ∈ I tels
R R
que :
"Z # "Z #
T T
2 2
E |αu | du < ∞ et E |Hu | du < ∞ .
0 0
Proposition 2.23 Soit X un processus d’Itô appartenant au sous ensemble

I2 . Alors sa décomposition en processus d’Itô est unique (à une modification
près).
Preuve. Considérons deux décompositions pour un même processus d’Itô

Xt :
dXt = αt1 dt + Ht1 dBt = αt2 dt + Ht2 dBt . (2.35)
hR i
T
Alors pour αu = αu1 − αu2 , Hu = Hu2 − Hu1 nous avons E 0 |αu |2 du < ∞,
hR i
T
E 0 |Hu |2 du < ∞ et par ailleurs :
Z t Z t
αu du = Hu dBu , ∀t ∈ [0, T ]. (2.36)
0 0
R· hR i
T
Nous savons (après calculs) que Eh 0 Hu dBu iT = E 0 |Hu |2 du .
58
Soit ∆ : t0 = 0 < t1 < ... < tN = T une sub-division de [0, T ]. Alors
Z · "N −1 Z 2 #
X tk+1
(2)
0≤E V ( αu du, ∆) = E αu du
0 k=0 tk
"N −1 Z tk+1 #
X
≤E (tk+1 − tk ) αu2 du
k=0 tk
"N −1 Z # "Z #
X tk+1 T
2
≤ |∆|E αu du = |∆|E αu2 du → 0. (2.37)
|∆|→0
k=0 tk 0
Donc Eh 0· αu dui en utilisant (2.36) Eh 0· Hu dBu iT = 0 aussi, ce

R R
hR T = 0 et donc
i
qui entraine E 0T |Hu |2 du = 0 donc Hu est identiquement nul donc αu l’est
aussi. Par conséquent α1 = α2 , H 1 = H 2 .
Une conséquence immédiate de cette proposition :
Proposition 2.24 Soit Xt = X0 + 0t αu du + 0t Hu dBu un processus d’Itô ap-

R R
partenant au sous ensemble I2 . Alors, X est une F-martingale si et seulement

si le processus α est presque sûrement nul.
Proposition 2.25 (Variation quadratique d’un processus d’Itô) Soit Xt =

X0 + 0t αuX du + 0t HuX dBu ∈ I2 et Yt = Y0 + 0t αuY du + 0t HuY dBu ∈ I2 . Alors
R R R R
1. Variation quadratique de X :
Z t
hXit = |HuX |2 du. (2.38)
0
2. La covariation quadratique de X et Y est donnée par :

Z t
hX, Y it = HuX HuY du. (2.39)
0
Preuve. Pour le premier point il faut considérer une division de taille conver-
geant vers zéro et majorer la partie α par la taille de la division, comme dans
la démonstration de la Proposition 2.23 (le cas α = 0 peut être traité en
premier si besoin). Pour les termes croisés majorer par Cauchy-Schwartz. Le
deuxième point est une conséquence immédiate du premier et de la définition
de la covariation quadratique.
59
2.5.2 Formule d’Itô
Intuition 2.5.1 L’exercice 2.14 page 72 montre que 0T 2Bs dBs = BT2 −
R
T ou encore, en forme différentielle : dBs2 = 2Bs dBs + ds. En particulier

nous constatons que la formule de la dérivation composée df (x) = f 0 (x)dx
ne semble pas marcher pour f (x) = x2 et x = Bs car le terme −T
apparait. Il faut donc investiguer plus en détail ces relations.
L’incrément infinitésimal entre t et t + ∆t d’un processus d’Itô est
√
de l’ordre αt ∆t pour la partie continue et Ht ∆tN (0, 1) pour la partie
Brownienne. Pour ∆t petit c’est clairement la partie Brownienne qui
domine. Voir aussi la Figure 2.1. Faisons un petit calcul formel pour
√
une fonction f (x, y) et x = t, y = t dans la limite t petit :
√ ∂f √ ∂f 1 ∂2f 2 ∂2f √ 1 ∂2f √ 2 √2

f (t, t) = f (0, 0)+ (0, 0) t+ (0, 0)t+ 2
t + t t+ 2
t +o(t2 + t ).
∂y ∂x 2 ∂x ∂x∂y 2 ∂y
Pour prendre en compte tous les termes d’ordre inférieur ou égal à t il

2 √ 2
faut nécessairement inclure le terme 12 ∂∂yf2 t , c’est à dire écrire :
√ ∂f √ ∂f 1 ∂2f
f (t, t) = f (0, 0) + (0, 0) t + (0, 0)t + t + o(t). (2.40)
∂y ∂x 2 ∂y 2
C’est ce terme additionnel qui constitue la nouveauté et doit être pris

en compte. Il provient de non-dérivabilité du mouvement Brownien qui
√
entraine par ailleurs la non-différentiabilité de t 7→ f (t, t) en zéro et
√ √2
donc la présence d’un terme d’ordre t et des termes t .
Théorème 2.5 (formule d’Itô) Soit f : R+ ×R → R une fonction de classe

C 1,2 (c’est à dire dérivable une fois en temps avec la dérivée continue et deux
fois en espace avec dérivée seconde continue). Soit X ∈ I un processus d’Itô
60
100 8
0.8
80
6 0.6
0.4
60
4 0.2
40 0
2 -0.2
20
-0.4
0 0 -0.6
0 20 40 60 80 100 0 2 4 6 8 10
-0.8
0 0.2 0.4 0.6 0.8 1
Figure 2.1 – Illustration du processus d’Itô t + Bt sur [0, T ] aux différentes

échelles en temps : à gauche T = 100, milieu : T = 10, à droite : T = 1.
Nous constatons qu’au fur et à mesure qu’on fait le zoom, la partie tendance
t s’efface au profit de la partie oscillante Bt .
Rt Rt
Xt = X0 + 0 αu du + 0 Hu dBu . Alors, le processus Yt = f (t, Xt ) ∈ I et
Z t Z t
∂f ∂f
f (t, Xt ) = f (0, X0 ) + (u, Xu )du + (u, Xu )dXu
0 ∂t 0 ∂x
Z t 2
1 ∂ f
+ (u, Xu )dhXiu
2 0 ∂x2
Z t( )
∂f ∂f 1 ∂2f
= f (0, X0 ) + + αu + Hu2 (u, Xu )du
0 ∂t ∂x 2 ∂x2
Z t
∂f
+ Hu (u, Xu )dBu , (2.41)
0 ∂x
ou encore, en formulation différentielle

( )
∂f ∂f 1 ∂2f ∂f
df (t, Xt ) = + αt + Ht2 (t, Xt )dt + Ht (t, Xt )dBt . (2.42)
∂t ∂x 2 ∂x2 ∂x
Preuve. Commençons par montrer que le membre de droite de (2.41) est

un processus d’Itô dans I. Puisque f est une fonction C 1,2 pour tout ω ∈ Ω
l’application u ∈ [0, T ] 7→ ∂f
∂t (u, X(ω, u)) est une fonction continue sur un
intervalle borné donc bornée, donc intégrable. Par ailleurs un raisonnement
analogue pour u ∈ [0, T ] 7→ ∂f ∂x (u, X(ω, u)) conjointement avec l’hypothèse
61
X ∈ I qui implique P − p.s. 0T |αu |du < ∞ nous permet de conclure que
R
P − p.s. 0T | ∂f 2 1 ∂2f
R
∂x (u, X(ω, u))αu |du < ∞. Les termes restants Hu 2 ∂x2 (u, Xu )du
et Hu ∂f
∂x (u, Xu )dBu se traitent d’une manière similaire. Nous obtenons donc
que
Z t( )
1 ∂2f
Z t
∂f ∂f ∂f
f (0, X0 )+ + αu + Hu2 (u, Xu )du+ Hu (u, Xu )dBu ∈ I.
0 ∂t ∂x 2 ∂x2 0 ∂x
(2.43)
Nous allons considérer le reste de la preuve seulement pour un cas par-

ticulier et renvoyons aux références (e.g., [15]) pour les détails : supposons
Xu = Bu et que la fonction f s’écrit sous la forme f (t, X) = g(X) avec g
fonction de classe C 2 avec g, g 0 et g 00 bornées.
Les processus étant continus il suffit de prouver pour tout t > 0 :

Z t Z t
P−p.s. 1
g(Bt ) ====== g(B0 ) + g 0 (Bs )dBs + g 00 (Bs )ds. (2.44)
0 2 0
Considérons une division t0 = 0 < t1 = ∆t < ... < tk = k∆t < ... < t =
N ∆t de [0, t]. Alors
N N
1 2
g 0 (Btk−1 ) Btk − Btk−1 + g 00 (ξk ) Btk − Btk−1 .
X X
g(Bt )−g(B0 ) = g(Btk )−g(Btk−1 ) =
k=1 k=1
2
(2.45)
Pour obtenir la dernière relation nous avons appliqué la formule de Taylor à
l’ordre 2. Le terme ξk peut s’écrire sous la forme ξk (ω) = λk (ω)Btk−1 (ω) +
(1 − λk (ω))Btk (ω) avec λk une fonction dépendant de Btk−1 et Btk donc
λk (ω) sera une v.a. Ftk mesurable. Donc nous pouvons supposer que ξk est
Ftk mesurable. Le terme N 0

k=1 g (Btk−1 ) Btk − Btk−1 converge, d’après le
P
Théorème 2.4 page 55, en probabilité vers 0t g 0 (Bu )dBu . Nous allons mon-
R
2
trer que le terme N 1 00
k=1 2 g (ξk ) Btk − Btk−1
P
converge vers la même limite
PN 1 00
que k=1 2 g (Btk−1 ) (tk − tk−1 ) ; or nous savons que ce dernier converge vers
R t 1 00 PN 1 00 2
0 2 g (Bu )du. Il reste donc seulement à montrer que la limite de k=1 2 g (ξk ) Btk − Btk−1 −
62
1 00
2 g (Btk−1 ) (tk − tk−1 ) est nulle. Écrivons :
N
1X 2
g 00 (ξk ) Btk − Btk−1 − g 00 (Btk−1 ) (tk − tk−1 ) (2.46)
2 k=1
N
1X 00 2 h 2 i
g (ξk ) − g 00 (Btk−1 ) Btk − Btk−1 + g 00 (Btk−1 ) Btk − Btk−1 − (tk − tk−1 ) .

=
2 k=1
Le deuxième terme se majore à cause des bornes sur g 00 :
i2
N
X h 2
00
g (Btk−1 ) Btk − Btk−1 − (tk − tk−1 )

E

k=1
N h i2
2
E g 00 (Btk−1 )
X
= Btk − Btk−1 − (tk − tk−1 ) + (termes croisés nuls)

k=1
N N
h 2 i t2
≤ max |g 00 (x)|2 = max |g 00 (x)|2 2(∆t)2 = 2 max |g 00 (x)|2
X X
V ar Btk − Btk−1
x∈R
k=1
x∈R
k=1
x∈R N
et converge vers 0 pour N → ∞. Donc
N

X h i
2
g 00 (Btk−1 ) Btk − Btk−1 − (tk − tk−1 )

−→ 0. (2.47)

N →∞
k=1 L2
En particulier la convergence est aussi dans L1 . Pour le terme restant nous

écrivons :
N

X 00 2
00
g (ξk ) − g (Btk−1 ) Btk − Btk−1

E

k=1
" ! N !#
2
sup g (ξk ) − g 00 (Btk−1 )
00 X
≤E Btk − Btk−1
k=1,...,N k=1
v " v
u #2 u N
u "X #2
u 2
g 00 (ξk ) − g 00 (Bt ) tE
u
≤ tE sup k−1
Btk − Btk−1 .
k=1,...,N k=1
Pour rappel |ξk − Btk−1 | ≤ |Btk − Btk−1 | ; par continuité de g 00 et uniforme

i2 1/2
h
E supk=1,...,N g 00 (ξk ) − g 00 (Btk−1 )

continuité de Bt le terme converge
63
vers 0 donc son espérance aussi (par convergence dominée car g 00 est bornée) ;
le deuxième converge vers la variation quadratique du Brownien, i.e., t. Nous
obtenons donc :
N

X
00 2
g (ξk ) − g 00 (Btk−1 ) Btk − Btk−1

−→ 0. (2.48)

N →∞
k=1 L1
Il suffit de rappeler maintenant que la convergence L1 implique celle en pro-

babilité pour conclure.
Donnons quelques exemples d’utilisation de la formule d’Itô :
1. soit Xt un processus d’Itô et f (t, x) = x2 ; par Itô nous obtenons :
dXt2 = 2Xt dXt + dhXit . (2.49)
2. soit maintenant a ∈ R ; alors

1 at
d eat sin(Bt ) = aeat sin(Bt )dt + eat cos(Bt ) dBt − e sin(Bt ) dt.
2
(2.50)
3. soit r ≥ 0, le processus d’Itô Xt d’équation dXt = rXt dt + Ht dBt et le
processus Yt = e−rt Xt . Alors
dYt = e−rt Ht dBt . (2.51)
En particulier si Ht ∈ L2 ([0, T ]) le processus Yt est une martingale. Si Xt

est un actif risqué et r le taux d’intérêt sans risque alors la probabilité
risque neutre de Xt sera celle du processus Bt .
Proposition 2.26 (Intégration par parties) Soit X, Y ∈ I deux proces-

sus d’Itô. Alors :
Z t Z t Z t
Xt Yt = X0 Y0 + Xs dYs + Ys dXs + dhX, Y is , (2.52)
0 0 0
ou encore en notation différentielle :
d(Xt Yt ) = Xt dYt + Yt dXt + dhX, Y it (2.53)

64
Preuve. Par identité polaire à partir de la formule de Itô pour les processus
X 2 , Y 2 et (X + Y )2 .
2.5.3 Formule de Itô multi-dimensionnelle

Définition 2.17 (Processus d’Itô) Soit (Bt )t≥0 un mouvement Brownien
standard d-dimensionnel. Un processus stochastique X := {Xt , t ∈ R+ } est
appelé processus d’Itô d-dimensionnel s’il s’écrit sous la forme
Z t d Z t
X
Xt = X0 + αu du + Huk dBtk ,
0 k=1 0
où X0 est F0 -mesurable, α = {αt , t ∈ R+ } et {Htk , t ∈ R+ }, k = 1, ..., d sont

des processus F-adaptés vérifiant les conditions d’intégrabilité
Z T Z T
|αu |du < ∞ P.p.s. et |Huk |2 du < ∞ P.p.s., k = 1, ...d.
0 0
Nous notons également sous forme différentielle : dXt = αt dt + dk=1 Htk dBtk .
P
La classe des processus d’Itô multi-dimensionnels sera toujours notée I.
Définition 2.18 (Covariation quadratique pour des processus d’Itô multi-D)

Soit (Xt )t≥0 et (Yt )t≥0 deux processus d’Itô d-dimensionnels :
Z t d Z t
X
Xt = X0 + αu du + Hu` dBt` ,
0 `=1 0
Z t d Z t
X
Yt = Y0 + βu du + Ku` dBt` , (2.54)
0 `=1 0
Nous définissons leur covariation quadratique par la formule
d Z t
X
hX, Y it = Hu` Ku` du. (2.55)
`=1 0
Théorème 2.6 (formule d’Itô multi-dimensionnelle) Soit f (t, x1 , ..., xn ) :

R+ × (R)n → R une fonction de classe C 1,2 (c’est à dire dérivable une fois en
t avec ∂t f continue et deux fois en xk , x` avec chaque dérivée seconde ∂xk x` f
65
continue). Soit X k ∈ I des processus d’Itô, k = 1, ..., n vérifiant :
Z t d Z t
X
Xtk = X0k + αuk du + Huk,` dBu` . (2.56)
0 `=1 0
Alors, le processus Yt = f (t, Xt1 , ..., Xtn ) ∈ I et

Z t n Z t
∂f X ∂f
Yt = Y0 + (u, Xu1 , ..., Xud )du + (u, Xu1 , ..., Xud )dXuk
0 ∂t k=1 0
∂xk
n
∂2f
Z t
1 X
+ (u, Xu1 , ..., Xud )dhX k , X ` iu (2.57)
2 k,`=1 0 ∂xk ∂x`
Preuve. Admis, consulter les références pour détails.
Pour en savoir plus 2.5.1 Les formules d’Ito et celle de l’intégration

par parties se généralisent à des semi-martingales (voir l’élément 2.4.2
page 56 pour la définition d’une semi-martingale).
2.5.4 Équations différentielles stochastiques
Il s’agit de donner un sens aux équations de type dXt = a(t, Xt )dt +

b(t, Xt )dBt . Voir l’exercice 2.26 page 77 pour des exemples d’équations appa-
raissant dans les modèles en finance.
Théorème 2.7 Soit T > 0 et a(·, ·), b(·, ·) : [0, T ] × R → R des fonctions
mesurables telles qu’il existe des constantes C, L > 0 satisfaisant :
|a(t, x)| + |b(t, x)| ≤ C(1 + |x|), ∀x ∈ R, t ∈ [0, T ], (2.58)

|a(t, x) − a(t, y)| + |b(t, x) − b(t, y)| ≤ L|x − y|, ∀x, y ∈ R, t ∈ [0,(2.59)
T ].
Soit Z une variable aléatoire indépendante de F ∞ = σ{Bs , s ≥ 0} et telle que
E[Z 2 ] < ∞. (2.60)

66
Alors l’équation différentielle stochastique

Z t Z t
Xt = Z + a(s, Xs )ds + b(s, Xs )dBs , t ∈ [0, T ], (2.61)
0 0
ou en notation différentielle
dXt = a(t, Xt )dt + b(t, Xt )dBt , X0 = Z, t ∈ [0, T ], (2.62)
admet une unique solution Xt telle que :

1. Xt est continue par rapport à t ;
2. Xt est adaptée à la filtration FtZ générée par Ft et Z ;
3. X ∈ L2 ([0, T ]) i.e., : "Z #
T
E Xt2 < ∞. (2.63)
0
Preuve. Voir les références.
2.6 Répresentation de martingales, changement de

probabilité
Nous allons admettre sans démonstration le résultat suivant
Théorème 2.8 Soit (Mt )t∈[0,T ] une martingale par rapport à la filtration na-
turelle d’un mouvement Brownien (Bt )t≥0 . Supposons que M ∈ M2 ([0, T ])(donc
pour tout t ∈ [0, T ] : E[Mt2 ] < ∞). Alors il existe un processus adapté (Ht )t∈[0,T ]
tel que Z t
Mt = M0 + Hs dBs . (2.64)
0
hR i
T
De plus E 0 Hs2 ds < ∞ (c’est à dire H ∈ L2 ([0, T ])).
Ce resultat nous sera utile pour introduire les changements de probabilité.

67
Intuition 2.6.1 Soit T > 0 un horizon donné, T < ∞ (voir l’exer-

cice 2.16 page 73 pour le pourquoi de cette dernière contrainte). Nous
avons vu qu’il est utile de savoir comment rendre martingale le proces-
sus de prix actualisé. Pour ceci il faudrait faire, comme au Chapitre 1,
un changement de mesure et trouver une probabilité (risque neutre) par
rapport à laquelle S̃t est une martingale.
Soit Q une telle probabilité. Par le théorème de Radon-Nycodim (cf.
Appendix A.7 page 197) si Q est absolument continue par rapport à P
alors il existe une fonction Z, FT -mesurable, positive, EP [Z] = 1 telle
que
EQ (X) = EP (ZX), (2.65)
pour toute v.a. X qui est FT -mesurable. Notons
Zt = EP [Z|Ft ], ∀t ∈ [0, T ]. (2.66)
Alors il est immédiat de voir que Z0 = 1, Zt ≥ 0, Zt est une mar-

tingale sous la probabilité P, EP (Zt ) = 1 pour tout t ∈ [0, T ]. Si Xt est
Ft -mesurable alors l’égalité (2.65) s’écrit EQ (Xt ) = EP (Zt Xt ).
Nous sommes donc face au problème suivant : soit Xt un processus
d’Itô donné, dXt = αt dt + HtX dBt . Nous cherchons Zt , aussi sous la
forme d’un processus d’Itô, telle que
- Zt est une martingale sous la probabilité P, Zt ≥ 0, EP [Z0 ] = 1
(donc aussi pour tout t : EP [Zt ] = 1) ; ces conditions sont nécessaires
pour avoir un changement de probabilité bien défini ;
- Zt Xt est une martingale sous la probabilité P ; ceci impliquera que
sous la probabilité Q le processus Xt sera une martingale. Effectivement
Zs Xs = EP [Zt Xt |Ft ] est équivalent à EP [Zs Xs Ys ] = EP [Zt Xt Ys ] pour tout
Ys qui soit Fs -mesurable ou encore EQ [Xs Ys ] = EQ [Xt Ys ] pour tout Ys
Fs -mesurable ce qui veut dire Xs = EQ [Xt |Ft ].
Par le théorème de représentation des martingales (Thm. 2.8 page 66)
il faut chercher Zt sous la forme dZt = HtZ dBt et calculer, par la formule
68
d’intégration par parties d(Xt Zt ) :
d(Zt Xt ) = Xt dZt +Zt dXt +dhZ, Xit = Xt HtZ dBt +Zt αt dt+Zt HtX dBt +HtX HtZ dt.
(2.67)
Pour que Zt Xt soit martingale il faut que le coefficient devant dt soit
nul, c’est à dire Zt αt + HtX HtZ = 0. Remarquons que si HtX = 0 cette
condition peut ne pas être satisfaite. Mais ceci est naturel car alors la
partie aléatoire de Xt est nulle et donc il n’est pas raisonable de demander
que Xt soit une martingale.
Soit donc HtX > 0 P − p.s. et pour tout t ∈ [0, T ] ; alors il faut
choisir HtZ = − ZHt αXt ou encore dZt = − HαXt Zt dBt . Donc Zt est solution
t t
d’une EDS qui dépend du processus Xt avec condition initiale Z0 = 1. Sa
solution est Zt = exp{Mt − 12 hM it } avec Mt = 0t − HαX
R s
dBs . Pour s’en
s
convaincre il suffit d’utiliser la formule d’Îto pour la fonction expoentielle
appliquée au processus d’Îto :
1 1 αs2 αs

d Mt − hM it = − dt − X dBt . (2.68)
2 2 (HtX )2 Ht
En particulier pour Xt = S̃t il faut prendre Zt solution de dZt =

−Zt µ−r
σ dBt .
Pour le mouvement Brownien nous avons un résultat un peu plus précis :
Proposition 2.27 [Théorème de Girsanov (version élémentaire)] Soit

T > 0, T < ∞ et λ ∈ R. Considérons la mesure de probabilité Q définie sur
(Ω, F) par
( )
(λ)2

dQ
:= Ztλ où Ztλ := exp −λBt − t , ∀t ∈ [0, T ]. (2.69)
dP Ft
2
Alors, le processus {Bt +λt, t ∈ [0, T ]} est un F-mouvement Brownien standard

sur (Ω, F, Q).
Preuve. Voir l’exercice 2.16 page 73.

69
A noter que le résultat précédent donne plus que la propriété de martingale

puisque le processus {Bt + λt, t ∈ [0, T ]} est un mouvement Brownien (et pas
seulement martingale).
2.7 Exercices
Dans tous les exercices de ce chapitre, on considère un espace de probabilité
(Ω, F, P) muni d’une filtration F := {Ft , t ≥ 0}. On considère également un
F-mouvement Brownien standard B = {Bt , t ≥ 0}.
Exercice 2.1 (Loi du mouvement brownien) Soit t un réel positif ou nul.

1. Déterminer la fonction caractéristique de Bt , notée φBt ;
2. Calculer E [|Bt |] et E [Bt 1Bt ≤a ] pour tout a ∈ R ;
3. Soit X une variable aléatoire de loi N (0, 1). Montrer que E[X 4 ] = 3. En
déduire que E |Bt |4 = 3t2 .

Exercice 2.2 (Continuité du mouvement Brownien, cf. Thm. A.4 page 199)
Soit X = {Xt , t ≥ 0} un processus stochastique tel que pour tous 0 ≤ s <
t, Xt − Xs est de loi N (0, t − s). Montrer que
E[|Xt − Xs |4 ] = 3|t − s|2 . (2.70)
Exercice 2.3 (Mouvement Brownien géométrique) Soient µ ∈ R et σ >

0 deux constantes données. On définit le processus S = {St , t ≥ 0} par
St := S0 exp {σBt + µt}.
1. Soit X une variable aléatoire de loi N (0, 1). Montrer que pour tout u ∈ R
u2
E[euX ] = e 2 .
En déduire l’espérance et la variance de St .

2. Soit Φ une fonction mesurable et bornée. Montrer que pour tout t ≥ s ≥ 0
St

E [Φ(St )|Fs ] = φ(Ss ) où φ : x 7→ E Φ(x ) .
Ss
70
Exercice 2.4 (Martingales, cf. Prop. 2.7 page 36) Montrer que chacun
des processus suivant est une F-martingale :
1. {Bt , t ≥ 0} ;
2. {Bt2 − t, t ≥ 0} ;
3. {Bt3 − 3tBt , t ≥ 0}
2 t/2
4. {eσBt −σ , t ≥ 0}, σ ∈ R.
Exercice 2.5 Corriger les formules ci-dessous pour que les affirmations sui-
vantes soient vraies :
1. {2 + Bt , t ≥ 0} est une F-martingale ;
2. {2 + B2t , t ≥ 0} est une F-martingale ;
3. { B√3t2 , t ≥ 0} est un mouvement Brownien ;
tB4/t
4. { √ ,t
2
> 0} est un mouvement Brownien.
Exercice 2.6 (processus Gaussiens ; cf. Prop. 2.6 page 35)
1. Montrer que le mouvement Brownien standard B est un processus Gaus-

sien.
2. Déterminer eB (t) := E[Bt ] et KB (s, t) = var(Bt , Bs ).
Exercice 2.7 Démontrer la Proposition 2.8 page 36 en ajoutant l’hypothèse

que le processus est Gaussien. Indication : utiliser la Proposition 2.6 page 35.
Exercice 2.8 Montrer que X = {Xt , t ≥ 0} est un F mouvement brownien

si et seulement si pour tout λ ∈ R le processus complexe M λ = {Mtλ , t ≥ 0}
défini par
λ2
Mtλ = exp{iλXt + t}
2
est une F martingale.
Bn
Exercice 2.9 Soit A = {lim supn √
n
≥ x}, où x > 0 est fixé.
1. Montrer que pour tout m ∈ N∗ , l’événement A est indépendant de Fm .
En déduire que P(A) vaut 0 ou 1.
71
2. Montrer que P(A) = 1. En déduire que
Bn Bn
lim sup √ = +∞ et lim inf √ = −∞, P p.s..
n→∞ n n→∞ n
3. En déduire la proposition 2.11 page 38 et la proposition 2.12 page 38.
Exercice 2.10 On veut montrer que presque sûrement la trajectoire du mou-

vement brownien n’est monotone sur aucun intervalle non trivial.
1. Soit
F = {ω ∈ Ω, il existe un intervalle non trivial I de R+ tel que t 7→ Bt (ω) soit monotone sur I} .
Montrer que
[
F = {ω ∈ Ω, t 7→ Bt (ω) est monotone sur [s, v]}
s,v∈Q+ , s<v
2. Soient :
E = {ω ∈ Ω, t 7→ Bt (ω) est monotone sur [0, 1]}
et
A = {ω ∈ Ω, t 7→ Bt (ω) est croissante sur [0, 1]} .
Montrer que A = ∩n≥1 An , où
n−1
\ n o
∀n ≥ 1, An = ω ∈ Ω, B i+1 (ω) − B i (ω) ≥ 0
n n
i=0
3. Prouver que pour tout n ≥ 1, P(An ) = 2−n . En déduire que P(A) = 0.

4. Montrer que P(E) = 0 et en déduire que P(F ) = 0.
Exercice 2.11 Montrer la proposition 2.13 page 39.
Exercice 2.12 (version faible de non-dérivabilité du mouvement Brownien)

Soit t > 0 arbitraire fixé. Montrer que P − ps les trajectoires du mouvement
Brownien ne sont pas dérivables en t.
72
Indication : utiliser les propriétés d’invariance par translation et d’inver-

sion du temps pour conclure qu’il suffit de montrer que le mouvement Brownien
n’a presque surement pas de limite à l’infini.
Exercice 2.13 (Pont Brownien) On considère le processus Z := {Zt =

Bt − tB1 , t ∈ [0, 1]}.
1. Montrer que Z est un processus Gaussien indépendant de B1 .
Indication : utiliser le Corrolaire A.1 page 199.
2. Déterminer eZ (t) := E[Zt ] et KZ (s, t) = cov(Zt , Zs ).
3. Vérifier que le processus Z̃ défini par : Z̃t := Z1−t , a la même loi que Z.
Exercice 2.14 (Sommes de Riemann, cf. Théorème 2.4, page 55) Soit
∆ : t0 = 0 < t1 < ... < tN = T une division de [0, T ].
1. Calculer la limite en L2 (si elle existe) de la somme de type Riemann
N
X −1

S1 = Btk Btk+1 − Btk ; (2.71)
k=0
lorsque |∆| → 0.
2. Calculer la limite en L2 (si elle existe) de la somme de type Stratonovich
N
X −1

S2 = B tk +tk+1 Btk+1 − Btk ; (2.72)
2
k=0
lorsque |∆| → 0.
Exercice 2.15 (Une application du caractère Gaussien) Soit f : R →

R une application continue. Pour tout réel t ≥ 0 on définit la variable aléatoire
Z t
Xtf (ω) = Bs (ω)f (s)ds.
0
1. Justifier que pour tout t ≥ 0 la variable aléatoire Xtf est bien définie et
montrer que
t n−1 k

Xtf = lim Xtf,n presque sûrement où Xtf,n :=
X
Bk f t
n→∞ n k=0 n t n
73
2. Vérifier que pour tout t ≥ 0 et tout n ≥ 1, Xnf est une variable aléatoire
gaussienne. Calculer sa moyenne et sa variance. En déduire la loi de
Xtf .
hR i h R i
t t
3. Calculer E 0 Bs ds et E ( 0 Bs ds)2 .
n Rt o
4. Le processus M = Mt = 0 Bs ds; t ≥ 0 est il un mouvement Brow-
nien ? Une martingale ?
Exercice 2.16 (Changement de probabilité, cf. Thm. 2.27, page 68)

Soit T > 0, T < ∞ et λ une constante strictement positive donnée ; nous
considèrons le processus :
( ( ) )
λ2
L := Lt = exp λBt − t , t ∈ [0, T ] . (2.73)
2
1. Justifier que l’on peut définir sur (Ω, FTB ) une mesure de probabilité QT
équivalente à P en posant : dQ dP = LT .
T
2. Soit t ∈ [0, T ] et Qt la probabilité de densité Lt par rapport à P. Montrer

que Qt et QT coïncident sur FtB .
3. Soit Z une variable aléatoire bornée et FT -mesurable. Montrer que
EP [ZLT |FtB ]
EQT [Z|FtB ] = .
Lt
4. Montrer que le processus {Btλ , 0 ≤ t ≤ T } défini par : Btλ := Bt − λt, est

un mouvement Brownien sur (Ω, FTB , QT ).
5. Expliquer pourquoi il n’est pas possible de prendre T = ∞ ; indication :
utiliser par exemple la Proposition 2.10 ou encore étudier la limite de
LT pour T → ∞.
Exercice 2.17 (Variation quadratique du mouvement Brownien) Soit

t ≥ 0 fixé. Pour tout n ≥ 1 on note S n la variable aléatoire.
n
2 2
X
n
S := B k
t − B (k−1) t
2n 2n
k=1
74
1. Calculer E[S n ] et var(S n ).

2. En utilisant l’inégalité de Bienaymé-Tchebychev, montrez que pour tout
ε>0
2t −n
P (|S n − t| > ε) ≤ 2
ε2
3. En déduire que S n converge vers t presque surement.
Exercice 2.18 (Martingale continue et variation d’ordre 1) Soit M une

martingale de carré intégrable
1. Vérifier que pour tout 0 ≤ s ≤ t, E[(Mt − Ms )2 ] = E[Mt2 ] − E[Ms2 ].
2. On suppose que M est à trajectoires continues. On suppose de plus que
les trajectoires de M sont à variations bornées : il existe une constante
C ≥ 0 telle que

(1)
P Vt (M ) ≤ C = 1 pour tout t ≥ 0.
(a) Vérifier que pour toute subdivision ∆ = {t0 = 0 ≤ · · · ≤ tn = t} de

l’intervalle [0, t]
h i
2 (1)
E (Mt − M0 ) ≤ E sup |Mti − Mti−1 | Vt (M, ∆)
i
(b) En déduire que nécessairement M = M0 presque surement.
Exercice 2.19 (Intégrale de Wiener, cf. Proposition 2.22 page 54) Soit
T > 0 un horizon de temps fixé. Le but de cet exercice est d’étudier l’intégrale
stochastique de la forme
Z t
f (u)dBu
0
où t ∈ [0, T ] et f est un élément de

( Z T )
2 2
L ([0, T ], B([0, T ]), dx) := f : (R+ , B(R+ )) → (R, B(R)), f (x)dx < ∞ .
0
75
Pour simplifier les notations, on écrira dans la suite L2 ([0, T ]) = L2 ([0, T ], B([0, T ]), dx).
On note S([0, T ]) l’ensemble des fonctions f de la forme
N
X −1
f : x→ ak 1]tk ,tk+1 ] (x)
k=0
où ∆ := {0 = t0 ≤ · · · ≤ tN = T } est une subdivision de [0, T ] et (ak )0≤k≤N −1 ∈

RN .
PN −1
1. Pour une fonction f = k=0 ak 1]tk ,tk+1 ] dans S([0, T ]), on définit
N
X −1
IS (f ) := ak (Btk+1 − Btk )
k=0
Montrer que IS (f ) est une variable aléatoire gaussienne. Déterminer sa

moyenne et sa variance.
2. On admet, dans la suite, que l’espace S est dense dans L2 (R+ , B(R+ ), dx)
R 1/2
muni de la norme ||f ||L2 := 0T f 2 (x)dx . Montrer qu’il existe une
unique application linéaire I définie sur L ([0, T ]) à valeurs dans L2 (Ω, F, P)
2
telle que
Z T
∀f ∈ S[0, T ], I(f ) = IS (f ) et ∀f ∈ L2 ([0, T ]), E[I(f )2 ] = ||f ||L2 = f 2 (x)dx.
0
3. Soit f ∈ L2 ([0, T ]), on définit le processus M (f ) = {Mt (f ), t ∈ [0, T ]}

par
Mt (f ) = I(1[0,t] (·)f (·)).
Pour tout t ∈ [0, T ], quelle est la loi de Mt (f ) ? Montrer que M (f ) est

un un processus FB adapté et que pour tout s ≤ t ≤ T , Mt (f ) − Ms (f )
est une variable indépendante de FsB .
4. Soit T > 0 et f ∈ L2 ([0, T ]). On considère le processus,
Z t Z t
1

2
L := Lt = exp f (s)dBs − f (s)ds , t ∈ [0, T ] .
0 2 0
76
(a) Montrer que L est une martingale.

(b) Soit QT la mesure de probabilité sur (Ω, FTB ) obtenue en prenant
dQT
dP = LT . En s’inspirant de l’exercice 2.16 page 73 montrer que
{Btf , 0 ≤ t ≤ T } défini par Btf = Bt − 0t f (s)ds est un mouvement
R
Brownien sur (Ω, FTB , QT ).
Exercice 2.20 (Intégrale d’Itô) Soit T un horizon de temps fixé.

1. Justifier que le processus M = {Mt := 0t eσBu dBu , 0 ≤ t ≤ T } est bien
R
défini. Montrer que M est une martingale, déterminer E[Mt ] et var(Mt ).

