Processus de Lévy et calcul stochastique

Rhodes Rémi

18 novembre 2010
2
Table des matières

1 Quelques rappels sur les processus de Poisson 5

1.1 Processus de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Processus de Poisson composés . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2 Processus de Lévy 11
2.1 Lois infiniment divisibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 La formule de Lévy-Khintchine . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3 Processus de Lévy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3.1 Modifications des processus de Lévy . . . . . . . . . . . . . . . . . . . 16
2.3.2 Propriété de Markov forte . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4 Subordinateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

3 Décomposition d’Itô-Lévy 21
3.1 Sauts des processus de Lévy . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Mesures aléatoires de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3 Intégration de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.4 Décomposition d’Itô-Lévy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

4 Intégration stochastique 27
4.1 Classe d’intégrands . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2 Théorie L2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.3 Extension de la théorie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.4 Formules d’Itô . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

5 Changement de mesures et martingales exponentielles 35

5.1 Exponentielle de Doleans-Dade . . . . . . . . . . . . . . . . . . . . . . . . . . 35
5.2 Martingales exponentielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

3
4 TABLE DES MATIÈRES

5.3 Changement de mesures-Théorème de Girsanov . . . . . . . . . . . . . . . . . . 38

5.4 Théorème de représentation des martingales . . . . . . . . . . . . . . . . . . . . 40

6 Equations différentielles stochastiques 41

6.1 Existence et unicité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
6.2 Propriété de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
6.3 Formule de Feynman-Kac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

7 Quelques applications en finance 45

7.1 Probas risque neutre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
7.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
7.2.1 Modèle de Merton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
7.2.2 Processus variance-gamma . . . . . . . . . . . . . . . . . . . . . . . . . 49
7.2.3 Modèle NIG (Normal Inverse Gaussian) . . . . . . . . . . . . . . . . . . 49
7.3 Problèmes de couverture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
7.4 Méthodes de transformées de Fourier pour le pricing d’options . . . . . . . . . . 51
Chapitre 1

Quelques rappels sur les processus de

Poisson

1.1 Processus de Poisson

Ces processus sont très utilisés pour modéliser des temps d’arrivée aléatoires de clients, si-
nistres,...
Définition 1. Un processus de Poisson N de paramètre λ > 0 est un processus de comptage
X
∀t ≥ 0, Nt = 1I{Tn ≤t} (1.1)
n≥1

associé à une famille (Tn ; n ∈ N) (avec T0 = 0) de va représentant les temps d’arrivées, telle que
les va (Tn+1 − Tn ; n ∈ N) sont iid de loi exponentielle de paramètre λ.
Proposition 1. Si N est un processus de Poisson alors
1) la somme (1.1) est presque sûrement finie pour tout t ≥ 0.
2) les trajectoires de N sont constantes par morceaux, avec des sauts de taille 1 seulement,
3) les trajectoires sont càdlàg,
4) ∀t > 0, IP(Nt− = Nt ) = 1,
5) ∀t > 0, Nt suit une loi de Poisson de paramètre λt :
(λt)n
∀n ∈ N, IP(Nt = n) = e−λt .
n!
En particulier on a :
E[eiuNt ] = exp λt(eiu − 1) ,


E[Nt ] = λt = Var[Nt ],

6) ∀n ≥ 1, Tn une loi gamma de paramètre (n, λ) de densité :

(λt)n−1 −λt
fTn (x) = λe 1I{t>0} .
(n − 1)!

7) N est à accroissements indépendants et stationnaires.

5
6 CHAPITRE 1. QUELQUES RAPPELS SUR LES PROCESSUS DE POISSON

F IGURE 1.1 – Simulation d’un processus de Poisson

Une définition équivalente des processus de Poisson est :

Définition 2. Soit N un processus stochastique (issu de 0) à valeurs réelles et càdlàg. N est un
processus de Poisson ssi :
1) N est un processus croissant, constant par morceaux, ne faisant que des sauts de taille 1,
2) ∀t, s ≥ 0, la va Nt+s − Nt est indépendant de la tribu engendrée par les (Nu ; 0 ≤ u ≤ t),
3) ∀t, s ≥ 0, la va Nt+s − Nt a même loi que Ns .

On retrouve alors les va Tn en les définissant comme les sauts du processus N :

T0 = 0, Tn = inf{t > Tn−1 ; Nt − NTn−1 > 0} pour n ≥ 1.

Ce sont des temps d’arrêt par rapport à la filtration naturelle du processus N .

Théorème 1. Comportement asymptotique Si N est un processus de Poisson d’intensité λ > 0
alors, lorsque t tend vers +∞ :
r 
Nt t Nt 
loi
p.s. → λ et − λ → N (0, 1).
t λ t
Exercice 1. Montrer que la somme de 2 processus de Poisson indépendants est encore un proces-
sus de Poisson. Quelle est son intensité ?
Exercice 2. Montrer que, sachant Nt = k (k ≥ 1), la loi du k-uplet (T1 , . . . , Tk ) est celle d’un
k-échantillon de v.a. iid de loi uniforme sur [0, t].
Exercice 3. Proposer un algorithme de simulation de processus de Poisson basé sur l’exercice 2.
1.2. PROCESSUS DE POISSON COMPOSÉS 7

Exercice 4. Si N est un processus de Poisson d’intensité λ, montrer que les lois marginales du
processus
1  Nt 
Pt = √ −λ
λ t
convergent vers celle d’un mouvement brownien standard.

1.2 Processus de Poisson composés

Définition 3. Un processus de Poisson avec intensité λ > 0 et loi de sauts νZ est un processus
stochastique défini par
XNt
Xt = Zk ,
k=1

où (Zn )n est une suite de va iid à valeurs dans Rd de loi νZ et N est un processus de Poisson de
paramètre λ indépendant de la suite (Zn )n .

En d’autres mots, un processus de Poisson composé est un processus constant par morceaux
qui saute aux instants de sauts d’un processus de Poisson standard, et dont les tailles de sauts sont
des variables i.i.d. d’une loi donnée.
Citons quelques exemples de phénomènes susceptibles d’être décrits par des processus de Pois-
son composés :
– arrivées d’avion dans un aéroport : chaque avion transporte un certain nombre de passagers,
– arrivées de clients aux caisses d’un supermarché : chaque client dépense une certaine somme
d’argent,
– trafic routier : à chaque accident correspond un certain nombre de personnes blessées,
– Assurance-sinistre : à chaque sinistre est associé un coût de réparation des dégâts.
Un processus de Poisson composé est clairement un processus càdlàg et constant par morceaux.
Sa fonction caractéristique est donnée par :
 Z 
φXt (u) = exp t (ei(u,y) − 1)λνZ (dy) . (1.2)
Rd

Proposition 2. Soit X un processus de Poisson composé. Alors X est à accroissements indépen-

dants et stationnaires.

Exercice 5. Montrer la formule (1.2).

Exercice 6. Donner une CNS pour qu’un processus de Poisson composé admette un moment
d’ordre 1 (resp. 2) et calculer ce moment.

Exercice 7. Proposer un algorithme de simulation de processus de Poisson composé basé sur

l’exercice 2.
8 CHAPITRE 1. QUELQUES RAPPELS SUR LES PROCESSUS DE POISSON

F IGURE 1.2 – Simulation de processus de Poisson composés

1.2. PROCESSUS DE POISSON COMPOSÉS 9

F IGURE 1.3 – Un processus de Poisson composé correctement renormalisé (vu en "temps grand")
converge en loi vers un mouvement brownien
10 CHAPITRE 1. QUELQUES RAPPELS SUR LES PROCESSUS DE POISSON
Chapitre 2

Processus de Lévy

2.1 Lois infiniment divisibles

Soit X une variable aléatoire à valeurs dans Rd de loi µX . On dit que X est infiniment divisible
(n) (n)
si, pour tout n ∈ N, il existe des va iid Y1 , . . . , Yn telles que
loi (n)
X = Y1 + · · · + Yn(n) .

Soit φX (u) = E[ei(u,X) ] la fonction caractéristique de X.

Proposition 3. Se valent :
1. X est infiniment divisible,
2. pour tout n, φX a une racine n-ième qui est la fonction caractéristique d’une variable
aléatoire.
(n)
Preuve. 1) implique 2). Il suffit de prendre la fonction caractéristique de Y1 .
(n) (n)
2) implique 1). Soit Y1 , . . . , Yn des copies indépendantes de loi associée à φY telle que
φX (u) = (φY (u))n . Alors il est facile de voir que
loi (n)
X = Y1 + · · · + Yn(n)

à l’aide des fonctions caractéristiques.

Exemple 1. Variables gaussiennes Les lois gaussiennes sont infiniment divisibles.
Exemple 2. Loi de Poisson On prend d = 1. On définit une variable X par
λn −λ
∀n ∈ N, IP(X = n) = e .
n!
On note X ∼ P (λ). On a E[X] = Var(X) = λ et
iu −1)
φX (u) = eλ(e .

On en déduit que X est infiniment divisible car φX (u) = (φY (u))n avec Y ∼ P (λ/n).

11
12 CHAPITRE 2. PROCESSUS DE LÉVY

Exemple 3. Loi de Poisson composée On considère une suite (Zn )n de va iid à valeurs dans Rd
de loi µZ . Soit N une loi de Poisson de paramètre λ indépendante de la suite (Zn )n . On définit
une variable X par
XN
X= Zk .
k=1

On a Z 
i(u,y)
φX (u) = exp (e − 1)λµZ (dy) .
Rd

On en déduit que X est infiniment divisible car φX (u) = (φY (u))n avec Y ∼ P (λ/n). On notera
X ∼ P C(λ, µZ ) et on remarque que φX (u) = (φY (u))n où Y ∼ P (λ/n, µZ ). Donc X est
infiniment divisible.

2.2 La formule de Lévy-Khintchine

Soit ν une mesure de Borel sur Rd \ {0}. On dira que ν est une mesure de Lévy si
Z
(1 ∧ z 2 )ν(dz) < +∞.
Rd \{0}

C’est une mesure σ-finie. C’est équivalent de dire que

z2
Z
2
ν(dz) < +∞.
Rd \{0} 1 + z

Théorème 2. Formule de Lévy-Khintchine Soit X une va à valeurs dans Rd . Alors X est infi-
niment divisible s’il existe b ∈ Rd , une matrice A ∈ Rd×d et une mesure de Lévy ν tels que
Z
d
 1 
ei(u,z) − 1 − i(u, z)1I{|z|≤1} ν(dy) .


∀u ∈ R , φX (u) = exp i(b, u) − (u, Au) +
2 Rd \{0}
(2.1)
Réciproquement, toute application de la forme ci-dessus est la fonction caractéristique d’une va
infiniment divisible sur Rd .

Preuve. On ne démontre que la deuxième partie du théorème. La partie la plus difficile résultera
de la décomposition d’Itô-Lévy.
Tout d’abord, on montre que le membre de droite est une fonction caractéristique. Pour sim-
plifier les notations, on suppose d = 1. Soit (αn )n une suite décroissante vers 0et on définit pour
tout n ∈ N :
Z Z
 1 
ei(u,z) − 1 ν(dy)


φn (u) = exp i(b − zν(dz), u) − (u, Au) +
An 2 [−αn ,αn ]c

où l’ensemble An est défini par An = [−1, 1] ∩ [−αn , αn ]c . Dans ce cas, φn est la fonction carac-
téristique d’une loi X qui est la somme d’une constante, d’une loi normale N (0, A) et d’une loi
de Poisson composée P (λ, µZ ) avec λ = ν([−αn , αn ]c ) et µZ = λ1 ν.
2.2. LA FORMULE DE LÉVY-KHINTCHINE 13

On vérifie ensuite que

φn (u) → φX (u)
quand n → ∞ où φX est la fonction donnée par (2.2). Pour appliquer le théorème de continuité de
Lévy, il suffit de montrer que φX est continue en 0. Pour cela, le seul terme nécessitant vérification
est l’intégrale que l’on décompose en :
Z
ei(u,z) − 1 − i(u, z)1I{|z|≤1} ν(dy)


Rd \{0}
Z Z
i(u,z)
ei(u,z) − 1 ν(dy)



= e − 1 − i(u, z) ν(dy) +
|z|≤1 |z|>1

En utilisant les majorations ei(u,z) − 1 − i(u, z) ≤ u2 z 2 pour |z| ≤ 1 et ei(u,z) − 1 ≤ 2 pour

|z| > 1 et les propriétés d’intégrabilité de la mesure de Lévy, on peut facilement appliquer le
théorème de convergence dominée et en déduire
Z
ei(u,z) − 1 − i(u, z)1I{|z|≤1} ν(dy) → 0


Rd \{0}

quand u → 0. Donc φX est bien la fonction caractéristique d’une va X. On peut directement

vérifier qu’elle est infiniment divisible à l’aide des fonctions caractéristiques.
On remarque que la loi de X a été obtenue comme limite en loi d’une suite de va qui sont la
somme d’une gaussienne et d’une loi de Poisson composée indépendantes.
z
Le "cut-off" z1I{|z|≤1} peut-être changé. Par exemple on peut choisir 1+|z| 2 pourvu que l’on

modifie b en conséquence. Une fois que le choix du cut-off a été fait, le triplet correspondant
(b, A, ν) est appelé la caractéristique de la loi X.
Si X est une loi infiniment divisible, on peut donc écrire

φX (u) = eη(u)

où η est de la forme
Z
1
ei(u,z) − 1 − i(u, z)1I{|z|≤1} ν(dy).


