UNIVERSITÉ D’ANTSIRANANA

ECOLE NORMALE SUPERIEUR POUR L’ENSEIGNEMENT TECHNIQUE

Domaine : Sciences de l’éducation

Mention : Éducation-Apprentissage Didactique et Ingénierie en Mathématiques-Informatique
Parcours : Modélisation Mathématiques Stochastique

Mémoire de Master
En vue de l’obtention du grade de
Master d’Aptitude au Professorat de l’Ecole Normale (MAPEN)

Approximations numériques des

équations différentielles stochastiques
et applications
Présenté à l’ENSET
par

RATSIRINANDRASANA Jacques Franco

Soutenu publiquement le . . . 2026, devant le jury composé de :

... ... Président

... ... Examinateur
BEMARISIKA Parfait Professeur Encadreur

PROMOTION : MIAVAKA

Année universitaire : 2024-2025

 UNIVERSITÉ D’ANTSIRANANA
ECOLE NORMALE SUPERIEUR POUR L’ENSEIGNEMENT TECHNIQUE

Domaine : Sciences de l’éducation

Mention : Éducation-Apprentissage Didactique et Ingénierie en Mathématiques-Informatique
Parcours : Modélisation Mathématiques Stochastique

Mémoire de Master
En vue de l’obtention du grade de
Master d’Aptitude au Professorat de l’Ecole Normale (MAPEN)

Approximations numériques des

équations différentielles stochastiques
et applications
Présenté à l’ENSET
par

RATSIRINANDRASANA Jacques Franco

Soutenu publiquement le . . . 2026, devant le jury composé de :

... ... Président

... ... Examinateur
BEMARISIKA Parfait Professeur Encadreur

PROMOTION : MIAVAKA

Année universitaire : 2024-2025

Remerciements

i
 Résume

Les équations différentielles stochastiques (EDS) constituent un outil mathématique fon-

damental pour la modélisation de phénomènes réels soumis à l’aléa et à l’incertitude. Elles
apparaissent dans de nombreux domaines tels que la finance, la physique, la biologie et l’in-
génierie. Contrairement aux équations différentielles ordinaires, les EDS intègrent des termes
aléatoires, généralement représentés par le mouvement brownien, ce qui rend leur résolution
analytique difficile, voire impossible dans la majorité des cas.

Ainsi, le recours aux méthodes numériques devient indispensable pour approcher les
solutions de ces équations. L’étude de ces méthodes permet de mieux comprendre leur com-
portement en termes de convergence, de stabilité et de précision.

Dans ce travail, nous avons étudié quelques méthodes numériques classiques des équations
différentielle stochastiques et les appliquées à EDS de Black-Scholes.

i
Abstract

i
 Cahier des charges

Approximations numériques des équations différentielles

stochastiques et applications
Étudiants : RATSININANDRASANA Jacques Franco
Encadrant : Professeur BEMARISIKA Parfait
Téléphone : 032 41 231 43 ; e-mail : bemarisikap7@[Link]
Mention : Modélisations Mathématiques et Informatiques

Description du sujet :

Le travail proposé consiste à :

Mots-clés :

Compétences requises et poursuite :

ii
 Table des matières

Remerciements i

Résume i

Abstrack i

Cahier des Charges ii

Liste des tableaux v

Liste des figures vi

Liste des abréviations vii

Notations utilisées viii

INTRODUCTION GÉNÉRALE 1

1 Fondements théoriques des équations différentielles stochastiques 2

1.1 Notes bibliographiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Définitions et notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Intégrale stochastique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Équations différentielles stochastiques . . . . . . . . . . . . . . . . . . . . . . 12
1.4.1 Différents type d’équation différentielles stochastiques . . . . . . . . . 18
1.4.2 Méthode de résolution analytiques . . . . . . . . . . . . . . . . . . . . 19
1.4.3 Transformée de Lamperti . . . . . . . . . . . . . . . . . . . . . . . . 23