2. Justifier que le processus N = {Nt := 0t Mu dBu , 0 ≤ t ≤ T } est bien
R
défini. Montrer que N est une martingale, déterminer E[Nt ] et var(Nt ).
Exercice 2.21 1. Calculer, avec puis sans utiliser la formule de Itô, la co-
variance des variables aléatoires X = 01 0t 1dsdBt et Y = 01 0t 1dBs dt.
R R R R
R1Rt R1Rt
2. En conclure si 0 0 1dsdBt est égal à 0 0 1dBs dt ou pas.
Exercice 2.22 (Formule d’Itô) Montrer que chacun des processus suivants
est un processus d’Itô
1. Xt = Bt3 , t ≥ 0.
2. St = S0 exp (µ − σ 2 /2)t + σBt , t, S0 ≥ 0.

3. Yt = u(t, St ), t ≥ 0 où u est une application de classe C 1,2 .

√
4. Vt = St , t ≥ 0.
5. Zt = ert (S
R t
)2 , t ≥ 0.
t
6. Rt = e− 0 rs ds Nt , t ≥ 0, où pour tout t ≥ 0 on a rt = r0 + 0t α(β − rs )ds +
R
Rt Rt Rt
0 σdBs et Nt = N0 + 0 rs Ys ds + 0 σYs dBs , α, β et σ étant des constantes
réelles.
Exercice 2.23 Soit T > 0 un nombre réel fixé et (Bt )t≥0 un mouvement
brownien standard. Trouver le processus HT (t, ω), t ∈ [0, T ], tel que
Z T
BT3 = HT (t, ω)dBt .
0
RT
On commencera par écrire YT = 0 Bt dt sous une forme similaire.
77
Exercice 2.24 Démontrer la Proposition 2.16 page 44. Indication : utiliser

le résultat de l’exercice 2.8.
Exercice 2.25 (Formule de Feynmann-Kac) Soit f : R → R une appli-

cation continue et bornée. Soit u : [0, T ] × R → R une fonction de classe C 1,2
sur [0, T ] × R qui vérifie
(
∂t u(t, x) − 21 ∂xx u(t, x) = 0, ∀(t, x) ∈]0, T ] × R
u(0, x) = f (x), ∀x ∈ R.
On suppose de plus que ∂x u est une fonction bornée. Montrer alors que :
u(t, x) = E[f (x + Bt )], ∀x ∈ R
Exercice 2.26 (EDS pour quelques modèles financiers) Soit Wt un mou-

vement Brownien standard.
1. Modèle de Black & Scholes : soit µ, σ ∈ R. Démontrer, en utilisant un

résultat du cours, que l’EDS suivante :
dSt = µSt dt + σSt dWt , S(0) = S0 ∈ R. (2.74)
2 /2)t+σW
admet une solution unique. Montrer que cette solution est St = S0 e(µ−σ t S0 .
2. Modèle de Vasicek / Ornstein- Uhlenbeck : soit α, β, σ ∈ R, α 6= 0, σ > 0.

Démontrer, en utilisant un résultat du cours, que l’EDS suivante :
drt = α(β − rt )dt + σdWt , r(0) = r0 ∈ R, (2.75)
admet une solution unique. Montrer que cette solution est

Z t
rt = r0 e−αt + β(1 − e−αt ) + σe−αt eαs dWs . (2.76)
0
3. Modèle de Cox-Ingersoll-Ross (CIR) : soit α, β, σ ∈ R, α 6= 0, σ > 0.

Dire si le resultat du cours peut être utilisé pour démontrer que l’EDS
78
suivante admet une solution unique :

q
drt = α(β − rt )dt + σ |rt |dWt , r(0) = r0 ≥ 0. (2.77)
Chapitre 3
Modèle de Black et Scholes
3.1 Présentation du modèle
On considère un marché formé par un actif sans risque S 0 et un actif risqué

S. On suppose que le prix de l’actif sans risque vérifie
St0 = S00 ert , (3.1)
où r est une constante donnée, r ≥ 0. Sauf mention explicite du contraire nous

prennons S00 = 1.
Pour modéliser l’incertitude concernant le prix de l’actif risqué S, on intro-
duit un espace de probabilité (Ω, F, P). On suppose que le processus de prix
de S, S = {St , t ≥ 0}, est décrit par le modèle de Black et Scholes
dSt = µSt dt + σSt dBt , (3.2)
où B = {Bt , t ≥ 0} est un mouvement Brownien sur (Ω, F, P). Ici µ et σ sont

deux constantes données, avec σ > 0.
– la constante µ est appelée ‘tendance’ de S ou encore, ‘rendement instan-
tané’ de S.
– la constante σ est appelée volatilité de S ; elle mesure la taille de l’in-
certitude.
Dans toute la suite de ce chapitre, on note S̃t = {St /St0 , t ≥ 0} le prix
79
80
de S exprimé dans le nouveau numéraire S 0 . On note F := {Ft , t ≥ 0}

la filtration naturelle du processus S. Remarquons que F est également la
filtration naturelle du mouvement Brownien B.
Notons que, par application du Lemme d’Itô, on a aussi
( )
σ2
St = S0 exp (µ − )t + σBt , et dS̃t = (µ − r)S̃t dt + σ S̃t dBt . (3.3)
2
Comme dans le chapitre 1, on fait l’hypothèse que le marché financier ne

présente pas de frictions :
Hypothèse 3.1 (Marché sans frictions) Les actifs de ce marché financiers
sont parfaitement divisibles et ils ne sont pas soumis à des coûts de transac-
tions.
3.1.1 Stratégie financière

On considère les transactions financières se déroulent de manière continue
sur l’horizon de temps [0, T ] : ainsi à chaque instant t ∈ [0, T ] un agent peut
modifier l’allocation de portefeuille entre l’actif S 0 et l’actif S. Une stratégie
financière peut être décrite par un couple de processus stochastiques
α := {αt , t ∈ [0, T ]} et θ := {θt , t ∈ [0, T ]}
– αt ∈ R représente le nombre d’unités de l’actif S 0 à la date t,

– θt ∈ R représente le nombre d’unités de l’actif S détenues à la date t.
Notons par Vt la valeur à la date t d’une telle stratégie et Ṽt := Vt /St0 la valeur
exprimée dans le numéraire S 0 . Nous avons alors
Vt = αt St0 + θt St et Ṽt = αt + θt S̃t . (3.4)
Définition 3.1 (Stratégie autofinancée) La stratégie financière (α, θ) est

dit autofinancée - ou encore " elle vérifie la condition d’autofinancement" - si
la variation de sa valeur entre deux dates successives est totalement expliquée
par la variation des prix des actifs.
81
Dans notre modèle en temps continu, la condition d’autofinancement de la

stratégie (α, θ) se traduit par l’équation :
dVt = αt dSt0 + θt dSt , (3.5)
ou encore par
Z t Z t
dṼt = θt dS̃t c’est à dire Ṽt = Ṽ0 + θu (µ − r)S̃u du + θu σ S̃u dB(3.6)
u .
0 0
On remarque que l’expression de la richesse actualisée d’une stratégie autofi-

nancée peut être complètement déterminée à partir de la connaissance de la
richesse initiale V0 qui a permis de constituer le portefeuille et du portefeuille
d’actif risqué θ. Bien-entendu, pour que l’expression (3.6) puisse avoir un sens,
il faut imposer des conditions d’intégrabilité sur θ.
Pour ce faire nous allons avoir besoin de la définition suivante. Notons

λ? := (µ − r)/σ et considérons la mesure de probabilité Q? définie sur (Ω, F)
par
( )
dQ? ? λ? (λ? )2
|Ft := Ztλ où Zt := exp −λ? Bt − t . (3.7)
dP 2
Dans toute la suite, on appelle ensemble des portefeuilles admissibles et on

note A, l’ensemble des processus F-adaptés θ = {θt , t ∈ [0, T ]}, défini par
( "Z # )
T
Q? 2
A := θ F-adapté : E |θu S̃u | du < ∞ (3.8)
0
Dans toute la suite, nous allons décrire une stratégie financière autofinancée
par la donnée d’un couple (x, θ) ∈ R × A où x représente le capital initial
permettant de construire la stratégie et θ est le processus décrivant l’investis-
sement en actif risqué S avec θt le nombre d’unités de S détenues à la date t.
On note Vtx,θ la valeur à la date t de cette stratégie. On a
Z t Z t
Vtx,θ = St0 Ṽtx,θ et Ṽtx,θ = x/S00 + (µ − r)θu S̃u du + σθu S̃u dBu(3.9)
0 0
82
3.2 Condition d’absence d’opportunités d’arbitrage

et changement de mesure
Définition 3.2 [Opportunité d’arbitrage] Dans ce modèle, une opportu-
nité d’arbitrage est une stratégie financière
qui démarre
à un capital initial
égal
0,θ 0,θ
à zéro (0, θ) ∈ R × A et qui vérifie : P VT ≥ 0 = 1 et P VT > 0 > 0.
Considérons le cas particulier où µ = r. Dans ce cas, S̃t est une martingale

et pour θ ∈ A :
Z t
Ṽt0,θ = σθu S̃u dBu
0
hR i
T
comme θ ∈ A vérifie la condition : E 0 |θu S̃u |2 du < ∞, on déduit que
le processus Ṽ 0,θ = {Ṽt0,θ , 0 ≤ t ≤ T } est une F-martingale sur (Ω, F, P).
Par conséquent E[ṼT0,θ ] = 0, donc ne peut pas avoir P(ṼT0,θ ≥ 0) = 1 avec
P(ṼT0,θ > 0) > 0.
Ainsi, dans le cas particulier où µ = r, le marché financier considéré vérifie la
condition d’absence d’opportunités d’arbitrage.
Proposition 3.1 Le prix actualisé S̃ est une F-martingale sur (Ω, F, Q? ).

Pour toute stratégie financière (x, θ) ∈ A, la valeur actualisée Ṽ x,θ est une
F-martingale sur (Ω, F, Q? ).
Preuve. Nous vérifions d’après o de S̃t et la définition du processus

n l’expression
σ2
? ? ?
B = Bt + λ t que S̃t = exp σBt − 2 t . Comme B ? est un F-mouvement
Brownien sur (Ω, F, Q? ), on déduit que S̃ est une F-martingale sur (Ω, F, Q? ).
Soit (x, θ) ∈ R × A, on a :hṼtx,θ = x/S00 i+ 0T σθu S̃u dBu? , comme θ satisfait la
R
condition d’intégrabilité E 0T |θu S̃u |2 du < ∞, par les propriétés de l’intégrale

R
d’Itô, le processus Ṽ x,θ est une F-martingale sur (Ω, F, Q? ).
Technique importante 3.2.1 Voici donc un résumé des formules utiles

pour la suite :
83
dSt = µSt dt + σSt dBt (3.10)

dS̃t = (µ − r)S̃t dt + σ S̃t dBt (3.11)
dVt = rαt St0 dt + θt dSt (3.12)
dṼt = θt dS̃t = θt (µ − r)S̃t dt + σθt S̃t dBt (3.13)
µ−r
dBt? = dBt + λ? dt, λ? = (3.14)
σ
dSt = rSt dt + σSt dBt? (3.15)
dS̃t = σ S̃t dBt? (3.16)
dṼt = θt dS̃t = θt σ S̃t dBt? . (3.17)
Proposition 3.2 (A.O.A) Le marché financier considéré vérifie la condition

d’absence d’opportunités d’arbitrage.
Preuve. Considérons la mesure de probabilité Q? définie par (3.7). Sup-

posons qu’il existe une opportunité d’arbitrage (0, θ). Comme la mesure de
probabilité Q? est équivalente à P, on : Q? (ṼT0,θ ≥ 0) = 1 et Q? (ṼT0,θ > 0) > 0
?
donc EQ [ṼT0,θ ] > 0. Or d’après la Proposition 3.1, le processus Ṽ 0,θ est une F-
?
martingale sur (Ω, F, Q? ), en particulier EQ [VT0,θ ] = Ṽ00,θ = 0 et ceci contredit
ce qui a été dit plus haut. Nous obtenons alors qu’il n’existe aucune opportu-
nité d’arbitrage sur ce marché financier.
3.3 Evaluation d’options européennes et équation

de Black et Scholes
Nous considérons un actif contingent (option européenne) de maturité T

dont la valeur terminale est décrite par une variable aléatoire FT -mesurable,
notée G.
84
3.3.1 Evaluation par réplication
Définition 3.3 L’actif contingent de payoff G est dit réplicable, ou encore il

est dit admettre une stratégie de réplication, s’il existe (x, θ) ∈ R × A tel que
G = VTx,θ .
?
Proposition 3.3 Soit un actif contingent de payoff G. Supposons que EQ [G2 ] <
∞. Alors
1. l’actif G admet une stratégie de réplication (xG , θG ).
2. sous la condition d’absence d’opportunités d’arbitrage A.O.A, son prix à
la date t, noté pG
t , est donné par :
?
h i ?
h i
pG 0 Q
t = St E G/ST0 |Ft = EQ e−r(T −t) G|Ft . (3.18)
Preuve. Commençons d’abord par le point 2. Supposons donc disposer de

θt telle que la stratégie (x, θt ) qui donne le portefeuille Vtx,θ (ou en version
actualisée Ṽtx,θ = x + 0t θu dS̃u ) satisfasse VTx,θ = G. Mais, sous la probabilité
R
Q? , nous avons Ṽtx,θ = x + 0t θu σ S̃u dBu? ) donc Ṽtx,θ est une martingale (l’inté-
R
grabilité est obtenue par définition des stratégies admissibles θ). Nous savons
que, par AOA, Vtx,θ = pG t . En particulier, par propriété martingale :
?
h i ?
h i
x,θ
e−rt pG
t = Ṽt = EQ ṼTx,θ |Ft = EQ Ge−rT |Ft , (3.19)
ce qui donne par la suite l’équation 3.18.

Revenons
h maintenant
i au point 1. Nous posons pour t ∈ [0, T ] : Mt =
? −rT
EQ Ge |Ft . Par définition Mt est une martingale et de plus, par hypo-
thèse, E[MT ] = E[G2 ] < ∞ donc par Jensen E[Mt2 ] < h∞ pour tout
2
i t ≥ 0.
? RT 2
0 Hs ds < ∞ telle
Donc par le Théorème 2.8 page 66 il existe Ht avec E Q
que Z t
Mt = M0 + Hs dBs? . (3.20)
0
Alors la stratégie Z (x,θ) avec x = M0 et θt = Ht /(σ S̃t ) est une stratégie de

replication pour G car
1. x = M0 ∈ R car la filtration F0 est triviale ;
85
2. Z (x,θ) vérifie dZ̃ (x,θ) = σθt S̃t dBt? = Ht dBt? = dMt ce qui implique
(x,θ)
Z̃ (x,θ) = Mt et donc Zt = ert Mt ;
3. si G ≥ 0 la valeur ert Mt de cette stratégie à l’instant t est positive ;
4. sa valeur à l’instant T est erT MT = G.
Proposition 3.4 (unicité) Sous AOA la probabilité risque neutre est unique
dans le modèle Black & Scholes.
Preuve. Toute probabilité risque neutre P? rend martingale le processus S̃t .

?
Soit A un ensemble FT mesurable et G = 1A . En particulier EP [G2 ] < ∞ et
?
EQ [G2 ] < ∞. Alors, utilisant les mêmes arguments que dans le résultat précé-
dent, G est replicable par une stratégie x, θ admissible. Cette stratégie (actua-
?
lisée) est martingale par rapport à P? (l’intégrabilité résulte de EP [G2 ] < ∞)
?
et donc en particulier x = e−rT EP [1A ] = e−rT P? (A). Donc P? (A) = erT x et
ainsi la mesure de tout ensemble A ∈ FT est uniquement déterminée.
3.3.2 Approche Monte Carlo pour la valuation d’options : cal-

cul pratique du prix en utilisant la formule (3.18)
Nous distinguons deux cas : actifs généraux (dépendants du chemin) et

actifs indépendants du chemin. Exemple d’actif dépendant du chemin : un call
asiatique de maturité T et strike K est une option de payoff
" Z T ! #
1
G= St dt − K . (3.21)
T 0 +
1. Pour la valuation des actifs généraux à l’instant t ≥ 0 il faut :
(a) garder en mémoire la trajectoire passée Sτ , τ ≤ t ;

(b) simuler l’EDS de l’actif sous la proba Q? , i.e. résoudre numéri-
quement dSt = rSt dt + σSt dBt? . Ici B ? sera considéré comme un
processus Brownien standard et en particulier ne dépend pas de µ.
En pratique ceci donnera un ensemble de scénarios Sv` , v ∈ [t, T ],
` = 1, ...L avec L étant le nombre de simulations ;
86
(c) définir des scénarios sur [0, T ] par assemblage de la trajectoire (pas-
sée) sur [0, t] et des scénarios simulés sur [t, T ] : ω ` := {Sτ ; τ ≤
t} ∪ {Sv` , v ∈ [t, T ]}, ` = 1,...,L.
(d) calculer ensuite numériquement, par exemple par une moyenne em-
pirique
PL `)
`=1 G(ω
?
h i
pG
t =E
Q
e−r(T −t) G|Ft ' e−r(T −t) (3.22)
L
Il est important à noter que la moyenne empirique donnera l’espé-

rance conditionnelle car les scénarios ω ` ont la connaissance de la
trajectoire passée Sτ , τ ≤ t.
2. Plaçons nous maintenant dans le cas où l’actif contingent G est une

option indépendante du chemin sur S : G = Φ(ST ) avec Φ : R → R une
fonction mesurable donnée.
Supposons que Φ est telle que G est de carré intégrable par rapport à Q?
alors par la Proposition 3.3 il admet une stratégie de réplication (xG , θG )
et le prix de G à la date t est donné par :
?
h i
pG
t =E
Q
e−r(T −t) Φ(ST )|Ft (3.23)
h i
Q? σ(BT? −Bt? )+(r−σ 2 /2)(T −t)
=E e−r(T −t) Φ(St e ) Ft = uG (t, S(3.24)
t ),

où uG : R+ × R → R est la fonction définie par

" ( )!#
G Q? −r(T −t) σ2
u (t, x) = E e Φ x exp σBT? −t + (r − )(T − t) (3.25)
.
2
Pour la dernière égalité nous avons utilisé la propriété A.17 page 195
(voir aussi l’exercice 2.3 page 69). Comme sous la proba Q? le processus
B ? est un mouvement Brownien l’incrément BT? − Bt? est une variable
normale centrée de variance T − t. Donc
2
√ e−y /2
Z ∞
G −r(T −t) (r−σ 2 /2)(T −t)+σy T −t
u (t, x) = e Φ(xe ) √ dy. (3.26)
−∞ 2π
87
Pour le cas d’un call Φ(x) = (x − K)+ et alors nous obtenons la formule
de Black & Scholes pour le prix d’un call européen :
Z d −y2 /2
call,K −r(T −t) e
u (t, x) = xN (d1 ) − e KN (d2 ), N (d) = √ dy,
−∞ 2π
(3.27)
avec
log(x/K) + (r + σ 2 /2)(T − t) √
d1 = √ , d2 = d1 − σ T − t. (3.28)
σ T −t
Nous voyons explicitement qu’ici encore, le prix de l’actif contingent ne

dépend pas de µ.
3.3.3 Équation de Black et Scholes
Soit un actif contingent de payoff G (v.a. FT -mesurable), (xG , θG ) une

stratégie de réplication de G et supposons que le prix uG soit une fonction de
classe C 1,2 . Appliquons alors la formule d’Itô à la fonction (t, x) 7→ e−rt uG (t, x)
et au processus d’Itô St ,t ∈ [0, T ]. Pour rappel dSt = σSt dBt + µSt dt =
σSt dBt? + rSt dt ; nous obtenons :
Z t n o
−rt G
e G
u (t, St ) = u (0, S0 ) + e−rv ∂x uG (v, Sv )σSv dBv?
0
( )
σ 2 Sv2
Z t
−rv G G G
+ e −ru (v, Sv ) + ∂t u (v, Sv ) + rSv ∂x u (v, Sv ) + ∂xx uG (v, Sv ) dv
0 2
(3.29)
Par ailleurs :
Z t Z t
G ,θ G
uG (t, St )e−rt = Ṽtx = xG + θvG S̃v σdBv? = uG (0, S0 )+ e−rv θvG Sv σdBv? .
0 0
(3.30)
Par identification nous en déduisons que :
θuG = ∂x uG (u, Su ), (3.31)

88
et que la fonction uG satisfait :
1
∂t uG (u, Su ) + σ 2 Su2 ∂xx uG (u, Su ) + rSu ∂x uG (u, Su ) = ruG (u, Su )
2
Ce raisonnement nous permet de voir que la fonction prix d’un actif contin-
gent G est liée à l’équation aux dérivées partielles (EDP) :
1
∂t uG (t, x) + σ 2 x2 ∂xx uG (t, x) + rx ∂x uG (t, x) = ruG (t, x), ∀(t, x) ∈ [0, T [×R(3.32)
+
2
Cette EDP est appelée équation de Black & Scholes. De plus, la fonction
prix vérifie la condition terminale :
uG (T, x) = Φ(x), ∀x ∈ R+ . (3.33)
Nous constatons également que la stratégie de réplication θG est liée au pro-

cessus {∂x uG (t, St ), 0 ≤ t ≤ T }. Le théorème suivant permet de formaliser
cette discussion :
Théorème 3.1 (Équation de Black et Scholes) Soit v : [0, T ] × R → R

une fonction de classe C 1,2 solution de l’EDP :
(
∂t v(t, x) + 21 σ 2 x2 ∂xx v(t, x) + rx ∂x v(t, x) = rv(t, x), ∀(t, x) ∈ [0, T [×R+
(3.34)
v(T, x) = Φ(x), ∀x ∈ R+
Nous supposons de plus que ∂x v est telle que

"Z #
T
Q? 2
E |∂x v(t, St )St | dt < ∞ (3.35)
0
Alors (v(0, S0 ), {∂x v(t, St ), 0 ≤ t ≤ T }) ∈ R×A est une stratégie de réplication

de G = Φ(ST ) et le prix de G à la date t est v(t, St ).
Preuve. Résultat admis. En particulier il est admis que la solution de l’EDP

est unique.
89
3.3.4 Approche EDP pour la valuation d’options, delta-hedging

en pratique
Pour le calcul pratique de la valeur d’une option en utilisant l’EDP et pour
la couverture de celle-ci il est possible de procéder comme il suit
1. l’EDP (3.34) est résolue numériquement, d’une manière rétrograde en
temps utilisant la donnée Φ(x) à l’instant T ;
2. si S0 = x le prix de l’option à l’instant t = 0 sera la valeur v(0, x). Le
prix S0 est connu et donc le prix de l’option aussi ;
3. pour obtenir un portefeuille couvrant le risque d’une exposition à cette
option (par exemple pour le vendeur d’options) il suffit de mettre en
place une stratégie autofinancée (v(0, S0 ), θ) qui achète ∂x v(0, S0 ) parts
de sous-jacent à l’instant initial. Cette stratégie est continument adaptée
pour avoir ∂x v(t, St ) parts de sous-jacent à l’instant t.
Technique importante 3.3.1 Un portefeuille qui met en place cette

stratégie et qui vend une option à l’instant initial est garantie avoir va-
leur finale nulle, peu importe le scénario suivi par le sous-jacent (mais
conforme au modèle Black & Scholes).
Technique importante 3.3.2 Les approches pratiques présentées en Sec-

tion 3.3.2 et celle présentée ci-dessous sont de nature différente. Consi-
dérons par exemple une option indépendente de chemin.
La première approche calcule, à partir d’un prix initial S0 donné,
la distribution ST et donc permet de connaitre, sans effort additionnel
notable, le prix de tous les actifs dérivés indépendants du chemin sur ce
sous-jacent. Par contre en pratique le calcul de la stratégie de réplication
est très peu robuste et des techniques plus avancées sont nécessaires pour
en avoir une approximation de bonne qualité.
Le calcul à l’aide de l’EDP permet lui aussi d’obtenir le prix d’une op-
90
tion donnée ; par contre il faut un calcul EDP pour toute nouvelle option.
L’avantage du calcul EDP est qu’il permet de connaitre d’une manière
très robuste la stratégie de réplication de l’option donc il offre une moda-
lité pratique de couverture du risque apporté par l’actif contingent.
3.3.5 Les Grecques
– delta de l’option ∂x uG (t, St )

Ce terme indique la variation de prix de l’option par rapport à la va-
riation du sous-jacent. Dans le modèle de Black et Scholes, ce terme
correspond à la stratégie de réplication : nous parlons de stratégie de
couverture en delta ou delta-hedging (en anglais) .
Le delta d’un call est positif, celui d’un put est négatif (par la parité
call-put leur différence doit être l’unité.
Formule du delta d’un call européen (avec les notations précédentes) :
∆(t, St ) = N (d1 ). (3.36)
– gamma de l’option ∂xx uG (t, St )

Ce termine détermine la convexité du prix de l’option par rapport au prix
du sous-jacent. Il représente également la sensibilité du delta par rapport
aux variation du prix du sous-jacent, donc la sensibilité de la stratégie de
couverture par rapport aux variations du sous-jacent. Lorsque le gamma
est important il faut faire souvent des re-allocations pour garder le por-
tefeuille de couverture conforme aux exigences de la formule Black &
Scholes.
Le gamma est positif pour les calls et puts européens.
– thêta de l’option ∂t uG (t, St )
Ce terme indique l’influence du temps qui passe sur la valeur de l’option.
91
3.4 Évaluation d’options américaines
Par opposition aux options européennes, les options américaines permettent

d’exercer l’option à n’importe quel moment, en particulier même avant la ma-
turité T . Par exemple un call américain est une option qui donne le droit à
l’acheteur d’exercer l’option à tout instant t ∈ [0, T ] pour gagner (St − K)+ .
Il est évident que toute option américaine de même payoff qu’une option
européenne doit avoir un prix plus grand puisqu’elle permet une plus grande
souplesse dans l’exercice et donc peut théoriquement donner plus de chances de
gagner de l’argent. En général les options américaines ont un prix strictement
supérieur à leur analogues européennes. Il y a pourtant une exception. Consi-
dérons un call européen de maturité T et strike K, de prix noté C E (t, S) et un
call américain de maturité T et strike K, de prix noté C A (t, S). Nous avons
donc C A (t, S) ≥ C E (t,S). Par ailleurs la formule (1.16) page 10) nous ren-
+
seigne que C E (t, S) ≥ S − Ke−r(T −t) ≥ (S − K)+ . Donc le prix d’un call
européen est toujours supérieur au gain d’exercice d’une option américaine.
Il est alors possible de faire le raisonnement suivant : si à un certain instant
C A (t, St )> C E (t, St ) alors on peut vendre un call américain et acheter un call
européen (et rester avec une quantité positive en poche). Par la suite deux
situations peuvent apparaitre :
- soit l’acheteur de l’option américaine ne veut jamais exercer alors on
atteint la maturité et les deux auront le même prix ;
- soit au contraire l’acheteur exerce à l’instant τ > t alors à cet instant nous
payons (Sτ − K)+ en vendant le call européen de prix C E (t, St ) ≥ (Sτ − K)+ ;
encore une fois nous empochons une quantité d’argent positive.
Donc dans les deux cas nous gagnons de l’argent ; il s’agit donc d’une
opportunité d’arbitrage. Ainsi il ne peut pas y avoir C A (t, St ) > C E (t, St )
donc au contraire
C A (t, S) = C E (t, S), ∀t ∈ [0, T ], ∀S ≥ 0. (3.37)
Donc le prix d’un call européen est égal au prix d’un call américain. Cette
propriété est spécifique au call et ne marche plus, par exemple, pour le put.
92
3.5 Exercices : modèle de Black et Scholes

On considère un espace de probabilité (Ω, F, P) muni d’une filtration F :=
{Ft , t ≥ 0}. Soit B = {Bt , t ≥ 0} un F-mouvement Brownien standard
On considère sur un horizon de temps fixé [0, T ], T > 0, un marché financier
formé par un actif sans risque S 0 et un actif risqué S. On se place dans le
cadre du modèle de Black et Scholes en supposant que pour tout t ∈ [0, T ]
2 /2)t+σB
St0 = ert St = S0 e(µ−σ t
Ici, r ≥ 0, µ ≥ 0 et σ > 0 dont des constantes données.

On note A l’ensemble
( "Z # )
T
2
A := θ processus F-adapté t.q. : E |θu | du < ∞
0
Exercice 3.1 (Stratégie autofinancée) Dans le modèle de Black et Scholes,

une stratégie financière autofinancée est décrite par une couple (x, θ) ∈ R × A
où x représente le capital initial et θt le nombre d’unités de l’action S déte-
nues à la date t. On note Vtx,θ la valeur à la date t de la stratégie (x, θ) et
Ṽtx,θ = V x,θ /St0 la valeur actualisée.
1. Rappelez l’expression de Ṽtx,θ en fonction de x et du processus θ. Déter-
minez l’expression de E[Ṽtx,θ ] et var(Ṽtx,θ ).
2. Rappelez la définition d’une opportunité d’arbitrage.
3. Rappelez la définition d’une mesure de probabilité neutre au risque.
4. Justifiez que la mesure de probabilité Q? définie par
( 2 )
dQ? µ−r 1 µ−r

|F := exp − Bt − t
dP t σ 2 σ
est une mesure de probabilité neutre au risque.
Exercice 3.2 (Évaluation d’une option d’achat) On considère une op-

tion d’achat sur S de maturité T et de prix d’exercice K. Sa valeur terminale
est égale à la variable aléatoire G = max{0, ST − K}.
93
?
h i
1. On pose u(t, x) = EQ e−r(T −t) G|St = x . Déterminer l’expression de
u(t, x) en fonction de x, t, r, σ, K et de la fonction N : y 7→ N(y) =
P[Z ≤ y] où Z ∼ N (0, 1).
2. Calculer la probabilité sous P et sous Q? que l’option soit exercée.
3. Vérifier que u est une fonction de classe C 1,2 sur [0, T [×R∗+ . Déterminer
les expressions de
δ(t, x) := ∂x u(t, x) γ(t, x) := ∂xx u(t, x) θ(t, x) := ∂t u(t, x).
Vérifier que la fonction u vérifie
1
∂t u(t, x) + σ 2 x2 ∂xx u(t, x) + rx∂x u(t, x) = ru(t, x), ∀(t, x) ∈ [0, T [×R∗+
2
u(T, x) = max{x − K, 0}, ∀x ∈ R∗+
4. On considère le processus θ? := {δ(t, St ) = ∂x u(t, St ), t ∈ [0, T ]}. Véri-

fier que θ? ∈ A.
5. On considère la stratégie financière (u(0, S0 ), θ? ). Montrer que cette stra-
tégie permet de répliquer l’option d’achat. Justifier alors que le prix à la
date t de l’option d’achat est donné par pt = u(t, St ).
?
Exercice 3.3 Soit un actif contingent de payoff G ≥ 0 tel que EQ [G2 ] < ∞
et de maturité T ∈]0, ∞[. Montrer qu’il n’est pas possible de répliquer G àl’aide
d’une stratégie vérifiant ∀t ∈ [0, T [ : θt = Sct avec c ∈ R, c 6= 0.
Exercice 3.4 Soit, avec les notations du cours, un call européen de maturité
T et strike K sur un actif St qui suit la dynamique Black & Scholes
dSt
= µdt + σt dBt ,
St
où σt ∈ L2 ([0, T ]) ne s’annule jamais.

1. Trouver la formule du prix de l’option et montrer que le prix à l’instant
zéro est égal au prix d’un call européen sur un sous-jacent de volatilité
constante à préciser. Indication : utiliser un changement de probabilité
comme celui donné dans l’exercice 2.19 page 74.
94
2. Trouver la formule du Delta et du Thêta.

3. Montrer que si σt n’est pas constante le prix de l’option sur t ∈ [0, T ] n’est
pas identique au prix d’un call européen sur un actif risqué de volatilité
constante.
Exercice 3.5 Soit, avec les notations du cours, un call asiatique G de matu-
rité T et strike K sur un actif St qui suit la dynamique Black & Scholes :
" Z T ! #
1
G= St dt − K (3.38)
T 0 +
Montrer que son prix est inférieur à celui d’un call européen ayant les même
caractéristiques.
Exercice 3.6 Soit T > 0 et C E (t, S, K) le prix à l’instant t ∈ [0, T ] d’un call
européen de maturité T et strike K lorsque le prix du sous-jacent est égal à
S. On introduit pour toute valeur de K un autre produit dérivé, appelé le call
digital, qui est l’actif indépendant du chemin de pay-off G = 1ST ≥K ; son prix
sera noté C D (t, S, K). On suppose que C D est continue par rapport à K et
que C E est de classe C 1 par rapport à K.
1. Pour tous K, ∆K > 0 on considère un portefeuille de valeur Π1t conte-
nant ∆K calls digitaux de strike K et un call européen de strike K +∆K.
Soit un autre portefeuille de valeur Π2t contenant ∆K calls digitaux de
strike K + ∆K et un call européen de strike K + ∆K. Montrer que pour
tout t ∈ [0, T ] on a
Π1t ≥ C E (t, S, K) ≥ Π2t .
E (t,S,K)
2. En déduire que C D (t, S, K) = − ∂C ∂K .
3. Supposons que St suit le modèle de Black et Scholes : dSt /St = µdt +
σdBt ; trouver explicitement la stratégie xG , θG qui réplique G en fonction
de K, T, σ, µ, r et de la fonction de répartition de la loi normale centrée
réduite.
Exercice 3.7 Soit T > 0 et C E (t, x) le prix d’un call européen de maturité T ,
strike K à l’instant t ≤ T et lorsque le prix St du sous-jacent est égal à x. Le
95
sous-jacent est supposé suivre le modèle de Black-Scholes. Nous introduisons

aussi un autre produit dérivé, le call digital, qui est l’actif indépendant de
chemin de payoff 1ST ≥K ; son prix, pour St = x, sera noté C D (t, x).
∂C D (t,x)
1. Calculer C D (t, x) et ∂x ;
2. Quel est le prix d’une option "titre ou rien" qui est un actif de payoff
ST 1ST ≥K ;
3. Peut-on répliquer un call digital à l’aide d’un portefeuille qui ne contien-
drait pas d’autre actif risqué que le call européen ?
Exercice 3.8 Soit un marché composé d’un actif sans risque suivant la dyna-
mique St0 = ert et d’un actif risqué suivant la dynamique de Black et Scholes
dSt
= µdt + σdBt ,
St
µ ∈ R, σ > 0. Soit un horizon de temps T > 0 et T1 ∈]0, T [. Pour tout t ∈ [0, T ]

on note Ct (T, S, K) le prix à la date t d’un call européen sur S de maturité
T et strike K. Soit G un call européen de strike K1 et de maturité T1 dont
le sous-jacent est un call européen sur S de strike K et de maturité T . Son
pay-off prend donc la forme
G = (CT1 (T, S, K) − K1 )+ .
1. Montrer que pour tout t ∈ [0, T1 ] la valeur de G à la date t est donnée

par v(T1 − t, St ) où
σ2
√
v(θ, x) = E[e−rθ (u(T1 , xe(r− 2
)θ+σ θg
) − K1 )+ ]
la fonction u(t, x) correspondant au prix à la date t du call européen sur

S de strike K et de maturité T quand le sous-jacent de cette option est
de valeur x (voir exercice 3.2 page 92) et g à une variable aléatoire de
loi N (0, 1).
2. Montrer que
σ2
√
v(θ, x) = E[e−rθ u(T1 , xe(r− 2
)θ+σ θg
)1g>−d ] − K1 e−rθ N(d)
96
avec
σ2
log xx1 + (r − 2 )θ
d= √
σ θ
où x1 est l’unique solution de u(T1 , x) = K1 et N : y 7→ N(y) = P[Z ≤
y] où Z ∼ N (0, 1).
3. Montrer qu’en prenant θ = T1 − t on a
√ √ 2

−rθ σ( θg+ θ1 g1 )− σ2 (θ+θ1 ) −r(θ+θ1 )
v(θ, x) + K1 e N(d) = E xe − Ke 1A
où θ1 = T − T1 , g1 est une variable aléatoire de loi N (0, 1) indépendante

de g et A est défini par
√
( )
p x σ2
A= σ( θg + θ1 g1 ) > −(log + (r − )(θ + θ1 )) ∩ {g > −d} .
K 2
4. En déduire une expression de v(T1 − t, x) à l’aide de N et N2 définie par

N2 (y, y1 , ρ) = P(g < y, g + ρg1 < y1 ).
5. Montrer que l’on peut répliquer l’option composée à l’aide d’un porte-
feuille ne contenant que de l’actif sans risque et de l’actif risqué S.
Chapitre 4
Solution des exercices
4.1 Exercices du chapitre 1
Exercice 1.1 Supposons que θ est une stratégie auto-financée. D’après la

formule (1.7) page 6, pour tout k = 1, · · · , N on a
Ṽtk − Ṽtk−1 = hθtk , ∆S̃tk i

= hθtk , S̃tk i − hθtk , S̃tk−1 i. (4.1)
Or, par définition, Ṽtk = hθtk , S̃tk i et Ṽtk−1 = hθtk−1 , S̃tk−1 i. Par conséquent
Ṽtk − Ṽtk−1 = hθtk , S̃tk i − hθtk−1 , S̃tk−1 i. (4.2)
En comparant (4.1) et (4.2) on voit donc que pour tout k = 1, · · · , N , on a

nécessairement
hθtk−1 , S̃tk−1 i = hθtk , S̃tk−1 i. (4.3)
Réciproquement, supposons que pour tout k = 1, · · · , N , l’égalité (4.3) est

vraie. Alors
Ṽtk − Ṽtk−1 = hθtk , S̃tk i − hθtk−1 , S̃tk−1 i

= hθtk , S̃tk i − hθtk , S̃tk−1 i
= hθtk , ∆S̃tk i,
97
98
l’égalité (1.7) page 6 en découle immédiatement.

