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
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
2.5 Lien avec les EDP 43<br />
Une généralisation immédiate de (2.8) basée sur le lemme de Gronwall et l’inégalité de<br />
Burkholder montre que pour tout p ∈ [1, +∞[, E(sup t≤s≤T |Xs t,x|p<br />
) ≤ C p (1 + |x| p ). Il existe<br />
K > 0 tel que le terme |Tn(t, 1 x)| est dominé par Cn K P(τ n ≤ T). Pour tout p ∈ [1, +∞[,<br />
P(τ n ≤ T) ≤ C p n −p E ( sup |Xs t,x | p) ≤ C p n −p .<br />
t≤s≤T<br />
Choisissant p > K nous obtenons Tn 1 (t, x) → 0 quand n → +∞. Le théorème de convergence<br />
dominée entraîne que lorsque n → +∞,<br />
[<br />
Tn(t, 2 x) → E f(X t,x<br />
T ) R ]<br />
T<br />
e− 0 ρ(s,Xt,x s ) ds<br />
,<br />
ce qui termine <strong>la</strong> démonstration.<br />
✷<br />
Nous verrons dans l’exercice 2.6 que le problème de Cauchy (2.31) admet comme solution<br />
[<br />
]<br />
v(t, x) = E<br />
f(X t,x R T<br />
T )e− t ρ(s,Xs t,x ) ds +<br />
∫ T<br />
t<br />
g(s, X t,x<br />
s ) e − R s<br />
t ρ(u,Xt,x u ) du ds<br />
. (2.34)<br />
On déduit immédiatement du Théorème de Feynman Kac le résultat suivant. Soit r > 0<br />
et f : R d → R une fonction continue à croissance polynomiale. Alors si v continue sur<br />
[0, T] × R d et v ∈ K 1,2 ([0, T[×R d ) est solution du problème de Cauchy<br />
{ ∂v<br />
∂t (t, x) + A t v(t, x) = r v(t, x) pour (t, x) ∈ [0, T[×R d ,<br />
v(T, x) = f(x) pour x ∈ R d ,<br />
alors v(t, x) = E ( e −r(T −t) f(X t,x<br />
T )) .<br />
Ces liens entre diffusions et EDP peuvent être vus de deux façons.<br />
D’une part en « petite dimension » on peut utiliser des méthodes numériques d’EDP (différences<br />
finies ou éléments finis) afin de résoudre numériquement l’EDP (il faut encore des<br />
conditions pour qu’elle ait une solution unique) et en déduire une information sur l’espérance<br />
d’une fonction du processus.<br />
Mais les méthodes numériques, efficaces en petite dimension, deviennent très difficiles<br />
à implémenter en grande dimension. Par contre, les méthodes de Monte-Carlo ou de quasi<br />
Monte Carlo permettent d’approximer l’espérance d’une variable aléatoire ou d’un processus<br />
en une famille finie d’instants t et d’états x. On peut se servir de l’interprétation de <strong>la</strong> solution<br />
v(t, x) de l’EDP (sous réserve qu’elle soit unique) comme une espérance pour écrire cette<br />
fonction au point (t, x) à l’aide de l’espérance d’une diffusion. Par un schéma d’Euler de pas<br />
T/n, on sait approximer <strong>la</strong> trajectoire de <strong>la</strong> diffusion par celle d’un processus très simple et<br />
très rapide à simuler. La vitesse de convergence « forte » , qui donne une majoration de <strong>la</strong><br />
norme uniforme de <strong>la</strong> différence des trajectoires, est en 1/ √ n. Si on s’intéresse seulement à<br />
l’espérance d’une fonction de <strong>la</strong> diffusion en un instant T, <strong>la</strong> vitesse de convergence « faible »<br />
du schéma est en 1/n. L’espérance de <strong>la</strong> fonction du processus approximant à l’instant T<br />
est elle-même approximée par une moyenne d’après <strong>la</strong> loi forte des grands nombres. Le<br />
théorème de <strong>la</strong> limite centrale montre alors que si on dispose de N réalisations, <strong>la</strong> vitesse<br />
de convergence de <strong>la</strong> moyenne vers l’espérance est en √ 1<br />
N<br />
. Simuler une approximation de<br />
<strong>la</strong> diffusion par un schéma d’Euler est très simple et l’inconvénient est plutôt le nombre de<br />
simu<strong>la</strong>tions qu’il faut utiliser pour avoir une approximation « raisonnable ». Cette méthode<br />
est donc « lente », mais « insensible à <strong>la</strong> dimension ».<br />
26 octobre 2009 <strong>Calcul</strong> <strong>Stochastique</strong> 2 - Annie Millet