2 Approximations numériques des EDS 26

2.1 Problème de l’EDS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2 Discrétisation et notion de convergence . . . . . . . . . . . . . . . . . . . . . 26
2.2.1 Convergence et estimation d’erreur . . . . . . . . . . . . . . . . . . . 26
2.3 Méthode approximative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3.1 Schémas d’Euler-Maruyama . . . . . . . . . . . . . . . . . . . . . . . 28
2.3.2 Schémas de Milstein . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.4 Approximations implicites . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4.1 Méthode d’Euler-Maruyama implicite . . . . . . . . . . . . . . . . . . 38
2.4.2 Méthode Milstein implicite . . . . . . . . . . . . . . . . . . . . . . . . 38
2.4.3 Stabilité numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.5 Analyse théorique comparative . . . . . . . . . . . . . . . . . . . . . . . . . . 38

iii
 TABLE DES MATIÈRES

3 Application et implication pédagogique 39

3.1 Protocole expérimentale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2 Application au modèle Black-Sholes . . . . . . . . . . . . . . . . . . . . . . . 39
3.2.1 Description du modèle de Black-Scholes . . . . . . . . . . . . . . . . . 39
3.2.2 Simulation solution exacte . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2.3 Simulation par méthode d’Euler . . . . . . . . . . . . . . . . . . . . . 40
3.2.4 Simulation par méthode de Milstein . . . . . . . . . . . . . . . . . . . 41
3.2.5 Comparaison de méthode d’Euler-Maruyama, Milstein et solution exacte 41
3.3 Application au processus d’Ornstein-Uhlenbeck . . . . . . . . . . . . . . . . 42
3.4 Analyse comparative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.5 Implication pédagogique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

CONCLUSION 43

Références bibliographiques 43

iv
Liste des tableaux

v
 Liste des figures

3.1 Simulation de solution exacte . . . . . . . . . . . . . . . . . . . . . . . . . . 40

3.2 Approximation d’Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3 Approximation Milstein . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.4 Comparaison des solutions approchées avec solution exacte . . . . . . . . . . 42
3.5 Convergence forte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

vi
 Liste des abréviations

IST Instituts Supérieure du Technologie

EP Échantillonnage préférentiel
i.i.d indépendantes et identiquement distribuées
LGN Loi faible des grands nombres
MC Monte-Carlo
TCL Théorème Central Limite
UNA Université d’Antsiranana

vii
 Notations utilisées

∀ quantificateur universel
∃ quantificateur existentiel
≤ ordre large
< ordre strict
O Ordre
≈ approximation
⇔ équivalence
∈ appartenance
R Ensemble des nombres réels
Rd R × R × ... × R
∆ ou Ω Ensemble de Rd
m Espérance de la variable aléatoire X
σ2 Variance de la variable aléatoire X
I
b
n Estimateur de la méthode de Monte-Carlo
Ifn Estimateur amélioré de I par une technique de réduction de la variance

viii
 INTRODUCTION

Ce travail porte sur le problème de résolution numériques des équations différentielles sto-
chastiques. Un phénomène stochastique est un processus dépendant du temps et contrôler
par un ou des mouvement Brownien. Ce dernier est décrit par des équations différentielles
stochastiques qui différent des équations différentielles ordinaires modélisant les processus
déterministes. Contrairement aux équations différentielles ordinaires, les équations différen-
tielles stochastiques contiennent deux termes : la dérivée pour l’évolution du temps et la
diffusion qui inclut le bruit. Du fait de la présence d’un mouvement Brownien qui n’est pas
dérivable par rapport au temps, les dérivées présentées dans les équations différentielles ordi-
naires sont remplacées dans les équations différentielles stochastiques par des différentielles
et pour résoudre les équations différentielles stochastiques, on fait appel aux formules d’Itô.

Des nombreux phénomènes sont décrits par des équations différentielles stochastiques
lorsqu’une description déterministes n’est pas satisfaisante : économie, biologie, informa-
tique, physique et mécanique, physique quantique, électricité, ingénierie.

En général, il est très difficile, voir impossible de trouver ou tracer une solution exacte aux
équations différentielles stochastiques, nous devons donc avoir recours à des méthodes numé-
riques afin de trouver une bonne approximation de la solution recherchée. Plusieurs travaux
ont été élaborer de ce travail. Nous citons entre autres quelques travaux ci-après. CHEIKH
BÉCAYE NDONGO[NDO12], BOUDAHDIR Louiza et BERKANI Asmaa[BA18],
elles vont exposer les notions fondamentales sur la résolution numérique des équations diffé-
rentielles stochastiques et la convergence de ces dernières puis elles clôturent ce travail par
une comparaison de quelques méthodes numériques à savoir la méthode d’Euler-Maruyama
et la méthode de Milstein, Angar Miloud[Mil20] il est de présenter les deux différents
schémas de discrétisation usuellement employés ainsi que leurs efficience en terme de rapi-
dité de convergence et Ikram Boukhelkhal[I.B24] il étudié d’abord les schémas classiques
de Taylor-Itô forts et faibles afin d’approximer les solutions des EDS et d’examiner leurs
propriétés de stabilité, en suivant l’approche de Higham, nous considérons notamment les
méthodes d’Euler-Maruyama et Milstein, construit à partir de développement d’Itô-Taylor,
enfin il propose de nouvelles approches numériques pour approximer certaines classes d’EDS
gouvernées par un bruit blanc.