Exercice 1.2 On peut traiter cet exercice en utilisant le corolaire 1.1 page 9
comme dans la preuve de la proposition 1.3 page 10. Cependant, on va plutôt
procéder en montrant que si l’une des inégalités de la proposition n’est pas
vérifiée on peut explicitement construire une stratégie d’arbitrage. Ainsi sup-
posons qu’avec une probabilité strictement positive il existe une date t ∈ [0, T ]
telle que Ct (S, T, K) > S. Considérons un investisseur qui partant d’une ri-
chesse initiale nulle suit la stratégie suivante :
i) il ne procède à aucun investissement tant que Ct (S, T, K) ≤ S et ce
jusqu’à la date terminale T .
ii) dès que Ct (S, T, K) > S (ce qui arrive à une date indéterminée t ∈
[0, T ] avec une probabilité strictement positive), il vend un call sur S de
maturité T et de prix d’exercice K et achète une unité du sous-jacent
S. Le solde de ces opérations Ct (S, T, K) − S est strictement positif et
l’investisseur le place en actif sans risque. Après cela il ne procède plus
à aucune opération jusqu’à la date T . À ce moment là
– soit l’acheteur du call décide de l’exercer, l’investisseur lui livre alors
le sous-jacent qu’il détient.
– soit l’acheteur du call décide de ne pas l’exercer.
Dans tous ces sous-cas du cas ii) la fortune finale de l’investisseur est
supérieure ou égale au montant qui a été placé sur l’actif sans risque
modifié par l’action du taux dŠintérêt.
Au final, en considérant les issues des deux cas i) et ii) on constate que si il
existe une probabilité non-nulle qu’à un moment quelconque de [0, T ] la borne
supérieure sur le prix du call (1.16) n’est pas vérifiée on peut construire une
stratégie d’arbitrage. Par conséquent, l’Absence d’Opportunité d’Arbitrage
suffit à elle seule pour impliquer, quel que soit le modèle, la validité de la
borne supérieure de (1.16).
Pour prouver la borne inférieure sur le prix du call on doit prouver que pour
tout t ∈ [0, T ] on a à la fois Ct (S, T, K) ≥ 0 et Ct (S, T, K) ≥ St − Ke−r(T −t) .
Prouvons la première inégalité en supposant qu’avec une probabilité non-nulle
il existe une date t ∈ [0, T ] telle que Ct (S, T, K) < 0, autrement dit, dans
cette situation, l’acheteur du call reçoit −Ct (S, T, K) au moment de son achat.
99
Considérons un investisseur qui, partant d’une richesse initiale nulle, suit la

stratégie suivante :
i) il ne procède à aucun investissement tant que Ct (S, T, K) ≥ 0 et ce
jusqu’à la date terminale T .
ii) dès que Ct (S, T, K) < 0 (ce qui arrive à une date indeterminée t ∈
[0, T ] avec une probabilité strictement positive), il achète un call sur
S de maturité T et de prix d’exercice K et, ce faisant, perçoit donc
−Ct (S, T, K) > 0. Il place cette somme en actif sans risque. Après cela il
ne procède plus à aucune opération jusqu’à la date T . La fortune finale
de l’investisseur est donc supérieure ou égale au montant qui a été placé
à la date t sur l’actif sans risque modifié par l’action du taux d’interêt
puisque CT (S, T, K) = (ST − K)+ ≥ 0.
On a donc montré que si la probabilité qu’il existe t ∈ [0, T ] tel que Ct (S, T, K) <
0 est non-nulle on peut mettre en place une stratégie d’arbitrage. Il s’ensuit que
l’Absence d’Opportunité d’Arbitrage suffit à elle seule pour impliquer, quel que
soit le modèle, qu’avec probabilité égale à un on a toujours Ct (S, T, K) ≥ 0.
Prouvons de façon analogue qu’avec probabilité un, pour tout t ∈ [0, T ], on a
Ct (S, T, K) ≥ S − Ke−r(T −t) . Supposons donc qu’avec une probabilité stricte-
ment positive il existe une date t ∈ [0, T ] telle que Ct (S, T, K) < S−Ke−r(T −t) .
Considérons un investisseur qui partant d’une richesse initiale nulle suit la
stratégie suivante :
i) il ne procède à aucun investissement tant que Ct (S, T, K) ≥ S−Ke−r(T −t) .
ii) dès que Ct (S, T, K) < S − Ke−r(T −t) (ce qui arrive à une date inde-
terminée t ∈ [0, T ] avec une probabilité strictement positive), il vend à
découvert une unité de S en s’engageant à la livrer à la date T et achète
un call sur S de maturité T et de prix d’exercice K. Le solde de ces
opérations S − Ct (S, T, K) est strictement supérieur à Ke−r(T −t) et l’in-
vestisseur le place sur l’actif sans risque. Après cela il ne procède plus
à aucune opération jusqu’à la date T . À ce moment là, il dispose d’un
numéraire strictement supérieur à K et d’un call sur S de prix d’exerice
K et alors
– soit le prix de S en T est inférieur ou égal à K et l’investisseur peut
100
faire face à sa vente à decouvert à l’aide du numéraire.

– soit le prix de S en T est strictement supérieur à K et alors l’inves-
tisseur utilise son numéraire pour exercer le call qu’il possède et ainsi
pouvoir livrer S.
Dans tous ces sous-cas du cas ii) la fortune finale de l’investisseur est
strictement positive.
On a donc à nouveau montré que si l’inégalité considérée n’est pas vraie avec
probabilité un on peut construire une stratégie d’arbitrage. Finalement, on
a prouvé qu’avec probabilité un les trois inégalités dans (1.16) sont vérifiées
pour tout t ∈ [0, T ].
La preuve des bornes sur le prix du put s’obtient en raisonnant de la même
façon ou encore en partant de l’encadrement du prix du call et en utilisant la
relation de parité Call-Put (Proposition 1.3 page 10).
Exercice 1.3 On commence par prouver la convexité du prix du call par
rapport au prix d’exercice et pour cela on considère une date t ∈ [0, T ], deux
prix d’exercice K1 , K2 ≥ 0 et λ ∈ [0, 1] pour lesquels il s’agit donc de montrer
que
Ct (S, T, λK1 + (1 − λ)K2 ) ≤ λCt (S, T, K1 ) + (1 − λ)Ct (S, T, K2 ). (4.4)
Considérons la stratégie financière str 1 qui consiste à acheter à la date t le

call de prix d’exercice λK1 + (1 − λ)K2 et à maintenir le portefeuille inchangé
jusqu’à la maturité T . Sa valeur terminale est VTstr1 = (ST −λK1 −(1−λ)K2 )+ .
Considérons maintenant la stratégie str 2 qui consiste à acheter à la même
date t λ unités du call sur S de prix d’exercice K1 et 1 − λ unités du call
sur S de prix d’exercice K2 . La valeur terminale de cette stratégie est VTstr2 =
λ(ST −K1 )+ +(1−λ)(ST −K2 )+ . L’application K 7→ (ST −K)+ étant convexe
on a :
(ST − λK1 − (1 − λ)K2 )+ ≤ λ(ST − K1 )+ + (1 − λ)(ST − K2 )+
donc VTstr1 ≤ VTstr2 d’où Vtstr1 ≤ Vtstr2 d’après le Corolaire 1.1 page 10 ce qui
prouve (4.4). La preuve de la convexité du prix du put par rapport au prix
d’exercice s’obtient en raisonnant de la même façon ou encore en partant de
101
la convexité du prix du call par rapport à son prix d’exercice et en utilisant la

relation de parité Call-Put (Proposition 1.3 page 10).
Exercice 1.4
1. D’après (1.1) page 2 on a St0k = St00 er(tk −t0 ) ainsi St00 = 100, St01 = 106
et St02 = 112.36. De plus Ṽtk = Vtk /St0k d’où Ṽt0 = 10, Ṽt1 = 10 et
Ṽt2 = 9.274.
2. 
Le portefeuille
  d’après(1.7) page 6 on a Ṽt1 = Ṽt0 +
étant auto-financé,
θ • ∆S̃  . Or Ṽt = Ṽt d’où θ • ∆S̃  = θ 1 S̃ 1 − θ 1 S̃ 1 = 0 par
1 0 t1 t1 t1 t0
t1 t1
conséquent θt11 = 0 puisque S̃t11 = 1.132 et S̃t10 = 1. De plus, Vt0 = θt01 St00 +
θt11 St10 donc θt01 = 10. En raisonnant de même on voit que Ṽt2 − Ṽt1 =
θt12 S̃t12 − θt12 S̃t11 = −0.726 donc θt12 = 3 puisque S̃t12 = 0.89 et S̃t11 = 1.132.
Comme Vt1 = θt02 St01 + θt12 St11 on obtient finalement θt02 = 6.604.
3. Une stratégie impliquant seulement l’actif sans risque et partant d’une

valeur initiale Vt0 = 1000 conduit à une valeur finale de Vt0 = 1123.6.
Exercice 1.5
1. Pour tout k = 1, · · · , N la valeur du portefeuille à la date tk−1 est

Vtk−1 = hθtk−1 , Stk−1 i. Puisque à chaque date l’investisseur décide d’une
ré-allocation de sa richesse en en plaçant la moitié sur l’actif risqué on a
Vtk−1 /2 = hθtk−1 , Stk−1 i/2 = θt1k St1k−1
d’où θt1k = hθtk−1 , Stk−1 i/(2St1k−1 ). L’autre moitié de la richesse étant

placée sur l’actif sans risque on a
Vtk−1 /2 = hθtk−1 , Stk−1 i/2 = θt0k St0k−1
d’où θt0k = hθtk−1 , Stk−1 i/(2St0k−1 ).
2. Pour tout k = 1, · · · , N Vtk = θt0k St0k + θt1k St1k d’où, d’après la question
102
précédente,
Vtk−1 0 Vt
Vtk = Stk + k−1 S1
0
2Stk−1 2St1k−1 tk
1 St0k 1 St1k
!
= Vtk−1 + .
2 St0k−1 2 St1k−1
Exercice 1.6
1. D’après la définition A.6 page 195 on doit vérifier que
(a) Pour tout n ≥ 0 on a E[|Xn |] < ∞. Ici, pour tout n ≥ 1 on
a |Xn | ≤ nk=1 |ξk | donc E[|Xn |] ≤ nk=1 E[|ξk |] = nE[|ξ1 |] < ∞
P P
puisque ξ1 , . . . , ξn ont tous même loi et que cette loi est de variance
finie. On a même E[Xn2 ] < ∞.
(b) Pour tout n ≥ 0 on a E[Xn+1 |Fn ] = Xn . Ici, pour tout n ≥ 0
E[Xn+1 |Fn ] = E[ξ1 + · · · + ξn+1 |Fn ]

= E[ξ1 + · · · + ξn |Fn ] + E[ξn+1 |Fn ]
= ξ1 + · · · + ξn + E[ξn+1 ]
= Xn
où E[ξ1 + · · · + ξn |Fn ] = ξ1 + · · · + ξn car les variables aléatoires

ξ1 , . . . , ξn sont Fn -mesurables et E[ξn+1 |Fn ] = E[ξn+1 ] = 0 car ξn+1
est indépendante de Fn (Proposition A.5 page 194).
2. Pour tout n ≥ 0 on a
2
E[Xn+1 |Fn ] = E[(ξ1 + · · · + ξn+1 )2 |Fn ]
= E[(ξ1 + · · · + ξn )2 + 2ξn+1 (ξ1 + · · · + ξn ) + ξn+1
2
|Fn ]
= E[(ξ1 + · · · + ξn )2 |Fn ] + E[2ξn+1 (ξ1 + · · · + ξn )|Fn ] + E[ξn+1
2
|Fn ]
= (ξ1 + · · · + ξn )2 + 2(ξ1 + · · · + ξn )E[ξn+1 |Fn ] + E[ξn+1
2
]
= Xn2 + E[ξn+1
2
]
où E[2ξn+1 (ξ1 + · · · + ξn )|Fn ] = 2(ξ1 + · · · + ξn )E[ξn+1 |Fn ] = 0 car

(ξ1 + · · · + ξn ) est Fn -mesurable (Proposition A.5 page 194).
103
Supposons qu’il existe une suite de réels (an )n≥0 telle que a0 = 0 et
(Xn2 − an )n≥0 soit une martingale et montrons que cette suite est néces-
sairement unique. Si (Xn2 − an )n≥0 est une martingale, pour tout n ≥ 0
on a
2
E[Xn+1 − an+1 |Fn ] = Xn2 − an
et par ailleurs
2 2
E[Xn+1 − an+1 |Fn ] = E[Xn+1 |Fn ] − an+1
= Xn2 + E[ξn+1
2
] − an+1
donc pour tout n ≥ 0 on a an+1 = an + E[ξn+12 ] ce qui ajouté au fait que
a0 = 0 détermine (an )n≥0 de façon unique. Réciproquement, prouvons

qu’en prenant a0 = 0 et an = nk=1 E[ξk2 ] on obtient une suite croissante
P
(an )n≥0 ∈ R telle (Xn2 − an )n≥0 soit une martingale. Pour tout n ≥ 0 la
variable aléatoire Xn2 − an est clairement intégrable et on a de plus
2 2
E[Xn+1 − an+1 |Fn ] = E[Xn+1 |Fn ] − an+1
n+1
X
= Xn2 + 2
E[ξn+1 ] − E[ξk2 ]
k=1
n
X
= Xn2 − E[ξk2 ]
k=1
= Xn2 − an ,
alors que la suite (an )n≥0 est clairement croissante.
3. De façon analogue à la question précédente on commence par établir que

pour tout n ≥ 0
E[Xn+1 Yn+1 |Gn ] = Xn Yn + E[ξn+1 ηn+1 ].
En effet, pour tout n ≥ 0, puisque Xn et Yn sont de carré intégrable

104
alors Xn Yn est intégrable (par Cauchy-Schwartz) et on a
E[Xn+1 Yn+1 |Gn ] = E[(ξ1 + · · · + ξn+1 )(η1 + · · · + ηn+1 )|Gn ]

= E[(ξ1 + · · · + ξn )(η1 + · · · + ηn )|Gn ] +
+E[ξn+1 (η1 + · · · + ηn )|Gn ] + E[ηn+1 (ξ1 + · · · + ξn )|Gn ] +
+E[ξn+1 ηn+1 |Gn ]
= (ξ1 + · · · + ξn )(η1 + · · · + ηn ) + (η1 + · · · + ηn )E[ξn+1 |Gn ] +
+(ξ1 + · · · + ξn )E[ηn+1 |Gn ] + E[ξn+1 ηn+1 ]
= Xn Yn + E[ξn+1 ηn+1 ]
en utilisant la Proposition A.5 page 194. Supposons à présent qu’il existe

une suite (dn )n≥0 ∈ R telle que d0 = 0 et (Xn Yn − dn )n≥0 soit une
martingale et montrons que cette suite est nécessairement unique. En
effet, si (Xn Yn − dn )n≥0 est une martingale, pour tout n ≥ 0 on a
E[Xn+1 Yn+1 − dn+1 |Gn ] = Xn Yn − dn
et par ailleurs
E[Xn+1 Yn+1 − dn+1 |Gn ] = E[Xn+1 Yn+1 |Gn ] − dn+1

= Xn Yn + E[ξn+1 ηn+1 ] − dn+1
donc pour tout n ≥ 0 on a nécessairement dn+1 = dn + E[ξn+1 ηn+1 ] ce

qui ajouté au fait que d0 = 0 détermine (dn )n≥0 de façon unique. Ré-
ciproquement, prouvons qu’en prenant d0 = 0 et dn = nk=1 E[ξk ηk ] on
P
obtient une suite (dn )n≥0 ∈ R telle Xn Yn − dn soit une martingale. En

effet, pour tout n ≥ 0 la variable aléatoire Xn Yn − dn est clairement
intégrable puisque d’apès l’inégalité de Cauchy-Scwartz E[|Xn Yn |] ≤
105
1/2
E[Xn2 ]E[Yn2 ] < ∞ et on a de plus
E[Xn+1 Yn+1 − dn+1 |Gn ] = E[Xn+1 Yn+1 |Gn ] − dn+1

n+1
X
= Xn Yn + E[ξn+1 ηn+1 ] − E[ξk ηk ]
k=1
= Xn Yn − dn .
Exercice 1.7 Ici T = 4 et N = 2 donc ∆t = 2. D’après (1.24) page 17

on a donc q = 0.75. Le tableau se remplit en commençant par calculer les
quantités relatives à la date t2 . Par exemple pG 1 1
t2 (St2 ) = (St2 − 100)
+ d’où
pG +
t2 (75) = (75 − 100) = 0. Une fois les données de cette colonne complétées
on effectue les calculs correspondant à la date t1 . Ainsi pG 1 1 1
t1 (St1 ) et θt2 (St1 ) se
calculent à l’aide des formules (1.31) page 19. Par exemple

−r∆t
pG
t1 (150) = e × q × (150 × u − 100)+ + (1 − q) × (150 × d − 100)+
et
pG G
t2 (150 × u) − pt2 (150 × d)
θt12 (150) = .
150 × u − 150 × d
Les quantités relatives à t0 se calculent de la même façon une fois que les
quantités relatives à t1 ont été calculées. Au total
106
225
125
NA
%
150
75
5/6
% &
100 75
St1 225/5 0
k
3/4 NA
pG 1
t (St )
k k
: .
θt1 (St1 ) .
k+1 k . & %
. 50
.
. 0
0
. .
. .
. . &
. . 25
. .
. . 0
NA
. . .
. . .
. . .
t0 t1 t2 = T
Exercice 1.8
1. D’après (1.24) page 17 on a q = 0.6.
270
190
NA
%
180
107.272
1
% &
120 90
60.463 10
0.848 NA
% & %
80 60
34.065 5.454
0.719 0.167
.
.
. & % &
. 40 30
.
. 2.974 0
0.136 NA
. .
. .
. . & %
. . 20
. .
. . 0
NA
. . .
. . .
. . . &
. . . 10
. . .
. . . 0
NA
t0 t1 t2 t3 = T
2. Scénario 80 → 120 → 60 → 90 : à la date t0 le vendeur du call perçoit

107
34.065 (prix du call). Pour se couvrir il doit acheter 0.719 unités de S

ce qui lui coûte 57.52. Il doit donc emprunter 57, 52 − 34.065 = 23.455.
À la date t1 , si une unité d’actif risqué coûte 120, le vendeur du call
doit en posséder 0.848 unités pour se couvrir. Il va donc en acheter
0.848 − 0.719 = 0.129 unités supplémentaires, ce qui lui coûte 0.129 ×
120 = 15.48. Pour faire face à cet achat il a dû emprunter ce qui porte
le total de sa dette à 23.455 × 1.1 + 15.48 = 41, 28. À la date t2 , si une
unité d’actif risqué coûte 60, le vendeur du call ne doit plus en posséder
que 0.167 unités pour se couvrir. Il vend donc 0.848 − 0.167 = 0.681
unités d’actif risqué ce qui lui rapporte 0.681 × 60 = 40.86. Avec cette
somme il rembourse une partie de sa dette qui à cette date s’élève à
41, 28 × 1.1 = 45.408. Il repart donc de t2 avec une dette de 45.408 −
40.86 = 4.548. Finalement, si l’actif risqué vaut 90 en t3 , l’option sera
exercée par l’acheteur. Le vendeur devra donc livrer une unité d’actif
risqué en échange du prix d’exercice de l’option, à savoir 80. Il devra donc
se procurer 1 − 0.167 = 0.833 unités de l’actif risqué ce qui va lui coûter
90 × 0.833 = 74.97. Par ailleurs il lui reste à rembourser 4.548 × 1.1 =
5.003 ce qui porte ses dépenses en t3 à 74.97 + 5.003 = 79.973. Mais il
perçoit 80 du fait de l’exercice de l’option : il a pu faire face.
Scénario 80 → 120 → 60 → 30 : La stratégie de couverture est la même
puisque la seule différence entre les deux situations n’est observée qu’à t3 ,
moment où plus aucune prise de décision n’est possible pour le vendeur
du call. Si le prix de l’actif risqué à ce stade est 30 l’option ne sera
pas exercée. Cependant, le vendeur du call peut faire face à sa dette
4.55×1.1 = 5.003 car la vente des 0.167 unités d’actif risqué lui rapporte
0.167 × 30 = 5.01.
La théorie prévoit qu’à la date terminale le vendeur devrait équilibrer ses
flux monétaires. On voit qu’ici on s’en écarte de l’ordre de quelques pour
mille. C’est une conséquence d’erreurs d’arrondis.
Exercice 1.9 Exercice 1.9 On suppose que l’actif risqué évolue sur un arbre
trinomial : à chaque date sa valeur peut être multipliée par le facteur u ("up")
ou par le facteur m ("middle") ou par le facteur d ("down") avec 0 < d < m < u.
En raisonnant comme dans le cas de l’arbre binomial on voit qu’il suffit que
108
les variables aléatoires Y1 , . . . , YN soient indépendantes et de même loi sous Q

et que Q vérifie les deux conditions
Q(Y1 = d) + Q(Y1 = m) + Q(Y1 = u) = 1

dQ(Y1 = d) + mQ(Y1 = m) + uQ(Y1 = u) = er∆t
pour que le processus S̃ soit une martingale sous Q. Mais ces conditions in-
duisent un système de deux équations à trois inconnues qui peut admettre
plusieurs solutions et donc la probabilité risque neutre ne pas être unique.
Exercice 1.10 Supposons que ST1 prends ses valeurs dans {s1 , . . . , sM }. Pour
tout 1 ≤ j ≤ M on considère l’actif contingent de pay-off Gj = 1S 1 =sj .
T
Le marché étant complet cet actif est réplicable et d’après la Proposition 1.7
j −r(T −tk ) EQ [Gj |F ]. En particulier en prenant
page 14 pour tout tk ∈ T pGtk = e tk
Gj −rT −rT
tk = t0 on a pt0 = e E [1S 1 =sj |Ft0 ] = e
Q Q(ST1 = sj ). Ainsi, dans ce
T
modèle, la connaissance de la probabilité risque neutre est équivalente à la
connaissance des prix de tous les actifs contingents de pay-off Gj = 1S 1 =sj . Si
T
d > 1 en considérant tous les actifs contingents de payoff
Gj1 ,...,jd = 1S 1 =sj ,...,STd =sjd , j1 , . . . , jd ∈ {1, . . . , M }

T 1
on voit, en raisonnant de même, que la connaissance des prix des ces ac-
tifs contingents en t0 est équivalente à la connaissance de la loi jointe des
ST1 , . . . , STd sous Q.
Exercice 1.11 On commence par supposer que G est réplicable. D’après la

Proposition 1.7 page 14, pour tout tk ∈ T la valeur en tk de l’actif contingent
pG −r(T −tk ) EQ [φ(S 1 , . . . , S 1 )|F ] qui est une fonction de
tk est donnée par e t0 tN tk
St0 , . . . , Stk . En particulier la valeur en t0 de G est v = e−rT EQ [G] et sa valeur
1 1
109
en T est φ(St10 , St11 , ..., St1N ). Donc, pour tout k = 0, . . . , N − 1 on a
Q −r(T −tk )
pG 1 1
tk (St0 , . . . , Stk ) = E [e φ(St10 , . . . , ST1 )|Ftk ]
hh i i
= EQ EQ [e−r(T −tk ) φ(St10 , . . . , ST1 ) Ftk+1 Ftk

h i
= EQ e−r∆t pG 1 1
tk+1 (St0 , . . . , Stk+1 ) Ftk

h i
= EQ e−r∆t 1{Yk+1 =u} + 1{Yk+1 =d} pG 1 1
tk+1 (St0 , . . . , Stk+1 ) Ftk

h i
= e−r∆t EQ 1{Yk+1 =u} pG 1 1 G 1 1
tk+1 (St0 , . . . , Stk u) + 1{Yk+1 =d} ptk+1 (St0 , . . . , Stk d) Ftk .

Puisque pG 1 1 G 1 1
tk+1 (St0 , . . . , Stk u) et ptk+1 (St0 , . . . , Stk d) sont des fonctions Ftk -mesurables
alors que 1{Yk+1 =u} et 1{Yk+1 =d} sont indépendantes de Ftk on obtient l’expres-
sion (1.36) après utilisation des propriétés élémentaires de l’espérance condi-
tionnelle (Proposition A.5 page 194). On remarquera que (1.36), combiné au
fait évident que pG tN = φ, détermine de façon unique par récurrence descen-
dante une famille pG tk , tk ∈ T , de fonctions définies sur les valeurs possibles de
1 1
(St0 , . . . , Stk ) à chaque date tk .
Montrons à présent, à l’aide de la famille pG tk , tk ∈ T , que G est effective-

ment réplicable en considérant le problème de sa couverture. Nous procédons
par récurrence en montrant que pour tout k = 0, . . . , N l’actif pG 1 1
tk (St0 , . . . , Stk )
est réplicable en suivant la stratégie θ donnée par l’énoncé. Ceci prouvera que
G est réplicable puisque pG 1 1 1 1
tN (St0 , . . . , StN ) = φ(St0 , . . . , ST ) = G. Le cas k = 0
est trivial car pG 1
t0 (St0 ) est la constante réelle v, réplicable avec un portefeuille
de valeur v investi uniquement en actif sans risque. Supposons à présent que
nous avons montré pour k fixé que pG 1 1
tk (St0 , . . . , Stk ) est replicable à l’aide d’une
stratégie de valeur initiale v et de θt1` (` = 1, ..., k) définies comme indiqué ;
nous montrons que ceci est encore vrai pour k + 1. D’après (1.8) page 6, nous
sommes donc à la recherche d’une variable Ftk mesurable θt1k+1 telle que
er∆t pG 1 1 1 1 1 r∆t
tk (St0 , . . . , Stk ) + θtk+1 (Stk+1 − Stk e ) = pG 1 1
tk+1 (St0 , . . . , Stk+1 ).
Ceci, selon les valeurs possibles de St1k+1 , conduit à un système de deux équa-
110
tions
er∆t pG 1 1 1 1
tk (St0 , . . . , Stk ) + θtk+1 Stk (u − e
r∆t
) = pG 1 1 1
tk+1 (St0 , . . . , Stk , Stk u)
er∆t pG 1 1 1 1
tk (St0 , . . . , Stk ) + θtk+1 Stk (d − e
r∆t
) = pG 1 1 1
tk+1 (St0 , . . . , Stk , Stk d)
pG
t (St1 ,...,St1 ,St1 u)−pG
t (St1 ,...,St1 ,St1 d)
On obtient donc θt1k+1 = k+1 0 k k k+1
St1 u−St1 d
0 k k
, c’est à dire la
k k
formule attendue pour θ1 . On remarque à nouveau que θ1 est égal au quotient
entre la variation du prix du dérivé et la variation du produit sous-jacent. La
stratégie θ ainsi construite permet de répliquer G ce qui conclut la preuve.
Exercice 2.1
1. Clairement, pour tout u ∈ R, ΦB0 (u) = 1. Quand t > 0 la fonction

caractéristique de Bt s’obtient commme solution d’une équation diffé-
rentielle. Tout d’abord remarquons que pour tout u ∈ R le conjugué du
nombre (a priori) complexe ΦBt (u) est ΦBt (−u) donc ΦBt (u) puisque
Bt est de loi symétrique. Ainsi, pour tout u ∈ R, ΦBt (u) est un nombre
réel. Ensuite, puisque d’une part u 7→ eiuBt est dérivable P−presque sû-
rement et que d’autre part |iBt eiuBt | ≤ |Bt | est intégrable, il découle du
Théorème de dérivabilité des intégrales dépendant d’un paramètre que
ΦBt (u) est dérivable en tout u ∈ R et que Φ0Bt (u) = E[iBt eiuBt ]. Une
intégration par parties nous donne
Z ∞
1 − x2
Φ0Bt (u) = ixeiux √ e 2t dx
−∞ 2πt
∞ Z ∞
i 1 − x2

x2
= √ −teiux e− 2t − uteiux √ e 2t dx
2πt −∞ −∞ 2πt
= −utΦBt (u).
Ainsi ΦBt est l’unique solution de l’équation différentielle f 0 (u) = −utf (u)
u2
vérifiant f (0) = 1 donc ΦBt (u) = e−t 2 .
111
2. On a E[|B0 |] = 0 et pour tout a ∈ R, E[B0 1B0 ≤a ] = 0. Si t > 0 on a

Z ∞
1 − x2
E[|Bt |] = |x| √e 2t dx
−∞ 2πt
Z ∞
1 − x2
= 2 x√ e 2t dx
0 2πt
∞
2

x2
= √ −te− 2t
2πt 0
r
2t
=
π
et pour tout a ∈ R
Z a
1 − x2
E[Bt 1Bt ≤a ] = x√ e 2t dx
−∞ 2πt
a
1

x2
= √ −te− 2t
2πt −∞
r
t − a2
= − e 2t .
2π
3. Une intégration par parties nous montre que si X est une variable aléa-
toire de loi N (0, 1) alors
Z ∞
1 x2
E[X 4 ] = x4 √ e− 2 dx
−∞ 2π
1 3 − x2 ∞
Z ∞
1

x2
= √ x e 2 + 3x2 √ e− 2 dx
2π −∞ −∞ 2π
= 3.
Bt
Comme pour tout t > 0 la variable aléatoire √
t
est de loi N (0, 1) il vient
Bt
E[|Bt |4 ] = t2 E[| √ |4 ]
t
2
= 3t
tandis que si t = 0 l’égalité E[|Bt |4 ] = 3t2 est bien sûr vérifiée.
Exercice 2.2 Puisque X est tel que pour tous 0 ≤ s < t l’accroissement
Xt − Xs est de loi N (0, t − s) la variable aléatoire X√t −X
t−s
s
est de loi N (0, 1).
112
Donc, d’après le résultat de la dernière question de l’exercice 2.1

" 4 #
Xt − Xs
E[|Xt − Xs |4 ] = (t − s)2 E √

t−s
= 3(t − s)2 .
Exercice 2.3
1. Pour tout réel u on a

Z ∞
1 x2
E[e uX
] = eux √ e− 2 dx
−∞ 2π
Z ∞
1 − 1 (x2 −2ux+u2 )+ 1 u2
= √ e 2 2 dx
−∞ 2π
Z ∞
1 2 1 (x−u)2
= e2u √ e− 2 dx (4.5)
−∞ 2π
1 2
= e2u
puisque l’intégrale dans (4.5) est l’intégrale sur R de la densité de la loi

N (u, 1). Ainsi pour tout t > 0
E[S0 exp {σBt + µt}] = S0 eµt E[eσBt ]

√ B
µt σ t √t
= S0 e E[e t ]
µt+ 21 σ 2 t
= S0 e
tandis que l’égalité demeure clairement vraie si t = 0. On montre de

2 2
même que la variance de St vaut S02 e2µt+σ t [eσ t − 1] pour tout t ≥ 0.
2. On remarque que pour tout t ≥ s ≥ 0 on a
St = exp{σ(Bt − Bs ) + µ(t − s)}S0 exp{σBs + µs}

St
= Ss .
Ss
La variable aléatoire SSst est indépendante de Fs puisque B est un F-

mouvement Brownien tandis que Bs est Fs -mesurable. Le résultat an-
113
noncé est donc une conséquence de la formule (A.17) de la proposition

A.5 page 195.
Exercice 2.4
1. Le processus considéré est F-adapté et pour tout t ≥ 0 la variable aléa-

toire Bt étant une variable aléatoire gaussienne, elle est intégrable. De
plus
E[Bt |Fs ] = E[Bt − Bs |Fs ] + E[Bs |Fs ]

= Bs
car B étant un F mouvement Brownien on a d’une part que Bt − Bs est

indépendant de Fs donc E[Bt − Bs |Fs ] = E[Bt − Bs ] = 0 et d’autre part
que Bs est Fs mesurable donc E[Bs |Fs ] = Bs . Le processus {Bt , t ≥ 0}
est donc une F-martingale.
2. Pour tout t ≥ 0, Bt2 − t est l’image par une application mesurable de

Bt qui est lui même Ft mesurable donc {Bt2 − t, t ≥ 0} est F-adapté.
La variable aléatoire Bt étant une variable aléatoire gaussienne Bt2 est
intégrable. On a
E[Bt2 − t|Fs ] = E[(Bt − Bs + Bs )2 − t|Fs ]

= E[((Bt − Bs )2 − 2Bs (Bt − Bs ) + Bs2 |Fs ] − t
= E[((Bt − Bs )2 |Fs ] − 2E[Bs (Bt − Bs )|Fs ] + E[Bs2 |Fs ] − t
= t − s + Bs2 − t
= Bs2 − s
car Bt − Bs étant indépendante de Fs on a E[(Bt − Bs )2 |Fs ] = E[(Bt −

Bs )2 ] = t − s. De plus Bs étant Fs mesurable on a E[Bs (Bt − Bs )|Fs ] =
Bs E[(Bt − Bs )|Fs ] = Bs E[(Bt − Bs )] = 0 et E[Bs2 |Fs ] = Bs2 . Le processus
{Bt2 − t, t ≥ 0} est donc une F-martingale.
3. Pour les mêmes raisons qu’à la question précédente le processus est F-

114
adapté et intégrable. De plus
E[Bt3 − 3tBt |Fs ] = E[(Bt − Bs + Bs )3 − 3t(Bt − Bs + Bs )|Fs ]

= E[(Bt − Bs )3 |Fs ] + 3E[Bs (Bt − Bs )2 |Fs ] +
+3E[Bs2 (Bt − Bs )|Fs ] + E[Bs3 |Fs ]
−3tE[(Bt − Bs )3 |Fs ] − 3tE[Bs |Fs ]
= E[(Bt − Bs )3 ] + 3Bs E[(Bt − Bs )2 ] +
+3Bs2 E[(Bt − Bs )] + Bs3 − 3tE[(Bt − Bs )3 ] − 3tBs
= 3Bs (t − s) + Bs3 − 3tBs
= Bs3 − 3sBs
du fait des propriétés de l’espérance conditionnelle déjà utilisées à la

question précédente. Le processus {Bt3 − 3tBt , t ≥ 0} est donc une F-
martingale.
4. Pour les mêmes raisons qu’à la question précédente le processus est F-

adapté. Il découle de l’exercice 2.3 que les exponentielles d’une variable
aléatoire gaussienne sont intégrables. De plus
2 t/2 2 t/2
E[eσBt −σ |Fs ] = E[eσ(Bt −Bs +ăBs )−σ |Fs ]
σBs −σ 2 t/2 σ(Bt −Bs )
= e E[e |Fs ]
σBs −σ 2 t/2 σ(Bt −Bs )
= e E[e ]
−σ 2 t/2 σ 2 (t−s)/2
= eσBs e
−σ 2 s/2
= eσBs .
Le processus étudié est donc bien une F-martingale.
Exercice 2.5
1. Il n’y a rien à corriger : {2 + Bt , t ≥ 0} est une F-martingale.

