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.
1.1 Rappels 3<br />
Démonstration. (i) Pour tout n ≥ 1, soit S n (ω) = k2 −n sur {S ∈ [(k − 1)2 −n , k2 −n [},<br />
k ≤ K2 n + 1 et T n défini de façon simi<strong>la</strong>ire. Alors S n et T n sont des (F t )-temps d’arrêt<br />
qui ne prennent qu’un nombre fini de valeurs et tels que S ≤ S n ≤ T n , lim n S n = S et<br />
lim n T n = T. Si A ∈ F Sn , en découpant l’ensemble A suivant les valeurs prises par S n et en<br />
utilisant <strong>la</strong> propriété de martingale, on voit que ∫ M A S n<br />
dP = ∑ ∫<br />
k<br />
M A∩{S n=k} KdP, c’est à<br />
dire que M Sn = E(M K |F Sn ). Puisque F Sn ⊂ F Tn , on a donc<br />
E(M Tn |F Sn ) = E(E(M K |F Tn )|F Sn ) = M Sn .<br />
On en déduit que pour A ∈ F S ⊂ F Sn , ∫ M A S n<br />
dP = ∫ M A T n<br />
dP. De plus, les suites de<br />
temps d’arrêt (S n , n ≥ 1) et (T n , n ≥ 1) étant décroissantes, le calcul précédent montre que<br />
les suites (M Sn , F Sn ) et (M Tn , F Tn ) sont des martingales descendantes, donc uniformément<br />
intégrables. Puisque <strong>la</strong> martingale M est continue à droite, M T = lim n M Tn et M S =<br />
lim n M Sn p.s. et dans L 1 . On en déduit que pour tout A ∈ F S , ∫ M A SdP = ∫ M A TdP,<br />
ce qui termine <strong>la</strong> démonstration. On remarque que cette démonstration s’étend aisément au<br />
cas où S et T sont des temps d’arrêt non bornés tels que S ≤ T si <strong>la</strong> martingale M est<br />
uniformément intégrable, donc fermée.<br />
(ii) Si s ≤ t, il suffit d’appliquer <strong>la</strong> partie (i) aux temps d’arrêt s ∧ T ≤ t ∧ T ≤ t,<br />
pour déduire que M t∧T est une (F t∧T )-martingale. Montrons que ce processus (F t )-adapté<br />
intégrable est encore une (F t )-martingale.<br />
Soit A ∈ F s . De façon évidente, A ∩ {T > s} ∈ F s∧T , et puisque E(M t∧T |F s∧T ) = M s∧T ,<br />
∫<br />
∫<br />
M t∧T dP = M s∧T dP.<br />
A∩{T>s}<br />
A∩{T>s}<br />
De plus, sur {T ≤ s}, M t∧T = M T = M s∧T ; on en déduit ∫ M A t∧TdP = ∫ M A s∧TdP, ce qui<br />
termine <strong>la</strong> démonstration. ✷<br />
Cette proposition justifie <strong>la</strong> définition suivante qui permet de « localiser » <strong>la</strong> notion de<br />
martingale en introduisant une suite croissante de temps d’arrêt.<br />
Définition 1.8 Un processus (F t )-adapté et continu à droite M est une (F t )-martingale<br />
locale s’il existe une suite croissante (τ n ) de (F t )-temps d’arrêt telle que τ n → ∞ et M τn :=<br />
(M t∧τn , t ≥ 0) est une (F t )-martingale pour tout n.<br />
Remarque 1.9 (1) Soit M une martingale locale. En remp<strong>la</strong>çant <strong>la</strong> suite de temps d’arrêt<br />
(τ n ) par (τ n ∧ n) on voit que l’on peut demander que chaque martingale M τn soit uniformément<br />
intégrable. Pour tout n ≥ 1, soit S n = inf{t ≥ 0 : |M t | ≥ n}. Alors S n est<br />
un temps d’arrêt et si <strong>la</strong> martingale locale M est continue, on peut, en remp<strong>la</strong>çant τ n par<br />
τ n ∧ n ∧ S n , demander que <strong>la</strong> martingale M τn soit bornée.<br />
(2) Même si M est une martingale locale intégrable, ce n’est pas nécessairement une<br />
martingale. On pourra voir un contre-exemple dans [11], page 182.<br />
Définition 1.10 Le processus (B t , t ≥ 0) est un mouvement Brownien (standard) réel - ou<br />
unidimensionnel si les propriétés (a)-(c) sont vérifiées :<br />
a) P(B 0 = 0) = 1 (le mouvement Brownien est issu de l’origine).<br />
b) Pour 0 ≤ s ≤ t, B t − B s est une variable réelle de loi gaussienne, centrée de variance<br />
(t − s), notée N(0, t − s).<br />
c) Pour tout n et 0 ≤ t 0 ≤ t 1 · · · ≤ t n , les variables aléatoires B t0 , B t1 − B t0 , · · · ,<br />
B tn − B tn−1 sont indépendantes.<br />
26 octobre 2009 <strong>Calcul</strong> <strong>Stochastique</strong> 2 - Annie Millet