Dans ce mémoire, nous avons d’étudier et d’utiliser les méthodes numériques classiques
pour approximer la solution des EDS, lorsque la solution exacte est difficile ou impossible
à déterminer. Pour atteindre cet objectif, nous avons organisé ce travail comme suit. Le
chapitre 1 expose les concepts de bases. Le chapitre 2 approximation numérique des EDS. Le
chapitre 3 applications et implications pédagogiques. Ce travail se termine par la conclusion.

[Link] Franco 1 ENSET

 Chapitre 1

Fondements théoriques des équations

différentielles stochastiques

1.1 Notes bibliographiques

Les bases théoriques des EDS reposent essentiellement sur la théorie des probabilités
et des processus stochastiques. Le mouvement brownien, formalisé par Wiener, constitue le
processus aléatoire fondamental utilisé dans la définition des EDS. Les travaux pionniers
de Kiyoshi Itô[I.K51] ont marqué une étape décisive dans le développement du domaine.
En introduisant l’intégrale d’Itô et la formule d’Itô, il a fourni un cadre mathématique
rigoureux permettant l’analyse des équations différentielles contenant des termes aléatoires.
Par la suite, Stratonovich a proposé une formulation alternative de l’intégrale stochastique,
particulièrement adaptée aux applications en physique et en ingénierie.
La littérature s’est également intéressée aux propriétés fondamentales des solutions des
EDS, notamment aux conditions d’existence et d’unicité. Sous des hypothèses de Lipschitz
et de croissance linéaire, plusieurs auteurs ont démontré l’existence de solutions uniques.
Les contributions de Kolmogorov, Doob, ainsi que de Gikhman et Skorokhod, ont permis
d’approfondir ces résultats et de mettre en évidence les liens entre les EDS et certaines
équations aux dérivées partielles, telles que l’équation de Fokker–Planck.
Cependant, la résolution analytique des EDS demeure limitée à des cas particuliers.
Cette difficulté a conduit au développement d’approches numériques spécifiques, largement
étudiées dans la littérature. Le schéma d’Euler–Maruyama est l’une des premières méthodes
proposées pour l’approximation numérique des solutions d’EDS. Bien que simple à mettre
en œuvre, ce schéma présente un ordre de convergence relativement faible, ce qui a motivé
la recherche de méthodes plus précises.
Afin d’améliorer la convergence, le schéma de Milstein a été introduit en tenant compte
des dérivées du coefficient de diffusion. Cette méthode offre un meilleur ordre de convergence
forte et constitue une référence importante dans l’analyse numérique des EDS. D’autres ap-
proches, telles que les méthodes de Runge–Kutta stochastiques, ont été développées pour
obtenir des schémas d’ordre supérieur. Les travaux de Kloeden et Platen[PE95] occupent
une place centrale dans ce domaine, en proposant une étude approfondie des méthodes nu-
mériques, de leurs propriétés de convergence et de stabilité.
La littérature distingue généralement deux types de convergence pour les schémas numé-
riques des EDS : la convergence forte et la convergence faible. La convergence forte s’intéresse
à l’approximation trajectorielle de la solution, tandis que la convergence faible concerne l’ap-
proximation des espérances de fonctions de la solution.
Des extensions importantes des EDS ont également été étudiées, notamment les équa-
tions différentielles stochastiques à sauts, basées sur des processus de Poisson ou de Lévy.
Ces modèles sont particulièrement adaptés à la description de phénomènes comportant des

[Link] Franco 2 ENSET

 Fondements théoriques des équations différentielles stochastiques

discontinuités soudaines. Par ailleurs, des recherches récentes portent sur les méthodes de
Monte Carlo, les techniques de réduction de variance et les méthodes numériques adaptatives.
Enfin, les applications des EDS sont largement documentées dans la littérature. En fi-
nance mathématique, elles sont utilisées pour modéliser l’évolution des prix des actifs et
des taux d’intérêt. En physique, elles interviennent dans l’étude des phénomènes de diffu-
sion et de turbulence. En biologie et en ingénierie, elles permettent de décrire des systèmes
complexes soumis à des fluctuations aléatoires.

