a la Finance Université Paris 1 Calcul Stochastique ... - samos-matisse
a la Finance Université Paris 1 Calcul Stochastique ... - samos-matisse
a la Finance Université Paris 1 Calcul Stochastique ... - samos-matisse
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
1<br />
1 Processus d’Itô de dimension quelconque<br />
Le but de ce chapitre est d’étendre les notions de mouvement Brownien, de processus<br />
d’Itô et <strong>la</strong> formule d’Itô de <strong>la</strong> dimension 1 à une dimension d arbitraire.<br />
1.1 Rappels<br />
Nous rappelons tout d’abord quelques définitions et notations du cours de <strong>Calcul</strong> <strong>Stochastique</strong><br />
1. La filtration donne « l’information » dont on dispose à chaque instant t.<br />
Définition 1.1 Soit (Ω, F, P) un espace probabilisé.<br />
(i) Une filtration est une famille croissante (F t , t ≥ 0) de sous-tribus de F, c’est à dire<br />
telle que F s ⊂ F t ⊂ F si s ≤ t.<br />
(ii) On dit que <strong>la</strong> filtration (F t ) satisfait les conditions usuelles si elle est :<br />
• continue à droite, i.e., F t = F t+ := ⋂ s>t F s.<br />
• complète, i.e., toutes les tribus F t contiennent les ensembles négligeables, ce qui revient<br />
à demander que P(A) = 0 entraîne A ∈ F 0 .<br />
Convention. Dans toute <strong>la</strong> suite on se donne un espace probabilisé filtré (Ω, F, (F t , t ≥<br />
0), P) et on suppose que sa filtration (F t ) satisfait les conditions habituelles. On supposera<br />
de plus que <strong>la</strong> tribu F 0 est <strong>la</strong> complétée de <strong>la</strong> tribu triviale {∅, Ω}, ce qui entraîne que les v.a.<br />
F 0 mesurables sont presque sûrement constantes. Ceci ne sera pas rappelé dans les énoncés.<br />
Définition 1.2 Un processus stochastique (à valeurs dans R d ) est une famille (X t , t ≥ 0)<br />
de variables aléatoires X t : (Ω, F) → (R d , R d ).<br />
(i) Le processus stochastique (X t ) est (F t )-adapté si X t est mesurable de (Ω, F t ) dans<br />
(R d , R d ) pour tout instant t ≥ 0.<br />
(ii) Le processus stochastique (X t ) est progressivement mesurable (ou progressif) si pour<br />
tout instant t ≥ 0, l’application (s, ω) ↦→ X s (ω) est mesurable de B([0, t])⊗F t dans (R d , R d ).<br />
(iii) Soit (X t ) un processus stochastique. Sa filtration naturelle est (F X t , t ≥ 0) où F X t =<br />
σ(σ(X s , s ∈ [0, t]), N) où N désigne les ensembles négligeables. Si le processus (X t ) est<br />
continu à droite, sa filtration naturelle (F X t ) satisfait les conditions habituelles.<br />
Théorème 1.3 Soit (X t ) un processus stochastique à valeurs dans R d , adapté et continu à<br />
droite. Alors (X t ) est progressif.<br />
La notion de temps d’arrêt joue un rôle crucial dans <strong>la</strong> théorie.<br />
Définition 1.4 Une variable aléatoire τ : Ω → [0, +∞] est un temps d’arrêt (re<strong>la</strong>tivement<br />
à <strong>la</strong> filtration (F t )), ou (F t )-temps d’arrêt, si {τ ≤ t} ∈ F t pour tout t ≥ 0. Si τ est un<br />
temps d’arrêt re<strong>la</strong>tivement à (F t ), on note<br />
F τ = {A ∈ F : A ∩ {τ ≤ t} ∈ F t , ∀t ∈ [0, +∞[}.<br />
Enfin si (X t ) est un processus (F t )-adapté, on note X τ (ω) = X τ(ω) (ω); si le processus (X t )<br />
est continu à droite et adapté, X τ 1 {τ