115
2. Pour tous 0 ≤ s ≤ t on constate que
E[2 + B2t |Fs ] = 2 + Bs

6= 2 + B2s
cependant en introduisant la filtration G = {Gt = F2t , t ≥ 0} on voit

que {2 + B2t , t ≥ 0} est une G-martingale.
3. On va montrer que { B√3t3 , t ≥ 0} est un mouvement Brownien. En effet,

il s’agit d’un processus gaussien centré à trajectoires continues et à ac-
croissements indépendants, puisque B est un mouvement brownien. De
plus, B3t − B3s étant de loi N (0, 3(t − s)), la variable aléatoire B√3t3 − B√3s3
est de loi N (0, t − s) donc { B√3t3 , t ≥ 0} est un mouvement Brownien.
tB
4. On va montrer que { 24/t , t > 0} prolongé avec 0 en t = 0 est un mou-
vement Brownien. En effet, il s’agit d’un processus gaussien centré à
trajectoires continues pour tout t > 0 et à accroissements indépendants,
puisque B est un mouvement brownien. De plus, pour tous 0 < s ≤ t
E[(tB4/t − sB4/s )2 ] = E[t2 B4/t

2
− 2tsB4/t B4/s + s2 B4/s
2
]
= 4t − 8s + 4s
= 4(t − s)
tB tB4/t
donc { 24/t , t > 0} a même loi que {Bt , t > 0} et en particulier lim supt→0+ 2 =
tB
0 P presque sûrement. Il en découle que { 24/t , t > 0} prolongé avec 0
en t = 0 est un mouvement Brownien.
Exercice 2.6
116
1. Pour tout entier n ≥ 1 et tous réels 0 = t0 ≤ t1 ≤ · · · ≤ tn , on a

   
B 1  Btn − Btn−1 
 
 tn  1 1 1 1 1
 ..    .. 
 .    . 
    
 Btj = 0 ··· 0 1 ··· 1   Btj − Btj−1 .
    
 .. ..
    
   
 .    . 
   
Bt0 0 0 0 0 0 1 Bt0
Les accroissements du mouvement Brownien étant des variables gaus-

siennes indépendantes le vecteur de droite est un vecteur gaussien. Il en
est donc de même du vecteur de gauche en tant qu’image d’un vecteur
gaussien par une application linéaire. Ceci prouve que B est un processus
gaussien.
2. Puisque pour tout t ≥ 0, Bt = Bt − B0 est de loi N (0, t) on a que

E[Bt ] = 0. Par conséquent, pour tous réels 0 ≤ s ≤ t, on a
var(Bt , Bs ) = E[Bt Bs ]
= E[(Bt − Bs + Bs )Bs ]
= E[(Bt − Bs )Bs ] + E[Bs2 ]
= E[E[(Bt − Bs )Bs |Fs ]] + s
= E[Bs E[(Bt − Bs )|Fs ]] + s
= E[Bs E[(Bt − Bs )]] + s
= s
grâce aux propriétés de l’espérance conditionnelle (Proposisiton A.5 page 194).
Exercice 2.7 On va démontrer qu’un processus gaussien B qui est une mar-
tingale continue vérifiant B0 = 0 et tel que Bt2 − t est une martingale est
nécessairement un mouvement Brownien. D’après la Proposition 2.6 page 35,
il suffit de démontrer que pour un tel processus on a nécessairement E[Bt ] = 0
et var(Bt , Bs ) = min(t, s). Or B étant une martingale E[Bt ] = E[B0 ] = 0 et
117
pour tous réels 0 ≤ s ≤ t on a
var(Bt , Bs ) = E[Bt Bs ]
= E[E[Bt Bs |Fs ]]
= E[Bs E[Bt |Fs ]]
= E[Bs2 ]
= E[Bs2 − s] + s
= E[B02 − 0] + s
= s
puisque (Bt2 − t)t≥0 est une martingale.

Exercice 2.8 Supposons que X = {Xt , t ≥ 0} est un F mouvement brownien.
Alors pour tout λ ∈ R et tout t ≥ 0, Mtλ est Ft -mesurable puisque Mtλ est
l’image de Xt par une application mesurable et |Mtλ | = exp(λ2 t/2) ainsi Mt
est intégrable. Pour tous 0 ≤ s ≤ t on a

λ2 λ2 λ2
E eiλXt + 2
t
|Fs = E eiλ(Xt −Xs )+ 2
(t−s)
eiλXs + 2
s
|Fs

λ2 λ2
= eiλXs + 2
s
E eiλ(Xt −Xs )+ 2
(t−s)
|Fs

λ2 λ2
= eiλXs + 2
s
(t−s)
λ2
= eiλXs + 2
s
puisque Xt − Xs est indépendant de Fs et que

λ2 λ2
h i
(t−s)
= e 2
(t−s)
E eiλ(Xt−s )
= 1
d’après l’exercice 2.1. Supposons à présent que X = {Xt , t ≥ 0} est tel que
pour tout λ ∈ R le processus M λ est une F martingale. Alors pour tous
0 ≤ s ≤ t et tout λ ∈ R on a
λ2
h
E eiλ(Xt −Xs ) Fs ] = e− (t−s)
.
2
118
Ainsi, Xt − Xs est de loi N (0, t − s) et indépendant de Fs . Le processus

X = {Xt , t ≥ 0} étant de surcroît continu, c’est un F-mouvement brownien.
Exercice 2.9
1. Pour tout m ∈ N∗ on a
Bn Bn − Bm
A = {lim sup √ ≥ x} = {lim sup √ ≥ x}
n n n n
Bn − Bm
= lim sup{ √ ≥ x}
n n
Bk − Bm
= ∩l≥1 ∪k≥l { √ ≥ x}
n
Bk − Bm
= ∩l≥m ∪k≥l { √ ≥ x}.
n
Or pour tout k ≥ m et tout 0 ≤ s ≤ m, Bk − Bm est indépendant de Bs

donc pour tout k ≥ m, Bk − Bm est indépendant de Fm (Cf. Corolaire
A.1 page 199) donc A est indépendant de Fm . Mais A ∈ σ(∪m≥1 Fm )
donc A est indépendant de lui-même : P(A) = P(A ∩ A) = P(A)2 donc
P(A) = 0 ou 1.
2. Il suffit de démontrer que P(A) > 0. Or
Bn
A = {lim sup √ ≥ x}
n n
Bl
= ∩l≥1 ∪k≥l { √ ≥ x}
l
donc
Bl
P(A) = lim P(∪k≥l { √ ≥ x})
l→∞ l
Bl
≥ lim P({ √ ≥ x})
l→∞ l
= P(X ≥ x)
où X est de loi N (0, 1). Donc P(A) > 0 par conséquent P(A) = 1.
119
Puisque cette probabilité ne dépend pas de x, pour tout entier m on a
Bn
P({lim sup √ ≥ m}) = 1.
n n
Or
Bn Bn
P({lim sup √ = ∞}) = P(∩m≥1 {lim sup √ ≥ m})
n n n n
Bn
donc P({lim supn √ n
= ∞}) = 1. Par ailleurs, (−Bt )t≥0 est aussi un
mouvement Brownien donc P({lim supn −B
√ n = ∞}) = 1 donc P({lim inf n
n
Bn
√
n
=
−∞}) = 1.
3. Les trajectoires du mouvement Brownien étant P − p.s. continues on a
Bn (ω) −Bn (ω)

ω : lim sup √ = ∞ et lim inf √ = −∞ ⊂ {ω : ∀T ∀x∃s ≥ T, Bs (ω) = x}
n n n n
donc P({ω : ∀T ∀x∃s ≥ T, Bs (ω) = x}) = 1 et

( )
Bn (ω) −Bn (ω)

ω : lim sup √ = ∞ et lim inf √ = −∞ ⊂ ω : sup Bt (ω) = ∞ et inf Bt (ω) = −∞
n n n n t≥0 t≥0
n o
donc P( ω : supt≥0 Bt (ω) = ∞ et inf t≥0 Bt (ω) = −∞ ) = 1 ce qui prouve
la proposition 2.11 page 38 et la proposition 2.12 page 38.
Exercice 2.10
1. Pour tous s, v ∈ Q+ , s < v,
{ω ∈ Ω, t 7→ Bt (ω) est monotone sur [s, v]} ⊂ F
donc
[
{ω ∈ Ω, t 7→ Bt (ω) est monotone sur [s, v]} ⊂ F.
s,v∈Q+ ,s<v
Soit ω ∈ F : il existe deux réels α, β tels que 0 ≤ α < β et t 7→ Bt (ω)

est monotone sur [α, β]. Or Q+ étant dense dans R+ il existe γ, δ ∈ Q+
120
tels que α < γ < δ < β et t 7→ Bt (ω) est monotone sur [γ, δ]. Ainsi
[
F ⊂ {ω ∈ Ω, t 7→ Bt (ω) est monotone sur [s, v]}
s,v∈Q+ ,s<v
d’où l’égalité annoncée.

2. Clairement pour tout n ≥ 1 on a A ⊂ An , donc A ⊂ ∩n≥1 An . Ré-
ciproquement, soit ω ∈ ∩n≥1 An . Nous prouvons d’abord que pour tous
α, β ∈ Q∩[0, 1], α < β on a Bβ −Bα ≥ 0. En effet, puisque α, β ∈ Q∩[0, 1]
il existe un entier m ≥ 1 et deux entiers k, k 0 , 0 ≤ k < k 0 ≤ m,
tels que α = k/m et β = k 0 /m. Puisque ω ∈ ∩n≥1 An nécessairement
ω ∈ Am donc Bβ − Bα = B k0 − B k ≥ 0. Supposons à présent que
m m
α, β ∈ [0, 1], α < β : il existe deux suites (αn )n≥1 et (β n )n≥1 d’éléments
de Q ∩ [0, 1] telles que αn → α, β n → β et pour tout n ≥ 1, β n > αn .
Ainsi, pour tout n ≥ 1 on a Bβ n −Bαn ≥ 0 et les trajectoires browniennes
étant continues on a, par passage à la limite n → ∞, Bβ − Bα ≥ 0. Ainsi
∩n≥1 An ⊂ A d’où l’égalité annoncée.
3. Pour tout n ≥ 1 les variables aléatoires (B i+1 − B i )i=0,...,n−1 sont indé-
n n
pendantes donc
n−1
P(An ) = P(∩i=0 {ω ∈ Ω, B i+1 (ω) − B i (ω) ≥ 0})
n n
n−1
Y
= P({ω ∈ Ω, B i+1 (ω) − B i (ω) ≥ 0})
n n
i=0
1
= .
2n
Puisque pour tout n ≥ 1 on a A ⊂ An on a P(A) ≤ P(An ) donc P(A) ≤

limn→∞ P(An ) = 0.
4. On a
P(E) = P({ω ∈ Ω, t 7→ Bt (ω) est croissante sur [0, 1]}) +

+P({ω ∈ Ω, t 7→ Bt (ω) est décroissante sur [0, 1]})
= 2P({ω ∈ Ω, t 7→ Bt (ω) est croissante sur [0, 1]})
= 0
121
puisque (Bt )t∈[0,1] et (−Bt )t∈[0,1] ont même loi.
5. On va déduire du résultat de la question précédente que pour tous s, v ∈

Q+ , s < v, P({ω ∈ Ω, t 7→ Bt (ω) est monotone sur [s, v]}) = 0 ce qui
suffit à prouver que P(F ) = 0 car F est alors une réunion dénombrable
d’événements de probabilité nulle. Ainsi, soient s, v ∈ Q+ , s < v. D’après
1
la proposition 2.9 page 36 (Bt )t∈[0,1] et ( √v−s Bt(v−s) )t∈[0,1] ont même loi
donc P(E) = 0 implique
P({ω ∈ Ω, t 7→ Bt (ω) est monotone sur [0, v − s]}) = 0.
Comme (Bt )t∈[0,v−s] et (Bt+s − Bs )t∈[0,v−s] ont même loi on déduit de

l’égalité précédente que
P({ω ∈ Ω, t 7→ Bt (ω) est monotone sur [s, v]}) = 0,
ce qui conclut la preuve.
Exercice 2.11 Soit T un réel strictement positif fixé. Si f : R+ → R est

dérivable en un point s de [0, T [ alors il existe un entier n ≥ 1 tel que |f (t) −
f (s)| ≤ n(t − s) pout t − s suffisament petit. Ainsi, en prenant un entier k
suffisament grand, en posant i = [ks] + 1 et en considérant les entiers j tels
que 1 ≤ j ≤ i + 3 on a
j j−1 j j−1
|f ( ) − f ( )| ≤ |f ( ) − f (s)| + |f (s) − f ( )|
k k k k
7n
≤
k
Par conséquent
D = {ω ∈ Ω, il existe un s ∈ [0, T [ tel que t 7→ Bt (ω) est dérivable en s}
vérifie
7n
[ [ \ [ \
D⊂ ω ∈ Ω, |B j (ω) − B j−1 (ω)| ≤ .
n≥1 m≥1 k≥m 0<i<kT +1 i≤j≤i+3
k k k
122
En posant
7n
[ \
Fn,k = ω ∈ Ω, |B j (ω) − B j−1 (ω)| ≤
0<i<kT +1 i≤j≤i+3
k k k
on a
[
D⊂ lim inf Fn,k .
k
n≥1
Or pour tous entiers n, k on a

3
7n

P(Fn,k ) ≤ (kT + 2) P(|X| ≤ √ )
k
14n 3

≤ (kT + 2) √ .
k
Donc, d’après le lemme de Fatou, pour tout n ≥ 1,
P(lim inf Fn,k ) ≤ lim inf P(Fn,k )

k k
= 0
d’où P(D) = 0, ce qui prouve la proposition.
Exercice 2.12 Soit t ≥ 0. Raisonnons par l’absurde en commençant par

supposer que les trajectoires du mouvement brownien sont dérivables en t
avec une probabilité non-nulle. Nécessairement
Bt+h (ω) − Bt (ω)

P ω : lim existe > 0. (4.6)
h→0+ h
Or c’est une conséquence de la propriété d’invariance par translation (Propo-

sition 2.9 page 36) que ((Bt+h − Bt )/h)h>0 et (Bh /h)h>0 ont même loi donc
(4.6) implique
Bh (ω)

P ω : lim existe > 0. (4.7)
h→0+ h
123
Mais d’après la propriété d’inversion du temps (Proposition 2.9 page 36),

(Bh )h>0 a même loi que (hB1/h )h>0 . Donc (4.7) entraîne que
P(ω : lim B1/h (ω) existe ) > 0,

h→0+
autrement dit que
P(ω : lim Bh (ω) existe ) > 0

h→∞
ce qui est en contradiction avec, par exemple, le résultat de l’exercice 2.9.
Exercice 2.13
1. Pour tout entier n ≥ 1 et tous 0 ≤ t1 ≤ · · · ≤ tn ≤ 1 toute combi-

naison linéaire de Zt1 , . . . , Ztn est en fait une combinaison linéaire de
Bt1 , . . . , Btn et B1 donc une variable aléatoire gaussienne puisque B
est un processus gaussien. Ainsi, Z est un processus gaussien. Pour
démontrer que Z et B1 sont indépendants il suffit, d’après le corol-
laire A.1 page 199 de montrer que pour tout entier n ≥ 1 et tous
0 ≤ t1 ≤ · · · ≤ tn ≤ 1, B1 est indépendant de Zt1 , . . . , Ztn . Le vecteur
(Zt1 , . . . , Ztn , B1 ) étant un vecteur gaussien, il suffit donc de montrer que
pour tout entier i, 1 ≤ i ≤ n, cov(Zti , B1 ) = 0, ce qui est vrai puisque
E[(Bt − tB1 )B1 ] = t − t = 0.
2. Pour tout t, s ∈ [0, 1], E[Zt ] = 0 et
cov(Zt , Zs ) = E[(Bt − tB1 )(Bs − sB1 )]

= min(t, s) − st − ts + ts
= min(t, s) − st.
3. Le processus Z̃ est clairement un processus gaussien centré. Pour tout

124
t, s ∈ [0, 1] sa covariance est donnée par
cov(Z̃t , Z̃s ) = cov(Z1−t , Z1−s )

= min(1 − t, 1 − s) − (1 − s)(1 − t)
= s + t − max(s, t) − st
= min(t, s) − st.
Les processus Z et Z̃ sont donc deux processus gaussiens centrés de

même covariance : ils ont même loi.
Exercice 2.14
−1 2
1. On a 2S1 = BT2 − N k=0 Btk+1 − Btk
P
or d’après la proposition 2.14
P −1 2
page 40 la variation quadratique du mouvement Brownien N k=0 Btk+1 − Btk
tend dans L2 vers T quand |∆| → 0. Ainsi S1 tend vers (BT2 − T )/2 dans
L2 quand |∆| → 0.
2. On a
N
X −1 N
X −1
S2 = B tk +tk+1 Btk+1 − B tk +tk+1 + B tk +tk+1 B tk +tk+1 − Btk
2 2 2 2
k=0 k=0
N
X −1 N
X −1
= B tk +tk+1 Btk+1 − B tk +tk+1 + Btk B tk +tk+1 − Btk +
2 2 2
k=0 k=0
N
X −1 2
+ B tk +tk+1 − Btk .
2
k=0
La somme des deux premiers termes tend vers (BT2 −T )/2 dans L2 quand
|∆| → 0 d’après la question précédente. On remarque que

N −1 2 !2  
N −1 2 N −1
!2 
X T X X tk+1 − tk
E B tk +tk+1 − Btk −  = E B tk +tk+1 − Btk − 
k=0 2 2 k=0 2
k=0
2
N
X −1 2 !
= var B tk +tk+1 − Btk
2
k=0
N
X −1 2 !
= var B tk +tk+1 − Btk
2
k=0
125
or pour tout k, 0 ≤ k ≤ N − 1
2 ! " 4 # 2
tk+1 − tk

var B tk +tk+1 − Btk = E B tk +tk+1 − Btk −
2 2 2
tk+1 − tk 2
2
tk+1 − tk

= 3 −
2 2
tk+1 − tk 2

= 2
2
donc

N −1 2 !2  N −1 2
X T X tk+1 − tk
E B tk +tk+1 − Btk −  = 2
k=0 2 2 k=0
2
−1
|tk+1 − tk | NX tk+1 − tk

≤ 2 max
k 2 k=0
2
→ 0
2
PN −1
ainsi k=0 B tk +tk+1 − Btk tend vers T /2 dans L2 quand |∆| → 0
2
PN −1
B tk +tk+1 Btk+1 − Btk tend vers BT2 /2 dans L2 quand

si bien que k=0
2
|∆| → 0.
Exercice 2.15
1. On sait que P-presque sûrement s ∈ R 7→ Bs (ω) est continue. Ainsi,
P-presque sûrement, Xtf (ω) est définie pour tout t ≥ 0 comme intégrale
de Riemann d’une apllication continue. En particulier elle est limite des
sommes de Riemann associées, ce qui justifie que pour tout t ≥ 0, Xtf =
n−1
k

f,n f,n
X
t
limn→∞ Xt P-presque sûrement où Xt := n B k tf t .
k=0
n n
2. Pour tout entier n ≥ 1, la variable aléatoire Xtf,n est une combinaison
linéaire de composantes d’un processus gaussien, c’est donc une variable
aléatoire gaussienne. On a
t n−1 k

E[Xtf,n ] =
X
E[B k t ]f t
n k=0 n n
= 0
126
et
var(Xnf ) = E[(Xnf )2 ]
t2 n−1
X n−1 l k
X
= 2
E[B l t B k t ]f t f t
n k=0 l=0 n n n n
t2 n−1 l k l k
X
= 2
min{ t, t}f t f t
n k,l=0 n n n n
L’application f étant continue on a
t2 n−1
Z tZ t
X l k l k
lim min{ t, t}f t f t = min(x, y)f (x)f (y)dxdy.
n→∞ n2 n n n n 0 0
k,l=0
Ainsi d’après la proposition A.4 page 192, pour tout t ≥ 0, Xtf est une va-
riable aléatoire gaussienne centrée de variance 0t 0t min(x, y)f (x)f (y)dxdy.
R R
hR i
t
3. Ici on prend f = 1. Donc E 0 Bs ds = 0 et
Z t Z tZ t
E ( Bs ds)2 = min(x, y)dxdy
0 0 0
Z t Z y Z t
= ( xdx + ydx)dy
0 0 y
t3
= .
3
4. Clairement M n’est pas un mouvement brownien car pour cela il faudrait

que E[Mt2 ] = t ce qui n’est pas le cas d’après la question précédente. Par
ailleurs pour tous 0 ≤ s ≤ t,
Z s Z t
E[Mt |Fs ] = E[ Bu du|Fs ] + E[ Bu du|Fs ]
0 s
Z t
= Ms + E[Bu |Fs ]du (4.8)
s
= Ms + (t − s)Bs
car d’une part Ms étant limite presque sûre de variables aléatoires Fs

127
mesurables elle est Fs mesurable et d’autre part comme

Z t Z t
E[ |Bu |du|Fs ] = E[|Bu ||Fs ]du
s s
Z t
≤ E[|Bt ||Fs ]du
s
< ∞
puisque (|Bs |)s≥0 est une sous-martingale, on peut appliquer le théorème

de Fubini dans (4.8). On voit donc que M n’est pas une martingale.
Exercice 2.16
1. Il suffit que LT soit FTB mesurable, strictement positive et finie p.s. et

d’espérance 1 sous P pour que Qλ donné par l’énoncé soit bien une
mesure de probabilité sur (Ω, FTB ) équivalente à P. Or LT est l’image de
BT par une application mesurable, elle est donc FTB mesurable. Puisque
BT est p.s. finie LT est strictement positive et finie p.s.. Finalement Lλ
est une martingale d’après un résultat de l’exercice 2.4, donc E[LλT ] =
E[Lλ0 ] = 1.
2. Soit A ∈ FtB . Puisque L est une martingale on a
QT (A) = EP [1A LT ]
= EP [1A EP [LT |FtB ]]
= EP [1A Lt ]
= Qt (A).
128
3. Soit A ∈ FtB et Z une variable aléatoire bornée et FT -mesurable. On a
EQT [1A Z] = E P [1A ZLT ]

LT
= E P [1A ZLt ]
Lt
LT B
= E P [1A Lt EP [Z |F ]]
Lt t
LT B
= E Qt [1A EP [Z |F ]]
Lt t
LT B
= E QT [1A EP [Z |F ]]
Lt t
ce qui prouve le résultat annoncé, la dernière égalité étant une consé-

quence du résultat de la question précédente.
4. Il suffit de montrer que pour tous 0 ≤ s ≤ t ≤ T on a
λ λ 2 (t−s)/2
EQT [eiu(Bt −Bs ) |FsB ] = e−u .
Or, d’après les résultats des questions précédentes on a
λ λ λ λ
EQT [eiu(Bt −Bs ) |FsB ] = EQt [eiu(Bt −Bs ) |FsB ]
λ λ
= (Ls )−1 EP [eiu(Bt −Bs ) Lt |FsB ]
λ λ λ2
= EP [eiu(Bt −Bs ) eλ(Bt −Bs )− 2
(t−s)
|FsB ]
2
λ λ λ(Bt −Bs )− λ2 (t−s)
= EP [eiu(Bt −Bs ) e ]
2
(Bt −Bs )(λ+iu)−(t−s)( λ2 +iλu)
= EP [e ]
−u2 (t−s)/2
= e .
ce qui permet de conclure.

5. On a que pour tout t > 0
( !)
Bt λ 2
Lt = exp t λ −
t 2
2

donc limt→∞ t λ Btt − λ2 = −∞ puisque d’après la proposition 2.10
page 37 limt→∞ Btt = 0 P p.s. et que λ2 > 0. Ainsi limt→∞ Lt = 0 P p.s.
129
ce qui explique que l’on ne peut pas prendre T = ∞ dans le changement

de probabilité.
Exercice 2.17
1. Pour tout n ≥ 1
2n " 2 #
X
E[Sn ] = E B k
t − B (k−1) t
2n 2n
k=1
2n
k (k − 1)
X
= t n
t− t
k=1
2 2n
= t
et
2n 2 !
X
var(Sn ) = var B k
t − B (k−1) t
2n 2n
k=1
2
= 2n var B 1
t − B0
2n
= 2n (E[B 41 t ] − E[B 21 t ]2 )
2n 2n
3 1
= 2n ( 2n t2 − 2n t2 )
2 2
2 2
= t .
2n
2. C’est une conséquence immédiate de l’inégalité de Bienaymé-Tchebychev

que pour tout ε > 0 on a
2t −n
P (|S n − t| > ε) ≤ 2 (4.9)
ε2
au vu des valeurs trouvées ci-dessus pour l’espérance et la variance de

Sn .
130
3. On a
n o
ω : lim Sn (ω) 6= t = ω : lim sup |Sn (ω) − t| > 0
n→∞ n→∞
1

= ∪ m∈N∗ ω : lim sup |Sn (ω) − t| > .
n→∞ m
Ce dernier ensemble est une réunion dénombrable d’événements de pro-

babilité 0 car pour tout m ≥ 1 on a
1 1

ω : lim sup |Sn (ω) − t| > ⊂ lim sup ω : |Sn (ω) − t| >
n→∞ m m
n o
1
et (4.9) avec t = 1/m implique que P(lim sup ω : |Sn (ω) − t| > m )=0
n
d’après le lemme de Borel-Cantelli. Ainsi S converge vers t presque-
sûrement.
Exercice 2.18
1. Pour tous 0 ≤ s ≤ t
E[(Mt − Ms )2 ] = E[Mt2 − 2Mt Ms + Ms ]

= E[Mt2 ] − 2E[E[Mt Ms |Fs ]] + E[Ms2 ]
= E[Mt2 ] − 2E[Ms E[Mt |Fs ]] + E[Ms2 ]
= E[Mt2 ] − 2E[Ms2 ] + E[Ms2 ]
= E[Mt2 ] − E[Ms2 ].
2.a. D’après le résultat de la question précédente, pour toute subdivision

131
∆ : t0 = 0 ≤ · · · ≤ tn = t de l’intervalle [0, t] on a
E[|Mt − M0 |2 ] = E[|Mt |2 ] − E[|M0 |2 ]

n
X
= (E[|Mti |2 ] − E[|Mti−1 |2 ])
i=1
n
X
= E[|Mti − Mti−1 |2 ]
i=1
n
X
= E[ |Mti − Mti−1 |2 ]
i=1
ainsi
n
" X #
h i
2
E (Mt − M0 ) ≤ E sup |Mti − Mti−1 | |Mti − Mti−1 |
i i=1

(1)
= E sup |Mti − Mti−1 | Vt (M, ∆)
i

(1)
2.b. Si il existe C tel que P Vt (M ) ≤ C = 1 pour tout t ≥ 0 et toute
subdivision ∆ : t0 = 0 ≤ · · · ≤ tn = t de l’intervalle [0, t] on a
h i
E (Mt − M0 )2 ≤ CE sup |Mti − Mti−1 | .
i
Pour tout n ≥ 1 considérons la partition ∆n = {0 = t0 < n1 t < · · · <

n−1
n t < t = tn }. Comme les trajectoires de M sont continues p.s. on a
supi=0,...,n |Mti − Mti−1 | → 0 p.s.. Par ailleurs, pour tout n ≥ 1
n
X
sup |Mti − Mti−1 | ≤ |Mti − Mti−1 |
i=0,...,n i=1
(1)
≤ Vt (M, ∆n )
≤ C.
Le théorème de convergence dominée implique donc que

lim E sup |Mti − Mti−1 | =0
n→∞ i
132
h i
donc E (Mt − M0 )2 = 0 donc Mt = M0 p.s..
Exercice 2.19
−1
1. Pour toute élément f = N k=0 ak 1]tk ,tk+1 ] de S([0, T ]), IS (f ) est une
P
combinaison linéaire de composantes d’un processus gaussien, c’est donc

une variable aléatoire gaussienne. On a
N
X −1
E[IS (f )] = E[ ak (Btk+1 − Btk )]
k=0
N
X −1
= ak E[Btk+1 − Btk ]
k=0
= 0
ainsi que
N
X −1
var(IS (f )) = var( ak (Btk+1 − Btk ))
k=0
N
X −1
= a2k var(Btk+1 − Btk )
k=0
N
X −1
= a2k (tk+1 − tk )
k=0
Z T
= f 2 (x)dx
0
le passage de la première à la deuxième ligne se justifiant par le fait que

les variables aléatoires Btk+1 − Btk , 0 ≤ k ≤ N − 1 sont indépendantes.
2. Dans un premier temps on construit une application I remplissant toutes
les conditions imposées par l’énoncé. On montrera dans un deuxième
temps qu’une telle application est nécéssairement unique. Soit f un élé-
ment de L2 ([0, T ]). L’ensemble S([0, T ]) étant dense dans L2 ([0, T ]) il
existe (au moins) une suite (fn )n≥1 d’éléments de S([0, T ]) convergeant
vers f dans L2 ([0, T ]). Cette suite est donc une suite de Cauchy et on a vu
à la question précédente que E[IS (fn )2 ] = ||fn ||L2 . La suite (IS (fn ))n≥1
est donc une suite de Cauchy de l’ensemble L2 (Ω, F, P) donc une suite
133
convergente puisque L2 (Ω, F, P) est complet. On va noter I(f ) cette li-

mite. Elle ne dépend pas du choix de l’approximation (fn )n≥1 de f par
des éléments de S([0, T ]) car pour toute autre approximation (gn )n≥1 de
f on a ||fn − gn ||L2 → 0 donc E[(IS (fn ) − IS (gn ))2 ] → 0 : (IS (fn ))n≥1
et (IS (gn ))n≥1 ont même limite. On constate qu’avec cette définition
de I, pour tout f ∈ S on a I(f ) = IS (f ) et I hérite par passage à
la limite des propriétés de linéarité de IS . De plus, puisque pour tout
n ≥ 1, E[IS (fn )2 ] = ||fn ||2 on a E[I(f )2 ] = ||f ||2 . Finalement, supposons
qu’il existe une autre application que I qui vérifie les conditions données
par l’énoncé. Notons la J : il existe f ∈ L2 ([0, T ]) telle que I(f ) 6= J(f ).
Soit (fn )n≥1 une suite d’éléments de S([0, T ]) qui converge vers f . Néces-
sairement (I(fn ))n≥1 et (J(fn ))n≥1 convergent vers I(f ) et J(f ) chacune
tandis que pour tout n ≥ 1, I(fn ) = J(fn ) ce qui contredit I(f ) 6= J(f ).
L’application I est donc unique.
3. Soit f ∈ L2 ([0, T ]) et (fn )n≥1 une suite d’éléments de S([0, T ]) qui ap-
proche f dans L2 ([0, T ]). Nécessairement pour tout t ≥ 0 (1[0,t] fn )n≥1
est une suite d’éléments de S([0, T ]) qui approche 1[0,t] f dans L2 ([0, T ])
donc (IS (1[0,t] fn ))n≥1 approche Mt (f ) dans L2 ([0, T ]). Par conséquent
(IS (1[0,t] fn ))n≥1 converge en loi vers Mt (f ) et aussi p.s. le long d’une
sous-suite. D’après la première question, pour tout n ≥ 1 IS (1[0,t] fn ) est
une variable gaussienne centrée de variance 0t fn2 (s)ds. Ainsi, d’après la
R
proposition A.4 page 192 Mt (f ) est une variable aléatoire gaussienne cen-
trée de variance 0t f 2 (s)ds. Toujours d’après la première question, pour
R
tout n ≥ 1 et tout t ∈ [0, T ], IS (1[0,t] fn ) est FtB mesurable donc M (f )

est FB -adapté. Finalement, pour tous 0 ≤ s ≤ t et tout entier m ≥ 1 et
0 ≤ u1 ≤ · · · ≤ um ≤ s on a que (Mt (f ) − Ms (f ), Bu1 , . . . , Bum ) est un
vecteur gaussien puisque c’est la limite dans L2 ((Ω, F, P) de la suite de
vecteurs gaussiens (IS (1]s,t] fn ), Bu1 , . . . , Bum ) de matrice de covariance
diagonale. Ainsi Mt (f ) − Ms (f ) est indépendant de (Bu1 , . . . , Bum ) donc
Mt (f ) − Ms (f ) est indépendant de FsB .
Rt
4. (a) D’après les propriétés de 0 f (s)dBs vues précédemment il suffit de
134
montrer que pour tous 0 ≤ s ≤ t ≤ T on a EP [Lt |FsB ] = Ls . Or

Z t Z t
1

E [exp f (u)dBu − f 2 (u)du |FsB
0 2 0
Z s
1 s 2 t 1 t 2
Z Z Z
= exp f (u)dBu − f (u)du E exp f (u)dBu − f (u)du |FsB
0 2 0 s 2 s
Z s Z s Z t
1 1 t 2
Z
= exp f (u)dBu − f 2 (u)du E exp f (u)dBu − f (u)du
0 2 0 s 2 s
= Ls
Rt Rt 2
car s f (u)dBu ∼ N (0, s f (u)du).
(b) Il suffit de montrer que pour tous 0 ≤ s ≤ t ≤ T on a

f f 2 (t−s)/2
EQT [eiu(Bt −Bs ) |FsB ] = e−u .
Or
f f f f
EQT [eiu(Bt −Bs ) |FsB ] = EQt [eiu(Bt −Bs ) |FsB ]
f f
= (Ls )−1 EP [eiu(Bt −Bs ) Lt |FsB ]
Rt Rt
iu(Btf −Bsf ) f (v)dBv − 12 f 2 (v)dv
= E [e P
e s s |FsB ]
Rt Rt
f f
f (v)dBv − 12 f 2 (v)dv
= EP [eiu(Bt −Bs ) e s s ]
Rt Rt Rt
(iu+f (v))dBv −iu( f (v)dv)− 12 f 2 (v)dv
= EP [e s s s ]
−u2 (t−s)/2
= e .
Exercice 2.20
1. Pour tout t ≥ 0 on a
Z t Z t
2σBu
E[ e du] = E[e2σBu ]du
0 0
Z t
2
= e2σ u du
0
qui est une quantité finie. Ainsi le processus {eσBu , 0 ≤ u ≤ T } est

un élément de L2 ([0, T ]) donc le processus M est bien défini et c’est
une martingale. Par conséquent E[Mt ] = E[M0 ] = 0 et il découle de la
135
propriété d’isométrie de l’intégrale stochastique que var(Mt ) = E[Mt2 ] =

2
E[ 0t e2σBu du] = 2σ1 2 (e2σ t − 1).
R
2. Pour tout t ≥ 0 on a
Z t Z t
E[ Mu2 du] = E[Mu2 ]du
0 0
Z t
1 2u
= (e2σ − 1)du
0 2σ 2
qui est une quantité finie. Ainsi le processus {Mu , 0 ≤ u ≤ T } est un

élément de L2 ([0, T ]) donc le processus N est bien défini et c’est une mar-
tingale. Par conséquent E[Nt ] = E[N0 ] = 0 et il découle de la propriété
d’isométrie de l’intégrale stochastique que
var(Nt ) = E[Nt2 ]
Z t
= E[ Mu2 du]
0
Z t
1 2u
= (e2σ − 1)du
0 2σ 2
1 2σ2 u t
= (e − 1) − 2 .
4σ 4 2σ
Exercice 2.21
1. On remarque que X = 01 tdWt et Y = 01 Wt dt. La variable aléatoire

R R
X est une intégralede Wiener. Elle est la limite dans L2 de Xn =

Pn−1 k
k=0 n B k+1 − B k . La variable aléatoire Y est une intégrale de Rie-
n n
mann puisque les trajectoires de Wt sont continues. Elle est donc la
limite p.s. d’une suite de sommes de Riemann Yn = n1 n−1
P
k=0 B n k . La
suite (Xn )n≥1 est une suite de variables aléatoires gaussiennes, la conver-
gence p.s. de Xn vers X est aussi valable dans L2 . Clairement pour
tout n ≥ 1 on a E[Xn ] = E[Yn ] = 0, donc E[X] = E[Y ] = 0. Ainsi
136
cov(X, Y ) = E[XY ] = limn→∞ E[Xn Yn ]. Or

" n−1
1 n−1
! !#
X k X
E[Xn Yn ] = E B k+1 − B k B k0
k=0
n n n n k0 =0 n
k
X
= E B k+1 − B k B k0
0≤k0 ≤k≤n−1
n2 n n n
k
X
+ E B k+1 − B k B k0
0≤k<k0 ≤n−1
n2 n n n
X k 1
= 0+
0≤k<k0 ≤n−1
n2 n
X k 1
= (n − k − 1)
0≤k≤n−2
n2 n
(n − 2)(n − 1) (n − 2)(n − 1) (n − 2)(n − 1)(2n − 3)
= − −
2n2 2n3 6n3
donc E[XY ] = 1/6. L’utilisation de la formule d’Itô rend les calculs plus
simples. En effet une application de la formule d’intégration par parties,
qui est une conséquence de la formule d’Itô, nous dit que
Z 1 Z 1
1 × W1 = tdWt + Wt dt
0 0
Ainsi
E[XW1 ] = E[XY ] + E[X 2 ].
En utilisant la propriété d’isométrie de l’intégrale stochastique

Z 1 Z 1 Z 1
E[XW1 ] = E[( tdWt )( dWt )] = tdt = 1/2
0 0 0
et Z 1 Z 1 Z 1
E[X 2 ] = E[( tdWt )( tdWt )] = t2 dt = 1/3
0 0 0
d’où E[XY ] = 1/6.