1.2 Définitions et notations

Définition 1.2.1 (Tribu) Un ensemble τ de parties de Ω est une tribu, ou σ-algèbre, s’il
satisfait aux conditions suivantes :
1. Ω ∈ τ
2. Si A ∈ τ alors {Ω A ∈ τ
3. Si Ai ∈ τ alors Ai ∈ τ
S
i

Exemple 1.2.1 Les ensembles τ = {∅, Ω} et τ = P(Ω) sont des tribus sur Ω.

Définition 1.2.2 Soit X : Ω → R est une variable aléatoire mesurable par rapport à la tribu
τ, si ∀β ∈ B(R) :

{ω ∈ Ω, X(ω) ∈ β} = {X ∈ β} ∈ τ

On dit alors que X est une variable aléatoire τ-mesurable.

Définition 1.2.3 Un espace probabilisable est un couple (Ω, τ) où Ω est un ensemble et τ
est une tribu sur Ω.
Exemple 1.2.2 Soient Ω = {1, 2, 3, 4, 5, 6} et τ = P(Ω), alors (Ω, τ) est un espace proba-
bilisable.

Définition 1.2.4 Soit (Ω, τ) un espace probabilisable. On appelle probabilité sur (Ω, τ) toute
application P : τ → [0, 1] vérifiant
1. P(Ω) = 1
S∞ X
∞
2. P( i=0 Ai ) = P(Ai ), tels que Ai ∩ Aj = ∅, ∀i 6= j
i=0

Définition 1.2.5 (Espace probabilisé)Un espace probabilisé est un triplet (Ω, τ, P) où Ω
est un ensemble, τ est une tribu sur Ω et P une probabilité sur (Ω, τ).

Définition 1.2.6 (Probabilités conditionnelles) Soit (Ω, τ, P) un espace de probabilité

si A, B deux évènements de (Ω, τ, P) tels que P(B) 6= 0

P(A ∩ B)
PB (A) =
P(B)

Définition 1.2.7 (Espérance et variance conditionnelle) Soit X une variable aléatoire

(intégrable) définie sur (Ω, τ, P) et G est sous tribu de τ .
L’espérance conditionnelle E(X/G) de X par rapport à G est l’unique variable aléatoire
telle que :

[Link] Franco 3 ENSET

 Fondements théoriques des équations différentielles stochastiques

1. E(X/G) est G-mesurable.

2.
Z Z
E(X/G)dP = XdP, ∀A ∈ G
A A

C’est aussi l’unique ( à une égalité presque sûrement près) variable G-mesurable telle que
E(E(X/G)Y) = E(XY)
pour toute variable Y, G-mesurable.

Remarque 1.2.1 Il en résulte que si X est de carré intégrable, E(X/G) est la projection
de X sur l’espace des variables aléatoires G-mesurables et de carré intégrable, c’est-à-dire
la variable aléatoire G-mesurable qui minimise E[(X − Y)2 ] parmi les variables aléatoires
G-mesurable.

Propriétés 1.2.1 Soit X, Y deux variables aléatoires dans L1 (Ω, τ, P), et G une sous-tribu
de τ.
1. Si X⊥G alors :
E(E(X/G)) = E(X).
2. E(X/G) = X, si X est G-mesurable.
3. Si Y et G-mesurable alors
E(XY/G) = YE(X/G),
4. Linéarité :
∀a, b ∈ R, E(aX + bY/G) = aE(X/G) + bE(Y/G).

Définition 1.2.8 [RAT24](Processus stochastique) Un processus stochastique est une

famille X = {Xt , t ∈ T } de variable aléatoire définit sur un espace de probabilité (Ω, F, P)
indexée par un ensemble T :

Remarque 1.2.2 1. T = R ou R+ le processus est indexé par le temps t est dit continu.
2. T = N le processus est dit discret.