η(u) = i(b, u) − (u, Au) +
2 Rd \{0}

La fonction η est appelé le symbole de Lévy de X.

Exercice 8. Montrer que le symbole de Lévy de X vérifie

∀u ∈ Rd , |η(u)| ≤ C(1 + |u|2 )

où C > 0.
Exemple 4. Lois α-stables Une classe importante de lois infiniment divisibles est donnée par les
lois ayant pour triplet caractéristique (0, 0, να ) où
C
να (dz) = dz
|z|d+α
avec 0 < α < 2. La loi correspondante est dite α-stable.
14 CHAPITRE 2. PROCESSUS DE LÉVY

2.3 Processus de Lévy

Soit X = (Xt ; t ≥ 0) un processus stochastique défini sur un espace de probabilité (Ω, F, IP).
On dit que X est à accroissements indépendants si, pour tout n ∈ N∗ et pour tous 0 ≤ t1 ≤ · · · ≤
tn < ∞, les variables aléatoires {Xtj+1 − Xtj ; 1 ≤ j ≤ n − 1} sont indépendantes. On dit que X
est à accroissements stationnaires si, pour tous t, s > 0, la va Xt+s − Xs a même loi que Xt − X0 .

Définition 4. On dit que X est un processus de Lévy (issu de 0) si :

1) X0 = 0 preque sûrement,
2) X est à accroissements indépendants et stationnaires,
3) X est stochastiquement continu : pour tout  > 0 et t ≥ 0 :
 
lim IP |Xt+h − Xt | >  = 0.
h→0

On peut remarquer que 1) et 2) implique qu’il suffit de vérifier 3) pour t = 0.

Proposition 4. Si X est un processus de Lévy, alors Xt est une loi infiniment divisible pour tout
t ≥ 0.

Preuve. Pour tout n ∈ N, on peut écrire

n
X
Xt = (X k t − X k−1 t ).
n n
k=1

Pour conclure, on remarque ensuite que les variables {X k t − X k−1 t ; 1 ≤ k ≤ n} sont iid par
n n
indépendance et stationnarité des accroissements.

Théorème 3. Si X est un processus de Lévy, alors

∀u ∈ Rd , φXt (u) = etη(u)

où η est le symbole de Lévy de X1 .

Preuve. Pour u ∈ Rd et t ≥ 0, on définit φu (t) = φXt (u). Comme X est stochastiquement

continu, l’application t 7→ φu (t) est continue. De plus, comme X est un PAIS, on a pour t, s ≥ 0 :

φu (t + s) = E[ei(u,Xt+s ) ] = E[ei(u,Xt+s −Xt ) ]E[ei(u,Xt ) ] = E[ei(u,Xs −X0 ) ]E[ei(u,Xt ) ] = φu (t)φu (s).

Comme φu est continue, elle est nécessairement de la forme φu (t) = Ceta . Or φu (0) = 1, donc
C = 1, et φu (1) = E[ei(u,X1 ) ] = eη(u) , donc A = η(u). Le résultat suit.

Théorème 4. Formule de Lévy-Khintchine pour les processus de Lévy Soit X un processus

de Lévy. Alors il existe b ∈ Rd , une matrice A ∈ Rd×d et une mesure de Lévy ν tels que ∀u ∈
Rd , ∀t ≥ 0
Z
i(u,Xt )
 1

ei(u,z) − 1 − i(u, z)1I{|z|≤1} ν(dy) . (2.2)


E[e ] = exp t i(b, u) − (u, Au) +
2 Rd \{0}
2.3. PROCESSUS DE LÉVY 15

Exercice 9. Montrer que la somme de 2 processus de Lévy indépendants est encore un processus
de Lévy.
Proposition
5. Si X = (Xt ; t ≥ 0) est un processus stochastique et s’il existe une suite X n =
(Xtn ; t ≥ 0) n de processus de Lévy telle que :
1) Xtn converge en probabilité vers Xt pour tout t ≥ 0,


2) pour tout  > 0, limn→∞ lim supt→0 IP |Xtn − Xt | >  = 0,
alors X est un processus de Lévy.

Preuve. On a X0 = 0 ps car on peut trouver une sous-suite de (X0n )n qui converge presque
sûrement vers X0 . Pour s, t ≥ 0, on a :
n n n n
E[ei(u,Xt+s −Xt ) ] = lim E[ei(u,Xt+s −Xt ) ] = lim E[ei(u,Xs −X0 ) ] = E[ei(u,Xs −X0 ) ].
n→∞ n→∞

On prouve de la même façon l’indépendance des accroissements.

Il reste à montrer que X est stochastiquement continu. Soit  > 0. On a pour t ≥ 0
 
IP(|Xt | > ) ≤ IP(|Xt − Xtn | > ) + IP(|Xtn | > )
2 2
d’où
 
lim sup IP(|Xt | > ) ≤ lim sup IP(|Xt − Xtn | > ) + lim sup IP(|Xtn | > )
t→0 t→0 2 t→0 2

≤ lim sup IP(|Xt − Xtn | > )
t→0 2
Pour conclure, il suffit de prendre la limite en n → ∞ et d’utiliser le 2.
Exemple 5. Mouvement brownien. Tout mouvement brownien B = (Bt ; t ≥ 0) est un processus
de Lévy. On a :
t
E[ei(u,Bt ) ] = eti(b,u)− 2 (u,Au) .
Exemple 6. Processus de Poisson Le processus de Poisson N d’intensité λ est un processus de
Lévy. Pour tout t ≥ 0, la loi de Nt est donnée par :
(λt)k
IP(Nt = k) = e−λt .
k!
Exemple 7. Processus de Poisson composé. Soit (Zn )n une suite de va iid à valeurs dans Rd de
loi µZ . Soit N un processus de Poisson d’intensité λ, indépendant de la suite (Zn )n . Le processus
de Poisson composé Y est défini par :
Nt
X
Yt = Zk .
k=1

Pour tout t ≥ 0, on a Y ∼ P C(λt, µZ ). C’est un processus de Lévy. Son symbole de Lévy est
donnée par : Z
η(u) = (ei(u,z) − 1)λµZ (dz).
Rd /{0}
C’est un processus dont les trajectoires sont constantes par morceaux. Les discontinuités sont
données par les instants de sauts du processus de Poisson N , tandis que la loi des sauts est µZ .
C’est un processus très utilisé dans les risques d’assurances.
16 CHAPITRE 2. PROCESSUS DE LÉVY

Exemple 8. Processus de Lévy stables rotationnellement invariants. Ce sont les processus de

Lévy ayant pour symbole
η(u) = −σ α |u|α
pour un 0 < α ≤ 2 appelé indice de stabilité et σ > 0. Une des raisons de leur importance est
qu’ils présentent des propriétés d’auto-similarité : les processus (Y(ct) ; t ≥ 0) et (c1/α Yt ; t ≥ 0)
ont même loi.

2.3.1 Modifications des processus de Lévy

Dans ce qui suit, on dira qu’une filtration (Ft )t satisfait les hypothèses usuelles si elle est
complète (ie F0 contientT tous les évènements de probabilité nulle) et si elle est continue à droite,
X
ie Ft = Ft+ où Ft+ = s>t Fs . Dans la suite, si X est un processus de Lévy alors F désigne la
filtration naturelle complète engendrée par le processus X.

Proposition 6. Si X est un processus de Lévy avec symbole η, alors pour tout u ∈ Rd , Mu =

(Mu (t); t ≥ 0) est une martingale (complexe) par rapport à F X , où


Mu (t) = exp i(u, Xt ) − tη(u) .

Théorème 5. Tout processus de Lévy admet une modification càdlàg, qui est encore un processus
de Lévy avec les mêmes caractéristiques.

On ne considèrera maintenant que des processus de Lévy càdlàg. Leur filtration naturelle sa-
tisfait alors les hypothèses usuelles.

2.3.2 Propriété de Markov forte

Théorème 6. Propriété de Markov forte. Si X est un processus de Lévy et si τ est un temps

d’arrêt adapté à la filtration F X , alors, sur {τ < +∞}
1) le processus X τ = (Xt+τ − Xτ ; t ≥ 0) est un processus de Lévy indépendant de la tribu
FτX ,
2) pour tout t ≥ 0, Xtτ a même loi que Xt ,
3) X τ est à trajectoires càdlàg et est Fτ +t adapté.

Preuve. On fait la preuve dans le cas où τ est borné. Soit A ∈ Fτ et n ∈ N. Pour 1 ≤ j ≤ n,

on considère

uj ∈ Rd et 0 = t0 ≤ t1 ≤ · · · ≤ tn et les martingales Muj (t) = exp i(uj , Xt ) −
tη(uj ) . On a :

h  Xn i h  Xn i
E 1IA exp i (uj , Xtτj − Xtτj−1 ) = E 1IA exp i (uj , Xτ +tj − Xτ +tj−1 )
j=1 j=1
n n
h Y Muj (τ + tj ) Y i
= E 1IA φtj −tj−1 (uj )
j=1
Muj (τ + tj−1 ) j=1
2.4. SUBORDINATEURS 17

où φu (t) = E[ei(u,Xt ) ]. On remarque que pour 0 < a < b < +∞

h M (τ + b) i h 1 i
uj
E 1IA = E 1IA E[Muj (τ + b)|Fτ +a ] = IP(A).
Muj (τ + a) Muj (τ + a)
En répétant cet argument dans la première égalité, on obtient :
h  Xn i n
Y
τ τ
E 1IA exp i (uj , Xtj − Xtj−1 ) = IP(A) φtj −tj−1 (uj ). (2.3)
j=1 j=1

En particulier, pour n = 1 et u1 = u et t1 = t, on obtient

τ
E[ei(u,Xt ] = E[ei(u,Xt ) ]

d’où 2.
La formule (2.3) permet facilement de vérifier que X τ est un processus de Lévy. Pour la conti-
τ
nuité stochastique, ça résulte de E[ei(u,Xt ] = E[ei(u,Xt ) ] en faisant tendre t vers 0. (2.3) permet
aussi de voir que X τ est indépendant de Fτ .
A l’aide de la propriété de Markov forte, on peut montrer (exercice)
Théorème 7. Si X est un processus de Lévy à valeurs réelles, croissant (presque sûrement) et ne
faisant que des sauts de taille 1, alors X est un processus de Poisson.
Théorème 8. Si X est un processus de Lévy càdlàg à valeurs réelles, presque sûrement à trajec-
toires constantes par morceaux, alors X est un processus de Poisson composé. La réciproque est
trivialement vraie.

Preuve. Soit Nt = #{0 ≤ s ≤ t; Xs− 6= Xs }. Comme X est à trajectoires constantes par

morceaux, N est fini pour tout t fini. C’est donc un processus de comptage. De plus

Nt − Ns = #{s < r ≤ t; Xr− 6= Xr } = #{s < r ≤ t; Xr− − Xs 6= Xr − Xs }.

On en déduit que N a des accroissements indépendants et stationnaires. C’est donc un processus

de Poisson. Soit (Tn )n la suite de ses temps d’arrivées. On définit Zn = XTn − XTn − . Il ne reste
plus qu’à montrer que les (Zn )n sont iid. Comme X est à trajectoires constantes par morceaux, on
a Zn = XTn − XTn−1 . Or si l’on applique la propriété de Markov forte, il est facile de voir que les
(Zn )n sont iid. Par exemple, on montre qu’ils ont même loi. Soit n ∈ N∗ . D’après la propriété de
Markov forte, le processus (Xt+Tn−1 − XtTn−1 : t ≥ 0} est un processus de Lévy ayant même loi
que le processus X, et est indépendant de FTn−1 . On en déduit

IP(Zn ∈ A) = IP(XTn − XTn−1 ∈ A) = IP(XT1 − X0 ∈ A) = IP(Z1 ∈ A).