2. Si X et Y étaient égales on aurait par exemple E[X 2 ] = E[XY ] or
E[X 2 ] = 1/3 tandis que E[XY ] = 1/6 donc X Y ne sont pas égales.
137
Exercice 2.22
1. On a Xt = f (Bt ) où f (x) = x3 est de classe C 2 . Ainsi on peut appliquer

la formule d’Itô et l’on obtient
Z t Z t
Xt3 = X0 + 3 Bs2 dBs + 3 Bs ds
0 0
qui montre que (Xt )t≥0 est bien un processus d’Itô.
2. On a St = f (t, Bt ) où
2 /2)t+σx
f (t, x) = S0 e(µ−σ .
L’application f étant de classe C 1,2 on peut applliquer la formule d’Itô
1 t ∂2f
Z t Z t
∂f ∂f
Z
St = f (0, 0) + (u, Bu )du + (u, Bu )dBu + (u, Bu )dhBiu
0 ∂t 0 ∂x 2 0 ∂x2
Z t Z t Z t
1
= S0 + (µ − σ 2 /2)Su du + σSu dBu + σ 2 Su du
0 0 2 0
Z t Z t
= S0 + µSu du + σSu dBu
0 0
qui montre que (St )t≥0 est bien un processus d’Itô.
3. On a Yt = u(t, Bt ) où u est de classe C 1,2 . On peut donc applliquer la

formule d’Itô
Z t Z t Z t 2
∂u ∂u 1 ∂ u
Yt = u(0, B0 ) + (s, Bs )ds + (s, Bs )dBs + (u, Bs )ds
0 ∂t 0 ∂x 2 0 ∂x2
qui montre que (Yt )t≥0 est bien un processus d’Itô.
4. On a Vt = g(St ) mais à la différence de la question précédente l’appli-

cation g(x) = sqrt(x) n’est pas de classe C 2 . Cependant, on remarque
que
2 /4)t+(σ/2)B
S0 e(µ/2−σ
p
t
Vt =
= h(t, Bt )
138
où
2 /4)t+(σ/2)x
S0 e(µ/2−σ
p
h(t, x) = .
L’application h étant de classe C 1,2 , en raisonnant comme à la deuxième

question de cet exercice, il vient
1 t ∂2h
Z t Z t
∂h ∂h
Z
Vt = h(0, 0) + (u, Bu )du + (u, Bu )dhBiu
(u, Bu )dBu +
0 ∂t 0 ∂x 2 0 ∂x2
Z t Z t
1 t 2
Z
S0 + (µ/2 − σ 2 /4)Vu du + (σ/2)Vu dBu +
p
= (σ /4)Vu du
0 0 2 0
Z t Z t
(µ/2 − σ 2 /8)Vu du +
p
= S0 + (σ/2)Vu dBu
0 0
qui montre que (Vt )t≥0 est bien un processus d’Itô.
5. On a Zt = f (t, St ) où
f (t, x) = ert x2 .
L’application f étant de classe C 1,2 on peut appliquer la formule d’Itô

Z t Z t Z t
Zt = Z0 + rZs ds + 2 ers Ss dSs + ers dhSis
0 0 0
qui montre que (Yt )t≥0 est bien un processus d’Itô.
Rt
6. D’abord remarquons que Ut = e− 0 rs ds , t ≥ 0 est un processus d’Itô
puisque Mt = 0t rs ds, t ≥ 0 est un processus d’Itô et que l’application
R
x 7→ e−x est de classe C 2 . On a Mt = M0 + 0t rs ds+ 0t 0dBs donc d’après

R R
la formule d’Itô
Z t
Ut = U0 − Us dMs
0
Z t
= U0 − Us rs ds.
0
139
D’après la formule d’intégration par parties

Z t Z t Z t
Rt = U0 N0 + Us dNs + Ns dUs + dhU, N is
0 0 0
Z t Z t Z t
= U0 N0 + Us rs Ns ds + σUs Ns dBs − Ns Us rs ds
0 0 0
Z t Z t Z t
= U0 N0 + rs Rs ds + σRs dBs − Rs rs ds
0 0 0
ce qui montre bien que (Rt )t≥0 est un processus d’Itô.
Exercice 2.23 D’après la formule d’intégration par parties on a

Z T Z T
T BT = Bt dt + tdBt
0 0
donc
Z T Z T
YT = T dBt − tdBt
0 0
Z T
= (T − t)dBt .
0
Par ailleurs, d’après la formule de Itô on a

Z T Z T
BT3 = 3Bt2 dBt + 3 Bt dt
0 0
donc
Z T
BT3 = (3Bt2 + 3(T − t))dBt .
0
Exercice 2.24 D’après le résultat de l’exercice 2.8 il suffit de montrer que

pour tout λ ∈ R le processus N λ = {Ntλ , t ≥ 0} défini par
λ2
Ntλ = eiλMt + 2
t
140
est une martingale. D’après la formule d’Itô
λ2
Z t Z t
1
Ntλ = 1 + Nsλ (iλdMs + λ2 ds) − Nsλ dhM is
0 2 2 0
Z t
= 1 + iλ Nsλ dMs .
0
Rt
Or l’intégrale stochastique 0 Nsλ dMs est une martingale puisque
Z t Z t
λ2 s
E |Nsλ |2 dhM is =E e ds < ∞.
0 0
Exercice 2.25 Considérons pour tout T > 0 et tout z ∈ R le processus défini

par Vt = u(T − t, z + Bt ), 0 ≤ t ≤ T . La fonction u étant de classe C 1,2 on
peut applliquer la formule d’Itô ce qui nous conduit à
Z t Z t
∂u ∂u
Vt = u(T, z) − (T − s, z + Bs )ds + (T − s, z + Bs )dBs
0 ∂t 0 ∂x
1
Z t ∂2u
+ (T − s, z + Bs )ds
2∂x2 0
Z t
∂u
= u(T, z) + (T − s, z + Bs )dBs
0 ∂x
puisque u est solution de l’EDP donnée dans l’énoncé. Par ailleurs, ∂s u étant
bornée, le processus 0t ∂u
R
∂x (T − s, z + Bs )dBs est une martingale issue de 0. Par
conséquent pour tout 0 ≤ t ≤ T E[u(T − t, z + Bt ) = u(T, z). En particulier,
pour t = T on obtient
u(T, z) = E[u(T − t, z + Bt )
= E[u(0, z + BT )]
= E[f (z + BT )]
d’où la représentation de u donnée dans l’énoncé.

Exercice 2.26
1. L’EDS considérée est de la forme
dSt = a(t, St )dt + b(t, St )dBt

141
où a(t, x) = µx et b(t, x) = σx. Ces fonctions remplissent les conditions

du Théorème 2.7 page 65, l’EDS admet donc une unique solution. La
solution proposée est de la forme St = f (t, Bt ) où
2 /2)t+σx
f (t, x) = S0 e(µ−σ .
L’application f étant de classe C 1,2 on peut applliquer la formule d’Itô

Z t Z t Z t 2
∂f ∂f 1 ∂ f
St = f (0, 0) + (u, Xu )du + (u, Xu )dXu + (u, Xu )dhXiu
0 ∂t 0 ∂x 2 0 ∂x2
Z t Z t Z t
1
= S0 + (µ − σ 2 /2)Su du + σSu dBu + σ 2 Su du
0 0 2 0
Z t Z t
= S0 + µSu du + σSu dBu
0 0
le processus St est donc bien l’unique solution de l’EDS considérée.

drt = a(t, rt )dt + b(t, rt )dBt
où a(t, x) = α(β − x) et b(t, x) = σ. Ces fonctions remplissent les condi-

tions du Théorème 2.7 page 65, l’EDS admet donc une unique solution.
Si (rt )t≥0 est tel que proposé par l’énoncé on a
Z t
−αt −αt −αt αs
drt = −αr0 e dt + βαe dt − ασe e dWs dt + σdWt
0
Z t
−αt −αt −αt αs
= α β − β − r0 e dt + βe dt − σe e dWs dt + σdWt
0
= α(β − rt )dt + σdWt .
le processus rt est donc bien l’unique solution de l’EDS considérée.

drt = a(t, rt )dt + b(t, rt )dBt

p
où a(t, x) = α(β − x) et b(t, x) = σ |x|. Cette dernière fonction n’étant
pas lipschitzienne le Théorème 2.7 page 65 ne peut pas s’appliquer.
142

Exercice 3.1
1. D’après (3.9) page 81 on a
Z t Z t
Ṽtx,θ = x/S00 + (µ − r)θu S̃u du + σθu S̃u dBu .
0 0
Rt
Puisque θ ∈ A le processus 0 σθu S̃u dBu est une martingale donc
Z t
E[Ṽtx,θ ] = x/S00 + E[ (µ − r)θu S̃u du]
0
et
Z t Z t
var(Ṽtx,θ ]) = var( (µ − r)θu S̃u du + σθu S̃u dBu )
0 0
Z t Z t Z t
= var( (µ − r)θu S̃u du) + 2cov( (µ − r)θu S̃u du, σθu S̃u dBu )
0 0 0
Z t
+var( σθu S̃u dBu )
0
Z t Z t
= var( (µ − r)θu S̃u du) + E[ σ 2 θu2 S̃u2 du].
0 0
2. On appelle oportunité d’arbitrage toute stratégie financière admissible

qui démarrant d’un portefeuille de valeur nulle vérifie P(V 0,θ ≥ 0) = 1
et P(V 0,θ > 0) > 0.
3. On appelle mesure de probabilité neutre au risque toute mesure de pro-
babilité sous laquelle le processus de prix actualisés de l’actif risqué
(S̃t = S 0Setrt )t≥0 est une martingale.
0
?
le Théorème de Girsanov (Théorème 2.27 page 68) Bt = Bt +
4. D’après

µ−r
σ t est un mouvement brownien sous Q? . Or
σ2
St = S0 e(µ− 2
)t+σBt
σ2
)t+σBt?
= S0 e(r− 2 .
σ2
Comme exp(σBt? − 2 t) est une martingale sous Q? (voir par exemple
143
l’exercice 2.4 page 70), Q? est une mesure de probabilité neutre au risque.
Exercice 3.2
1. Dans le modèle de Black et Scholes

σ2
)T +σBT?
ST = S0 e(r− 2
σ2 2
)t+σBt? +(r− σ2 )(T −t)+σ(BT? −Bt? )
= S0 e(r− 2
σ2
)(T −t)+σ(BT? −Bt? )
= St e(r− 2
où (Bt? )t≥0 est un mouvement brownien sous la probabilité Q? définie

par (3.7) page 81. Donc
?
h i
u(t, x) = EQ e−r(T −t) (ST − K)+ |St = x
2

Q? −r(T −t) (r− σ2 )(T −t)+σ(BT? −Bt? ) +
= E e (St e − K) |St = x
2

Q? −r(T −t) (r− σ2 )(T −t)+σ(BT? −Bt? ) +
= E e (xe − K) |St = x
2

Q? −r(T −t) (r− σ2 )(T −t)+σ(BT? −Bt? ) +
= E e (xe − K)
puisque sous Q? , BT? − Bt? est indépendant de St = x. Comme BT? − Bt?

est de loi gaussienne centrée de variance T − t il vient
y2
√ e− 2
Z ∞ 2
(r− σ2 )(T −t)+σ
u(t, x) = e−r(T −t) (xe T −ty
− K)+ √ dy
−∞ 2π
y2
2 √ e− 2
Z
(r− σ2 )(T −t)+σ
= e−r(T −t) (xe T −ty
− K) √ dy
{y≥−d2 } 2π
où 2
x
log K + (r − σ2 )(T − t)
d2 = √
σ T −t
144
donc
y2
√ 1 e− 2
Z Z
− 21 (y 2 −2σ T −ty+σ 2 (T −t))
u(t, x) = xe √ dy − Ke−r(T −t) √ dy
{y≥−d2 } 2π {y≥−d2 } 2π
y2
√ 1 e− 2
Z Z
− 21 (y−σ T −t)2
= x e √ dy − Ke−r(T −t) √ dy
{y≥−d2 } 2π {y≥−d2 } 2π
2 y2
− u2
e e− 2
Z Z
−r(T −t)
= x √ √ du − Ke √ dy
{u≥−d2 −σ T −t} 2π {y≥−d2 } 2π
en ayant effectué dans la première intégrale le changement de variable

√
u = y − σ T − t. Donc
u(t, x) = xN(d1 ) − Ke−r(T −t) N(d2 )
où 2
x
log K + (r + σ2 )(T − t)
d1 = √
σ T −t
√
et d2 donné ci-dessus vérifie d2 = d1 − σ T − t.
2. La variable aléatoire ST s’écrit
? σ2
ST = S0 eσBT +(r− 2
)T
σ2
= S0 eσBT +(µ− 2
)T
où B est un mouvement brownien sous P et B ? un mouvement brownien

sous Q? . Donc
σ2
log SK0 − (µ − 2 )T
P(ST ≥ K) = P(BT ≥ )
σ
σ2
log SK0 + (r −
!
√ 2 )T
= N
σ T
145
et on montre de même que
σ2
log SK0 + (µ −
!
?
√ 2 )T
Q (ST ≥ K) = N .
σ T
3. L’application N est infiniment dérivable et les applications (t, x) 7→ d1 et

(t, x) 7→ d2 sont de classe C1,2 sur [0, T [×R∗+ donc l’application (t, x) 7→
u(t, x) est de classe C1,2 sur [0, T [×R∗+ . Pour tout (t, x) ∈ [0, T [×R∗+ on
a
∂d1 ∂d2
δ(t, x) = N(d1 ) + xN0 (d1 ) − Ke−r(T −t) N0 (d2 )
∂x ∂x
∂d1 ∂d2
or ∂x = ∂x donc
∂d1 0
δ(t, x) = N(d1 ) + xN (d1 ) − Ke−r(T −t) N0 (d2 ) .
∂x
d2 2
1 −d2
N0 (d1 )
Mais N0 (d2 ) = e− 2 et
d21 − d22 1
= (d1 + d2 )(d1 − d2 )
2 2
1 √ √
= (2d1 − σ T − t)σ T − t
2
x √
= log +r T −t
K
donc
xN0 (d1 ) − Ke−r(T −t) N0 (d2 ) = 0 (4.10)
d’où δ(t, x) = N(d1 ). Pour tout (t, x) ∈ [0, T [×R∗+ on a
∂d1
γ(t, x) = N0 (d1 )
∂x
0
N (d1 )
= √ .
xσ T − t
Pour tout (t, x) ∈ [0, T [×R∗+ on a
∂d1 ∂d2
θ(t, x) = xN0 (d1 ) − rKe−r(T −t) N(d2 ) − Ke−r(T −t) N0 (d2 )
∂t ∂t
146
∂d2 ∂d1 √σ
or ∂t − ∂t = 2 T −t
d’où
∂d1 0 σKe−r(T −t)

θ(t, x) = −rKe−r(T −t) N(d2 ) + xN (d1 ) − Ke−r(T −t) N0 (d2 ) − √ N0 (d2 )
∂t 2 T −t
σKe−r(T −t) 0
= −rKe−r(T −t) N(d2 ) − √ N (d2 ).
2 T −t
Par ailleurs, pour tout x ∈ R∗+ on a bien
?
h i
u(T, x) = EQ (ST − K)+ |ST = x
= (x − K)+
et pour tout (t, x) ∈ [0, T [×R∗+
1
θ(t, x) + σ 2 x2 γ(t, x) + rxδ(t, x)
2
σKe−r(T −t) 0 1 N0 (d1 )
= −rKe−r(T −t) N(d2 ) − √ N (d2 ) + σ 2 x2 √ + rxN(d1 )
2 T −t 2 xσ T − t
1 σ
= r(xN(d1 ) − Ke−r(T −t) N(d2 )) + √ xN0 (d1 ) − Ke−r(T −t) N0 (d2 )
2 T −t
= ru(t, x)
d’après (4.10).
4. Puisque N est une fonction de répartition nécessairement δ(t, St ) =

N(St ) est adapté et E[ 0T |δ(t, St )|2 dt ≤ T donc θ? ∈ A.
R
5. Ceci découle du Théorème 3.1 page 88.

Exercice 3.3 Si G était réplicable par une telle stratégie, le portefeuille
correspondant vérifierait
Z T Z T
ṼTx,θ = x/S00 + (µ − r)θu S̃u du + σθu S̃u dBu
0 0
Z T Z T
= x/S00 + (µ − r)du + σdBu
0 0
σdBu = σBT donc ṼTx,θ pourrait prendre des valeurs négatives

RT
or 0
147
avec une probabilité non-nulle ce qui n’est pas possible.

Exercice 3.4
(a) En appliquant la formule d’Itô à log St on obtient
σs2
Z t Z t
log St = log S0 + (µ − )ds + σs dBs .
0 2 0
2
donc St = S0 exp{ 0t (µ − σ2s )ds + 0t σs dB
R R
s }. D’après l’exercice 2.19
?
R t µ−r
page 74 le processus Bt = Bt + 0 σs ds est une martingale sur
(Ω, FTB , Q?T ) où Q? est définie par
dQ?T
Z T Z T
µ−r 1 µ−r 2
= exp{ ( )dBs − ( ) ds}.
dP 0 σs 2 0 σs
Donc
σ2
Z t t Z
−rt
S̃t = e S0 exp{ (r − s )ds + σs dBs? }
0 2 0
Z t Z t 2
σs
= S0 exp{ σs dBs − ds}
0 0 2
qui est une martingale sous Q? d’après l’exercice 2.19 page 74. Par
conséquent Q?T est une mesure de probabilité neutre au risque et
d’après la proposition 3.3 page 84 le prix du call à la date t quand
le sous-jacent vaut x est donné par u(t, x) où
" (Z ) ! #
T σ2
Z T
Q?
u(t, x) = e−r(T −t) E S0 exp (r − s )ds + σs dBs? −K |St = x
0 2 0 +
ce qui conduit en raisonnant comme dans l’exercice 3.2 page 92 à
u(t, x) = u(t, x) = xN(d1 ) − Ke−r(T −t) N(d2 )
où
x RT σs2
log K +( (r + 2 )ds)
d1 = qR t
T
t σs2 ds
qR
T
et d2 vérifie d2 = d1 − t σs2 ds. Si t = 0 on remarque que la loi
148
RT σs2 RT ?
de exp{ 0 (r − 2 )ds + 0 σs dBs } sous Q? est la même qu celle de
2
qR
γ T 2
γBT? + (r − ?
2 )T sous Q où γ = 0 σs ds donc le prix
du call
sur S est donné par le prix d’un call sur un sous-jacent de volatilité
constante égale à γ.
(b) En raisonnant comme dans l’exercice 3.2 page 92 on obtient δ(t, x) =

σ2
N(d1 ) et θ(t, x) = −rKe−r(T −t) N(d2 )−Ke−r(T −t) qR Tt N0 (d2 ).
2 σs2 ds
t
(c) S’il devait être égal sur tout t ∈ [0, T ] au prix d’un call sur un sous-
jacent de volatilité constante cette volatilité devrait être γ donné
ci-dessus mais ceci contredit par exemple la forme des delta et theta
trouvés précédemment.
Exercice 3.5 D’après le Proposition 3.3 page 84 le prix du call asiatique

est donné par
" Z T ! #
Q? 1
pG
0 =E e−rT St dt − K .
T 0 +
L’application x 7→ (x − K)+ étant convexe, on a d’après l’inégalité de

Jensen, !
1 T 1 T
Z Z
St dt − K ≤ (St − K)+ dt
T 0 +
T 0
donc Z T
1 ?
pG
0 ≤ e−rT EQ [(St − K)+ ] dt.
T 0
De plus, (S̃t = eSrtt )t∈[0,T ] étant une

martingale sous Q? et l’applica-
tion x 7→ (x − eK
rT )+ étant convexe, ((S̃t − eK
rT )+ )t∈[0,T ] est une sous-
martingale. Ainsi pour tout t ∈ [0, T ] on a

" #
−rT Q?
h i
Q? St K
e E (St − K)+ ≤ E rt
− rT
e e +
" #
? ST K
≤ EQ − rT
erT e +
−rT Q?
= e E [(ST − K)+ ]
149
?
−rT EQ [(S − K) ] ce qui prouve le résultat annoncé.
donc pG
0 ≤e T +
Exercice 3.6
1. La valeur finale du portefeuille Π1 est Π1T = ∆K1ST ≥K + (ST − (K +

∆K))+ . La valeur finale du call européen de strike K est (ST − K)+ . La
valeur finale du portefeuille Π2 est Π2T = ∆K1ST ≥K+∆K + (ST − (K +
∆K))+ . Distinguons 3 cas
– Si ST < K alors Π1T = C E (T, S, K) = Π2T = 0.
– Si K ≤ ST < K + ∆K alors Π1T = ∆K, C E (T, S, K) = ST − K < ∆K
et Π2T = 0 donc Π1T ≥ C E (T, S, K) ≥ Π2T .
– Si ST ≥ K + ∆K alors Π1T = ∆K + ST − K − ∆K = ST − K,
C E (T, S, K) = ST − K et Π2T = ∆K + ST − K − ∆K = ST − K donc
Π1T = C E (T, S, K) = Π2T .
Ainsi, dans tous les cas, Π1T ≥ C E (T, S, K) ≥ Π2T donc en A.O.A. pour
tout t ∈ [0, T ] on a Π1t ≥ C E (t, S, K) ≥ Π2t .
2. D’après la question précédente, pour tout t ∈ [0, T ] on a
∆KC D (t, S, K)+C E (t, S, K+∆K) ≥ C E (t, S, K) ≥ ∆KC D (t, S, K+∆K)+C E (t, S, K+∆K)
donc
C E (t, S, K) − C E (t, S, K + ∆K)
C D (t, S, K) ≥
∆K
et
C E (t, S, K) − C E (t, S, K + ∆K)
≥ C D (t, S, K + ∆K).
∆K
Comme C D est continue par rapport à K et C E est de classe C 1 par
rapport à K, en prenant dans les inégalités ci-dessus la limite ∆K → 0
E (t,S,K)
il vient C D (t, S, K) = − ∂C ∂K .
3. Dans le modèle de Black et Scholes C E (t, S, K) = u(t, St ) où u est donnée

par
u(t, x) = xN(d1 ) − Ke−r(T −t) N(d2 )
avec 2
x
log K + (r + σ2 )(T − t)
d1 = √
σ T −t
150
√
et d2 = d1 − σ T − t. Donc C D (t, S, K) = v(t, St ) où v est donnée par
∂u
v(t, x) = − (t, x)
∂K
∂d1 ∂d2
= −xN0 (d1 ) + e−r(T −t) N(d2 ) + Ke−r(T −t) N0 (d2 ) .
∂K ∂K
∂d1 ∂d2
Or ∂K = ∂K donc
∂d1 h 0 i
v(t, x) = e−r(T −t) N(d2 ) + xN (d1 ) − Ke−r(T −t) N0 (d2 )
∂K
= e−r(T −t) N(d2 )
d’après (4.10) page 145. Ayant ainsi obtenu une expression pour la valeur
du call digital on en déduit la stratégie de réplication en raisonnant
comme dans la preuve du Théorème 3.1 page 88. En particulier xG =
∂v
v(0, S0 ) et pour tout t ∈ [0, T [ on a θtG = ∂x (T, St ) où
∂v ∂d2 0
(t, x) = e−r(T −t) N (d2 )
∂x ∂x
1
= e−r(T −t) √ N0 (d2 ).
xσ T − t
Exercice 3.7
1. Le prix en t du call digital quand le prix du sous-jacent est x est donné

par
u(t, x) = e−r(T −t) Q? (ST ≥ K|St = x)

σ2
= e−r(T −t) Q? (xeσ(BT −Bt )+(r− 2
)(T −t)
≥ K)
−r(T −t)
= e N(d2 )
et ∂u −r(T −t) N0 (d ) √1
∂x (t, x) = e 2 xσ T −t où N et d2 sont les quantités déjà
vues à l’exercice 3.2 page 92.
2. En raisonnant comme dans l’exercice 3.2 page 92 on obtient que le prix

en t de l’option "titre ou rien" quand le prix du sous-jacent est x est
151
donné par
?
u(t, x) = e−r(T −t) EQ [ST 1ST ≥K |St = x]
= xN(d1 ).
3. D’après l’exercice 3.2 page 92 on peut couvrir un call européen à l’aide

d’un portefeuille comportant N(d1 ) unités de l’actif risqué et d’après la
première question de cet exercice on peut couvrir un call digital à l’aide
d’un portefeuille comportant e−r(T −t) N0 (d2 ) xσ√1T −t unités de l’actif ris-
qué quand le prix de celui-ci est x. Finalement, on peut couvrir une
option digitale à l’aide d’un portefeuille auto-finançant ne comportant
que e−r(T −t) N0 (d2 ) xσ√T −tN(d
1
)
unités de call et de l’actif sans risque.
1
Exercice 3.8
1. D’après la Proposition 3.3 page 84 la valeur de G à la date t ∈ [0, T ]

quand St = x est donnée par
? ?
EQ [e−r(T1 −t) G|Ft ] = EQ [e−r(T −t) (u(T1 , ST1 ) − K1 )+ |Ft ]
?
= EQ [e−r(T1 −t) (u(T1 , ST1 ) − K1 )+ |St = x]
2
Q? −r(T1 −t) (r− σ2 )(T1 −t)+σ(BT? −Bt? )
= E [e u(T1 , St e 1 ) − K1 |St = x]
+
σ2
√
= E[e−rθ (u(T1 , xe(r− 2
)θ+σ θg
− K1 )+ ].
quand θ = T1 − t.
2. D’après l’exercice 3.2 on a ∂u

∂x (T1 , x) > 0, limx→0 u(T1 , x) = 0 et limx→+∞ u(T1 , x) =
+∞. Ainsi il existe une unique solution à l’équation u(T1 , x) = K1 que
σ2
√
θg
l’on note x1 . Dès que g > −d on a u(T1 , xe(r− 2
)θ+σ
) − K1 ≥ 0 d’où
l’expression demandée.
3. On sait que pour tout t ∈ [0, T ], x ≥ 0 on a

σ2
√
u(t, x) = Eg1 e−r(T −t) (xe(r− 2
)(T −t)+σ T −tg1
− K)+
152
donc
2 √ 2 √ 2 √
(r− σ2 )θ+σ θg −r(T −T1 ) (r− σ2 )θ+σ θg (r− σ2 )(T −T1 )+σ T −T1 g1 +
u(T1 , xe ) = Eg1 e (xe e − K)
par conséquent en prenant θ = T1 − t on a

σ2
√
Eg [e−rθ u(T1 , xe(r− 2
)θ+σ θg
)1g>−d ]

σ2
√ 2 √
θg (r− σ2 )θ1 +σ θ1 g1
= Eg e−rθ Eg1 e−r(T −T1 ) (xe(r− 2
)θ+σ
e − K)+ 1g>−d
√ √ 2

θg+ θ1 g1 )− σ2 (θ+θ1 )
= E xeσ( − Ke−r(θ+θ1 ) 1A .
4. On déduit de la question précédente que

√ √ 2

θg+ θ1 g1 )− σ2 (θ+θ1 )
v(T1 − t, x) = E xeσ( − Ke−r(θ+θ1 ) 1A − K1 e−rθ N(d)
σ2
h √ √ i
= xe− 2
(θ+θ1 )
E eσ( θg+ θ1 g1 )
1A − Ke−r(θ+θ1 ) E [1A ] − K1 e−rθ N(d).
Or (g, g1 ) et (−g, −g1 ) ont même loi donc

s 2
x
θ1 log K + (r − σ2 )(θ + θ1 )
P(A) = P(g < d, g + g1 < √ )
θ σ θ
 s 
x 2
log K + (r − σ2 )(θ + θ1 ) θ1 
= N2 d, √ , .
σ θ θ
Par ailleurs
h √ √ i 1
Z √ √ g2 g12
E eσ( θg+ θ1 g1 )
1A = eσ( θg+ θ1 g1 ) e− 2 − 2 dg dg1
2π A
1 σ2 (θ+θ1 )
Z
1
√ √ 2
2 1
= e2 e− 2 (g−σ θ) − 2 (g1 −σ θ1 ) dg dg1
2π
Z A
σ2 1 − 1 h2 − 1 h2
= e 2 (θ+θ1 ) e 2 2 1 dh dh
1
A0 2π
où, dans la dernière égalité, on a procédé au changement de variables

153
√ √
h = g − σ θ, h1 = g1 − σ θ1 conduisant à
√ √ o
( )
x σ2 n
A0 =
p
σ( θh + θ1 )h1 ) > −(log + (r + )(θ + θ1 )) ∩ h > −d − σ θ
K 2
d’où
 s 
2
√ x
log K + (r + σ2 )(θ + θ1 ) θ1 
v(T1 − t, x) = xN2 d + σ θ, √ ,
σ θ θ
 s 
x 2
log K + (r − σ2 )(θ + θ1 ) θ1 
−Ke−r(θ+θ1 ) N2 d, √ , − K1 e−rθ N(d).
σ θ θ
5. C’est une conséquence du Théorème 3.1 page 88.