Exemple 1.2.3 Tout suite de variable aléatoires (Xn )n ∈ N est un processus stochastique
indexé sur I = N.

Définition 1.2.9 [P.B24](Filtration) On appelle une filtration est une suite Ft vérifiant :
∀s ≤ t alors Ft ⊂ Ft ⊂ F.

Définition 1.2.10 [P.B24] Le processus (Xt )t∈T est dit adapter à la filtration Ft si ∀t ∈ T, Xt
est Ft -mesurable.

Définition 1.2.11 [Gal06](L’espace Lp ) Soit X : Ω → Rn une variable aléatoire et p ≥ 1

une constante. On définie l’espace Lp
Z
L = {X : Ω → R , |X(ω)|p < ∞}
p n
Ω
p
Nous établissons la norme dans L par kXkp tel que

[Link] Franco 4 ENSET

 Fondements théoriques des équations différentielles stochastiques

Z !1
p
p
kXkp = kXkLp = |X(ω)| dP(ω)
Ω

Si p = ∞ alors kXkL∞ = sup{|X(ω)|, ω ∈ Ω}

En probabilité la norme sur Lp est définie par l’espérance mathématique comme suit :
1
kXkLp = (E[|X|p ]) p

Soit Lp (Ω, [0; T ]) l’ensemble des processus X adapté sur [0; T ] tels que
ZT !! 1
p
kXkLp (Ω,[0;T ]) = E | Xt |p dt <∞
0

1
Inégalité de Young : Soit a et b deux réels positifs, et p, q > 1 vérifiant : p
+ q1 = 1. Alors
on a
ap bp
ab ≤ +
p q
Inégalité Hölder s’écrit
1 1
E[|XY|] ≤ (E[|X|p ]) p (E[|Y|q ]) q

pourvu que p1 + q1 = 1. En prenant Y = 1 on trouve kXk1 ≤ kXk2 , ce qui se généralise aussitôt

à

kXkr ≤ kXkp si r ≤ p (1.1)

En particulier Lp (Ω, F, P) ⊂ Lr (Ω, F, P) si r ≤ p.

L’inégalité de Cauchy-Schwarz s’écrit

1 1
E[|XY|] ≤ (E[X2 ]) 2 (E[Y 2 ]) 2

et le cas particulier où Y = 1

E[|X|]2 ≤ E[X2 ]

est très souvent utile.

Inégalité de Markov : Si X ∈ L2 (Ω, F, P) et a > 0

P(X ≥ a) ≤ a1 E[X]

Définition 1.2.12 (Mouvement Brownien) Un processus stochastique (Bt ) à valeurs

réelles est appelé un mouvement Brownien (standard) s’il vérifiée quatre propriété suivantes :
1. B0 = 0
2. pour tout s ≤ t l’accroissement (Bt − Bs ) suit la loi normale centrée de variance (t − s)
3. Si 0 ≤ t1 ≤ t2 ≤ ... ≤ tn les accroissements : Bt1 , (Bt2 − Bt1 ), ..., (Btn − Btn−1 ) sont
indépendants (signifie que ∀0 ≤ s < t, E(Bt − Bs ) = E(Bt−s )).
4. En dehors d’un ensemble de probabilité nulle,les trajectoires t → Bt (w) sont continues.

[Link] Franco 5 ENSET

 Fondements théoriques des équations différentielles stochastiques

Exemple 1.2.4 Soit B = (Bt , t ≥ 0) un mouvement Brownien standard, à valeurs réelles

et défini sur un espace probabilisé (Ω, F, P). Montrer que :(B1t = −Bt , si t ≥ 0) est un
mouvement Brownien standard.
En effet :
1. B10 = −B0 , comme B est un mouvement Brownien alors B0 = 0, par suite B10 = 0
2. Accroissements indépendantes : ∀0 ≤ s < t, E(B1t − B1s ) = E(−Bt − (−Bs )) = −E(Bt −
Bs ), on sait que B est un mouvement Brownien, donc E(Bt − Bs ) = 0, par conséquent
E(B1t − B1s ) = 0. E(B1t−s ) = E(−Bt−s ) = −E(Bt−s ) = 0, car B est un mouvement
Brownien, donc E(B1t−s ) = 0. Par suite E(B1t − B1s ) = E(B1t−s ).
3. Calculons V(B1t − B1s ) = V(−Bt − (−Bs )) = (−1)2 V(Bt − Bs ) = V(Bt − Bs ) = t − s, car
B est un mouvement Brownien
4. Les trajectoires t → B1t sont continus, car B est un mouvement Brownien

Remarque 1.2.3 Un mouvement brownien est dite standard si :

B0 = 0, E[Bt ] = 0, E[B2t ] = t

Théorème 1.2.1 (Caractérisation) B est un mouvement Brownien standard si et seule-

ment c’est un processus gaussien, centré, continue, de fonction de covariance : Γ (s, t) =
Cov(Bs , Bt ) = s ∧ t = min (s, t).