L’indépendance se montre de la même façon.

2.4 Subordinateurs
Un subordinateur est un processus de Lévy 1-dimensionnel qui est presque sûrement croissant.
Ils sont utilisés, entr’autres, pour modéliser des évolutions aléatoires du temps.
18 CHAPITRE 2. PROCESSUS DE LÉVY

Théorème 9. Si le processus de Lévy T est un subordinateur, alors son symbole de Lévy est de la
forme : Z +∞
η(u) = ibu + (eiuz − 1)ν(dz),
0
où b ≥ 0 et la mesure de Lévy ν satisfait :
Z ∞
ν(] − ∞, 0[) = 0 et (1 ∧ z)ν(dz) < +∞.
0

Réciproquement, toute application de la forme ci-dessus est le symbole de Lévy d’un subordina-
teur. La paire (b, ν) est appelée la caractéristique du subordinateur T .

Remarque : pour tout t ≥ 0, l’application z 7→ E[ezTt ] est analytique sur la région {z; <(z) ≤
0}. On obtient donc l’expression suivante pour la transformée de Laplace d’un subordinateur :

E[e−uTt ] = e−tψ(u)

où Z ∞
ψ(u) = −η(iu) = bu + (1 − e−uz )ν(dz).
0

Exemple 9. Processus de Poisson. Le processus de Poisson est clairement un subordinateur. Plus

généralement, un processus de Poisson composé est un subordinateur si et seulement si la suite
(Zn )n est constituée de va à valeurs dans R+ .

Exemple 10. Subordinateurs α-stables. Pour 0 < α < 1 et u ≥ 0, en utilisant la relation

Z ∞
α dz
α
u = (1 − e−uz ) 1+α ,
Γ(1 − α) 0 z

on voit qu’il existe un subordinateur, appelé α-stable avec exposant de Laplace donné par

ψ(u) = uα .
α dz
Les caractéristiques de T sont (0, ν) avec ν(dz) = Γ(1−α) z 1+α
.

Exemple 11. Subordinateurs inverses gaussiens. Pour tout t ≥ 0, on définit Ct = γt + Bt où

γ ∈ R et B est un mouvement brownien. Le subordinateur inverse gaussien est défini par (δ > 0) :

Tt = {s > 0; Cs = δt}.

On l’appelle ainsi car t 7→ Tt est l’inverse généralisé d’un processus gaussien. On peut montrer
que  p

E[e−uTt ] = exp − tδ 2u + γ 2 − γ .
En inversant, cette formule on peut montrer que Tt a une densité donnée par :
δt 1
fTt (s) = √ eδtγ s−3/2 exp − (t2 δ 2 s−1 + γ 2 s)


2π 2
pour tous s, t ≥ 0.
2.4. SUBORDINATEURS 19

Exemple 12. Gamma subordinateur. Soit T un subordinateur ayant pour transformée de La-
place (a, b > 0)
u
−at u

E[e−uTt ] = 1 + = exp − ta ln(1 + ) .
b b
Il admet pour densité
bat at−1 −bx
fTt (x) = x e 1Ix≥0
Γ(at)
et est appelé gamma subordinateur. Pour voir que c’est un subordinateur, il suffit d’établir
Z ∞
u
ψ(u) = a ln(1 + ) = (1 − e−uz )az −1 e−bz dz.
b 0

Soit X un processus de Lévy et T un subordinateur définis sur le même espace de probabilité.

On suppose que X et Z sont indépendants. On définit un nouveau processus Z par la formule
Zt = XTt pour t ≥ 0.
Théorème 10. Z est un processus de Lévy ayant pour symbole
ηZ = −ψT ◦ (−ηX ).

Preuve. Il est clair que Z0 = 0 presque sûrement. Commençons par montrer que Z est à accrois-
sements stationaires. Soit t1 < t2 et écrivons Pt1 ,t2 pour désigner la loi jointe de (Tt1 , Tt2 ) :
IP(Zt2 − Zt1 ∈ A) =IP(XTt2 − XTt1 ∈ A)
Z Z ∞
= ∞ IP(Xs2 − Xs2 ∈ A) Pt1 ,t2 (ds1 , ds2 )
0 0
Z ∞Z ∞
= IP(Xs2 −s1 ∈ A) Pt1 ,t2 (ds1 , ds2 )
Z0 ∞ Z0 ∞
= IP(Xu ∈ A) P0,t2 −t1 (u)
0 0
=IP(Zt2 −t1 ∈ A).
L’indépendance des accroissements s’obtient par un raisonnement similaire, c’est à dire en condi-
tionnant par rapport à la loi de T .
Pour montrer la continuité stochastique, on fixe a > 0 et  > 0. On peut trouver δ > 0 tel que
0 < h < δ ⇒ IP(|Xh | > a) ≤ /2
et δ 0 > 0 tel que
0 < h < δ 0 ⇒ IP(|Th | > δ) ≤ /2.
On a donc pour 0 < h < δ 0 :
Z ∞
IP(|Z(h)| > a) =IP(|XTh | > a) = IP(|Xu | > a)PTh (du)
0
Z δ Z ∞
= IP(|Xu | > a)PTh (du) + IP(|Xu | > a)PTh (du)
0 δ
≤ sup IP(|Xu | > a) + IP(|Th | > δ)
0≤u≤δ

≤/2 + /2 = .
20 CHAPITRE 2. PROCESSUS DE LÉVY

Finalement :
Z ∞
i(u,Zt ) i(u,XTt )
E[e ] =E[e ]= E[ei(u,Xs ) ]PTt (ds)
0
Z ∞
= esηX (u) PTt (ds) = E[e−Tt (−ηX (u)) ]
0
−tψT (−ηX (u))
=e .
Chapitre 3

Décomposition d’Itô-Lévy

3.1 Sauts des processus de Lévy

Si X est un processus de Lévy, on définit le processus de sauts associé

4X = (4Xt ; t ≥ 0) avec 4Xt = Xt − Xt− .

C’est clairement un processus adapté mais ce n’est pas, en général, un processus de Lévy.

Proposition 7. Si X est un processus de Lévy alors, pour chaque t ≥ 0 on a 4Xt = 0 presque

sûrement.

Preuve. Soit (tn )n une suite croissante de nombres réels positifs tels que tn → t lorsque n → ∞.
Comme X est càdlàg, on a limn Xtn = Xt− presque sûrement. Comme X est stochastiquement
continu, on a limn Xtn = Xt en probabilité, donc Xt = Xt− presque sûrement.
Remarque : par contre et en général, presque sûrement le processus 4X n’est pas nul. De plus,
le résultat précédent n’est en aucun cas valide si l’on remplace t par un temps d’arrêt.
La difficulté quand on manipule des processus de Lévy est qu’il est tout à fait possible d’avoir
simultanément X
|4Xs | = ∞ presque sûrement
0≤s≤t

et X
|4Xs |2 < ∞ presque sûrement.
0≤s≤t
P
Exercice 10. Montrer que l’on a 0≤s≤t |4Xs | < ∞ si X est un processus de Poisson composé.

Une façon d’aborder les sauts d’un processus de Lévy est de compter les sauts d’une taille
prescrite.

Définition 5. Soit t ≥ 0 et A ∈ B(Rd /{0}). On définit la quantité aléatoire

X
N (t, A) = #{0 ≤ s ≤ t; 4Xs ∈ A} = 1IA (4Xs ).
0≤s≤t

21
22 CHAPITRE 3. DÉCOMPOSITION D’ITÔ-LÉVY

Pour tout ω, la fonction d’ensembles A 7→ N (t, A)(ω) est une mesure de comptage sur B(Rd /{0}).
Ainsi
A 7→ E[N (t, A)]
est une mesure borélienne sur B(Rd /{0}). 0n notera µ(·) = E[N (1, ·)] appelé mesure d’intensité
du processus X.

On dira également que l’ensemble A est borné inférieurement si 0 6∈ Ā.

Lemme 1. Si A est borné inférieurement et borélien, alors N (t, A) < ∞ presque sûrement.

Preuve. On définit une suite de temps d’arrêt (τnA )n par τ0A = 0 et

τnA = inf{t > τn−1

A
; 4Xt ∈ A}.

Comme X est càdlàg, on a τ1A > 0 presque sûrement et limn→∞ τnA = ∞ presque sûrement. En
effet, dans le cas contraire, la suite (τnA )n aurait un point d’accumulation. Ceci est incompatible
avec le fait que X soit càdlàg (exo). Ainsi pour tout t ≥ 0
X
N (t, A) = 1IτnA ≤t < ∞.
n≥1

Théorème 11. Si A est borné inférieurement, alors le processus (N (t, A); t ≥ 0) est un processus
de Poisson d’intensité µ(A). De plus si A1 , . . . , Am ∈ B(Rd /{0}) sont disjoints alors les variables
aléatoires N (t, A1 ), . . . , N (t, Am ) sont indépendantes.

Preuve. t 7→ N (t, A) est clairement un processus croissant ne faisant que des sauts de taille 1.
Si l’on montre que c’est un processus de Lévy, alors le théorème 7 permettra de conclure que
c’est un processus de Poisson. La stationnarité et l’indépendance des acroissements résulte du
fait que, pour tout n, l’ensemble {N (t, A) − N (s, A) = n} appartient à la tribu engendrée par
σ(Xr − Xu ; s ≤ u < r ≤ t).
Montrons que N (t, A) est stochastiquement continu. Pour tout t ≥ 0, on a

IP(N (t, A) ≥ 1) = IP(τ A ≤ t)

où τ A est le premier instant de saut de taille ∈ A du processus X. Comme X est càdlàg, on a

τ A > 0 presque sûrement donc limt→0 IP(τ A ≤ t) = 0. D’où

lim IP(N (t, A) = 0) = 1.

t→0

On va montrer que si A et B sont disjoints et bornés inférieurement, alors les processus

(N (t, A))t≥0 et (N (t, B))t≥0 sont indépendants. La démonstration se généralise à un nombre fini
quelconque d’ensembles disjoints. Soit u, v ∈ R.
Si u = v, alors t 7→ N (t, A ∪ B) est un processus de Poisson d’intensité

µ(A ∪ B) = E[N (t, A ∪ B)] = E[N (t, A)] + E[N (t, B)] = µ(A) + µ(B).

D’où
iu −1)
E[eiuN (t,A)+ivN (t,B) ] = E[eiuN (t,A∪B) ] = etµ(A∪B)(e = E[eiuN (t,A) ]E[eivN (t,B) ].
3.2. MESURES ALÉATOIRES DE POISSON 23

Si u 6= v. On pose Xt = uN (t, A) + vN (t, B). Comme précédemment, on montre que c’est un

processus de Lévy. De plus il est à trajectoires constantes par morceaux. D’après le théorème8,
c’est un processus de Poisson composé :
Nt 0
X
Xt = Zk .
k=1

Les temps de sauts de X sont ceux du processus N (t, A∪B). N 0 est donc un processus de Poisson
d’intensité µ(A) + µ(B). La loi Z des sauts ne peut prendre que 2 valeurs u ou v. De plus
Nt 0
X
N (t, A) = 1I{Zk =u} .
k=1

En prenant l’espérance, on en déduit tµ(A) = (µ(A) + µ(B))IP(Zk = u). De même tµ(B) =

(µ(A) + µ(B))IP(Zk = v).
Z
iuN (t,A)+ivN (t,B)
] = exp t(µ(A) + µ(B)) (ei(u,z) − 1)µZ (dz) = E[eiuN (t,A) ]E[eivN (t,B) ].


E[e

On en déduit facilement l’indépendance annoncée à l’aide des fonctions caractéristiques. Le

même argument s’applique aux cas de plusieurs ensembles disjoints. En fait, les arguments de
la preuve permettent également de montrer que les processus de Poisson N (·, A) et N (·, B) sont
indépendants.

3.2 Mesures aléatoires de Poisson

Soit (S, A) un espace mesurable et (Ω, F, IP) un espace probabilisé.