154
Chapitre 5
Travaux pratiques en Octave

et Matlab
Dans ce chapitre nous allons présenter quelques implémentations infor-

matiques utilses pour les chapitres précédents. Nous avons choisi d’utiliser le
langage MATLAB R
[10] ou sa version gratuite OCTAVE [3] pour sa facilité
de programmation et l’utilisation qui en est faite dans la pratique. Pour rappel
Octave est une version gratuite qui implémente le même langage de program-
mation que Matlab, bien que certaines différences peuvent exister entre les
deux versions.
5.1 Programmes pour le chapitre 1

Il s’agit ici de deux programmes implémentant le calcul du prix et du delta
d’un call et put européens dans le modèle de Cox-Ross-Rubinstein présenté au
chapitre 1. Nous suivons pour bonne partie les idées de l’article [4] mais il est
adapté à notre situation.
Nous reprenons les notations du chapitre 1. Avec les notations du Théo-
rème 1.2 si G est un actif dérivé alors son prix v à l’instant 0 est e−rT EQ [G].
Par ailleurs si G est indépendant du chemin avec G = φ(ST1 ) nous obtenons :
v = e−rT
X
Q(ω1 , ..., ωN )φ(S01 ucard{k:ωk =u} dcard{k:ωk =d} ). (5.1)
ω1 ,...,ωN
155
156
Mais l’ensemble des chemins (ω1 , ..., ωN ) qui donnent le même facteur
ucard{k:ωk =u} dcard{k:ωk =d} = un dN −n
N N!
est n = n!(N −n)! . Donc en utilisant l’équation (1.29) :
N
!
N
v = e−rT q n (1 − q)N −n φ(S01 un dN −n ).
X
(5.2)
n=0
n
En principe il suffirait d’implémenter donc cette formule. Néanmoins cette

formule est parfois instable du point de vue numérique car elle fait intervenir
des nombres potentiellement trop petits. Pour comprendre le problème soit
N = 1000 et d = 0.2 ; calculons dN :
1 octave :2 >(0.2) ^1000
2 ans ␣ = ␣ 0
Les erreurs d’arrondi font que le résultat est considéré null. Par contre le
calcul du log(dN ) = N log(d) se fait sans encombre
1 octave :3 >1000* log (0.2)
2 ans ␣ = ␣ -1609.4

N
Il est donc plus efficace de travailler avec log q n (1 − q)N −n n et le ré-
écrire comme suit :
!!
n N −n N
log q (1 − q) = log(N !) − log(n!) − log((N − n)!) + log(q n )
n
N n N −n
+ log((1 − q)N −n ) =
X X X
log(k) − log(k) − log(k) + n log(q) + (N − n) log(1 − q).
k=1 k=1 k=1
Le programmes 5.1 et 5.9 implémentent de cette façon le calcul du prix

des options call et put européennes :
Listing 5.1 – Implémentation calcul de prix pour arbre binomial

1 function ␣ [ Call , ␣ Put ] ␣ = ␣ c r r _ b i n o m i a l _ p r i c e ( Price , ␣ Strike , ␣ Rate , ␣ Time
, ␣ Steps , ␣ Up , ␣ Down )
2 % % ␣ ␣ ␣ input :
3 %%
4 % % ␣ ␣ ␣ Price ␣ -␣ Le ␣ prix ␣ du ␣ sous - ␣ jacent ␣ aujourd ’ hui
157
5 % % ␣ ␣ ␣ Strike : ␣ le ␣ Strike ␣ de ␣l ’ option

6 % % ␣ ␣ ␣ Rate : ␣ le ␣ taux ␣d ’ interet ␣ sans ␣ risque ␣ exprime ␣ en ␣ annees
7 % % ␣ ␣ ␣ Time : ␣ temps ␣ restant ␣ jusqu ’ a ␣ maturite ␣ exprime ␣ en ␣ annees
8 % % ␣ ␣ ␣ Steps : ␣ le ␣ nombre ␣ de ␣ pas ␣ de ␣ temps
9 % % ␣ ␣ ␣ Up , ␣ Down : ␣ les ␣ facteurs ␣ multip licatifs ␣ du ␣ modele , ␣ vers ␣ le ␣ haut ␣
et ␣ bas
10
11 % ␣ calcule ␣ le ␣ delta ␣d ’ une ␣ option ␣ pour ␣ un ␣ modele ␣ binomial ␣ de ␣ Cox ␣ Ross
␣ Rubinstein ␣ Binomial
12 % ␣ Adaptee ␣ de ␣ Higham ␣ SIAM ␣ Rev ␣ paper ␣ Vol . ␣ 44 , ␣ No . ␣ 4 , ␣ pp . ␣ 661 -677 ␣ 2002
13 % ␣ Utilise ␣ une ␣ solution ␣ explicite ␣ ( expansion ␣ binomiale )
14 % ␣ Vectorisee ␣ basee ␣ sur ␣ les ␣ logs ␣ pour ␣ eviter ␣ les ␣ erreur ␣d ’ arrondi ␣
pour ␣ les ␣ valeurs ␣ trop ␣ petites
15
16 if ( Time * Steps ␣ == ␣ 0) ␣ % ␣ nous ␣ sommes ␣ a ␣ maturite
17 Call ␣ = ␣ max ( Price - Strike ,0) ;
18 Put ␣ = ␣ max ( Strike - Price ,0) ;
19 return ;
20 end % end ␣ if
21 dt ␣ = ␣ Time / Steps ;
22 p ␣ = ␣ ( exp ( Rate * dt ) - Down ) /( Up - Down ) ; % calcul ␣ de ␣ la ␣ proba ␣ risque ␣ neutre
23 % ␣ Les ␣ valeurs ␣ finales
24 Finalvalue = Price * Down .^([ Steps : -1:0] ’) .* Up .^([0: Steps ] ’) ;
25 Wcall ␣ = ␣ max ( Finalvalue - Strike ,0) ; % call
26 Wput ␣ = ␣ max ( Strike - Finalvalue ,0) ; % put
27 % ␣ version ␣ log / cumsum
28 csl ␣ = ␣ cumsum ( log ([1;[1: Steps ] ’]) ) ;
29 tmp ␣ = ␣ csl ( Steps +1) ␣ -␣ csl ␣ -␣ csl ( Steps +1: -1:1) ␣ + ␣ log ( p ) *([0: Steps ] ’) ␣
+ ␣ log (1 - p ) *([ Steps : -1:0] ’) ;
30 Call ␣ = ␣ exp ( - Rate * Time ) * sum ( exp ( tmp ) .* Wcall ) ;
31 Put ␣ = ␣ exp ( - Rate * Time ) * sum ( exp ( tmp ) .* Wput ) ;
32 end % endfunction
Exemple d’utilisation pour le calcul du prix de l’option dans l’exercice 1.8

page 23. Premier calcul est au temps initial, le deuxième calcul est au temps
dt et prix du sous-jacent 40 :
1 octave :1 > ␣ [ Call ␣ Put ] ␣ = ␣ c r r _ b i n o m i a l _ p r i c e (80 ,80 , log (1.1)
,3 ,3 ,1.5 ,0.5)
2 Call ␣ = ␣ ␣ 34.080
3 Put ␣ = ␣ ␣ 14.185
4 octave :2 > ␣ [ Call ␣ Put ]= c r r _ b i n o m i a l _ p r i c e (40 ,80 , log (1.1) ,2 ,2 ,1.5 ,0.5)
5 Call ␣ = ␣ ␣ 2.9752
6 Put ␣ = ␣ ␣ 29.091
Les programmes 5.2 et 5.10 calculent la couverture (dite "le delta") de

158
l’option en accord avec le Théorème 1.3 page 18 (noté θ dans le résultat théo-
rique) :
Listing 5.2 – Implémentation calcul de la couverture pour arbre binomial

1 function ␣ [ DeltaCall , ␣ DeltaPut ] ␣ = ␣ c r r _ b i n o m i a l _ d e l t a ( Price , ␣ Strike , ␣
Rate , ␣ Time , ␣ Steps , ␣ Up , ␣ Down )
2 % % ␣ ␣ ␣ input :
3 %%
7 % % ␣ ␣ ␣ Time : ␣ temps ␣ restant ␣ jusqu ’ a ␣ maturite ␣ exprime ␣ en ␣ annees
8 % % ␣ ␣ ␣ Steps : ␣ le ␣ nombre ␣ de ␣ pas ␣ de ␣ temps
9 % % ␣ ␣ ␣ Up , ␣ Down : ␣ les ␣ facteurs ␣ multip licatifs ␣ du ␣ modele , ␣ vers ␣ le ␣ haut ␣
et ␣ bas
10
11 % % ␣ calcule ␣ le ␣ delta ␣d ’ une ␣ option ␣ pour ␣ un ␣ modele ␣ binomial ␣ de ␣ Cox ␣
Ross ␣ Rubinstein ␣ Binomial
12 % % ␣ utilise ␣ la ␣ fonction ␣ c r r _ b i n o m i a l _ p r i c e
13
14 if ( Time * Steps ␣ == ␣ 0) ␣ % ␣ nous ␣ sommes ␣ a ␣ maturite
15 DeltaCall ␣ = ␣ Price >= Strike ; % call
16 DeltaPut ␣ = ␣ Strike >= Price ; % put
17 return ;
18 end % end ␣ if
19 dt ␣ = ␣ Time / Steps ;
20 diffprice = Price *( Up - Down ) ;
21 [ callup ␣ putup ]= c r r _ b i n o m i a l _ p r i c e ( Price * Up , ␣ Strike , ␣ Rate , ␣ Time - dt , ␣
Steps -1 , ␣ Up , ␣ Down ) ;
22 [ calldown ␣ putdown ]= c r r _ b i n o m i a l _ p r i c e ( Price * Down , ␣ Strike , ␣ Rate , ␣
Time - dt , ␣ Steps -1 , ␣ Up , ␣ Down ) ;
23 DeltaCall ␣ = ␣ ( callup - calldown ) / diffprice ;
24 DeltaPut ␣ = ␣ ( putup - putdown ) / diffprice ;
25 end % endfunction
Exemple d’utilisation pour le calcul du delta de l’option dans l’exercice 1.8

page 23. Premier calcul est au temps initial, le deuxième calcul est au temps
dt et prix du sous-jacent 40 :
1 octave :18 > ␣ [ DeltaCall ␣ DeltaPut ]= c r r _ b i n o m i a l _ d e l t a (80 ,80 , log (1.1)
,3 ,3 ,1.5 ,0.5)
2 DeltaCall ␣ = ␣ ␣ 0.71901
3 DeltaPut ␣ = ␣ -0.28099
4 octave :19 > ␣ [ DeltaCall ␣ DeltaPut ]= c r r _ b i n o m i a l _ d e l t a (40 ,80 , log (1.1)
,2 ,2 ,1.5 ,0.5)
5 DeltaCall ␣ = ␣ ␣ 0.13636
159
6 DeltaPut ␣ = ␣ -0.86364

Calculons une réalisation d’un mouvement Brownien standard dans l’in-
tervalle [0, 1].Nous mettons dans un vecteur W les valeurs du mouvement
Brownien aux instants tn = nδt, pour une réalisation donnée ; à noter que,
comme la numérotation des indices commence à 1 en Octave le terme W (1)
représente la valeur en t = 0, le terme W (4) la valeur en 3δt et ainsi de suite.
Nous savons que les composantes W (k + 1) suivent des lois N (0, tk ). Une
première implémentation pourrait exploiter ceci et est proposée dans le pro-
gramme 5.3 (et sa version R 5.11) ; un résultat est présenté dans la Figure 5.1
et il est assez éloigné de ce qu’on pense intuitivement être un mouvement
Brownien. Où est l’erreur ? En fait, bien que les composantes W (k +1) suivent,
comme elles devraient, des loi N (0, tk ) la covariance entre W (k+1) et W (`+1)
est zéro (sauf si k = `) alors que dans le mouvement Brownien elle devrait
être min(tk , t` ). Ce programme n’est donc pas correct.
Listing 5.3 – Implémentation d’un calcul erroné de trajectoire Brownienne

1 % programme ␣ br ownien1_ faux . m
2 T =1; ␣ % temps ␣ final
3 N =255; ␣ % nombre ␣ de ␣ pas ␣ de ␣ temps
4 dt = T / N ; ␣ % le ␣ pas ␣ de ␣ temps
5 for ␣ jj =1: N +1
6 W ( jj ) = randn (1 ,1) * sqrt ( dt *( jj -1) ) ;
7 end
8 plot (0: dt :T , W ) ;
9
10 % ␣ Pour ␣ sauvegarder ␣ le ␣ dessin ␣ dans ␣ un ␣ fichier ␣ pdf
11 % ␣ set ␣ ( gca , ␣ " fontsize " , ␣ 24) ;
12 % ␣ print ␣ - dpdf ␣ brown ien1_fau x . pdf
Pour faire mieux il suffit de se rappeler que, pour un mouvement Brownien

Wt : Wtn+1 −Wtn sont des variables indépendantes de loi N (0, tn+1 −tn ). Ainsi
pour simuler un mouvement Brownien aux instants tn il suffit de sommer
des variables normales indépendantes de loi N (0, tn+1 − tn ). Il est possible
de vérifier que dans ce cas la covariance de Wtk et Wt` est bien min{tk , t` }.
160
Le programme 5.4 (version R 5.12) implémente donc un calcul correct de

trajectoire Brownienne. La différence avec une exécution du programme 5.3
est visible dans la Figure 5.1.
Listing 5.4 – Implémentation correcte d’un calcul de trajectoire Brownienne

1 % programme ␣ brownien1 . m
5 W = zeros ( N +1 ,1) ; % ␣ ici ␣ sera ␣ stoque ␣ la ␣ trajectoire
6 W (1) =0; ␣ % ␣ valeur ␣ initiale
7 for ␣ jj =2: N +1
8 W ( jj ) = W ( jj -1) + ␣ randn (1 ,1) * sqrt ( dt ) ;
9 end
10 plot (0: dt :T , W ) ;
11
12 % ␣ Pour ␣ sauvegarder ␣ le ␣ dessin ␣ dans ␣ un ␣ fichier ␣ pdf
13 % set ␣ ( gca , ␣ " fontsize " , ␣ 24) ;
14 % print ␣ - dpdf ␣ brownien1 . pdf
2
0.8
1 0.6
0.4
0
0.2
-1 0
-2 -0.2
-0.4
-3
-0.6
-4 -0.8
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Figure 5.1 – Résultats du programme 5.3 (gauche) et 5.4 (droite). A gauche il

n’y a pas de corrélation entre les valeurs à des instants différents, contrairement
à la définition d’un mouvement Brownien.
En pratique il apparaît néanmoins assez souvent utile de calculer simulta-

nément plusieurs réalisations du mouvement Brownien ; il est bien sur possible
d’utiliser plusieurs fois le programme précédent, néanmoins il est plus efficace
de tout exécuter d’un seul coup en utilisant les capacités du langage de pro-
grammation qui travaille beaucoup mieux sur des vecteurs et matrices entières
161
que sur des composantes prises une par une. Voici donc un programme qui cal-
cule plusieurs réalisations simultanément :
Listing 5.5 – Implémentation calcul d’une trajectoire Brownienne, version vec-

torielle
1 % programme ␣ brownien2 . m
4 M =30; ␣ % nombre ␣ de ␣ realisations
6 W = zeros ( N +1 , M ) ;
7 randn ( " seed " ,100) ; % pour ␣ generer ␣ toujours ␣ la ␣ meme ␣ trajectoire ,
8 dW = randn ( N +1 , M ) * sqrt ( dt ) ; % les ␣ increments ␣ du ␣ mvt ␣ Brownien
9 W ␣ = ␣ cumsum ( dW ) ; % la ␣ fonction ␣ cumsum ␣ fait ␣ la ␣ somme ␣ cummulative ␣ par ␣
colonne , ␣c ’ est ␣ le ␣ brownien
10
11 % affichage
12 set ␣ ( gca , ␣ " fontsize " ,␣ 24) ;
13 plot (0: dt :T , W ) ;
14 % ␣ sauvegarde ␣ du ␣ graphique ␣ sous ␣ forme ␣ pdf
15 % print ␣ - dpdf ␣ brownien2 . pdf ;
Le résultat du programme 5.5 (voir aussi la version R 5.13) est présente

en Figure 5.2 gauche.
Nous poursuivons par simuler des trajectoire des solution des EDS ; soit un
sous-jacent qui vérifie l’EDS 2.62. Nous utilisons le schéma numérique d’Euler-
Maruyama (voir [5] pour une présentation plus détaillée) qui peut s’écrire, pour
Ytn une approximation de Xtn :
Y0 = X0 , Ytn+1 = Ytn + a(tn , Ytn )(tn+1 − tn ) + b(tn , Ytn )(Wtn+1 − Wtn ). (5.3)
En particulier pour un modèle de type Black-Scholes qui suit l’équation 3.2,

bien que vous avons une formule exacte pour St celle-ci n’est valable que
si µ et σ sont constantes ; nous proposerons un programme qui peut tenir
éventuellement compte aussi des situations plus générales. Ici a(t, X) = µX
et b(t, X) = σX. Ceci donne le programme 5.6 suivant et la version R 5.14.
Listing 5.6 – Implémentation calcul d’une trajectoire Black-Scholes par Euler-

Maruyama
1 % programme ␣ sousjacent . m
162

4 M =30; ␣ % nombre ␣ de ␣ realisations
6 mu =0.1; ␣ % ␣ taux ␣ de ␣ rendement ␣ annualise
7 sigma =0.25; ␣ % ␣ volatilite ␣ dans ␣ l ␣ evolution ␣ Black - Scholes
8 S0 =100; ␣ % ␣ valeur ␣ initiale ␣ du ␣ sous - jacent
9 S = zeros ( N +1 , M ) ;
10 S (1 ,:) = S0 ; ␣ % initialis ation ␣ de ␣ la ␣ valeur
11 randn ( " seed " ,100) ; % pour ␣ generer ␣ toujours ␣ la ␣ meme ␣ trajectoire ,
12 dW = randn ( N +1 , M ) * sqrt ( dt ) ; % les ␣ increments ␣ du ␣ mvt ␣ Brownien
13 for ␣ jj =2: N +1
14 % ␣ ci - dessous ␣ utilisation ␣ du ␣ schema ␣ Euler ␣ Maruyama
15 S ( jj ,:) = ␣ S ( jj -1 ,:) ␣ + ␣ mu * S ( jj -1 ,:) * dt ␣ + ␣ sigma * S ( jj -1 ,:) .* dW ( jj -1 ,:) ;
16 end
17
18 % affichage
19 set ␣ ( gca , ␣ " fontsize " ,␣ 24) ;
20 plot (0: dt :T , S ) ;
21 % ␣ sauvegarde ␣ du ␣ graphique ␣ sous ␣ forme ␣ pdf
22 % print ␣ - dpdf ␣ sousjacent . pdf ;
A noter la multiplication "S.*dW" qui permet de multiplier composante

par composante deux vecteurs ligne. Le résultat est présenté en Figure 5.2
droite.
4
250
3
2 200
1
150
0
-1
100
-2
-3 50
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Figure 5.2 – Exécution du programme 5.5 (gauche) et 5.6 (droite, µ = 0.10,

σ = 0.25).
163

Le programme 5.7 suivant implémente la formule (3.27) et une formule
analogue pour le put ; le programme 5.8 ci-dessous calcule la couverture ("le
delta") des options call et put européennes. A noter que Matlab a une implé-
mentation déjà faite de ces programmes dans son toolbox "finance". Se reporter
aux listings 5.15 et 5.16 pour les versions R des programmes.
Listing 5.7 – Implémentation du calcul du prix Black-Scholes

1 function ␣ [ call , put ]= ␣ blsprice ( Price , Strike , Rate , TimeToMaturity ,
Volatility , DividendRate )
2 % % ␣ ␣ ␣ input :
3 %%
7 % % ␣ ␣ ␣ Time ToMaturi ty : ␣ temps ␣ restant ␣ jusqu ’ a ␣ maturite ␣ exprime ␣ en ␣
annees
8 % % ␣ ␣ ␣ Volatility : ␣ volatilite
9 % % ␣ ␣ ␣ DividendRate ␣ = ␣ le ␣ taux ␣ continu ␣ de ␣ dividendes ; ␣s ’ il ␣ manque ␣ il ␣
est ␣ pris ␣ zero_count
10
11 % ␣ met ␣ le ␣ dernier ␣ argument ␣ ( dividendes ) ␣ a ␣ zero
12 if ␣ ( nargin ␣ == ␣ 5) ␣ ; ␣ DividendRate =0; ␣ end ;
13
14 if ␣ ( Tim eToMatur ity ==0) ␣ % ␣l ’ option ␣ est ␣ deja ␣ expiree
15 ␣␣␣␣␣␣␣␣ call ␣ = ␣ max ( Price - Strike ,0) ;
16 ␣␣␣␣␣␣␣␣ put ␣ = ␣ max ( Strike - Price ,0) ;
17 else
18
19
20 d1 ␣ = ␣ log ( Price ./ Strike ) +( Rate - DividendRate ␣ + ␣ Volatility .^2/2) .*
Time ToMaturit y ;
21 d1 ␣ = ␣ d1 ./ ␣ ( Volatility .* ␣ sqrt ( Ti meToMatu rity ) ) ;
22 d2 ␣ = ␣ d1 -( Volatility .* ␣ sqrt ( TimeT oMaturit y ) ) ;
23
24 d1 ( isnan ( d1 ) ) ␣ = ␣ 0; % met ␣ a ␣ zero ␣ les ␣ divisions ␣ par ␣ zero ␣ ou ␣ calculs ␣ pas
␣ definis
25 d2 ( isnan ( d2 ) ) ␣ = ␣ 0; % idem
26
27 call ␣ = ␣ Price .* ␣ exp ( - DividendRate .* Tim eToMatur ity ) ␣ .* ␣ normcdf ( ␣ d1 ) -
Strike .* ␣ exp ( - Rate .* Tim eToMatur ity ) ␣ .* ␣ normcdf ( ␣ d2 ) ;
28 put ␣ ␣ = ␣ Strike .* ␣ exp ( - Rate .* Time ToMaturit y ) ␣ .* ␣ normcdf ( - d2 ) - Price .* ␣
exp ( - DividendRate .* T imeToMat urity ) ␣ .* ␣ normcdf ( - d1 ) ;
29 end
164
30
31 end
Listing 5.8 – Implémentation du calcul du delta Black-Scholes

1 function ␣ [ call , put ]= ␣ blsdelta ( Price , Strike , Rate , TimeToMaturity ,
Volatility , DividendRate )
2 % % ␣ ␣ ␣ input :
3 %%
7 % % ␣ ␣ ␣ Time ToMaturi ty : ␣ temps ␣ restant ␣ jusqu ’ a ␣ maturite ␣ exprime ␣ en ␣
annees
8 % % ␣ ␣ ␣ Volatility : ␣ volatilite
9 % % ␣ ␣ ␣ DividendRate ␣ = ␣ le ␣ taux ␣ continu ␣ de ␣ dividendes ; ␣s ’ il ␣ manque ␣ il ␣
est ␣ pris ␣ zero_count
10
11 % ␣ met ␣ le ␣ dernier ␣ argument ␣ ( dividendes ) ␣ a ␣ zero
12 if ␣ ( nargin ␣ == ␣ 5) ␣ ; ␣ DividendRate =0; ␣ end ;
13
14 if ␣ ( Tim eToMatur ity ==0) ␣ % ␣l ’ option ␣ est ␣ deja ␣ expiree
15 ␣␣␣␣␣␣␣␣ call ␣ = ␣ Price >= Strike ; ␣ % ␣ 1 ␣ si ␣c ’ est ␣ dans ␣ la ␣ monaie , ␣ zero ␣
sinon
16 ␣␣␣␣␣␣␣␣ put ␣ ␣ = ␣ Price <= Strike ; ␣ % ␣ pareil ␣ pour ␣ le ␣ put
17 else
18
19
20 d1 ␣ = ␣ log ( Price ./ Strike ) +( Rate - DividendRate ␣ + ␣ Volatility .^2/2) .*
TimeT oMaturit y ;
21 d1 ␣ = ␣ d1 ./ ␣ ( Volatility .* ␣ sqrt ( Ti meToMatu rity ) ) ;
22 d2 ␣ = ␣ d1 -( Volatility .* ␣ sqrt ( TimeT oMaturit y ) ) ;
23
24 d1 ( isnan ( d1 ) ) ␣ = ␣ 0; % met ␣ a ␣ zero ␣ les ␣ divisions ␣ par ␣ zero ␣ ou ␣ calculs ␣ pas
␣ definis
25 d2 ( isnan ( d2 ) ) ␣ = ␣ 0; % idem
26
27 call ␣ = ␣ exp ( - DividendRate .* TimeToMa turity ) ␣ .* ␣ normcdf ( ␣ d1 ) ;
28 put ␣ ␣ = ␣ - exp ( - DividendRate .* TimeT oMaturit y ) ␣ .* ␣ normcdf ( - d1 ) ;
29 end ␣ % ␣ end ␣ if
30
31 end ␣ % ␣ end ␣ function
Ci-dessous un exemple d’utilisation pour σ = 0.25, r = 0.03, S0 = 100, K =

100, T = 1 :
1 octave :20 > ␣ [ prixcall ␣ prixput ]= ␣ blsprice (100 ,100 ,0.03 ,1.0 ,0.25)
165
2 prixcall ␣ = ␣ ␣ 11.348
3 prixput ␣ = ␣ ␣ 8.3930
4 octave :21 > ␣ [ deltacall ␣ deltaput ]= ␣ blsdelta (100 ,100 ,0.03 ,1.0 ,0.25)
5 deltacall ␣ = ␣ ␣ 0.59677
6 deltaput ␣ = ␣ -0.40323
7 octave :22 > ␣ deltacall - deltaput
8 ans ␣ = ␣ ␣ 1
9 octave :23 > ␣ prixput +100 ␣ -␣ 100* exp ( -0.03*1)
10 ans ␣ = ␣ ␣ 11.348
Comme attendu la différence entre les delta du call et du put est 1 ; par ailleurs
les prix du call et du put satisfont la relation de parité (1.15) page 10.
5.4 Versions R des programmes

Pour le lecteur plus habitué à utiliser le langage "R" [14] nous donnons
ci-dessous les versions "R" des programmes utilisés dans ce chapitre.
Listing 5.9 – Implémentation calcul de prix pour arbre binomial

1 c r r _ b i n o m i a l _ p r i c e ␣ <-␣ function ( price , ␣ strike , ␣ rate , ␣ time , ␣ steps , ␣ up
, ␣ down ) {
2 # ␣ price ␣ : ␣ prix ␣ du ␣ sous - jacent ␣ aujourd ’ hui
3 # ␣ strike : ␣ strike ␣ de ␣l ’ option
4 # ␣ rate ␣ ␣ : ␣ taux ␣d ’ interêt ␣ en ␣ années
5 # ␣ time ␣ ␣ : ␣ temps ␣ restant ␣ jusqu ’ à ␣ maturité ␣ exprimé ␣ en ␣ années
6 # ␣ steps ␣ : ␣ nombre ␣ de ␣ pas
7 # ␣ up ␣ ␣ ␣ ␣ : ␣ facteur ␣ muliplicatif ␣ vers ␣ le ␣ haut
8 # ␣ down ␣ ␣ : ␣ faceur ␣ multiplicatif ␣ vers ␣ le ␣ bas
9
10 # ␣ calcule ␣ le ␣ prix ␣ du ␣ call ␣ et ␣ du ␣ put ␣ sur ␣l ’ arbre ␣ binomial
11
12 if ( time * steps ␣ == ␣ 0) ␣ {
13 return ( list ( Call = max ( price - strike ,0) ,␣ Put = max ( strike - price ,0) ) )
14 }
15 else ␣ {
16 dt ␣ <-␣ time / steps
17 p ␣ <-␣ ( exp ( rate * dt ) ␣ -␣ down ) /( up ␣ -␣ down )
18
19 # ␣ Les ␣ valeurs ␣ finales
20
21 finalvalue ␣ <-␣ price * down ^( steps :0) * up ^(0: steps )
22 Wcall ␣ <-␣ pmax ( finalvalue ␣ -␣ strike ,0)
23 Wput ␣ <-␣ pmax ( strike ␣ -␣ finalvalue ,0)
24
166
25 # ␣ Version ␣ log / cumsum

26
27 csl ␣ <-␣ cumsum ( log ( c (1 ,1: steps ) ) )
28 tmp ␣ <-␣ csl [ steps +1] ␣ -␣ csl ␣ -␣ rev ( csl ) ␣ + ␣ log ( p ) *(0: steps ) ␣ + ␣ log (1 - p )
*( steps :0)
29
30 return ( list ( Call = exp ( - rate * time ) * sum ( exp ( tmp ) * Wcall ) ,␣ Put = exp ( - rate
* time ) * sum ( exp ( tmp ) * Wput ) ) )
31 }
32 }
Listing 5.10 – Implémentation calcul de la couverture pour arbre binomial

1 c r r _ b i n o m i a l _ d e l t a ␣ <-␣ function ( price , ␣ strike , ␣ rate , ␣ time , ␣ steps , ␣ up
, ␣ down ) {
2 # ␣ price ␣ : ␣ prix ␣ du ␣ sous - jacent ␣ aujourd ’ hui
3 # ␣ strike : ␣ strike ␣ de ␣l ’ option
4 # ␣ rate ␣ ␣ : ␣ taux ␣d ’ interêt ␣ en ␣ années
5 # ␣ time ␣ ␣ : ␣ temps ␣ restant ␣ jusqu ’ à ␣ maturité ␣ exprimé ␣ en ␣ années
6 # ␣ steps ␣ : ␣ nombre ␣ de ␣ pas
7 # ␣ up ␣ ␣ ␣ ␣ : ␣ facteur ␣ muliplicatif ␣ vers ␣ le ␣ haut
8 # ␣ down ␣ ␣ : ␣ faceur ␣ multiplicatif ␣ vers ␣ le ␣ bas
9
10 # ␣ calcule ␣ le ␣ delta ␣ du ␣ call ␣ et ␣ du ␣ put ␣ sur ␣l ’ arbre ␣ binomial
11
12 # ␣ ATTENTION : ␣ utilise ␣ la ␣ fonction ␣ c r r _ b i n o m i a l _ p r i c e
13
14 if ( time * steps ␣ == ␣ 0) ␣ {
15 return ( list ( c ou ve rt u re _c al l = ␣ as . integer ( price >= strike ) ,␣
couve rture_pu t = ␣ as . integer ( strike >= price ) ) )
16 }
17 else ␣ {
18 dt ␣ <-␣ time / steps
19 diffprice ␣ <-␣ price *( up - down )
20
21 callup_putup ␣ <-␣ c ( c r r _ b i n o m i a l _ p r i c e ( price * up , ␣ strike , ␣ rate , ␣ time -
dt , ␣ steps -1 , ␣ up , ␣ down ) [[1]] , ␣ c r r _ b i n o m i a l _ p r i c e ( price * up , ␣
strike , ␣ rate , ␣ time - dt , ␣ steps -1 , ␣ up , ␣ down ) [[2]])
22 c a l l d o w n _ p u t d ow n ␣ <-␣ c ( c r r _ b i n o m i a l _ p r i c e ( price * down , ␣ strike , ␣ rate , ␣
time - dt , ␣ steps -1 , ␣ up , ␣ down ) [[1]] , ␣ c r r _ b i n o m i a l _ p r i c e ( price * down
, ␣ strike , ␣ rate , ␣ time - dt , ␣ steps -1 , ␣ up , ␣ down ) [[2]])
23
24 return ( list ( c ou ve rt u re _c al l = ␣ ( callup_putup [1] ␣ -␣ c a l l d o w n _p u t d o w n
[1]) / diffprice , ␣ c ouvertur e_put = ␣ ( callup_putup [2] ␣ -␣
c a l l d o w n _ p ut d o w n [2]) / diffprice ) )
25 }
26 }
167
Listing 5.11 – Implémentation d’un calcul erroné de trajectoire Brownienne

1 T ␣ <-␣ 1 ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ # temps ␣ final
2 N ␣ <-␣ 255 ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ # nombre ␣ de ␣ pas ␣ de ␣ temps
3 dt ␣ <-␣ T / N ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ # le ␣ pas ␣ de ␣ temps
4 w ␣ <-␣ sqrt ( dt ) *(0: N ) * rnorm ( N +1)
5 plot ((0: N ) ,w , type = " l " , col = " red " , main = " Fausse ␣ simulation ␣ brownien " )
Listing 5.12 – Implémentation correcte d’un calcul de trajectoire Brownienne

1 T ␣ <-␣ 1 ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ # temps ␣ final
2 N ␣ <-␣ 255 ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ # nombre ␣ de ␣ pas ␣ de ␣ temps
3 dt ␣ <-␣ T / N ␣ ␣ ␣ ␣ ␣ ␣ ␣ # le ␣ pas ␣ de ␣ temps
4 w ␣ <-␣ rep (0 , N +1) ␣ # ici ␣ sera ␣ stockée ␣ la ␣ trajectoire
5 for ␣ ( i ␣ in ␣ 1: N +1) ␣ {
6 w [ i ] ␣ <-␣ w [i -1]+ rnorm (1) * sqrt ( dt )
7 }
8 plot ((0: N ) ,w , type = " l " , col = " red " , main = " Simulation ␣ brownien " )
Listing 5.13 – Implémentation calcul d’une trajectoire Brownienne, version

vectorielle
1 T ␣ <-␣ 1 ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ # temps ␣ final
2 N ␣ <-␣ 255 ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ # nombre ␣ de ␣ pas ␣ de ␣ temps
3 M ␣ <-␣ 5 ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ # nombre ␣ de ␣ réalisations
4 dt ␣ <-␣ T / N ␣ ␣ ␣ ␣ ␣ ␣ ␣ # le ␣ pas ␣ de ␣ temps
5 s ␣ <-␣ sqrt ( dt ) * matrix ( c ( rep (0 , M ) ,␣ rnorm ( M *N ,0 ,1) ) ,␣ nrow = M )
6 w ␣ <-␣ t ( apply (s ,1 , cumsum ) )
7
8 plot ((0: N ) ,w [1 ,] , type = " l " , col = " red " , main = " Simulation ␣ brownien " )
Listing 5.14 – Implémentation calcul d’une trajectoire Black-Scholes par Euler-

Maruyama
1 T ␣ <-␣ 1 ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ # temps ␣ final
2 N ␣ <-␣ 5 ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ # nombre ␣ de ␣ pas ␣ de ␣ temps
3 M ␣ <-␣ 5 ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ # nombre ␣ de ␣ réalisations
4 dt ␣ <-␣ T / N ␣ ␣ ␣ ␣ ␣ ␣ # le ␣ pas ␣ de ␣ temps
5 mu ␣ <-␣ 0.1 ␣ ␣ ␣ ␣ ␣ ␣ # taux ␣ de ␣ rendement ␣ annualisé
6 sigma ␣ <-␣ 0.25 ␣ ␣ # volatilité ␣ dans ␣l ’ évolution ␣ Black - Scholes
7 S0 =100 ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ # valeur ␣ initiale ␣ du ␣ sous - jacent
8 s ␣ <-␣ matrix ( c ( rep ( S0 , M ) , rep (0 , N * M ) ) ,␣ nrow ␣ = M )
9 w ␣ <-␣ sqrt ( dt ) * matrix ( rnorm ( N * M ) ,␣ nrow ␣ = M ) ␣ ␣ ␣ # les ␣ increments ␣ du ␣
mouvement ␣ brownien
10 for ␣ ( i ␣ in ␣ 1: N +1) {
11 s [ , i ] ␣ <-␣ s [ ,i -1] ␣ + ␣ mu * s [ ,i -1]* dt ␣ + ␣ sigma * s [ ,i -1]* w [ ,i -1] ␣ # schéma ␣d ’
Euler - Maruyama
168
12 }
13 plot ((0: N ) ,s [1 ,] , type = " l " , col = " red " , main = " Simulation ␣d ’ un ␣ brownien ␣
géométrique " )
Listing 5.15 – Implémentation du calcul du prix Black-Scholes

1 bls_price ␣ <-␣ function ( price , ␣ strike , ␣ rate , ␣ time_to_maturity , ␣
volatility ) {
2 ␣ ␣ # ␣ price ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ : ␣ prix ␣ du ␣ sous - jacent ␣ aujourd ’ hui
3 ␣ ␣ # ␣ strike ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ : ␣ strike ␣ de ␣l ’ option
4 ␣ ␣ # ␣ rate ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ : ␣ taux ␣d ’ interêt ␣ en ␣ années
5 ␣ ␣ # ␣ t i m e _t o _ m a t u r i t y ␣ ␣ : ␣ temps ␣ restant ␣ jusqu ’ à ␣ maturité ␣ exprimé ␣ en ␣
années
6 ␣ ␣ # ␣ volatility ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ : ␣ volatilité
7
8
9 ␣ ␣ # ␣ calcule ␣ le ␣ prix ␣ du ␣ call ␣ et ␣ du ␣ put ␣ pour ␣ le ␣ modèle ␣ de ␣ Black ␣ & ␣
Scholes
10
11 ␣ ␣ if ( t i m e _ t o _ m at u r i t y ␣ == ␣ 0) {
12 ␣ ␣ ␣ ␣ return ( list ( Call = max ( price - strike ,0) ,␣ Put = max ( strike - price ,0) ) )
13 ␣␣}
14 ␣ ␣ else ␣ {
15 ␣ ␣ ␣ ␣ d1 ␣ <-␣ ( log ( price / strike ) ␣ + ␣ ( rate ␣ + ␣ ( volatility ^2) /2) *
t i m e _ t o _ m a tu r i t y ) /( volatility * sqrt ( t i m e _ t o _ m a t u r i t y ) )
16 ␣ ␣ ␣ ␣ d2 ␣ <-␣ d1 ␣ -␣ volatility * sqrt ( t i m e _ t o _ m a t u r i t y )
17
18 ␣ ␣ ␣ ␣ prix_call ␣ <-␣ price * pnorm ( d1 ,0 ,1) ␣ -␣ strike * exp ( - ␣ rate *
t i m e _ t o _ m a tu r i t y ) * pnorm ( d2 ,0 ,1)
19 ␣ ␣ ␣ ␣ prix_put ␣ <-␣ strike * exp ( - ␣ rate * t i m e _ t o _ ma t u r i t y ) * pnorm ( - d2 ,0 ,1) -
price * pnorm ( - d1 ,0 ,1)
20
21 ␣ ␣ ␣ ␣ return ( list ( Call = prix_call , ␣ Put = prix_put ) )
22 ␣␣}
23 }
Listing 5.16 – Implémentation du calcul du delta Black-Scholes