Définition 6. Soit µ une mesure σ finie sur (S, A). Une mesure aléatoire de Poisson N sur (S, A)
est est une collection de variables aléatoires (M (B); B ∈ A) telle que :
1) pour tout B ∈ A tel que µ(B) < +∞, N (B) suit une loi de Poisson de paramètre µ(B),
2) si A1 , . . . , Am sont des ensembles disjoints de A, les variables aléatoires N (A1 ), . . . , N (Am )
sont indépendantes,
3) pour tout ω ∈ Ω, l’application A 7→ N (A, ω) est une mesure de comptage sur (S, A).

Nous avons vu que si X est un processus de Lévy alors la quantité

N ([0, t] × A) = #{0 ≤ s ≤ t; 4Xs ∈ A}

est une mesure aléatoire de Poisson sur R+ ×(Rd /{0}) d’intensité dt⊗dµ avec µ(·) = E[N ([0, 1], A)].
Pour t ≥ 0 et A borné inférieurement, on définit la mesure aléatoire de Poisson compensée N
e par :

e (t, A) = N (t, A) − tµ(A).

N

Remarque : Il est clair que N (t, A) est un raccourci de notation pour écrire N ([0, t] × A).
24 CHAPITRE 3. DÉCOMPOSITION D’ITÔ-LÉVY

3.3 Intégration de Poisson

Soit N une mesure aléatoire de Poisson d’intensité dt ⊗ µ sur R+ × (Rd /{0}). Si f : Rd → Rn
est une fonction Borel-mesurable et si A ∈ B(Rd /{0}) vérifie µ(A) < +∞, on définit pour tout
t ≥ 0 et ω ∈ Ω l’intégrale de Poisson de f par
Z X
f (z) N (t, dz) = f (z)N (t, {z}).
A z∈A

On remarque que la définition ci-dessus ne pose pas de problème car la somme est une somme
aléatoire finie.
Si N est associée à un processus de Lévy, cette intégrale coïncide avec
Z X
f (z) N (t, dz) = f (4Xs )1IA (4Xs )
A 0≤s≤t
R
car N (t, {z}) = #{0 ≤ s ≤ t; 4Xs = {z}}. De plus, le processus t 7→ A f (z) N (t, dz) est un
processus stochastique adapté et càdlàg. On remarque aussi que si µ est une mesure de Lévy alors
0 6∈ Ā ⇒ µ(A) < +∞
R
de sorte que A
f (z) N (t, dz) est bien défini dès lors que A est borné inférieurement.
On supposera désormais que N est associée à un processus de Lévy.
Théorème 12. Soit A un ensemble borélien borné inférieurement. Alors :
R
1) pour tout t ≥ 0, A f (z) N (t, dz) suit une loi de Poisson composée caractérisée par :
h  Z i  Z 
i(u,f (z))
E exp i(u, f (z) N (t, dz)) = exp t (e − 1)µ(dz) .
A A

2) si f ∈ L1 (A, µ) on a :
hZ i Z
E f (z) N (t, dz) = t f (z)µ(dz).
A A

3) si f ∈ L2 (A, µ) on a :
 Z  Z
Var f (z) N (t, dz) =t |f (z)|2 µ(dz).
A A

Preuve. Si f est une fonction étagée de la forme f (z) = nj=1 cj 1IAj avec cj ∈ Rn pour tout j et
P
les Aj boréliens et disjoints. On a
h  Z i h  X i
E exp i(u, f (z) N (t, dz)) = E exp i(u, cj N (t, Aj ))
A j
Y h  i
= E exp i(u, cj )N (t, Aj )
j
Y  
i(u,cj )


= exp t exp −1 µ(Aj )
j
 Z 
i(u,f (z))


= exp t exp −1 µ(dz) .
A
3.4. DÉCOMPOSITION D’ITÔ-LÉVY 25

Le résultat général suit par approximation par des fonctions étagées. 2) et 3) résulte de 1) par
différentiation.
R
Corollaire 1. Soit A un ensemble borélien borné inférieurement. Le processus t 7→ A f (z) N (t, dz)
est un processus de Poisson composé.

Preuve. en exercice. Il faut calculer

h  Z  i
E exp i(u, f (z) N (t, dz)) |Fs
A

en utilisant le théorème précédent pour en déduire que c’est un processus à accroissements indé-
pendants et stationnaires. La continuité stochastique se déduit de celle de N .
Pour tout f ∈ L1 (A, µ) on définit l’intégrale de Poisson compensée
Z Z Z
f (z)N (t, dz) =
e f (z)N (t, dz) − t f (z)µ(dz).
A A A
R
Le processus t 7→ f (z)N
e (t, dz) est une martingale càdlàg. Daprès le théorème 12, on a :
A
h  Z i  Z 
ei(u,f (z)) − 1 − i(u, f (z)) µ(dz) .


E exp i(u, f (z) N (t, dz)) = exp t
e
A A

De plus, si f ∈ L2 (A, µ) on a :
 Z  Z
2
E f (z) N (t, dz)
e = t |f (z)|2 µ(dz).
A A

Proposition 8. Si A, B sont bornés inférieurement et si f ∈ L2 (A, µ), g ∈ L2 (B, µ), on a :

Z Z Z
h f (z) N (t, dz), g(z) N (t, dz)i = t
e e f (z)g(z)µ(dz).
A B A∩B

3.4 Décomposition d’Itô-Lévy

Théorème 13. Décomposition d’Itô-Lévy. Si X est un processus de Lévy alors il existe b ∈ Rd ,
un mouvement brownien B, une matrice de covariance A ∈ Rd×d et une mesure aléatoire de
Poisson indépendante N on R+ × (Rd /{0}), dont l’intensité est une mesure de Lévy ν, tels que,
pour tous t ≥ 0 :
Z Z
1/2
Xt = bt + A Bt + z N (t, dz) +
e zN (t, dz). (3.1)
|z|<1 |z|≥1

Preuve. admis.
R
Le processus t 7→ |z|<1 z Ne (t, dz) est la somme compensée des petits sauts. C’est une martin-
R
gale càdlàg de carré intégrable. Le processus t 7→ |z|≥1 zN (t, dz) représente les grands sauts du
processus de Lévy. C’est un processus de Poisson composé.
En fait, la preuve de la décomposition d’Itô-Lévy permet eussi de montrer
26 CHAPITRE 3. DÉCOMPOSITION D’ITÔ-LÉVY

Proposition 9. Si le "cutoff" est fixé, le triplet caractéristique (b, A, ν) d’un processus de Lévy est
unique.

Exercice 11. En déduire qu’un processus de Lévy X satisfait

X
|∆s |2 < +∞
0≤s≤t

presque sûrement.
Chapitre 4

Intégration stochastique

4.1 Classe d’intégrands

Soit (Ω, F, IP) un espace probabilisé muni d’une filtration (Ft )t satisfaisant les hypothèses
usuelles.

Définition 7. Soit (S, A) un espace mesuré et µ une mesure σ finie sur (R+ × S, B(R+ ) ⊗ A).
Une Ft -mesure aléatoire de Poisson N sur (R+ × S, B(R+ ) ⊗ A) est une collection de variables
aléatoires (M (B); B ∈ B(R+ ) ⊗ A) telle que :
1) pour tout B ∈ B(R+ ) ⊗ A tel que µ(B) < +∞, N (B) suit une loi de Poisson de paramètre
µ(B),
2) si A1 , . . . , Am sont des ensembles disjoints de A, les variables aléatoires N (A1 ), . . . , N (Am )
sont indépendantes,
3) pour tout ω ∈ Ω, l’application A 7→ N (A, ω) est une mesure sur (S, A).
4) Pour tout 0 ≤ s < t et A ∈ A, la variable N ((s, t], A) est indépendante de la tribu Fs .

En particulier, toute mesure de Poisson sur (R+ × S, B(R+ ) ⊗ A) est adaptée par rapport à sa
filtration naurelle complétée.
Dans la suite, nous considérons N une Ft -mesure aléatoire de Poisson sur R+ × B(Rd /{0})
d’intensité dt⊗dν, où ν est une mesure de Lévy. Soit N
e sa mesure aléatoire de Poisson compensée.
Soit E un borélien de Rd et 0 < T < +∞. Soit P la plus petite tribu engendrée par toutes les
applications F : [0, T ] × E × Ω → R satisfaisant les conditions suivantes :
1) pour tout 0 ≤ t ≤ T , l’application (z, ω) 7→ F (t, z, ω) est B(Rd /{0}) ⊗ Ft -mesurable,
2) pour tout z ∈ Rs /{0} et ω ∈ Ω, l’application t 7→ F (t, z, ω) est continue à gauche.
P est appelée la tribu prévisible et tout processus P mesurable est dit prévisible. On peut
étendre la notion ci-dessus à R+ au lieu de [0, T ]. On définit H 2 (T, ν) comme l’espace vectoriel de
toutes les classes d’équivalence d’applications F : [0, T ]×E ×Ω → R qui coïncident dt⊗dµ⊗dIP
presque sûrement, et qui satisfont :
1) F est prévisible,

27
28 CHAPITRE 4. INTÉGRATION STOCHASTIQUE
RT R
2) 0 Rs /{0}
E[|F (t, z)|2 ] dt dν(z) < +∞
L’espace H 2 (T, ν) et naturellement muni du produit scalaire h·, ·iT,ν
Z TZ
hF, GiT,ν = E[F (t, z)G(t, z)] dt dν(z).
0 Rs /{0}

On notera k · kT,ν la norme associée.

Lemme 2. L’espace H 2 (T, ν) est un espace de Hilbert.

Preuve. Il suffit de voir que c’est un sous-espace fermé de L2 ([0, T ] × E × Ω, dt ⊗ dν ⊗ dIP). Ceci
résulte simplement du fait que toute limite en mesure de processus prévisibles est prévisible.
On définit S(T, ν) comme le sous-ensemble de H 2 (T, ν) formé de tous les processus simples.
Un processus F est dit simple s’il existe n, m ∈ N, des temps 0 ≤ t1 ≤ t2 ≤ · · · ≤ tm+1 = T ,
des boréliens disjoints A1 , . . . , An de Rs /{0} tels que ν(Ai ) < +∞ pour tout i = 1, . . . , n, et des
va Fi (tj ) Ftj -mesurable (1 ≤ j ≤ m et 1 ≤ i ≤ n) tels que
m X
X n
F = Fi (tj )1I(tj ,tj+1 ] 1IAi .
j=1 i=1

Tout processus simple est continu à gauche et prévisible.

Lemme 3. S(T, ν) est dense dans H 2 (T, ν).

Preuve. en exercice. Il faut adapter les arguments utilisés pour le mouvement brownien.

4.2 Théorie L2
Soit F un processus simple de la forme
m X
X n
F = Fi (tj )1I(tj ,tj+1 ] 1IAi .
j=1 i=1

On définit alors
Z T Z n,m
X
IT (F ) = F (r, z) dN
e (dr, dz) = Fi (tj )N
e ((tj , tj+1 , Aj )
0 Rd /{0} i,j=1

Il est direct de vérifier que l’intégrale définie ci-dessus est linéaire sur S(T, ν). De plus
Proposition 10. Pour tout T > 0 et F ∈ S(T, ν), on a
hZ T Z i
E F (r, z) dN
e (dr, dz) = 0
0 Rd /{0}

et
h Z T Z 2 i Z T Z
E |F (t, z)|2 dt dν(z).
 
E F (r, z) dN
e (dr, dz) =
0 Rd /{0} 0 Rd /{0}
4.2. THÉORIE L2 29

Preuve. Soit F un processus simple de la forme

m X
X n
F = Fi (tj )1I(tj ,tj+1 ] 1IAi
j=1 i=1

Comme t 7→ N
e (t, Ai ) est une Ft -martingale centrée et que Fi (tj ) est Ft -mesurable, on a
j

 
E[Fi (tj )N
e ((tj , tj+1 , Ai )] = E E[Fi (tj )N
e ((tj , tj+1 , Ai )|Ft ]
j
 
= E Fi (tj )E[N
e ((tj , tj+1 , Ai )|Ft ]
j
 
= E Fi (tj )E[N
e ((tj , tj+1 , Ai )]
= 0.
hR R i
T
Par linéarité on en déduit que E 0 Rd /{0} F (r, z) dN
e (dr, dz) = 0.

De même, on a pour j < j 0 et i, i0

E[Fi (tj )N
e ((tj , tj+1 , Ai )Fi0 (tj 0 )N
e ((tj 0 , tj 0 +1 , Ai0 )]
 
= E Fi (tj )N e ((tj , tj+1 , Ai )Fi0 (tj 0 )E[N e ((tj 0 , tj 0 +1 , Ai0 )|Ft 0 ]
j

=0

et pour j = j 0 :

E[Fi (tj )N
e ((tj , tj+1 , Ai )Fi0 (tj )N
e ((tj , tj+1 , Ai0 )]
 
= E Fi (tj )Fi0 (tj )E[N e ((tj , tj+1 , Ai )N
e ((tj , tj+1 , Ai0 )|Ft 0 ]
j
 
= E Fi (tj )Fi0 (tj )E[N e ((tj , tj+1 , Ai )N
e ((tj , tj+1 , Ai0 )]
= E Fi (tj )2 (tj+1 − tj )ν(Ai )δi,i0 ,
 

où δi,i0 désigne le symbole de Kroenecker.

En sommant sur les valeurs de i, i0 et j, j 0 et en utlisant les deux égalités ci-dessus on obtient :
h Z T Z 2 i
E F (r, z) dN e (dr, dz)
0 Rd /{0}
n
X X m
= E[Fi (tj )N
e ((tj , tj+1 , Ai )Fi0 (tj 0 )N
e ((tj 0 , tj 0 +1 , Ai0 )]
i,i0 =1 j,j 0 =1
X n X m
E Fi (tj )2 (tj+1 − tj )ν(Ai )
 
=
i=1 j=1
Z T Z
E |F (t, z)|2 dt dν(z).
 
=
0 Rd /{0}

On en déduit que l’application IT : S(T, ν) → H 2 (T, ν) est une isométrie linéaire, qui se
prolonge donc à H 2 (T, ν) tout entier. Ce prolongement sera encore noté IT . Par densité de S(T, ν)
dans H 2 (T, ν), il vérifie :
30 CHAPITRE 4. INTÉGRATION STOCHASTIQUE

Théorème 14. L’intégrale stochastique IT satisfait les propriétés suivantes :

1) ∀F, G ∈ H 2 (T, ν) et α, β ∈ R, IT (αF + βG) = αIT (F ) + βIT (G),
 
2) ∀F ∈ H 2 (T, ν), E[IT (F )] = 0 et E (IT (F ))2 = kF kT,ν ,
3) ∀F, G ∈ H 2 (T, ν), E[IT (F )IT (G)] = hF, GiT,ν
4) ∀F ∈ H 2 (T, ν), le processus (It (F ); 0 ≤ t ≤ T ) est une càdlàg Ft -martingale de carré
intégrable.

Lemme 4. Si F ∈SH 2 (T, ν) et si (An )n est une suite croissante de sous-ensembles boréliens de
Rd /{0} telle que n An = E ⊂ Rd /{0} alors
h Z tZ Z tZ 2i
lim E sup e (dr, dz) −
F (r, z) N F (r, z) N
e (dr, dz) = 0.
n→∞ 0≤t≤T 0 An 0 E

Preuve. C’est une conséquence directe de l’inégalité de Doob pour les martingales et du théorème
de convergence dominée.

4.3 Extension de la théorie

Comme dans le cas du mouvement brownien, on peut étendre cette intégrale aux classes d’équi-
valence de fonctions F : [0, T ]×(Rd /{0})×Ω → R qui sont égales dt⊗dν⊗dIP presque sûrement
qui vérifient :
1) F est prévisible,
R R 
T
2) IP 0 Rd /{0} |F (t, z)|2 dt ν(dz) < +∞ = 1.
Comme cette extension repose sur les mêmes arguments que dans le cas du mouvement brow-
nien, nous ne détaillons pas plus ce point.

4.4 Formules d’Itô

Commençons par un exemple simple. On considère une intégrale stochastique de Poisson de
la forme Z tZ
X t = X0 + K(r, z) N (dr, dz), (4.1)
0 A

où A est borné inférieurement et K est un processus prévisible à valeurs réelles.

Proposition 11. Si X est une intégrale stochastique de Poisson du type (4.1) alors, pour toute
fonction f ∈ C(R) et tout t ≥ 0, on a presque sûrement :
Z tZ
 
f (Xt ) = f (X0 ) + f (Xr− + K(r, z)) − f (Xr− ) N (dr, dz).
0 A
4.4. FORMULES D’ITÔ 31
R
Preuve. On définit le processus de Poisson composé Lt = A zN (t, dz). Remarquons tout d’abord
que N (t, A ∩ B) est la mesure de saut associée au processus L car
X X
4Lt = zN ({t} × {z}) = z1IA (z)N ({t} × {z}),
z∈A z

donc pour z0 6= 0, on a
1I{4Ls =z0 } = 1IA (z0 )N ({t} × {z0 }).
On en déduit
X
#{0 ≤ s ≤ t; 4Ls ∈ B} = 1I{4Ls ∈B}
0≤s≤t
X X
= 1I{4Ls =z}
0≤s≤t z∈B
X X
= 1IA (z)N ({t} × {z})
0≤s≤t z∈B

= N (t, A ∩ B).

Une conséquence directe est que pour tout processus F ∈ H 2 (T, ν), on a :
Z tZ X
F (r, z) N (dr, dz) = 1IA (4Ls )F (s, 4Ls ).
0 A 0≤s≤t

D’où
X
f (Xt ) − f (X0 ) = f (Xs ) − f (Xs− )
0≤s≤t
X
= f (Xs− + 1IA (4Ls )K(s, 4Ls )) − f (Xs− )
0≤s≤t
Z tZ


= f (Xs− + K(s, z)) − f (Xs− ) N (ds, dz).
0 A

Montrons maintenant la formule d’Itô-Lévy dans le cas général. Soit (Ω, F, IP) un espace pro-
babilisé muni d’une filtration (Ft )t satisfaisant les hypothèses usuelles. Soit B = (Bt ; t ≥ 0) un
Ft -mouvement brownien standard d-dimensionnel. Soit N une Ft -mesure aléatoire de Poisson sur
R+ × B(Rd /{0}) d’intensité dt ⊗ dν, où ν est une mesure de Lévy. Soit N e sa mesure aléatoire de
Poisson compensée.
Soit b : [0, T ] × Ω → Rd et σ : b : [0, T ] × Ω → Rd×d des processus Ft -adapté prévisible tels
que Z T
E |b(r)|2 + |σ(r)|2 dr < +∞,
0

et H, K : [0, T ] × (R /{0}) × Ω → Rd des processus prévisibles tels que H ∈ H 2 (T, ν). On

d

considère le processus, pour 0 ≤ t ≤ T

Z t Z t Z tZ Z tZ
Xt = X0 + b(r) dr+ σ(r) dBr + H(r, z) N (dr, dz)+
e K(r, z) N (dr, dz).
0 0 0 |z|<1 0 |z|≥1
32 CHAPITRE 4. INTÉGRATION STOCHASTIQUE

Théorème 15. Si X est une intégrale stochastique de type Lévy comme ci-dessus, alors, pour
toute fonction f ∈ C 2 (Rd ) et t ≥ 0, on a avec probabilité 1 :

Z t Z t
f (Xt ) − f (X0 ) = h∂x f (Xr− ), b(r)i dr + h∂x f (Xr− ), σ(r) dBr i
0 0
1 t
Z
2
f (Xr− )σ(r)σ(r)∗ dr


+ Tr ∂xx
2
Z t 0Z


+ f Xr− + K(r, z) − f (Xr− ) N (dr, dz)
0 |z|≥1
Z tZ


+ f Xr− + H(r, z) − f (Xr− ) Ne (dr, dz)
0 |z|<1
Z tZ


+ f Xr− + H(r, z) − f (Xr− ) − hH(r, z), ∂x f (Xr− )i dr ν(dz).
0 |z|<1

Preuve. On suppose, pour simplifier, que d = 1, f ∈ Cb2 (R) et H est bornée, de sorte que chaque
terme est bien défini. Soit An = {z ∈ Rd /{0}; 1/n < |z| < 1} et

Z t Z t Z tZ Z tZ
Xtn = X0n + b(r) dr + σ(r) dBr + H(r, z) N
e (dr, dz)+ K(r, z) N (dr, dz).
0 0 0 An 0 |x|≥1

D’après le lemme ci-dessous,

Z t Z t
f (Xtn ) − f (X0n ) = n
h∂x f (Xr− ), b(r)i dr + n
h∂x f (Xr− ), σ(r) dBr i
0 0
Z t
1 2 n
)σ(r)σ(r)∗ dr


+ Tr ∂xx f (Xr−
2
Z t 0Z
n n


+ f Xr− + K(r, z) − f (Xr− ) N (dr, dz)
0 |z|≥1
Z tZ
n n


+ f Xr− + H(r, z) − f (Xr− ) Ne (dr, dz)
0 An
Z tZ
n n n


+ f Xr− + H(r, z) − f (Xr− ) − hH(r, z), ∂x f (Xr− )i dr ν(dz).
0 An

Or, vu le lemme 4, on a Xtn → Xt en probabilité quand n → ∞. D’après le lemme 4 et le

théorème de convergence dominée, on en déduit que chacun des termes ci-dessus converge vers
le terme voulu.

Lemme 5. On considère X de la forme

Z t Z t Z tZ
X t = X0 + b(r) dr + σ(r) dBr + K(r, z) N (dr, dz).
0 0 0 |z|≥a
4.4. FORMULES D’ITÔ 33

Alors
Z t Z t
f (Xt ) − f (X0 ) = h∂x f (Xr− ), b(r)i dr + h∂x f (Xr− ), σ(r) dBr i
0 0
1 t
Z
2
f (Xr− )σ(r)σ(r)∗ dr


+ Tr ∂xx
2
Z t 0Z


+ f Xr− + K(r, z) − f (Xr− ) N (dr, dz)
0 |z|≥a

RtR
Preuve. Soit L le processus de Poisson composé défini par Lt = 0 |z|≥a
zN (dr, dz). On consi-
dère ses temps de sauts (ou d’arrivées) (Tn )n . Alors :
+∞
X  
f (Xt ) − f (X0 ) = f (Xt∧Tn+1 ) − f (Xt∧Tn )
n=0
+∞
X  
= f (Xt∧Tn+1 ) − f (Xt∧Tn+1 − )
n=0
+∞
X  
+ f (Xt∧Tn+1 − ) − f (Xt∧Tn )
n=0

Pour Tn < t < Tn+1 , on a :

Z t Z t
X t = XT n + b(r) dr + σ(r) dBr .
Tn Tn

On peut donc appliquer la formule d’Itô pour le mouvement brownien, ce qui permet de traiter le
cas de la deuxième somme. De plus

f (Xt∧Tn+1 ) − f (Xt∧Tn+1 − ) =f (Xt∧Tn+1 − + K(Tn+1 , 4LTn+1 )) − f (Xt∧Tn+1 − ),

d’où
+∞
X +∞
  X  
f (Xt∧Tn+1 ) − f (Xt∧Tn+1 − ) = f (Xt∧Tn+1 − + K(t ∧ Tn+1 , 4Lt∧Tn+1 )) − f (Xt∧Tn+1 − )
n=0 n=0
X  
= f (Xs− + K(s, 4Ls )) − f (Xs− )
0≤s≤t
Z tZ
 
= f (Xs− + K(s, z)) − f (Xs− ) N (ds, dz).
0 A

Le résultat est démontré.

Corollaire 2. Si X est une intégrale stochastique de type Lévy comme ci-dessus, alors presque
sûrement : X
|4Xt |2 < +∞.
0≤s≤T
34 CHAPITRE 4. INTÉGRATION STOCHASTIQUE

Corollaire 3. Si X est une intégrale stochastique de type Lévy comme ci-dessus, alors, pour toute
fonction f ∈ C 2 (Rd ) et t ≥ 0, on a avec probabilité 1 :
Z t
1 t
Z
2
f (Xr− )σ(r)σ(r)∗ dr


f (Xt ) − f (X0 ) = h∂x f (Xr− ), dXr i + Tr ∂xx
0 2 0
X  
+ f (Xr ) − f (Xr− ) − h4Xr , ∂x f (Xr− )i
0≤s≤t

Théorème 16. Inégalité de Burkholder-Davies-Gundy. Soient H ∈ H 2 (T, ν) à valeurs dans

Rd et σ : [0, T ] × Ω → Rd×d tel que
Z T
E |σ(r)|2 dr < +∞.
0

Soit M la martingale définie par

Z t Z tZ
Mt = σ(r) dBr + H(r, z) N
e (dr, dz).
0 0 Rd /{0}

Alors, pour tout p > 0, il existe une constante Cp > 0 telle que

1  T
Z p/2 h
X
p i
E |σ(r)|2 dr + |4Mt |2 ≤ E sup Mt
Cp 0 0≤t≤T
0≤t≤T

et
h
p i Z T X p/2
E sup Mt ≤ Cp E |σ(r)|2 dr + |4Mt |2 .
0≤t≤T 0 0≤t≤T
Chapitre 5

Changement de mesures et martingales

exponentielles

Soit b : [0, T ] × Ω → R et σ : b : [0, T ] × Ω → R des processus Ft -adapté prévisible tels que

Z T
E |b(r)|2 + |σ(r)|2 dr < +∞,
0

et H, K : [0, T ] × (R/{0}) × Ω → R des processus prévisibles tels que H ∈ H 2 (T, ν). On

considère le processus, pour 0 ≤ t ≤ T
Z t Z t Z tZ Z tZ
Xt = X0 + b(r) dr+ σ(r) dBr + H(r, z) N (dr, dz)+
e K(r, z) N (dr, dz).
0 0 0 |z|<1 0 |z|≥1

5.1 Exponentielle de Doleans-Dade

La question est de trouver un processus adapté tel que

dZt = Zt− dXt .