1 bls_delta ␣ <-␣ function ( price , ␣ strike , ␣ rate , ␣ time_to_maturity , ␣
volatility ) {
2 ␣ ␣ # ␣ price ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ : ␣ prix ␣ du ␣ sous - jacent ␣ aujourd ’ hui
3 ␣ ␣ # ␣ strike ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ : ␣ strike ␣ de ␣l ’ option
4 ␣ ␣ # ␣ rate ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ : ␣ taux ␣d ’ interêt ␣ en ␣ années
5 ␣ ␣ # ␣ t i m e _t o _ m a t u r i t y ␣ ␣ : ␣ temps ␣ restant ␣ jusqu ’ à ␣ maturité ␣ exprimé ␣ en ␣
années
6 ␣ ␣ # ␣ volatility ␣ ␣ ␣ ␣ ␣ ␣ ␣ ␣ : ␣ volatilité
7
169
8
9 ␣ ␣ # ␣ calcule ␣ le ␣ delta ␣ du ␣ call ␣ et ␣ du ␣ put ␣ pour ␣ le ␣ modèle ␣ de ␣ Black ␣ & ␣
Scholes
10
11 ␣ ␣ if ( ti m e _ t o _ m at u r i t y ␣ == ␣ 0) ␣ {
12 ␣ ␣ ␣ ␣ return ( list ( co uv e rt ur e_ c al l = ␣ as . integer ( price >= strike ) ,␣
couv erture_pu t = ␣ as . integer ( strike >= price ) ) )
13 ␣␣}
14 ␣ ␣ else ␣ {
15 ␣ ␣ ␣ ␣ d1 ␣ <-␣ ( log ( price / strike ) ␣ + ␣ ( rate ␣ + ␣ ( volatility ^2) /2) *
t i m e _ t o _ m a t ur i t y ) /( volatility * sqrt ( t i m e _ t o _ m a t u r i t y ) )
16
17 ␣ ␣ ␣ ␣ return ( list ( co uverure_ call = pnorm ( d1 ,0 ,1) ,␣ couvertu re_put = pnorm
( - d1 ,0 ,1) ) )
18 ␣␣}
19 }
170
Chapitre 6
Quelques études de cas
6.1 Couverture d’option (delta hedging) et négocia-

tion (trading) de volatilité
Nous considérons dans cette étude de cas la situation d’un vendeur d’option
qui utilise le modèle Black & Scholes présenté précédemment pour couvrir une
vente d’option.
6.1.1 Implémentation d’une couverture de type delta-hedging

Le programme 6.1 et sa version R 6.5 implémentent le delta-hedging. La
variable "cash" indique à chaque moment la valeur du compte trésorerie. Elle
est augmentée en t = 0 lors de l’encaissement du prix de l’option et décré-
mentée pour payer l’établissement de la couverture. Par la suite elle évolue en
fonction de l’évolution du delta (θ dans la notation des chapitres précédents)
tel que calculé par la modèle Black Scholes. A la fin le "cash" sera affecté par
la livraison et par la liquidation de la position de couverture sur le sous-jacent.
Partout ailleurs le "cash" est capitalisé au taux sans risque r. Note : la capita-
lisation peut porter sur des sommes négatives, dans ce cas c’est une dette qui
croit. Le programme est le suivant et le résultat en Figure 6.1 :
Listing 6.1 – Implémentation d’une couverture d’option (delta-hedging) sui-

vant le modèle Black-Scholes
171
172
1 % programme ␣ delta_hedging . m
2 % ␣ implemente ␣ une ␣ strategie ␣ de ␣ type ␣ delta - hedging
3 %
4 T =1; ␣ % ␣ temps ␣ en ␣ annees
5 N =255; ␣ % ␣ no . ␣ de ␣ pas ␣ de ␣ temps , ␣ jours ␣ boursiers
6 dt = T / N ; ␣ % ␣ taille ␣d ’ un ␣ pas ␣ de ␣ temps
7 M =1000; ␣ % ␣ nombre ␣ de ␣ realisations ␣ du ␣ mvt ␣ brownien , ␣ no . ␣ de ␣ scenarios
8 S0 =100;
9 mu =0.1;
10 sigma =0.15;
11 S0 =100;
12 r =0.03;
13 K =100;
14
15 S = zeros ( N +1 , M ) ; % ␣ contient ␣ les ␣ valeurs ␣ du ␣ sous - jacent
16 cash = zeros ( N +1 , M ) ; % la ␣ tresorerie ␣ du ␣ portefeuille
17 S (1 ,:) = S0 ;
18 prix = blsprice ( S (1 ,:) ,K ,r ,T , sigma ) ; % prix ␣ initial
19 cash (1 ,:) = prix ;
20 delta = zeros ( N +1 , M ) ;
21 delta (1 ,:) = ␣ blsdelta ( S (1 ,:) ,K ,r ,T , sigma ) ; % calcul ␣ du ␣ delta
22 cash (1 ,:) = cash (1 ,:) - delta (1 ,:) .* S (1 ,:) ; % paiement ␣ de ␣ la ␣ couverture
23
24 dW ␣ = ␣ sqrt ( dt ) * randn ( N +1 , M ) ;
25
26 for ␣ jj =2: N
27 S ( jj ,:) ␣ = ␣ S ( jj -1 ,:) .*( ␣ 1+ ␣ mu * dt ␣ + ␣ sigma * dW ( jj -1 ,:) ␣ ) ;
28 cash ( jj ,:) = cash ( jj -1 ,:) * exp ( dt * r ) ; ␣ % ␣ capita lisation ␣ de ␣ la ␣
tresorerie
29 delta ( jj ,:) = ␣ blsdelta ( S ( jj ,:) ,K ,r ,T - dt *( jj -1) , sigma ) ; % mise ␣ a ␣ jour ␣
du ␣ delta
30 cash ( jj ,:) = cash ( jj ,:) -( delta ( jj ,:) - delta ( jj -1 ,:) ) .* S ( jj ,:) ␣ ; ␣ % ␣
paiement ␣ de ␣l ’ ajustement ␣ de ␣ couverture
31 end
32
33 % fin ␣ et ␣ livraison
34 S ( N +1 ,:) ␣ = ␣ S (N ,:) .*( ␣ 1+ ␣ mu * dt ␣ + ␣ sigma * dW (N ,:) ␣ ) ;
35 cash ( N +1 ,:) = cash (N ,:) * ␣ exp ( dt * r ) ; % cap italisat ion
36 cash ( N +1 ,:) = cash ( N +1 ,:) ␣ + ␣ delta (N ,:) .* S ( N +1 ,:) ; % vente ␣ de ␣ la ␣
position ␣ sur ␣ sousjacent
37 cash ( N +1 ,:) = cash ( N +1 ,:) ␣ -␣ max ( S ( N +1 ,:) -K ,0) ; % ␣ livraison , ␣ possible ␣
perte
38
39 hist ( cash ( N +1 ,:) *100./ prix ,30) ; ␣ % histogramme ␣ de ␣ la ␣ valeur ␣ a ␣l ’
instant ␣ final
40 std ( cash ( N +1 ,:) *100./ prix ) ␣ % ␣ variance ␣ du ␣ resultat
41
173
42 set ␣ ( gca , ␣ " fontsize " ,␣ 24) ;

43 print ␣ - dpdf ␣ h i s t _ d e l t a _ h e d g i n g . pdf ;
140 200
120
150
100
80
100
60
40 50
20
0 0
-20 -10 0 10 20 -6 -4 -2 0 2 4
Figure 6.1 – Exécution du programme 6.1. A gauche N = 255 (ajustement

du delta une fois par jour), à droite N = 255 ∗ 8 ∗ 4 (ajustement du delta tous
les quarts d’heure).
A noter que ici nous ne sommes pas en une vision risque-neutre mais bien
dans le cadre d’un calcul de résultat (dit "Profit and Loss" ou encore P&L)
dans le monde réel. En pratique la ligne qui calcule l’évolution du sous-jacent
n’est pas simulée mais reçue en temps réel avec les cotations boursières du
sous-jacent. La Figure 6.1 gauche montre l’histogramme pour une exécution
avec remise en conformité par rapport au modèle de Black-Scholes une fois
par jour. La théorie nous dit que le résultat devrait être toujours zéro, pour
toutes les réalisations. Or ceci ne semble pas être le cas, certaines réalisations
font état de pertes de l’ordre de 10% relatives au prix de l’option. L’explication
de l’écart réside dans le choix de l’intervalle dt entre deux mises en conformité
avec le modèle (qui lui est en temps continu, c’est à dire dt = 0). Ceci nous
est confirmé par le résultat de la figure 6.1 droite qui montre l’histogramme
pour des mises en conformité avec le modèle toutes les 15 minutes qui a une
bien moindre variance.
A noter qu’ici nous prenons N = 255 comme étant le nombre de jours
ouvrés de l’année (pas de cotations les week-ends, jours fériés etc.) et 8 heures
de cotations par jour.
174
Il est évident que s’il faut tenir compte des frais de transaction plus les
ajustements sont nombreux plus les frais vont diminuer la valeur du porte-
feuille. En réalité cet effet est tellement important que les vendeurs d’options
négocient rarement une seule option ; au contraire il tentent de limiter les ajus-
tements à faire en vendant des options call et put simultanément pour arriver
ainsi a une certaine insensibilité du Delta total du portefeuille par rapport
aux évolutions du sous-jacent ; ceci revient à minimiser la dérivée deuxième
de la valeur du portefeuille par rapport au sous-jacent, pour cette raison ceci
s’appelle gestion Γ-neutre.
6.1.2 Incertitude sur les paramètres, volatilité implicite, réelle,

négociation de volatilité
Nous continuons l’étude de la couverture d’une option en nous posant
quelques questions concernant la robustesse par rapport à l’estimation des
paramètres. Ceci nous donnera l’occasion de constater que les options per-
mettent de négocier la volatilité d’un sous-jacent tout en éliminant les risques
directionnels sur celui-ci.
Tout d’abord considérons le µ. Un souci que peut apparaître pour un ven-
deur d’options est que si le sous-jacent croit beaucoup il aura à rembourser
d’importantes sommes à l’acheteur. La Figure 6.2 montre le résultat de l’exé-
cution du programme 6.1 pour µ = 0.6 (rendement annuel 60%). La crainte
n’est pas justifiée, les résultats sont tout aussi bons que ceux de la Figure 6.1.
Ceci est expliqué par le fait que le prix (et le delta) Black-Scholes ne dépend
pas de µ.
Considérons maintenant des incertitudes sur σ. Plus précisément nous
considérons dorénavant que les intervenants du marché estiment un certain
σ mais que le marché évolue avec une autre volatilité σreel qui est peut-être
différente des attentes des intervenants du marché. Le programme est donc
celui du listing 6.1 avec comme seule différence d’introduire au début l’initia-
lisation de la variable σreel (par exemple sigmareel=0.5) et ensuite, lors du
calcul du "S(jj, :)" utiliser à la place de σ la valeur σreel :
1 S ( jj ,:) ␣ = ␣ S ( jj -1 ,:) .*( ␣ 1+ ␣ mu * dt ␣ + ␣ sigmareel * dW ( jj -1 ,:) ␣ ) ;
175
120
100
80
60
40
20
0
-1.5 -1 -0.5 0 0.5 1 1.5
Figure 6.2 – Résultat de l’exécution du programme 6.1 pour µ = 0.6 (rende-

ment annuel 60%), N = 255 ∗ 8 ∗ 4.
Les histogrammes P&L sont présentés dans la Figure 6.3. Il est intéressant
de voir que lorsque σreel = 0.5 > σ = 0.15 le portefeuille est toujours négatif
alors que lorsque σreel = 0.05 < σ = 0.15 le portefeuille est toujours positif.
Ce portefeuille agit donc comme un pari sur la volatilité à venir : si jamais la
volatilité à venir est supérieure aux attentes alors le détenteur du portefeuille
perdra, sinon il gagnera. Détenir un tel portefeuille permet de faire fructifier
un décalage entre l’estimation du détenteur et les estimations des autres parti-
cipants au marché. C’est un portefeuille dont l’établissement ne comporte pas
de frais et dont la valeur finale sera positive ou négative selon le résultat du
pari.
100 100
80 80
60 60
40 40
20 20
0 0
-700 -600 -500 -400 -300 -200 -100 0 10 20 30 40 50 60 70
Figure 6.3 – Exécution du programme 6.1 avec σreel dans l’évolution du

sous-jacent. Ici N = 255. A gauche σreel = 0.5, à droite σreel = 0.05.
Comment expliquer le signe du portefeuille de couverture ? Rappelons nous

176
que le prix et le delta Black-Scholes sont des fonctions dépendantes de la

volatilité ; les fonctions utilisées pour la couverture comportent la volatilité
estimée σ mais celle réelle σreel .
Soit Πt le portefeuille en question. Il est composé de −1 call de strike K,
notons par C(t, St ; σ) son prix. Il est également composé de ∆σt = ∂S C(t, St ; σ)
parts de sous-jacent St ; le reste Πt − (−1)C(t, St ; σ) − ∆σt St est investi dans
l’actif sans risque. En tant que portefeuille auto-financé Πt vérifiera l’équation
suivante :
dΠt = (−1)dC(t, St ; σ) + ∆σt dSt + (Πt − (−1)C(t, St ; σ) − ∆σt St )rdt

(σreel St )2
= − ∂t C(t, St ; σ)dt + ∂S C(t, St ; σ)dSt + ∂SS C(t, St ; σ) dt
2
+∂S C(t, St ; σ)dSt + (Πt + C(t, St ; σ) − ∂S C(t, St ; σ)St )rdt. (6.1)
Pour rappel la fonction C(·, ·; σ) est, en tant qu’objet mathématique, une fonc-
tion de deux variables qui satisfait l’EDP (3.34) (avec σ pas σreel ). En utilisant
l’EDP nous obtenons :
!
(σ 2 − σreel
2 )S 2
t
dΠt = rΠt dt + ∂SS C(t, St ; σ)dt, (6.2)
2
ce qui montre que le portefeuille actualisé Π̃t = e−rt Πt satisfait

!
−rt (σ 2 − σreel
2 )S 2
t
dΠ̃t = e ∂SS C(t, St ; σ)dt. (6.3)
2
Mais ceci est une évolution déterministe, le seul aléa est dans la valeur de St ;
comme pour un call ∂SS C(t, S; σ) ≥ 0, ∀S ≥ 0 nous obtenons que le signe de
Π̃t donc celui de Πt est complètement déterminé par le signe de σ 2 − σreel 2 .
Ceci explique donc les histogrammes de la Figure 6.3.
6.2 Assurance de portefeuille : stop-loss et CPPI
La problématique de ce chapitre est de se protéger contre certains événe-

ments perçus comme indésirables dans le cas d’un portefeuille contenant des
177
20
St1
St2
15 max(St1 , St2 )
10
0
0 2 4 6 8 10
temps (t)
Figure 6.4 – Illustration de l’idée de prendre le meilleur actif. Dès qu’un actif
dépasse l’autre l’investisseur l’achète tout en vendant complètement celui d’en
dessous.
actifs risqués (actions).
6.2.1 Une fausse bonne idée : prendre le meilleur actif
Prenons l’exemple d’un gérant qui doit conseiller son client ; supposons que
le client veut se faire conseiller entre 2 actifs risquée S 1 et S 2 . A priori il n’est
pas dit lequel il faudrait choisir ; arrive alors le chef du gérant qui propose la
solution suivante : on garde toujours l’actif qui est supérieur à l’autre ; peut-
être il y aura des pertes dues aux frais de transaction, mais en principe cette
stratégie donnerait comme résultat le meilleur de deux. L’idée est illustrée en
Figure 6.4.
Avant de proposer cette stratégie au client il est prudent de faire quelques
simulations.
Nous supposerons que S 1 et S 2 suivent des processus de Black & Scholes :
dSt1
= µ1 dt + σ1 dWt1 , S01 = 100, (6.4)
St1
dSt2
= µ2 dt + σ2 dWt2 , S02 = 100. (6.5)
St2
et, pour simplifier, supposons les mouvements Browniens Wt1 et Wt2 indépen-
178
dants.
Le programme 6.2 (pour la version R voir 6.6) implémente et teste cette
idée :
Listing 6.2 – Implémentation d’une stratégie de type "meilleur de deux actifs".

1 % Programme ␣ etude_cas_max . m
2 % ␣ implemente ␣ une ␣ strategie ␣ de ␣ type ␣ max ␣ entre ␣ deux ␣ actifs :
3 %
5 N =255*8*4; ␣ % ␣ no . ␣ de ␣ pas ␣ de ␣ temps , ␣ jours ␣ boursiers
8 S0 =100;
9 mu1 =0.1; ␣ sigma1 =0.3;
10 % mettre ␣ a ␣ zero ␣ ces ␣ valeurs ␣ pour ␣ STOP - LOSS
11 mu2 =0.15; ␣ sigma2 =0.6;
12 r =0.03;
13
14 randn ( ’ seed ’ ,100) ;
15
16 % creation ␣d ’ un ␣ vecteur ␣ vide ␣ ayant ␣ N +1 ␣ lignes
17 S1 ␣ = ␣ zeros ( N +1 , M ) ; ␣ S2 ␣ = ␣ zeros ( N +1 , M ) ;
18 V ␣ = ␣ zeros ( N +1 , M ) ; V (1 ,:) = S0 ;
19 delta1 = zeros ( N +1 , M ) ; ␣ delta2 = zeros ( N +1 , M ) ;
20 S1 (1 ,:) = S0 ; ␣ S2 (1 ,:) = S0 ; % ␣ initialis ation ␣ de ␣ l ␣ evolution ␣ des ␣ ss -
jacents
21 delta1 (1 ,:) = ␣ 0.5; ␣ delta2 (1 ,:) = ␣ 0.5; ␣ % ␣ choix , ␣ toute ␣ autre ␣
distribution ␣ d1 + d2 =1 ␣ ok ␣ aussi
22 for ␣ ii =2: N +1
23 S1 ( ii ,:) = ␣ S1 ( ii -1 ,:) + S1 ( ii -1 ,:) * mu1 * dt + randn (1 , M ) * sqrt ( dt ) .* sigma1
.* S1 ( ii -1 ,:) ; ␣ % ␣ simulation ␣ du ␣ marché
24 S2 ( ii ,:) = ␣ S2 ( ii -1 ,:) + S2 ( ii -1 ,:) * mu2 * dt + randn (1 , M ) * sqrt ( dt ) .* sigma2
.* S2 ( ii -1 ,:) ;
25 % calcul ␣ de ␣ la ␣ valeur ␣ du ␣ portefeuille
26 V ( ii ,:) = ␣ delta1 ( ii -1 ,:) .* S1 ( ii ,:) ␣ + ␣ delta2 ( ii -1 ,:) .* S2 ( ii ,:) ;
27 % calcul ␣ du ␣ meilleur
28 decision ␣ = ␣ S1 ( ii ,:) ␣ >= ␣ S2 ( ii ,:) ;
29 % calcul ␣ du ␣ nouveau ␣ delta
30 delta1 ( ii ,:) = ␣ decision ␣ .* ␣ V ( ii ,:) ␣ ./ ␣ S1 ( ii ,:) ␣ ;
31 delta2 ( ii ,:) = ␣ (1 - decision ) .* ␣ V ( ii ,:) ␣ ./ ␣ S2 ( ii ,:) ␣ ;
32 end
33
34 % ␣ PARTIE ␣ GRAPHIQUE
35 % ␣ histogramme
36 figure (1) ; ␣ set ␣ ( gca , ␣ " fontsize " ,␣ 24) ;
37 hist ( V ( N +1 ,:) - max ( S1 ( N +1 ,:) , S2 ( N +1 ,:) ) ,15) ;
179
300
250
200
150
100
50
0
-250 -200 -150 -100 -50 0
Figure 6.5 – Résultat du programme 6.2 (µ2 > 0, σ2 > 0). La valeur finale
est toujours négative, le portefeuille perd donc toujours de l’argent par rapport
à la valeur attendue.
38 if ( sigma2 ==0)
39 print ␣ - dpdf ␣ h i s t o g r a m m e _ s t o p l o s s . pdf
40 else
41 print ␣ - dpdf ␣ h i s t o g r a m m e _ c h o i x _ m e i l l e u r . pdf
42 end ;
43 % ␣ evolution ␣ quantite ␣ totale ␣d ’ actifs ␣ en ␣ portefeuille ␣ ␣ pour ␣ quelques
␣ realisations
44 figure (2) ; ␣ ␣ plot ( delta1 (: ,1:10) + delta2 (: ,1:10) ) ;
45 % print ␣ - dpdf ␣ e v o l u t i o n _ q u a n t i t e _ t o t a l e _ c h o i x _ m e i l l e u r . pdf
46 % ␣ evolution ␣ portefeuille ␣ par ␣ rapport ␣ au ␣ max ␣ prevu ␣ pour ␣ quelques ␣
realisations
47 figure (3) ; ␣ plot ( V (: ,1:10) ␣ ./ ␣ max ( S1 (: ,1:10) , S2 (: ,1:10) ) ␣ ␣ ) ;
48 % print ␣ - dpdf ␣ e v o l u t i o n _ p o r t e f e u i l l e _ c h o i x _ m e i l l e u r . pdf
Les résultats sont dans la Figure 6.5. La valeur finale est toujours néga-
tive, le portefeuille perd donc toujours de l’argent. Pourquoi ? Nous allons
comprendre la raison dans la section suivante.
6.2.2 Stratégie stop-loss

Pour simplifier la compréhension de la situation précédente, considérons la
situation où le deuxième actif est constant en temps, soit K cette constante.
Cette stratégie revient à acheter St1 lorsque il est plus grand que K est vendre
dès qu’il dévient inférieur à K. En pratique ceci protège des excursions dans
la région St1 ≤ K et en particulier des situations où la valeur finale ne revient
pas à des valeurs plus grandes que K.
180
20
St1
St2 = K
15 max(St1 , St2 )
10
0
0 2 4 6 8 10
temps (t)
Figure 6.6 – Illustration de l’idée de prendre le meilleur actif. Dès que l’actif
dépasse la valeur K l’investisseur l’achète et il le garde tant qu’il reste au-
dessus de ce niveau.
Cette stratégie porte le nom du "stop-loss" car son but est de limiter les
pertes au niveau K. Si en plus il y a achat lorsque St1 dépasse K elle porte
aussi le nom de "start gain". L’idée est illustrée en Figure 6.6.
Mais les résultats (dans la Figure 6.7 (gauche)) ne permettent pas d’être
plus optimiste, les valeurs sont toujours négatives. Il faut donc comprendre
pourquoi. Une première explication est que le pertes arrivent lorsque St1 croise
le niveau K ; prenons un cas où St1k > K > St1k+1 . La vente de la position se fait
au prix St1k+1 et non au prix K comme prévu et donc une perte de K −St1k+1 est
enregistrée par rapport à ce qu’on attendait. Cette perte arrive aussi lorsque
St1` < K < St1`+1 car l’achat se fait au prix St1`+1 > K et non au prix K
comme prévu. Donc chaque croisement du niveau K entraîne des pertes. Ces
pertes sont d’autant plus importantes que l’intervalle non-surveillé ]tk , tk+1 [ est
important. Une première idée serait de rendre tk+1 − tk petit. ; la Figure 6.7
(droite) présente un tel résultat pour tk+1 − tk beaucoup plus petit qu’avant
(ajustements tous les quarts d’heure par rapport à tous les jours). Mais ce
n’est pas mieux. Puisque les pertes unitaires sont moins importantes il se peut
qu’il y en ait plus, leur produit se compense donc. Et ceci est effectivement
le cas puisque nous nous souvenons que le mouvement Brownien est récurrent
donc il visite une infinité de fois chaque nombre réel, en particulier s’il a croisé
le niveau K à un certain instant alors il le croisera plusieurs fois avant d’en
181
200 200
150 150
100 100
50 50
0 0
-50 -40 -30 -20 -10 0 -50 -40 -30 -20 -10 0
Figure 6.7 – Résultat du programme 6.2 pour µ2 = 0,σ2 = 0 (gauche :

ajustements tous les jours, droite ajustements tous les quarts d’heure). La
valeur finale est toujours négative, le portefeuille perd donc toujours de l’argent
par rapport à la valeur attendue.
partir. Cependant faire une estimation correcte du nombre de croisements et

comparer avec la taille d’un saut entre St1` < K et St1`+1 > K dépasse le niveau
de cet ouvrage.
Mais la vraie explication est encore plus simple. En demandant à obtenir
à la fin ST1 si celui-ci est supérieur à K et K si celui-ci est inférieur à K nous
demandons que notre stratégie se comporte comme un produit dérivé de payoff
φ(ST1 ) = max(ST1 , K) = K + (ST1 − K)+ , c’est à dire que c’est une option call
européenne (plus un terme sans risque K). Mais répliquer tout produit dérivé
a un coût, il n’est donc pas possible de trouver de stratégie qui fasse toujours
K + (ST1 − K)+ à un prix moindre que le prix d’un call de strike K et maturité
T (auquel on ajoute Ke−rT pour avoir K à maturité T ).
6.2.3 CPPI
Nous présentons dans cette section la stratégie "Constant Proportion Port-

folio Insurance" (CPPI dans la suite) qui consiste en la gestion d’un portefeuille
de valeur totale Vt sous contraintes de gestion Vt ≥ Pt . La quantité Ct = Vt −Pt ,
appelée "le coussin" doit donc être toujours positive. En pratique le client donne
en gestion à l’instant t = 0 une somme V0 et spécifie qu’il souhaite pouvoir à
tout moment retirer la somme Pt (le plancher) ; pour simplifier nous prenons
182
pour Pt une évolution d’actif sans risque, c’est à dire dPt = rPt dt. Aussi nous
supposons que le marché contient également un produit risqué St qui suit une
évolution de type Black-Scholes (équation (3.2) page 79).
Le gestionnaire doit d’un côté satisfaire le contrainte de gestion mais de
l’autre côté veut que son client profite d’une éventuelle évolution positive de
la partie risquée. Une première possibilité serait d’investir totalement Ct dans
l’actif risqué et ainsi satisfaire la contrainte de gestion. Mais ceci peut donner
des rendements assez réduits. Le gestionnaire propose alors la façon de faire
suivante : il investi Xt = mCt dans l’actif risqué et Mt = Vt − Xt dans l’actif
sans risque. Ici le facteur m ≥ 1 informe sur combien le gestionnaire sur-investit
dans la partie risquée.
Intuitivement le gestionnaire se dit que si jamais Ct est grand alors la
marge de manoeuvre est importante et donc le client pourra profiter encore
plus des éventuelles évolution favorables de St . Au contraire lorsque Ct diminue
Xt diminuera aussi et si jamais Ct = 0 alors Xt = 0 aussi donc la contrainte
de gestion sera dans tous les cas satisfaite.
Le programme 6.3 (dont la version R est présentée dans le listing 6.7)
implémente la stratégie CPPI et calcule l’écart entre la valeur du portefeuille
et le plancher Pt qui est présenté en Figure 6.8.
Mise en garde 6.2.1 Il est important de prendre bien soin, dans

l’écriture de ce programme de faire les calculs de V , C, X et M dans cet
ordre. Le gestionnaire constate chaque jour quelle est la nouvelle valeur
de Vt , ensuite il calcule le coussin Ct , ensuite le montant Xt à investir
dans l’actif risqué et ensuite le montant Mt à investir dans l’actif sans
risque. Tout autre ordre de calcul, par exemple faire Mt+∆t = Mt er∆t (ou
pareil pour Xt ) rendrait la simulation fausse et irréaliste.
Il est constaté que si l’ajustement n’arrive pas assez souvent le portefeuille

peut perdre de la valeur au delà du plancher. Il semblerait alors que ajuster
souvent peut résoudre ce problème. En réalité ceci n’est pas le cas car le marché
183
a souvent des "gaps" c’est à dire que le cours ne sont pas continus. Ceci arrive
chaque matin lors de l’ouverture mais également et surtout lors des grands
crash bousiers. Dans ce cas le portefeuille CPPI ne pourra pas développer sa
stratégie et enregistrera des pertes d’autant plus importantes que m est grand.
Listing 6.3 – Implémentation de la stratégie CPPI.

1 %
2 % Programme ␣ qui ␣ implemente ␣ une ␣ strategie ␣ de ␣ type ␣ CPPI :
3 %
4 %
6 N =255; ␣ % ␣ no . ␣ de ␣ pas ␣ de ␣ temps : ␣ jours , ␣ semaines , ␣ mois ,...
9 S0 =100; ␣ P0 =90; ␣ m =5; V0 =100; C0 = V0 - P0 ; ␣ X0 = m * C0 ; ␣ Monetaire0 = V0 - X0 ;
10 sigma =0.3; ␣ r =0.05; ␣ mu =0.15;
11 % creation ␣d ’ un ␣ vecteur ␣ vide ␣ ayant ␣ N +1 ␣ lignes
12 S ␣ = ␣ zeros ( N +1 , M ) ; ␣ Monetaire = S ; C = S ; X = S ; ␣ V = S ;
13 P = zeros ( N +1 ,1) ;
14 S (1 ,:) = S0 ; ␣ % ␣ initial isation ␣ de ␣ l ␣ evolution ␣ du ␣ ss - jacent ␣ et ␣ des ␣
autres
15 V (1 ,:) = V0 ; ␣ Monetaire (1 ,:) = Monetaire0 ; ␣ C (1 ,:) = C0 ; P (1 ,:) = P0 ; X (1 ,:) = X0
;
16
17 for ␣ ii =2: N +1
18 P ( ii ) = P ( ii -1) * exp ( r * dt ) ;
19 S ( ii ,:) = ␣ S ( ii -1 ,:) + S ( ii -1 ,:) * mu * dt + randn (1 , M ) * sqrt ( dt ) .* sigma .* S ( ii
-1 ,:) ; ␣ % ␣ simulation ␣ du ␣ marche
20 % calcul ␣ de ␣ la ␣ valeur ␣ du ␣ portefeuille
21 V ( ii ,:) = Monetaire ( ii -1 ,:) * exp ( r * dt ) + X ( ii -1 ,:) .* S ( ii ,:) ./ S ( ii -1 ,:) ;
22 C ( ii ,:) = V ( ii ,:) -P ( ii ) ;
23 X ( ii ,:) = m * max ( C ( ii ,:) ,0) ; % ␣ pour ␣ respecter ␣ la ␣ contrainte ␣ de ␣ gestion ,
24 % ␣ on ␣ arrete ␣d ’ investir ␣ si ␣ valeur ␣ du ␣ portefeuille ␣ inferieure ␣ au ␣
plancher
25 Monetaire ( ii ,:) = V ( ii ,:) -X ( ii ,:) ;
26 end
27
28 % ␣ affichage ␣ de ␣ la ␣ quantite ␣ totale ␣d ’ actifs ␣ en ␣ portefeuille
29 % ␣ affichage ␣ de ␣l ’ histogramme
31 ␣ hist (100*( V ( N +1 ,:) -P ( N +1) ) / S0 ,50) ;
32 print ␣ - dpdf ␣ h i s t o g r a m m e _C P P I . pdf
Pour comprendre plus en détail le comportement du portefeuille remar-

quons que dans ce modèle tout se passe comme si le portefeuille Vt contenait
184
350 800
300
250 600
200
400
150
100
200
50
0 0
-100 0 100 200 300 400 0 200 400 600 800 1000
Figure 6.8 – Exécution du programme 6.3. A gauche N = 12 (ajustement une

fois par mois), à droite N = 255 (ajustement une fois par jour). L’histogramme
de gauche présente des valeurs négatives.
de l’actif sans rique (le plancher Pt ) et un certain actif risqué, le coussin Ct .

Étudions les rendements de cet actif synthétique Ct ; il suffit pour ceci exé-
cuter, à la suite du programme 6.3 les instructions dans le listing 6.4 pour
obtenir les résultats de la Figure 6.9. Il est noté une très forte ressemblance
avec l’histogramme d’une loi normale. A ce degré de détail et précision il est
fort probable que la distribution soit effectivement normale. Ceci nous motive
à nous intéresser à l’évolution de Ct .
Listing 6.4 – Rendements du CPPI

2 hist ( reshape ( C (2: N +1 ,:) ./ C (1: N ,:) -1 , N *M ,1) ,80) ;
3 print ␣ - dpdf ␣ " h i s t _ r e n d e m e n t s _ c p p i . pdf " ;
25000
20000
15000
10000
5000
0
-0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8
Figure 6.9 – Résultat du calcul du rendement du coussin Ct dans le listing 6.4.

185
Étudions donc l’évolution du portefeuille Vt ; en tant que portefeuille auto-

financé composé de Xt /St parts de sous-jacent St et de Mt /ert parts d’actif
sans risque (de valeur unitaire ert ) son évolution peut donc s’écrire :
Xt Mt
dVt = dSt + rt d(ert ) = Xt (µdt + σdWt ) + rMt dt
St e
= mCt (µdt + σdWt ) + r(Vt − mCt )dt. (6.6)
Par ailleurs Vt = Pt + Ct et aussi dVt = dPt + dCt ce qui donne, après rem-
placement dans l’équation précédente et simplification du terme en Pt (car
dPt = rPt dt) :
dCt
= [r + m(µ − r)] dt + mσdWt . (6.7)
Ct
Les rendements de Ct sont effectivement des v.a. normales. Par ailleurs l’actif
Ct crée par la stratégie CPPI a une plus forte volatilité mais un rendement
moyen plus fort aussi. Il a le même ratio de Sharpe (i.e., rapport µ−r
σ ) que St :
r + m(µ − r) − r µ−r
= . (6.8)
mσ σ
Par contre Ct reste un produit synthétique et peut en particulier prendre

des valeurs négatives lors des discontinuités importantes et soudaines de St .
6.3 Versions R des programmes

Pour le lecteur plus habitué à utiliser le langage "R" nous donnons ci-
dessous les versions "R" des programmes utilisés dans ce chapitre.
Listing 6.5 – Implémentation d’une couverture d’option (delta-hedging) sui-

vant le modèle Black-Scholes
1 T ␣ <-␣ 1 ␣ ␣ ␣ ␣ ␣ ␣ ␣ # temps ␣ en ␣ années
2 N ␣ <-␣ 255*8*4 ␣ ␣ ␣ ␣ ␣ # nombre ␣ de ␣ pas ␣ de ␣ temps
3 dt ␣ <-␣ T / N ␣ ␣ ␣ ␣ # taille ␣d ’ un ␣ pas ␣ de ␣ temps
4 M ␣ <-␣ 1000 ␣ ␣ ␣ ␣ # nombre ␣ de ␣ scénarios
5 S0 ␣ <-␣ 100 ␣ ␣ ␣ ␣ # valeur ␣ initiale ␣ du ␣ sous - jacent
6 mu ␣ <-␣ 0.1
7 sigma ␣ <-␣ 0.15
8 r ␣ <-␣ 0.03
186
9 K ␣ <-␣ 100
10
11 prix ␣ <-␣ bls_price ( S0 ,K ,r ,T , sigma ) [[1]]
12 S ␣ <-␣ matrix ( c ( rep ( S0 , M ) , rep (0 , M * N ) ) , nrow = M )
13 cash ␣ <-␣ matrix ( c ( rep ( bls_price ( S0 ,K ,r ,T , sigma ) [[1]] - bls_delta ( S0 ,K ,
r ,T , sigma ) [[1]]* S0 , M ) , rep (0 , M * N ) ) , nrow = M )
14 delta ␣ <-␣ matrix ( c ( rep ( bls_delta ( S0 ,K ,r ,T , sigma ) [[1]] , M ) , rep (0 , M * N ) )
, nrow = M )
15
16 dW ␣ <-␣ sqrt ( dt ) * matrix ( rnorm ( N * M ) ,␣ nrow ␣ = M )
17
18 for ␣ ( i ␣ in ␣ 2: N ) {
19 ␣ ␣ S [ , i ] ␣ <-␣ S [ ,i -1] ␣ + ␣ mu * S [ ,i -1]* dt ␣ + ␣ sigma * S [ ,i -1]* dW [ ,i -1]
20 ␣ ␣ cash [ , i ] ␣ <-␣ cash [ ,i -1]* exp ( r * dt ) ␣ # c apitalis ation ␣ de ␣ la ␣ trésorerie
21 ␣ ␣ delta [ , i ] ␣ <-␣ bls_delta ( S [ , i ] ,K ,r ,T - dt *( i -1) , sigma ) [[1]] ␣ # mise ␣ à ␣
jour ␣ du ␣ delta
22 ␣ ␣ cash [ , i ] ␣ <-␣ cash [ , i ] -( delta [ , i ] - delta [ ,i -1]) * S [ , i ]
23 }
24
25 S [ , N +1] ␣ <-␣ S [ , N ] ␣ + ␣ mu * S [ , N ]* dt ␣ + ␣ sigma * S [ , N ]* dW [ , N ]
26 cash [ , N +1] ␣ <-␣ ␣ cash [ , N ]* exp ( r * dt ) ␣ + ␣ delta [ , N ]* S [ , N +1] ␣ -␣ pmax ( S [ , N
+1] - K ,0) ␣ # c apitalis ation ␣ de ␣ la ␣ trésorerie ␣ et ␣ vente ␣ du ␣ sous -
jacent
27
28 hist ( cash [ , N +1]*100/ prix , ␣ col = " red " )
Listing 6.6 – Implémentation d’une stratégie de type "meilleur de deux actifs".