On définit l’exponentielle de Doleans-Dade, pour t ≥ 0 :

1 t
 Z  Y
Zt = exp Xt − σ(r)2 dr (1 + 4Xs )e−4Xs .
2 0 0≤s≤t

On fait l’hypothèse que

inf{4Xt ; t > 0} > −1 presque sûrement. (5.1)

Proposition 12. Sous l’hypothèse (5.1), alors Zt < +∞ presque sûrement.

Preuve. On doit prouver que le produit infini converge. On pose

Y
(1 + 4Xs )e−4Xs = A(t) × B(t)
0≤s≤t

35
36 CHAPITRE 5. CHANGEMENT DE MESURES ET MARTINGALES EXPONENTIELLES

où Y
A(t) = (1 + 4Xs )e−4Xs
0≤s≤t;|4Xs |≥1/2

et Y
B(t) = (1 + 4Xs )e−4Xs .
0≤s≤t;|4Xs |<1/2

Comme X est càdlàg, #{0 ≤ s ≤ t; |4Xs | ≥ 1/2} est fini presque sûrement de sorte que A(t)
est fini presque sûrement.
De plus :
 X

B(t) = exp ln(1 + 4Xs ) − 4Xs 1I{|4Xs |<1/2} .
0≤s≤t

Or pour |y| < 1/2, on a ln(1 + y) − y ≤ Ky 2 , d’où

 X 
B(t) ≤ exp K|4Xs |2 1I{|4Xs |<1/2} < +∞.
0≤s≤t

Théorème 17. On a
dZt = Zt− dXt .

Preuve. Tout d’abord, on remarque que Zt peut se réécrire sous la forme Zt = eSt avec
Z
1 2
dSt =(b(t) − σ (t))dt + σ(t)dBt + ln(1 + K(t, z))N (dt, dz)
2 |z|≥1
Z Z


+ ln(1 + H(t, z))N (dt, dz) +
e ln(1 + H(t, z)) − H(t, z) dtν(dz).
|z|<1 |z|<1

Pour voir cela, il suffit de voir que

X
ln(1 + 4Xs ) − 4Xs
0≤s≤t
Z tZ Z tZ
= ln(1 + H(r, z)) − H(r, z) N
e (dr, dz) + ln(1 + K(r, z)) − K(r, z) N (dr, dz)
0 |z|<1 0 |z|<1
Z tZ
+ ln(1 + H(r, z)) − H(r, z) ν(dz)dr
0 |z|<1

Remarque : le troisième terme dans le membre de droite ci-dessus peut s’expliquer de la façon
R t R les sauts de X, il ne sont dûs qu’à la mesure de Poisson N . Donc, dans
suivante. Si on regarde
le premier terme 0 |z|<1 ln(1 + H(r, z)) − H(r, z) N e (dr, dz), la partie qui "saute" correspond
RtR
formellement à 0 |z|<1 ln(1 + H(r, z)) − H(r, z) N (dr, dz). Pour obtenir la mesure de Poisson
RtR
compensée, on a enlevé artificiellement le terme 0 |z|<1 ln(1 + H(r, z)) − H(r, z) ν(dz)dr. Il est
donc normal de le rajouter ensuite. Bien sûr, ceci peut se démontrer rigoureusement.
Il suffit alors d’appliquer la formule d’Itô pour obtenir le résultat.
5.2. MARTINGALES EXPONENTIELLES 37

5.2 Martingales exponentielles

Le but de cette section est de déterminer des conditions qui assurent que eX est une martingale,
où X a été défini en début de chapitre.

Théorème 18. On suppose, de plus, que

hZ tZ i
E |K(r, z)|ν(dz)dr < +∞.
0 |z|≥1

Le processus X est une martingale si et seulement si

Z
b(t) + K(t, z) ν(dz) = 0,
|z|≥1

presque sûrement pour Lebesgue presque tout t ≥ 0.

Preuve. Un sens est trivial. Montrons la réciproque et supposons que X soit une martingale. On a
E[Xt − Xs |Fs ] = 0. On en déduit
Z t Z tZ
E[ b(r) dr + K(t, z) ν(dz)dr|Fs ] = 0,
s s |z|≥1

d’où Z s+h Z
1
E[b(r) + K(t, z) ν(dz)|Fs ] dr = 0.
h s |z|≥1

Le résultat suit en passant à la limite quand h → 0 et en utilisant le théorème de dérivation de

Lebesgue.

Corollaire 4. eX est une martingale si et seulement si :

Z Z
1 2 H(t,z)
eK(t,z) − 1 ν(dz) = 0



b(t) + σ (t) + e − 1 − H(t, z) ν(dz) +
2 |z|<1 |z|≥1

presque sûrement pour (Lebesgue) presque tout t ≥ 0.

Preuve. Il suffit d’appliquer la formule d’Itô à eX et utiliser le théorème 4.

Exemple 13. Cas brownien. On suppose que X est de la forme

Z t Z t
Xt = b(r) dr + σ(r) dBr .
0 0

Pour que eX soit une martingale, il faut que b(t) = − 21 σ 2 (t), d’où
Z t Z t
Xt 1 2

e = exp σ(r) dBr − σ (r) dr .
0 2 0
38 CHAPITRE 5. CHANGEMENT DE MESURES ET MARTINGALES EXPONENTIELLES

Exemple 14. Cas poissonnien. On suppose que X est de la forme

Z t Z t
Xt = b(r) dr + K(r) N (dr)
0 0

où N est un processus de Poisson d’intensité λ. Pour que eX soit une martingale, il faut que
b(t) = −λ(eK(t) − 1), d’où
Z t Z t 
Xt
e = exp K(r) N (dr) + λ (eK(r) − 1) dr .
0 0

Exercice 12. Montrer que eY coïncide avec l’exponentielle de Doleans-Dade si et seulement si Y

est une intégrale brownienne.

5.3 Changement de mesures-Théorème de Girsanov

Si Q est une mesure de probabilité sur (Ω, F, IP) muni d’une filtration (Ft )t (satisfaisant les
hypothèses habituelles), on note Qt la restriction de Q à Ft .

dQt
On rappelle que si Q << IP alors la famille dPt est une IP-martingale. Soit eX une martin-
t
gale exponentielle. Comme EP [eXt ] = 1, on peut définir une mesure de probabilité Qt sur (Ω, Ft )
par
dQt
= eXt
dPt
pour tout t ≥ 0. On fixe T > 0.

Lemme 6. Le processus M = (Mt ; 0 ≤ t ≤ T ) est une martingale sous Q si et seulement si

M eX = (Mt eXt ; 0 ≤ t ≤ T ) est une martingale sous P .

Preuve. Soit A ∈ Fs . Alors

EP [Mt eXt 1IA ] = EPt [Mt eXt 1IA ] = EQt [Mt 1IA ] = EQ [Mt 1IA ] = EQ [Ms 1IA ] = EP [Ms eXs 1IA ].

L’autre sens se montre de la même manière.

Théorème 19. Girsanov. Soit X une intégrale de type Lévy telle que eX soit une martingale, ie
X est de la forme
Z t Z t Z tZ Z tZ
Xt = b(r) dr + σ(r) dBr + H(r, z) Ne (dr, dz) + K(r, z) N (dr, dz),
0 0 0 |z|<1 0 |z|≥1

avec la condition
Z Z
1
b(t) + σ 2 (t) + H(t,z)
eK(t,z) − 1 ν(dz) = 0



e − 1 − H(t, z) ν(dz) +
2 |z|<1 |z|≥1

presque sûrement pour (Lebesgue) presque tout t ≥ 0. On suppose pour simplifier que K est
borné.
5.3. CHANGEMENT DE MESURES-THÉORÈME DE GIRSANOV 39

Pour L ∈ H 2 (T, ν), on définit

Z tZ
M (t) = L(r, z) N
e (dr, dz).
0 z6=0

On définit
U (r, z) = (eH(r,z) − 1)1I|z|<1 + (eK(r,z) − 1)1I|z|≥1
et on suppose Z T Z
(eH(r,z) − 1)2 ν(dz)dr < +∞.
0 |z|≤1

Finalement, on pose Z t
Wt = Bt − σ(r) dr
0
et Z tZ
Nt = Mt − L(r, z)U (r, z) ν(dz)dr
0 z6=0

pour 0 ≤ t ≤ T .
Soit Q la mesure de probabilité sur (Ω, FT ) définie par

dQ
= eXT .
dIPT
Alors sous Q, W = (Wt ; 0 ≤ t ≤ T ) est un mouvement brownien et N = (Nt ; 0 ≤ t ≤ T ) est
une Q-martingale.

Preuve. En appliquant la formule d’Itô et en utilisant le fait que eX est une martingale, on a
Z t Z tZ
Xt Xr−
e =1 + e σ(r) dBr + eXr− (eH(r,z) − 1) Ne (dr, dz)
0 0 |z|<1
Z tZ
+ eXr− (eK(r,z) − 1) N
e (dr, dz)
0 |z|≥1

On calcule alors le produit Wt eXt par la formule d’Itô et on obtient :

Z t Z tZ Z t
Xt Xr− Xr− H(r,z)
Wt e = Wr e σ(r) dBr + Wr e (e − 1) N (dr, dz) +
e eXr− dBr
0 0 |z|<1 0
Z t Z tZ Z t
− eXr− σ(r) dr + Wr eXr− (eK(r,z) − 1) N
e (dr, dz) + eXr− σ(r) dr
0 0 |z|≥1 0
Z t Z tZ
= (1 + σ(r)Wr )eXr− dBr + Wr eXr− (eH(r,z) − 1) N
e (dr, dz)
0 0 |z|<1

donc Wt eXt est une martingale sous IP.

De même on pose Zt = (Wt )2 − t et on montre en calculant le produit Zt eXt que c’est une
martingale sous IP. Comme, W est à trajectoires continues, le théorème de Lévy et le lemme 6
assurent que W est un mouvement brownien.
40 CHAPITRE 5. CHANGEMENT DE MESURES ET MARTINGALES EXPONENTIELLES

La méthode est similaire pour N . On a :

Z t Z tZ
Xt Xr−
Nt e = Nr− e σ(r) dBr + Nr− eXr− (eH(r,z) − 1) N
e (dr, dz)
0 0 |z|<1
Z tZ Z tZ
Xr−
+ e e (dr, dz) −
L(r, z)N eXr− L(r, z)U (r, z)ν(dz)dr
0 z6=0 0 z6=0
Z tZ Z t
Xr− K(r,z)
+ Nr− e (e − 1) N
e (dr, dz) + eXr− U (r, z)L(r, z)ν(dz) dr
0 |z|≥1 0
Z t Z tZ
= Nr− eXr− σ(r) dBr + eXr− (Nr− U (r, z) + L(r, z)) N
e (dr, dz).
0 0 |z|6=0

5.4 Théorème de représentation des martingales

Soit (Ω, F, IP) un espace probabilisé, X un processus de Lévy sur (Ω, F, IP) et (Ft )t sa filtra-
tion naturelle complétée.