1 T ␣ <-␣ 1 ␣ ␣ ␣ ␣ ␣ ␣ ␣ # temps ␣ en ␣ années
2 N ␣ <-␣ 255 ␣ ␣ ␣ ␣ ␣ # nombre ␣ de ␣ pas ␣ de ␣ temps
4 M ␣ <-␣ 10000 ␣ ␣ ␣ ␣ # nombre ␣ de ␣ scénarios
6 mu_1 ␣ <-␣ 0.1
7 sigma_1 ␣ <-␣ 0.3
8 mu_2 ␣ <-␣ 0.15
9 sigma_2 ␣ <-␣ 0.6
10 r ␣ <-␣ 0.03
11
12 S1 ␣ <-␣ matrix ( c ( rep ( S0 , M ) , rep (0 , M * N ) ) , nrow = M )
13 S2 ␣ <-␣ matrix ( c ( rep ( S0 , M ) , rep (0 , M * N ) ) , nrow = M )
14 V ␣ <-␣ matrix ( c ( rep ( S0 , M ) , rep (0 , M * N ) ) , nrow = M )
15
16 delta1 ␣ <-␣ matrix ( c ( rep (0.5 , M ) , rep (0 , M * N ) ) , nrow = M )
17 delta2 ␣ <-␣ matrix ( c ( rep (0.5 , M ) , rep (0 , M * N ) ) , nrow = M )
18
19 w1 ␣ <-␣ sqrt ( dt ) * matrix ( rnorm ( N * M ) ,␣ nrow ␣ = M )
187
20 w2 ␣ <-␣ sqrt ( dt ) * matrix ( rnorm ( N * M ) ,␣ nrow ␣ = M )

21
22 for ␣ ( i ␣ in ␣ 1: N +1) {
23 ␣ ␣ S1 [ , i ] ␣ <-␣ S1 [ ,i -1] ␣ + ␣ mu_1 * S1 [ ,i -1]* dt ␣ + ␣ sigma_1 * S1 [ ,i -1]* w1 [ ,i -1]
24 ␣ ␣ S2 [ , i ] ␣ <-␣ S2 [ ,i -1] ␣ + ␣ mu_2 * S2 [ ,i -1]* dt ␣ + ␣ sigma_2 * S2 [ ,i -1]* w2 [ ,i -1]
25 ␣ ␣ V [ , i ] ␣ <-␣ delta1 [ ,i -1]* S1 [ , i ]+ delta2 [ ,i -1]* S2 [ , i ]
26 ␣ ␣ decision ␣ <-␣ as . integer ( S1 [ , i ] >= S2 [ , i ])
27 ␣ ␣ delta1 [ , i ] ␣ <-␣ decision * V [ , i ]/ S1 [ , i ]
28 ␣ ␣ delta2 [ , i ] ␣ <-␣ (1 - decision ) * V [ , i ]/ S2 [ , i ]
29 }
30
31 hist ( V [ , N +1] - pmax ( S1 [ , N +1] , S2 [ , N +1]) ,␣ col = " green " )
Listing 6.7 – Implémentation de la stratégie CPPI.

1 T ␣ <-␣ 1 ␣ ␣ ␣ ␣ ␣ ␣ ␣ # temps ␣ en ␣ années
2 N ␣ <-␣ 255 ␣ ␣ ␣ ␣ ␣ # nombre ␣ de ␣ pas ␣ de ␣ temps
4 M ␣ <-␣ 1000 ␣ ␣ ␣ # nombre ␣ de ␣ scénarios
6 mu ␣ <-␣ 0.1
7 sigma ␣ <-␣ 0.3
8 r ␣ <-␣ 0.05
9
10 P0 ␣ <-␣ 90
11 m ␣ <-␣ 5
12 V0 ␣ <-␣ 100
13 C0 ␣ <-␣ V0 - P0
14 X0 ␣ <-␣ m * C0
15 Monetaire0 ␣ <-␣ V0 - X0
16
17 S ␣ <-␣ matrix ( c ( rep ( S0 , M ) , rep (0 , M * N ) ) , nrow = M )
18 V ␣ <-␣ matrix ( c ( rep ( V0 , M ) , rep (0 , M * N ) ) , nrow = M )
19 Monetaire ␣ <-␣ matrix ( c ( rep ( Monetaire0 , M ) , rep (0 , M * N ) ) , nrow = M )
20 C ␣ <-␣ matrix ( c ( rep ( C0 , M ) , rep (0 , M * N ) ) , nrow = M )
21 P ␣ <-␣ matrix ( c ( P0 , rep (0 , N ) ) , nrow =1)
22 X ␣ <-␣ matrix ( c ( rep ( X0 , M ) , rep (0 , M * N ) ) , nrow = M )
23 w ␣ <-␣ sqrt ( dt ) * matrix ( rnorm ( N * M ) ,␣ nrow ␣ = M )
24
25 for ␣ ( i ␣ in ␣ 1: N +1) {
26 ␣ ␣ P [1 , i ] ␣ <-␣ P [1 , i -1]* exp ( r * dt )
27 ␣ ␣ S [ , i ] ␣ <-␣ S [ ,i -1] ␣ + ␣ mu * S [ ,i -1]* dt ␣ + ␣ sigma * S [ ,i -1]* w [ ,i -1]
28 ␣ ␣ V [ , i ] ␣ <-␣ Monetaire [ ,i -1]* exp ( r * dt ) +( X [ ,i -1]* S [ , i ]) / S [ ,i -1]
29 ␣ ␣ C [ , i ] ␣ <-␣ V [ , i ] - P [1 , i ]
30 ␣ ␣ X [ , i ] ␣ <-␣ m * pmax ( C [ , i ] ,0)
31 ␣ ␣ Monetaire [ , i ] ␣ <-␣ V [ , i ] - X [ , i ]
32 }
188
33
34 hist (100*( V [ , N +1] - P [1 , N +1]) / S0 , ␣ col = " blue " )
Annexe A
Quelques prérequis de
probabilités
A.1 Variable normale ou Gaussienne
Une variable normale X est soit une constante soit une v.a. continue de
densité 2(x−m)
e− 2σ2
ρ(x) = √ , (A.1)
σ 2π
avec m la moyenne de X et σ 2 > 0 sa variance.
Nous notons par N (0, 1) la loi de la variable normale centrée (i.e. de
moyenne 0) réduite (de variance 1). La variable m + σN (0, 1) est donc une
variable de moyenne m et variance σ 2 .
A.2 Fonction caractéristique
Définition A.1 Soit X une variable aléatoire définie sur un espace probabilisé
(Ω, F, P) à valeurs dans Rd . La fonction définie sur Rd par
h i
ΦX (ξ) = E eihξ,Xi (A.2)
189
190
est appelée fonction caractéristique de la v.a. X. Ici h·, ·i est le produit scalaire
éuclidien sur Rd .
Proposition A.1 La fonction caractéristique a les propriétés suivantes :

1. injectivité : si pour deux v.a. X et Y nous avons ΦX = ΦY alors X et
Y ont la même loi ;
2. indépendance et séparabilité : soit X = (X1 , ..., Xd ) une v.a. à valeurs
dans Rd . Alors les v.a. Xk sont indépendantes ssi il existe des fonctions
φk telles que
d
Y
ΦX (ξ1 , ..., ξd ) = φk (ξk ). (A.3)
k=1
Pareil pour deux sous-vecteurs de X à composantes disjointes ;

3. la fonction caractéristique d’une variable normale de moyenne m et va-
2 2
riance σ 2 est ΦX (ξ) = exp(imξ − σ 2ξ ).
A.3 Espaces Lp
A.3.1 Espace L0 (X, A, P)
Soit (X, A, P) un espace de probabilité ; on rappelle que (R, BR ) est la
structure borélienne canonique sur R, c’est à dire que BR est la tribu engendrée
par les ouverts de R.
Définition A.2 L’ensemble de fonctions mesurables de (X, A, P) vers (R, BR )

obtenu par identification des fonctions qui différent sur un ensemble négligeable
est noté L0 (X, A, P).
Remarque : ceci est un espace un peu particulier. Chaque fois qu’on parlera
des espaces Lp il s’agira de p ≥ 1, cf. Section suivante.
A.3.2 Espaces Lp (X, A, P), p ≥ 1

Définition A.3 L’ensemble Lp (X, A, P) est défini par :
Lp (X, A, P) = { f ∈ Lp (X, A, P)| E[|f |p ] < ∞} . (A.4)

191
L’espace Lp est normable avec la norme définie par

1/p
kf kp = E[|f |p ] . (A.5)
A.4 Convergence des suites de variables aléatoires

Définition A.4 Soit (Xn )n≥1 une suite de variables aléatoires à valeurs dans
Rd définies sur un même espace de probabilité (Ω, Fc , P).
1. La suite (Xn )n≥1 converge en loi vers X si pour toute fonction continue
bornée f : Rd → R :
lim E[f (Xn )] = E[f (X)]. (A.6)

n→∞
L
Notation : Xn −
→ X.
2. La suite (Xn )n≥1 converge en probabilité vers X si
∀ > 0, lim P (|Xn − X| ≥ ) = 0. (A.7)

n→∞
Notation : P − limn→∞ Xn = X.
3. La suite (Xn )n≥1 converge presque sûrement vers X si

P lim Xn = X = 1. (A.8)
n→∞
P−p.s.
Notation : Xn −→ X.
n→∞
4. Soit p ≥ 1. La suite (Xn )n≥1 converge dans Lp (ou encore en moyenne
d’ordre p) vers X si E[|Xn |p ] < ∞ pour tout n ≥ 0 et
lim E (|Xn − X|p ) = 0. (A.9)

n→∞
Lp
Notation : Xn −→ X.
n→∞
Remarque A.1 Une convergence dans Lp n’entraîne pas forcement une conver-
gence presque sûre (ponctuelle) ; pour s’en convaincre il suffit de considérer la
192
suite de v.a. fn : [0, 1] → R définie par :
f1 = 1[0,1] , f2 = 1[0,1/2] , f3 = 1[1/2,1] , f4 = 1[0,1/4] ,

f5 = 1[1/4,2/4] , f6 = 1[2/4,3/4] , f7 = 1[3/4,1] , f7 = 1[0,1/8] , ...
f2k +` = 1[`/2k ,(`+1)/2k ] , ` = 0, 2k − 1, k ≥ 0. (A.10)
Cette suite converge vers zéro dans L2 mais ne converge pas presque sûrement.
Proposition A.2 (Propriétés concernant la convergences de suites) Les

affirmations suivantes sont vraies :
1. la convergence presque sûre ou dans Lp implique la convergence en pro-
babilité ;
2. la convergence en probabilité (ou presque sûre, ou dans Lp ) implique la
convergence en loi ;
3. de toute suite qui converge en probabilité il est possible d’extraire une
sous-suite qui converge presque surement ;
4. si (Xn )n≥1 converge en probabilité (ou presque surement) vers X et qu’il
existe p ≥ 1 tel que la famille |Xn |p soit uniformément intégrable (par
exemple car bornée par une même fonction) alors (Xn )n≥1 converge dans
Lp vers X ;
5. la convergence dans Lp implique la convergence en Lq pour tout q ≤ p.
Ces propriétés sont résumées dans la figure A.1.
Proposition A.3 (Lemme de Fatou) Soit (fn )n∈N une de fonctions mesu-
rables à valeurs dans [0, +∞]. Alors la limite inférieure de la suite est mesu-
rable et : Z Z
lim inf fn dµ ≤ lim inf fn dµ. (A.11)
n→∞ n→∞
Les suites de variables aléatoires gaussiennes ont des propriétés remar-

quables.
Proposition A.4 (Convergence des suites de variables aléatoires gaussiennes)

Soit (Xn )n≥1 une suite de variables aléatoires réelles, chacune étant de loi
N (mn , σn2 ).
193
convergence convergence
Lp p.s.
in unif
-s e
te
us un
té or
ui
si bili
gr m
so ur
a
s
té convergence
en proba.
e
convergence
en loi
Figure A.1 – Illustration de la Proposition A.2.
1. La suite (Xn )n≥1 converge en loi vers une variable réelle Y si et seule-
ment si les deux suites (mn )n≥1 et (σn2 )n≥1 convergent. Dans ce cas
Y est une variable aléatoire de loi N (m, σ 2 ) où m = limn→∞ mn et
σ 2 = limn→∞ σn2 .
2. Si la suite (Xn )n≥1 converge en probabilité vers une variable aléatoire Y
alors Y est de loi gaussienne et Y est aussi limite de la suite (Xn )n≥1
dans L2 .
A.5 Espérance conditionnelle

Soit X,X1 ,X2 des v.a. intégrables définies sur un espace de probabilité
(Ω, F, P) et G une sous-tribu F.
Théorème A.1 (Existence de l’espérance conditionnelle) Il existe une

variable aléatoire Y , unique à un ensemble négligeable près, G-mesurable et
intégrable, telle que :
∀A ∈ G : E[Y 1A ] = E[X1A ]. (A.12)
Définition A.5 Dans le cadre du Théorème A.1 :

194
1. nous introduisons pour la variable aléatoire Y la notation E[X|G] := Y

et l’appelons espérance de X conditionnellement à G.
2. soit Z une variable aléatoire et σ(Z) la tribu engendrée par Z. Nous
notons d’une manière abrégée
E [X|Z] := E [X|σ(Z)] . (A.13)
Proposition A.5 (Propriétés de l’espérance conditionnelle) LŠespérance

conditionnelle vérifie :
1. linéarité : ∀α1 , α2 ∈ R : E[α1 X1 + α2 X2 |G] = α1 E[X1 |G] + α2 E[X2 |G] ;

2. espérance : E [E [X|G]] = E [X] ;
3. si X est G-mesurable alors E[X|G] = X ;
4. si X est indépendante de G alors E[X|G] = E[X] ∈ R ;
5. si Z est G-mesurable alors E[XZ|G] = ZE[X|G] pour toute v.a. X ;
6. emboitement : si H ⊂ G : E [E [X|G] |H] = E [X|H] ;
7. monotonie : si X1 ≤ X2 alors E[X1 |G] ≤ E[X2 |G] ;
8. convergence : si (Xn )n≥0 est une suite croissante de variables aléatoires
réelles positives qui converge presque sûrement vers X, alors lim E [Xn |G] =
n→∞
E [X|G] ;
9. inégalité de Jensen : si φ : R → R est une fonction convexe telle que
E[φ(X)] < ∞ alors
φ(E[X|G]) ≤ E[φ(X)|G]; (A.14)
10. en particulier : |E[X|G]| ≤ E[|X||G], |E[X|G]|2 ≤ E[|X|2 |G] ;

11. en particulier aussi : si Xn → X dans L2 alors E[Xn |G] → E[X|G] dans
L2 ;
12. (Doob-Dynkin) : pour tout couple de v.a. X, Z il existe une fonction
mesurable f : R → R (qui dépend de X et Z) telle que, presque sûrement,
E [X|Z] = f (Z). (A.15)

195
13. supposons que X est une v.a. indépendante de G et Y est G-mesurable ;

pour toute fonction mesurable g(·, ·) à valeurs positives on pose Φ : y 7→
R
g(x, y)PX (dx). Alors Φ est mesurable et pour toute v.a. Z qui est G
mesurable :
E[g(X, Y )Z] = E[Φ(Y )Z]. (A.16)
En particulier Z
E[g(X, Y )|G] = g(x, Y )PX (dx). (A.17)
A.6 Martingales en temps discret

Dans tout ce qui suit nous considérons (tk )k≥0 une suite croissante réelle
et M = {Mtk , k ∈ N} un processus F-adapté défini sur l’espace de probabilité
filtré (Ω, F, P; F).
Définition A.6 Martingale - temps discret On dit que M est une mar-
tingale si :
1. pour tout k, E[|Mtk |] < ∞ ;
2. pour tout k ≥ 1, E[Mtk |Ftk−1 ] = Mtk−1 .
Lorsque à la place du point 2 le processus M vérifie ∀k ≤ ` : Mtk ≤ E(Mt` |Ftk )
(ou ∀k ≤ ` : Mtk ≥ E(Mt` |Ftk ) le processus M est appelé sous-martingale
(respectivement sur-martingale).
Définition A.7 (Temps d’arrêt) Une variable aléatoire τ : Ω → {tk , k ∈

N} est un F-temps d’arrêt si pour tout k ∈ N :
{τ ≤ tk } ∈ Ftk . (A.18)
Proposition A.6 Soit M = {Mtk , k ∈ N} un processus stochastique F-adapté

et S, T deux F-temps d’arrêt. Alors :
1. si M est une martingale (respectivement sous-martingale) alors le pro-
cessus M T = {Mtk ∧T , k ∈ N} est une martingale (respectivement une
sous-martingale) ;
196
2. si M est une martingale (respectivement sous-martingale) et s’il existe

K ∈ N tel que ∀ω ∈ Ω : S ≤ T ≤ K alors E[MT ] = E[MS ] = E[M0 ]
(respectivement E[MT ] ≥ E[MS ] ≥ E[M0 ]).
Proposition A.7 Soit F = {s1 ≤ · · · ≤ sN } ⊂ R+ un ensemble fini d’indices.

Considérons une sous-martingale en temps discret M = {Ms , s ∈ F }. Alors,
pour tout λ > 0 on a
h i h i
λP max Ms ≥ λ ≤ E MsN 1{maxs∈F Ms ≥λ} ≤ E |MsN |1{maxs∈F Ms ≥λ}(A.19)
s∈F
Intuition A.6.1 Nous savons que pour les sous-martingales en temps

discret plus on s’arrête tard plus on gagne. Soient donc deux stratégies :
la première s’arrête dès que la valeur λ est atteinte. Cette stratégie paie au
moins λ lorsque {maxs∈F Ms ≥ λ} et paie MsN lorsque {maxs∈F Ms <
λ}. Nous considérons aussi la stratégie qui s’arrête toujours à l’instant
final sN . Écrire que la première paie moins que la 2ème (en moyenne)
donne :
h i
λP max Ms ≥ λ + E 1{maxs∈F Ms <λ} MsN ≤ E [MsN ] , (A.20)
s∈F
ce qui après simplifications conduit à l’inégalité à ci-dessus.
Preuve. Soit λ > 0 et T la variable aléatoire définie par :
T (ω) := inf {s ∈ F : Ms (ω) ≥ λ} ∧ sN
avec la convention inf ∅ = +∞. La variable aléatoire T est un temps d’arrêt

borné sur (Ω, F, P) muni de la filtration naturelle du processus M . Par le
197
théorème d’arrêt de Doob puisque T ≤ sN : E[MsN ] ≥ E[MT ]. Ce qui donne

h i h i
E[MsN ] ≥ E MT 1{maxs∈F Ms ≥λ} + E MT 1{maxs∈F Ms <λ}
h i h i
= E MT 1{maxs∈F Ms ≥λ} + E MsN 1{maxs∈F Ms <λ}
h i h i
≥ E λ1{maxs∈F Ms ≥λ} + E MsN 1{maxs∈F Ms <λ}
où les deux dernières lignes sont une conséquence

h de la définition
i du temps
d’arrêt T . En retranchant le terme E MN 1{maxs∈F Ms <λ} dans la dernière
inégalité on obtient :
h i h i
E MsN 1{maxs∈F Ms ≥λ} ≥ E λ1{maxs∈F Ms ≥λ} = λP max Ms ≥ λ .
s∈F
A.7 Changement de probabilité, théorème de Radon-

Nicodym
Soit (Ω, F, P) un espace probabilisé. Une mesure Q est dite absolument

continue par rapport à P si
∀A ∈ F : P(A) = 0 implique Q(A) = 0. (A.21)
Intuition A.7.1 Les objets étant assez souvent définis à un ensemble

négligeable près, il est très usuel, lors d’un changement de probabilité, de
laisser négligeables les ensembles qui l’étaient avant, ceci afin d’avoir une
définition non-ambigüe de l’objet dans le nouvel espace probabilisé.
Théorème A.2 (Radon-Nicodym, cas particulier) Une mesure Q est ab-

solument continue par rapport à P ssi il existe une variable aléatoire positive
198
Z, F-mesurable, telle que :

Z
∀A ∈ F : Q(A) = 1A ZdP(ω). (A.22)
Ω
La v.a. Z est dite densité de Q par rapport à P, ou encore dérivée de Q par

rapport à P, et est notée
dQ
Z= . (A.23)
dP
Remarque A.2 Pour toute v.a. intégrable X il s’en suit que
Z Z
Q
E [X] = X(ω)dQ(ω) = X(ω)Z(ω)dP(ω) = EP [XZ]. (A.24)
Ω Ω
A.8 Résultat de type théorème de classe monotone
Intuition A.8.1 Soient X1 , X2 , X trois variables aléatoires telles que

X est indépendante de X1 et de X2 . Ceci ne veut pas dire pour autant
que X est indépendante de σ(X1 , X2 ). Il faut donc prendre en compte les
relations entre le couple (X1 , X2 ) et X. Lorsque par contre nous avons
un ensemble non-dénombrable d’indices I et des variables aléatoires Xi
la question se pose : si X est indépendant de tout vecteur de taille finie
(Xik )k∈K (K ⊂ I ensemble fini arbitraire ) ceci suffit-il pour dire que
σ(X) et σ(Xi ; i ∈ I) sont indépendantes ? La réponse est affirmative et
s’obtient à l’aide du résultat suivant.
Théorème A.3 Soit fi : Ω → (Ei , Fi ), i ∈ I, une famille de fonctions à

valeurs dans les espaces mesurables (Ei , Fi ) et soit pour tout i ∈ I une sous-
classe Mi ⊂ Fi fermée pour les intersections finies et telle que σ(Mi ) = Fi .
Soit
 
 \ 
fk−1 (Ak ) ∀K ⊂ I, K sous − ensemble f ini, ∀Ak ∈ Mk .

M=
 
k∈K
(A.25)
Alors σ(M) = σ(fi , i ∈ I).
199
Preuve. Résultat admis.
Intuition A.8.2 L’utilité d’un tel résultat est de pouvoir travailler avec
des σ-algèbres générées par un nombre infini d’applications fi en utilisant
des arguments relatifs à des sous-ensembles finis parmi elles.
Corollaire A.1 Soit fi comme dans le Théorème A.3 et fi : Ω → (Ei , Fi ) ;

alors si pour tout sous-ensemble fini K ⊂ I la tribu σ(f ) est indépendante de
σ(fk , k ∈ K) alors σ(f ) est indépendante de σ(fi , i ∈ I).
A.9 Sur la construction de processus continus, ap-

plication à la construction du mouvement Brow-
nien
Théorème A.4 (de continuité de Kolmogorov) Soit (Xt )t≥0 un proces-
sus stochastique à valeurs réelles pour lequel il existe trois constantes α, β, C >
0 telles que :
∀t, s ≥ 0 : E[|Xt − Xs |α ] ≤ C|t − s|1+β . (A.26)
Alors il existe une version Y de X (au sens de la Définition 2.3 point 2) à

trajectoires continues presque surement.
Preuve. Voir [15] Théorème 1.8 page 19. Aussi voir Théorème 2.1 page 26
pour une version pour processus à valeurs dans un espace de Banach. Il est
en fait possible de montrer que les trajectoires de Yt sont Hölder continues
d’ordre γ ∈ [0, β/α[ car pour un tel γ :
" !#
|Yt − Ys |
E sup γ
< ∞. (A.27)
s6=t |t − s|
Ce résultat permet de démontrer l’existence d’une version continue du

mouvement Brownien en utilisant l’exercice 2.2.
200
A.10 Ensemble de scénarios et mesure de Wiener

Soit Bt un mouvement Brownien standard d-dimensionnel avec les nota-
tions usuelles. On peut définir pour tout ω ∈ Ω l’application t 7→ Bt (ω) qui est
une fonction continue, élement de C00 (R+ , Rd ) (espace des fonctions continues
de R+ dans Rd ayant comme valeur 0 en t = 0).
Il est donc possible de considérer l’application Ψ : Ω → C00 (R+ , Rd ) qui
associe à ω l’application continue t 7→ Bt (ω). L’aplication Ψ est mesurable.
Définition A.8 La mesure image de la mesure P sur Ω par l’application Ψ

est appelée mesure de Wiener ; nous la notons P0 ou encore µW .
Par le Théorème de classe monotone A.3 cette mesure sur C00 (R+ , Rd ) ne
dépend que des lois finies-dimensionnelles (Bt1 , ..., Btn ) (pour tout n fini et
tk ≥ 0 pour tout k ≤ n). Mais la loi du vecteur (Bt1 , ..., Btn ) est donnée d’une
manière unique par la définition du mouvement Brownien (nous en connaissons
explicitément son opérateur moyenne et covariance), donc deux mouvements
Browniens différents donneront la même mesure image P0 sur C00 (R+ , Rd ). La
définition A.8 est donc non-ambiguë.
Intuition A.10.1 La mesure de Wiener permet de donner une mesure

de probabilité sur l’ensemble de “scénarios”, i.e. de trajectoires dans
C00 (R+ , Rd ). Puisque cette mesure est indépendante du choix précis de
mouvement Brownien (tant que c’en est un) nous obtenons donc que
toute propriété trajectorielle (par exemple) peut être obtenue avec le choix
de mouvement Brownien le plus adapté à nos arguments, cf. l’exemple ci-
dessous.
Exemple A.1 Considérons le mouvement Brownien Bt et λ > 0 ; alors P (sups≥0 Bs >

1) = P (sups≥0 Bs⊗λ > 1) (avec les notations de la Proposition 2.9 page 36).
√
Mais Bs⊗λ > 1 est la même chose que Bλs ≥ λ donc nous obtenons :
∀λ > 0 : P(sup Bs > 1) = P(sup Bs > λ). (A.28)

s≥0 s≥0
Bibliographie
[1] J. C. Cox, S. A. Ross, and M. Rubinstein, Option pricing : A sim-

plified approach, Journal of Financial Economics, 7 (1979), pp. 229–263.
[2] J. Doob, Measure Theory, Springer, New York, 1993.
[3] J. W. Eaton, D. Bateman, and S. Hauberg, Gnu Octave Version 3.
0. 1 Manual : A High-Level Interactive Language for Numerical Compu-
tations, CreateSpace, 2009.
[4] D. Higham, Nine ways to implement the binomial method for option
valuation in matlab, SIAM Review, 44 (2002), pp. 661–677.
[5] P. E. Kloeden and E. Platen, Numerical solution of stochastic dif-
ferential equations, vol. 23 of Applications of Mathematics (New York),
Springer-Verlag, Berlin, 1992.
[6] D. Lamberton and B. Lapeyre, Introduction au calcul stochastique
appliqué à la finance, Ellipses, Paris, 1998.
[7] A. Lejay, An introduction to rough paths. Azéma, J. (ed.) et al., 37th
seminar on probability. Berlin : Springer. Lect. Notes Math. 1832, 1-59
(2003)., 2003.
[8] P.-L. Lions, Remarques sur l’intégration et les équations différentielles
ordinaires. Seminaire "Mathématiques appliquées", Collège de France, 6
novembre 2009.
[9] T. J. Lyons, Differential equations driven by rough signals., Rev. Mat.
Iberoam., 14 (1998), pp. 215–310.
[10] MATLAB, version R2013b, The MathWorks Inc., Natick, Massachusetts,
2013.
201
202
[11] M. Musiela and M. Rutkowski, Martingale Methods in Financial

Modelling, Stochastic Modelling and Applied Probability, Springer, 2005.
[12] B. Øksendal, Stochastic differential equations, Universitext, Springer-
Verlag, Berlin, sixth ed., 2003. An introduction with applications.
[13] E. Pardoux, Processus de Markov et applications : algorithmes, réseaux,
génome et finance : cours et exercices corrigés, Sciences sup, Dunod, Pa-
ris, 2007.
[14] R Core Team, R : A Language and Environment for Statistical Com-
puting, R Foundation for Statistical Computing, Vienna, Austria, 2013.
ISBN 3-900051-07-0.
[15] D. Revuz and M. Yor, Continuous Martingales and Brownian Motion,
Grundlehren der mathematischen Wissenschaften, Springer, 2004.
[16] L. Young, An inequality of the Hölder type, connected with Stieltjes in-
tegration., Acta Math., 67 (1936), pp. 251–282.
Index
hXit , 43 covariation quadratique

hX, Y it , 43 pour des processus d’Itô multi-dimensionnels,
64
A.O.A., 8
Cox-Ross-Rubinstein, 15
absence d’opportunité d’arbitrage, 8
acroissements delta d’une option, 90
indépendants, 26 delta hedging, 90
stationnaires, 26
EDS, 65
actif
espace
contingent, 13
L0 , 190
dérivé, 13
L1 , 190
dérivé dépendant du chemin, 17
L2 , 190
dérivé indépendant du chemin, 16
Lp , 190
arbre binômial, 15
de scénarios, mesure sur, 200
Black et Scholes de probabilité complet, 26
modèle, 79 filtré complet, 27
équation, 88 espace de probabilité complet, 26
espérance conditionnelle, 193
call asiatique, 85
inégalité de Jensen, 194
changement de probabilité, 197
propriétés, 194
convergence
Lp , 191 filtration, 27
en loi, 191 engendrée par un processus, 27
en probabilité, 191 naturelle d’un processus, 27
presque sure, 191 fonction caractéristique, 28, 189
couverture en delta, 90 formule
203
204
de Itô, 59 de probabilité neutre au risque, 12,

de Itô multi-dimensionnelle, 64 82
sur espace de scénarios, 200
gamma d’une option, 90
Wiener, 200
Girsanov
équivalentes, 11
, théorème de, 68
modèle
i.i.d., 22 binômial, 14
identité polaire pour un produit sca- Cox-Ross-Rubinstein, 15
laire, 50 de Black et Scholes, 79
intégrale mouvement Brownien, 30, 34
d’Îto, 55 multi-dimensionnel, 39
de Stieltjes, 44
opportunité d’arbitrage, 8
intégration par parties, 63
option
inégalité de Jensen
delta, 90
pour espérance conditionnelle, 194
gamma, 90
pour martingales, 32
thêta, 90
Lemme
pont Brownien, 30
de Itô, 59
probabilité risque neutre, 12, 82
de Itô multi-dimensionnel, 64
processus
lemme
adapté, 28
Fatou, 192
d’Itô, 56
Levy
d’Itô multi-dimensionnel, 64
théorème de, 36, 44
Gaussien, 30
lois fini-dimensionnelles, 26
martingale discrete, 195
marché mesurable, 27
complet, 14 modification, 26
martingale progressif, 28
en temps continu, 30 prévisible, 4
inégalité de Jensen, 32 stationnaire, 26
locale, 31 stochastique, 26
temps discret, 195 trajectoire, 26
mesure version, 26
205
à acroissements indépendants, 26
à acroissements stationnaires, 26
élémentaire, 46
équivalents, 26
produit scalaire éuclidien, 190
Radon-Nicodym, théorème de, 197

réplication, 13
répresentation de martingales, théorème
de, 66
temps d’arrêt, 31, 195

théorème
caractérisation du mouvement Brow-
nien, 36, 44
de Girsanov, 68
de répresentation de martingales,
66
Levy, 36, 44
Radon-Nicodym, 197
thêta d’une option, 90
trajectoire d’un processus, 26
variation
d’ordre p, 39
quadratique, 40, 43
quadratique, covariation, 43
totale, 40
variation quadratique, 43
vecteur Gaussien, 28
Équation différentielle stochastique, 65

équation
de Black et Scholes, 88

M1mmd MouvementBrownien Ibtjtgt v7 3

Transféré par

Droits d'auteur :

Formats disponibles

M1mmd MouvementBrownien Ibtjtgt v7 3

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

M1mmd MouvementBrownien Ibtjtgt v7 3

Transféré par

Droits d'auteur :

Formats disponibles

Éléments de calcul stochastique pour l’évaluation et

la couverture des actifs dérivés

Imen Ben Tahar, José Trashorras et Gabriel Turinici

17 mai 2015 et 1332 minutes

MIDO, Université Paris Dauphine

Un actif contingent est un contrat financier entre deux parties, un acheteur

Table des matières v

1 Evaluation d’actifs en temps discret 1

2 Mouvement Brownien et calcul d’Itô 25

3 Modèle de Black et Scholes 79

5 Travaux pratiques en Octave et Matlab 155

6 Quelques études de cas 171

A Quelques prérequis de probabilités 189

Nous introduisons, à travers la présentation d’un marché financier en temps

1.1 Modèle de marché financier

St0k+1 = St0k er(tk+1 −tk ) . (1.1)

Sauf mention explicite du contraire nous prendrons t0 = 0 et St00 = 1. La

Ftk = σ (Sti , ti ≤ tk ) ∀tk ∈ T .

Hypothèse 1.1 (Marché sans frictions) Les actifs de ce marché financier

Hypothèse 1.2 Le processus de S est borné.

1.1.1 Stratégie financière

Ici θtik ∈ R représente le nombre d’unités de S i détenues entre les dates

Intuition 1.1.1 Pour comprendre la notation θtk il faut constater qu’il

de Poisson) ; il sera vu à cette occasion que les stratégies continues à

Introduisons ∆S̃ le processus d + 1-dimensionnel défini par

La décision prise par l’investisseur lors de la ré-allocation à la date tk−1 au

Définition 1.1 Soit θ = {θtk , 1 ≤ k ≤ N } un processus aléatoire à valeurs

1.1.2 Processus de gains

Figure 1.1 – Illustration d’un changement d’allocation au sein de la stratégie

aux évolutions (favorables ou pas) des prix des actifs St .

1.1.3 Stratégie auto-financée

Définition 1.2 (Stratégie autofinancée) On dit que la stratégie θ est au-

Intuition 1.1.2 Cette définition indique que toute variation de la valeur

Dans notre modèle en temps discret, la condition d’autofinancement de la

Ainsi on remarque que l’expression de la richesse actualisée d’une stratégie

Remarque 1.1 La condition d’autofinancement est équivalente à :

hθtk−1 , S̃tk−1 i = hθtk , S̃tk−1 i, ∀k = 2, ...N. (1.9)

Voir l’exercice 1.1 page 21).

1.1.4 Portefeuilles admissibles

On appelle ensemble des portefeuilles admissibles (ou encore ensemble de

que le processus θ soit borné. Ainsi

Remarque 1.2 Dès que nous parlons de portefeuille auto-financé il doit y

Proposition 1.1 L’ensemble des portefeuilles admissibles est un sous-espace

1.1.5 Contraintes de portefeuille

{1, · · · , d}, ∀tk ∈ T } où ` est une borne fixée.

1.2 Opportunités d’arbitrage et leur absence

1.2.1 Opportunité d’arbitrage

On dit qu’un marché financier comporte une opportunité d’arbitrage s’il

Définition 1.3 (Opportunité d’arbitrage) On dit qu’un marché financier

On note C l’ensemble des richesses terminales VT réalisées à partir d’un

Définition 1.4 (A.O.A) On dit que le marché financier vérifie la condition

1.2.2 Conséquences de l’AOA

La première propriété, énoncée ci-dessous, porte sur la comparaison des

Proposition 1.2 Supposons que le marché financier vérifie la condition AOA.

Preuve. Supposons que v2 > v1 . Posons θ := θ1 − θ2 ; alors :

Corollaire 1.1 Supposons que le marché financier vérifie la condition A.O.A.

Nous présentons maintenant quelques implications importantes de la condi-

Définition 1.5 (Option d’achat européenne) Un call européen est un contrat

Définition 1.6 (Option de vente européenne) Un put européen est un