Théorème 20. Représentation des martingales. Soit T > 0 fixé. Si M = (Mt ; 0 ≤ t ≤ T )

est une martingale de carré-intégrable par rapport à la filtration (Ft )t alors il existe a ∈ R, un
processus prévisible F : [0, T ] × Ω → R tel que
Z T
E |F (r)|2 dr < +∞
0

et H ∈ H 2 (T, ν) tel que pour tout 0 ≤ t ≤ T :

Z t Z tZ
Mt = a + F (r) dBr + H(r, z) N
e (dr, dz).
0 0 Rd /{0}

Le triplet (a, F, H) est uniquement déterminé par M aux ensembles de mesure nulle près.
Chapitre 6

Equations différentielles stochastiques

6.1 Existence et unicité

Soit (Ω, F, IP) un espace probabilisé equippé d’une filtration (Ft )t satisfaisant les hypothèses
usuelles. Soit B = (Bt ; t ≥ 0) un mouvement brownien standard d-dimensionnel et une mesure
aléatoire de Poisson N sur R+ ×(Rd /{0}). On suppose que B et N sont indépendants et tous deux
sont (Ft )t -adaptés. On note ν l’intensité de N et N
e la mesure de Poisson compensée associée.
On cherche à résoudre l’EDS
Z t Z t Z tZ
Xt =X0 + b(Xr− ) dr + σ(Xr− ) dBr + F (Xr− , z) N
e (dr, dz)
0 0 0 |z|<1
Z tZ (6.1)
+ G(Xr− , z) N (dr, dz),
0 |z|≥1

où les coefficients b : Rd → Rd , σ : Rd → Rd×d , F, G : Rd ×Rd → Rd sont supposés mesurables.

La condition initiale X0 est une variable aléatoire F0 -mesurable finie presque sûrement.
Définition 8. Une solution à (6.1) est un processus stochastique càdlàg à valeurs dans Rd , adapté
et presque sûrement solution de (6.1). On dira que la solution de (6.1) est unique si, pour toutes
solutions X 1 et X 2 , on a IP(Xt1 = Xt2 , ∀t ≥ 0) = 1.

On fera les hypothèses suivantes sur les coefficients :

• Condition de lipschitz (CL). Il existe une constante K > 0 telle que pour tout x, x0 ∈ Rd :
Z
0 2 0 2
|b(x) − b(x )| + |σ(x) − σ(x )| + |F (x, z) − F (x0 , z)|2 ν(dz) ≤ K|x − x0 |2 .
|z|<1

• Condition de croissance (CC). Il existe une constante M > 0 telle que pour tout x ∈ Rd :
Z
2 2
|b(x)| + |σ(x)| + |F (x, z)|2 ν(dz) ≤ K(1 + |x|2 ).
|z|<1

• Condition de continuité (CCO). L’application x 7→ G(x, z) est continue pour tout |z| ≥ 1.

41
42 CHAPITRE 6. EQUATIONS DIFFÉRENTIELLES STOCHASTIQUES

Théorème 21. Sous les hypothèses (CL) et (CC), il existe une unique solution à l’EDS (6.1).

Idée de preuve. 1) on considère d’abord le cas où G = 0 et E[X02 ] < +∞. Il suffit alors d’utiliser
la méthode du point fixe de Picard. La méthode est similaire au cas du mouvement brownien. Dans
ce cas on montre que la solution vérifie

E sup |Xs |2 ≤ C(t)(1 + E[|X0 |2 ]).

 
0≤s≤t

2) si G = 0 et E[X02 ] = +∞. On définit une suite (X0n )n par X0n = X0 1I|X0 |≤n . On applique
le 1) pour chaque n, ce qui permet de construire une suite de processus X n solution de (6.1) avec
condition initiale X0n . Il est facile de voir que la suite (X n )n vérifie

IP(sup |Xtm − Xtn | > δ) → 0

t≥0

quand n, m → ∞. En particulier, elle converge vers un processus adapté càdlàg X solution de

(6.1).
3) Soit P le processus de Poisson composé défini pour t ≥ 0 par
Z tZ
Pt = xN (dr, dz).
0 |z|≥1

Soit (Tn )n les temps d’arrivées de P . L’idée est de construire, à l’aide du 2), une solution X à
(6.1), sur l’intervalle de temps [0, T1 [, intervalle sur lequel on peut considérer que G = 0. Ensuite
on pose XT1 = XT1 − + G(T1 , 4PT1 ) et on résoud (6.1) sur [T1 , T2 [ avec condition initiale XT1 ...et
ainsi de suite. Le processus X ainsi construit est une solution de (6.1). L’unicité se montre de la
même façon.

6.2 Propriété de Markov

Théorème 22. La solution de (6.1) est un processus de Markov homogène.

Preuve. Soit f une fonction bornée sur Rd . Il faut montrer que

E[f (Xt+s )|Fs ] = E[f (Xt )|X0 = Xs ].

Pour cela, on note Xts,x (t ≥ s) la solution de (6.1) partant de x à l’instant s. C’est un processus
σ(Bs+u − Bs , N (]s, s + u], A); u ≥ 0, A ∈ B(Rd /0))-mesurable, donc indépendant de Fs , qui a
0,x
même loi que Xt−s (par stationnarité des accroissements du brownien et de la mesure de Poisson).
Par unicité de la solution, on a presque sûrement :
0,x
s,Xs 0,x
Xt+s = Xt+s .

Donc 0,x
s,Xs
E[f (Xt+s )|Fs ] = E[f (Xt+s )|Fs ] = E[f (Xt0,X0 )|X0 = Xs0,x ]
6.3. FORMULE DE FEYNMAN-KAC 43

6.3 Formule de Feynman-Kac

Soit L l’opérateur défini pour toute fonction f ∈ Cb2 (Rd ) par
1
Lf (x) =hb(x), ∂x f (x)i + Trace σ(x)σ ∗ (x)∂xx 2
 
f (x)
Z 2
h i
+ f (x + F (x, z)) − f (x) − hF (x, z), ∂x f (x)i ν(dz)
Z|z|<1 h i
+ f (x + G(x, z)) − f (x) ν(dz)
|z|≥1

On considère l’équation sur [0, T ] × Rd l’équation intégro-différentielle :

∂t u(t, x) = Lu(t, x) et u(0, x) = g(x) (6.2)

pour une certaine fonction g ∈ Cb (Rd ).

Théorème 23. Si u ∈ Cb1,2 ([0, T ] × Rd ) est une solution classique de (6.2) alors u admet la
représentation probabiliste :
u(t, x) = Ex [g(Xt )].

Preuve. On applique la formule d’Itô à (r, x) 7→ u(t − r, x) et à X :

u(0, Xt )
Z t Z t
=u(t, x) − ∂t u(t − r, Xr− ) dr + hb(Xr− ), ∂x u(t − r, Xr− )i dr
0 0
Z t
1 t
Z
Trace σσ ∗ (Xr− )∂ xx u(t − r, Xr− ) dr


+ h∂x u(t − r, Xr− ), σ(Xr− ) dBr i +
2 0
Z0 t Z


+ u(t − r, Xr− + F (Xr− , z)) − u(t − r, Xr− ) N e (dr, dz)
0 |z|<1
Z tZ


+ u(t − r, Xr− + G(Xr− , z)) − u(t − r, Xr− ) N (dr, dz)
0 |z|≥1
Z tZ


+ u(t − r, Xr− + F (Xr− , z)) − u(t − r, Xr− ) − hF (Xr− , z), ∂x u(t − r, Xr− )i ν(dz)dr.
0 |z|<1

D’où

g(Xt )
Z t

Z t
=u(t, x) + − ∂t u + Lu (t − r, Xr− ) dr + h∂x u(t − r, Xr− ), σ(Xr− ) dBr i
0 0
Z tZ


+ u(t − r, Xr− + F (Xr− , z)) − u(t − r, Xr− ) Ne (dr, dz)
0 |z|<1
Z tZ


+ u(t − r, Xr− + G(Xr− , z)) − u(t − r, Xr− ) Ne (dr, dz).
0 |z|≥1

En prenant l’espérance et en utilisant la relation (6.2), on obtient le résultat.

44 CHAPITRE 6. EQUATIONS DIFFÉRENTIELLES STOCHASTIQUES
Chapitre 7

Quelques applications en finance

7.1 Probas risque neutre

On considère un actif risqué {St ; t ≥ 0} adapté à une filtration {Ft ; t ≥ 0}, et un actif non
risqué {St0 ; t ≥ 0} qui croît selon la formule des intérêts composés

∀t ≥ 0, St0 = S0 ert

où r est le taux d’intérêt instantané.

On définit le processus actualisé {Set ; t ≥ 0} par Set = e−rt St .
Théorème 24. Si le marché est libre d’arbitrage, il existe une mesure de probabilité Q équivalente
à IP sous laquelle l’actif réactualisé Se est une martingale.

Un marché est dit complet si tout actif contingent peut être répliqué par un porte-feuille auto-
financé.
Théorème 25. Si le marché est complet si et seulement s’il existe une unique mesure de probabilité
Q équivalente à IP sous laquelle l’actif réactualisé Se est une martingale.

Une telle mesure est alors appelée mesure de risque neutre. Si Q existe mais n’est pas unique,
le marché est dit incomplet.
On suppose que l’actif risqué satisfait l’EDS

dSt = σSt− dXt + µSt− dt

où X est un processus de Lévy. On peut alors utiliser les exponentielles de Doleans-Dade pour
modéliser S. Clairement, pour que les prix du stock soit non négatif, il faut imposer la condition
∆Xt > −σ −1 . We set c = −σ −1 . On impose également la condition suivante sur la mesure de
Lévy ν associée à la mesure aléatoire de Poisson N représentant les sauts de X
Z +∞
(x2 ∨ x) dν(x) < +∞ < +∞.
c

En particulier, les returns possèdent des moments d’ordre 2.

45
46 CHAPITRE 7. QUELQUES APPLICATIONS EN FINANCE

D’après la décomposition d’Ito-Lévy, on peut écrire

Z t Z +∞
Xt = mt + κBt + zN
e (dr, dz),
0 c

où κ ≥ 0 et m ∈ R. En utilisant la formule d’Itô, on a :

Z +∞ Z +∞
1 2 2
d ln(St ) = κσ dBt +(mσ+µ− κ σ ) dt+ ln(1+σz) N
e (dr, dz)+ [ln(1+σz)−σz] ν(dz)dt
2 c c

On cherche maintenant à déterminer des mesures de probabilité Q équivalentes à IP par rapport

auxquelles l’actif risqué réactualisé est une martingale. Pour cela on va chercher des mesures de
probbilités Q sous la forme
dQ = eYT dIP
où Y est un processus d’Itô-Lévy de la forme
Z
dYt = G(t) dt + F (t) dBt + H(t, z) N
e (dt, dz)
R

avec H ∈ H (T, ν). On suppose que les coefficients, G, F, H sont tels que le processus eY soit
2

une martingale. Ainsi G est uniquement déterminé par F et H d’après le corollaire 4. On peut
donc bel et bien définir une nouvelle mesure de probabilité Q par
dQ = eYT dIP.
De plus, d’après le théorème de Girsanov,
Z t
BtQ = Bt − F (r) dr
0

est un mouvement brownien sous Q et

e Q (t, E) = N
N e (t, E) − ν Q (t, E)

est une Q-martingale où

Z tZ
Q
ν (t, E) = (eH(r,z) − 1)ν(dz)dr.
0 E
RtR
e Q (t, E) est
Lemme 7. Le compensateur de N eH(r,z) ν(dz)dr.
0 E

Preuve. En appliquant la formule d’Itô, on obtient

e Q (t, E)2 = Ne (t, E) − ν Q (t, E) 2


N
Z tZ
e (r−, E) − ν Q (r−, E) + 1 2 − N e (r−, E) − ν Q (r−, E) 2 N



= N e (dr, dz)
0
Z Et Z h
e (r−, E) − ν Q (r−, E) + 1 2 − N e (r−, E) − ν Q (r−, E) 2



+ N
0 E

i
−2 N e (r−, E) − ν Q (r−, E) ν(dz)dr
Z t Z
Q
(eH(r,z) − 1)ν(dz)dr,


−2 N (r, E) − ν (r, E)
e
0 E
7.1. PROBAS RISQUE NEUTRE 47

qui peut se réécrire sous la forme

Z t
Q 2 e Q (r−, E)N
Ne (t, E) =2 N e (dr, E) + Ne (t, E)
0
Z t Z t
Q e Q (r−, E)ν(E)dr + tν(E)
+2 N (r−, E)ν(E)dr − 2
e N
Z0 t 0

−2 Ne Q (r−, E)ν Q (r, E)dr

Z t 0
=2 Ne Q (r−, E)N e Q (dr, E) + Ne Q (t, E) + ν Q (t, E)dr + tν(E)
Z0 t Z tZ
Q Q
=2 N (r−, E)N (dr, E) +
e e eH(r,z) ν(dz)dr.
0 0 E

On peut alors réécrire le prix de l’actif réactualisé en fonctions de ces nouveaux processus pour
obtenir :
Z +∞
Q 1 2 2 e Q (dr, dz)
d ln(St ) =κσ dBt − κ σ dt +
e ln(1 + σz) N
2 c
Z +∞
+ [ln(1 + σz) − σz]eH(t,z) ν(dz)dt
c
 Z +∞ 
+ mσ + µ − r + κσF (t) + σ z(eH(t,z) − 1) ν(dz) dt
c

Posons Z +∞
C(t) = mσ + µ − r + κσF (t) + σ z(eH(t,z) − 1) ν(dz).
c
En appliquant la formule d’Itô-Lévy, on obtient :
Z +∞
Q e Q (dr, dz) + Set C(t)dt.
dSt =St κσ dBt +
e e Set− σz N
c

Ainsi, l’actif réactualisé Set est une Q-martingale locale si et seulement si C(t) = 0 ps. C’est même
une martingale si l’on impose la condition
Z t Z +∞
∀t > 0, z 2 EQ [eH(r,z) ]ν(dz)dr < +∞.
0 c

Il est important de remarquer que la condition C = 0 possède (en général) une infinité de solutions
(F, H). En effet, si f ∈ L1 (R, ν) et si (F, H) est une solution, alors le couple
Z
κf

F+ f dν, ln(eH − )
R z
est aussi solution. Donc il existe une infinité de mesure Q, équivalentes à IP, sous lesquelles l’actif
réactualisé est une martingale. D’une façon générale, les modèles d’actif de type Lévy sont donc
des marchés incomplets.
Remarque importante : Il existe 2 cas particuliers où le marché est complet
48 CHAPITRE 7. QUELQUES APPLICATIONS EN FINANCE

r−µ−mσ
1. Cas brownien (cad ν = 0 et κ > 0) : dans ce cas F (t) = κσ
ps.
2. Cas poissonien (cad κ = 0 et ν = λδ1 avec ν > m + (µ − r)/σ) : dans ce cas on pose
 
r − µ + (λ − m)σ
H(t) = H(t, 1) = ln ps.
λσ

7.2 Exemples
En principe, un processus de Lévy peut avoir simultanément une composante de diffusion non
nulle et des sauts d’activité infinie (mesure de Lévy non intégrable en 0) . Cependant, les petits
sauts ont un comportement similaire à une diffusion et sont donc redondants avec la composante
brownienne, du point de vue de la modélisation de la dynamique des prix. En particulier, un tel
modèle serait difficile à calibrer. Par conséquent, les modèles de Lévy exponentiels considérés
dans la littérature financière sont de deux types. Le premier type, ce sont des modèles de diffusion
avec sauts où on combine une partie de diffusion non nulle avec un processus de sauts d’acti-
vité finie. Le processus évolue principalement comme une diffusion, tandis que les discontinuités
modélisent de grands mouvements inattendus et relativement rares dans les prix.
La seconde catégorie de modèles est celle des processus sans terme de diffusion. Dans ce cas,
les petits sauts fréquents sont nécessaires pour générer des trajectoires réalistes : on parle alors des
modèles purement discontinus d’activité infinie : les sauts arrivent constamment.
Les modèles présentés ci-dessous sont du type Lévy exponentiels, c’est-à-dire que l’actif risqué
St est décrit par
St = S0 ert+Xt
où r est le taux d’intérêt de l’actif non risqué et le processus X est un Lévy satisfaisant tel que
eX est une martingale (condition d’absence d’arbitrage). C’est donc à l’évolution des prix sous la
proba risque neutre que l’on s’intéresse. Si le processus de Lévy X s’écrit
Z tZ Z tZ
Xt = γt + σBt + zNe (dr, dz) + zN (dr, dz)
0 |z|<1 0 |z|≥1

La condition d’absence d’arbitrage est équivalente à :

Z Z
e ν(dz) < +∞ et γ = −σ /2 − (ez − 1 − z1I|z|<1 )ν(dz).
z 2
|z|>1 R

7.2.1 Modèle de Merton

Le modèle de Merton (1976) est l’une des premières applications de processus avec sauts en
modélisation financière. Dans ce modèle, pour prendre en compte les discontinuités dans les cours
d’actions, on rajoute des sauts gaussiens au logarithme du prix :
St = S0 ert+Xt
avec
Nt
X
Xt = γt + σBt + Yi , Yi ∼ N (µ, δ 2 )
i=1
7.2. EXEMPLES 49

L’avantage de ce modèle est d’avoir une formule en série pour la densité de proba du log-prix :
 2

+∞ (λt)k exp − (x−γt−kµ)
X 2 2
2(σ t+kδ )
pt (x) = e−λt p .
k! 2π(σ 2 t + kδ 2 )
k=0

7.2.2 Processus variance-gamma

L’un des exemples les plus simples de processus de Lévy avec intensité infinie de sauts est le
processus gamma, un processus aux accroissements indépendants et stationnaires tel que pour tout
t, la loi pt de Xt est la loi gamma de paramètres λ et ct :

λct ct−1 −λx

pt (x) = x e .
Γ(ct)

Le processus gamma est un processus de Lévy croissant dont la fonction caractéristique a une
forme très simple
iu
−ct
E[eiuXt ] = 1 − .
λ
On démontre facilement que la mesure de Lévy du processus gamma a une densité donnée par

ce−λx
ν(dx) = 1I{x>0}
x
A partir du processus gamma, on peut construire un modèle avec sauts très populaire : le processus
variance gamma, qui est obtenu en changeant l’échelle de temps d’un mouvement brownien avec
drift par un processus gamma :
Yt = µXt + σBXt .
L’utilisation de Y pour modéliser le logarithme du prix d’action est habituellement justifiée en
disant que le prix suit un mouvement Brownien géometrique sur une échelle de temps stochastique
donnée par le processus gamma. Le processus variance gamma est un autre exemple du processus
de Lévy avec intensité infinie de sauts, et sa fonction caractéristique est donnée par
 κσ 2 u2 −κt
E[eiuYt ] = 1 + − iµκu .
2
Le paramètres ont l’interprétation intuitive suivante : σ est un paramètre d’échelle, µ est le para-
mètre d’asymétrie (skewness) et κ est le paramètre de kurtosis du processus (épaisseur des queues
de la densité).

7.2.3 Modèle NIG (Normal Inverse Gaussian)

Le processus de log-prix est obtenu en subordonnant un mouvement brownien γt + σBt par

un subordinateur inverse gaussien (voir l’exemple 11). Il est utilisé en finance car la densité de
probabilité du subordinateur est connue sous forme analytique. Ceci rend le processus subordonné
plus facile à étudier et à simuler.
50 CHAPITRE 7. QUELQUES APPLICATIONS EN FINANCE

7.3 Problèmes de couverture

Dans un marché incomplet, la réplication exacte n’est pas possible et le problème de couverture
devient un problème d’approximation du pay-off YT de l’option par le portefeuille de couverture.
On peut essayer d’optimiser la stratégie de couverture en contrôlant l’erreur résiduelle. La couver-
ture par maximisation d’utilité consiste à chercher la stratégie de couverture qui maximise l’utilité
terminale du vendeur de l’option
h Z T

i
max E U c + φr dXr − YT
φ 0
où U est une fonction convexe concave.
Un inconvenient de cette approche est qu’elle correspond à une règle de pricing et couver-
ture non-linéaire : la couverture pour un portefeuille contenant une option A et une option B ne
coïncide pas avec la couverture de A plus la couverture de B.
La couverture quadratique donne, quant à elle, un ratio de couverture linéaire. Elle consiste à
minimiser la distance L2 entre le pay-off et la valeur terminale du portefeuille de couverture :
h Z T

2 i
min E c + φr dXr − YT .
φ 0

Le portefeuille de couverture optimal (s’il existe) est la projection L2 de Y sur le sous-espace

(linéaire) d’actifs réplicables. Par contre, elle pénalise les gains et les pertes de la même façon.
Dans la suite de cette section on va se concentrer sur la couverture quadratique. De plus, on
supposera que les prix de tous les actifs sont des martingales.
On suppose que l’actif risqué Xt est un processus d’Itô-Lévy martingale
Z t Z tZ
Xt = X 0 + σ(r) dBr + γ(r, z)N
e (dr, dz)
0 0 R
où :
– B est un mouvement brownien standard,
– N est une mesure aléatoire de Poisson de compensateur dt × ν,
– σ et γ sont des processus càdlàg adaptés qui remplissent les conditions d’intégrabilité :
Z Z T
2
|γ(r, z)| ≤ ρ(z)Ar , ρ(z) ν(dz) < +∞ et E (σr2 + Ar ) dr < +∞.
0
Le pay-off de l’option Y est de carré intégrable E[Y 2 ] < +∞. En particulier, la martingale
Yt = E[Y |Ft ]
admet une représentation de type Itô-Lévy :
Z t Z tZ
Y
Yt = Y0 + σ (r) dBr + γ Y (r, z)N
e (dr, dz).
0 0 R
L’erreur de couverture est définie par :
Z T
(c, φ) = c + φ(r) dXr − Y
0
Z T Z T Z
Y
= c − E(Y ) + (σ(r)φ(r) − σ (r)) dBr + (φ(r)γ(r, z) − γ Y (r, z))N
e (dr, dz).
0 0 R
7.4. MÉTHODES DE TRANSFORMÉES DE FOURIER POUR LE PRICING D’OPTIONS 51

D’où :
Z T  Z 
2 2 Y 2 Y 2
E[(c, φ) ] = (c−E[Y ]) + E[(σ(r)φ(r)−σ (r)) ]+ (φ(r)γ(r, z)−γ (r, z)) ν(dz) dr,
0 R

quantité qui est minimisée pour

R
σt σtY + R γ Y (t, z)γ(t, z)ν(dz)
c = E[Y ], φt = R ,
σt2 + R γ 2 (t, z)ν(dz)
R
pourvu que σt2 + R
γ 2 (t, z)ν(dz) soit non singulière.

7.4 Méthodes de transformées de Fourier pour le pricing d’op-

tions
Soit X un processus de Lévy tel que eX soit une martingale. Pour calculer le prix d’un call
européen

Ke−rT
 def
C(K) = e−rT E∗ S0 erT +XT − K + = S0 E∗ eXT − = S0 E∗ eXT − eκ + ,

  

S0 +

on cherche à calculer sa transformée de Fourier par rapport au log-strike ajusté κ en fonction

de l’exposant de Lévy de X : φT (v). Le prix du call résultera alors des mathodes d’inversion de
Fourier. Or ceci ne peut pas être fait directement car la fonction C(κ) n’est pas intégrable (elle tend
vers une constante positive lorsque κ tend vers −∞). L’idée est donc de recentrer cette fonction
et de calculer la transformée de (en prenant S0 = 1)

gT (k) = E∗ eXT − eκ + − (1 − ek )+ .



Proposition 13. Soit X un processus stochastique tel que eX soit une martingale et

E[e(1+α)Xt ] < +∞ ∀t (7.1)

pour un certain α > 0. Alors la transformée de Fourier de la fonction gT est donnée par

φT (v − i) − 1
Z
ĝT (v) = eivκ gT (κ)dκ = .
R iv(1 + iv)

Le prix du call se calcule alors en inversant la transformée de Fourier :

φT (v − i) − 1
Z
−rT S0 −rT /S )
C(K) = (S0 − Ke )+ + e−iv ln(Ke 0
dv.
2π R iv(1 + iv)

Proof. We have Z
gT (κ) = (ex − ek )(1Iκ≤x − 1Iκ≤0 )µT (dx)
R
52 CHAPITRE 7. QUELQUES APPLICATIONS EN FINANCE

où µT est la loi de XT . La condition (7.1) permet de calculer ĝT en échangeant l’ordre d’intégra-
tion.
Z Z
ĝT (v) = dκ µT (dx)eivκ (ex − eκ )(1Iκ≤x − 1Iκ≤0 )
ZR R
Z 0
= µT (dx) eivκ (eκ − ex ) dκ
R x
Z  1 − ex ex e(iv+1)x 
= µT (dx) − + .
R iv + 1 iv(iv + 1) iv(iv + 1)

Le premier terme du membre de droite disparaît car eX est une martingale et les 2 restants donnent
le résultat.