Démonstration Soit s < t

Cov(Bs , Bt ) = E[Bt Bs ] − E[Bs ]E[Bt ]

= E[Bt Bs ]
= E[Bs (Bs + Bt − Bs )]
= E[B2s ] + E[Bs (Bt − Bs )]
=s

car par indépendance de Bs et Bt − Bs .

Définition 1.2.13 ( Mouvement Brownien multidimensionnelle) Un processus B =

(Ω, F, Fs , (Bt )t≥0 , P) à valeurs dans Rn est appelé mouvement brownien n-dimensionnel si
1. B0 = 0
2. ∀0 ≤ s ≤ t, les vecteurs aléatoire Bt − Bs est indépendante de Fs .
3. ∀0 ≤ s ≤ t Bt − Bs N(0, (t − s)Id) ou Id la matrice identité de R.

Définition 1.2.14 Un processus (Xt )t≥0 adapté par rapport à une filtration {Ft }t≥0 et tel que
∀t ≥ 0, Xt ∈ L1 est appelé :
1. Martingale si pour s ≤ t : E[Xt | Fs ] = Xs
2. Sur-martingale si pour s ≤ t : E[Xt | Fs ] ≤ Xs
3. Sous-martingale si pour s ≤ t : E[Xt | Fs ] ≥ Xs

Définition 1.2.15 [H.D20] Soit X = (Xt )t≥0 un processus stochastique

1. On dit que X = (Xt )t≥0 est uniformément intégrable si :
Z
limα→0 supt≥0 |Xt |dP = 0
|Xt |>α

[Link] Franco 6 ENSET

 Fondements théoriques des équations différentielles stochastiques

2. Si p ≥ 1, on dit que X = (Xt )t≥0 est borné dans Lp si :

supt≥0 E[|Xt |] < +∞

Proposition 1.2.1 [H.D20] Soit X = (Xt )t≥0 un processus stochastique :

1. S’il existe une variable aléatoire réelle positive et intégrable Z telle que |Xt | ≤ Z, ∀t ≥ 0,
alors X = (Xt )t≥0 est uniformément intégrable.
2. Si X = (Xt )t≥0 est borné dans Lp , (p > 1), alors X = (Xt )t≥0 est uniformément
intégrable.

Théorème 1.2.2 (Inégalité dans Lp ) Soit p ≥ 1 et X une martingale réelle continue

telle que Xt ∈ Lp , ∀t ≥ 0, alors
h i
E sups≤t |Xs |p ≤ qp E[|Xt |p ]
1 1
où q est le nombre conjugué de p c’est à dire p
+ q
=1

Avant de démontrer le théorème, on définit d’abord lemme suivant :

Lemme 1.2.1 Pour tout sous-martingale positive (Xs )s ≥ 0 et tout λ > 0, on a :

Z
λP(sups≤t Xs ≥ λ) ≤ Xt dP
{sups≤t Xs ≥λ}

Démonstration Par définition de Z ∞l’espérance à partir de fonction de répartition et on pose

Yt = sups≤t Xs , on a : E[(Yt )p ] = pλp−1 P(Yt ≥ λ)dλ.
0
Par hypothèse, X est martingale alors |X| sous-martingale
 Z positive, donc d’après lemme 1.2.1,
Z∞ Z∞
1
on a : E[(Yt )p ] = pλp−1 P(Yt ≥ λ)dλ ≤ pλp−1  Xt dPdλ
0 0 λ Yt ≥λ
Z∞ Z
p p−2
E[(Yt ) ] ≤ pλ Xt dPdλ
0 Yt ≥λ

D’après théorème de fubini, on a

Z Yt Z∞
p p−2
E[(Yt ) ] ≤ pλ dλ Xt dP
0 0
p
≤ E[|Xt |.(Yt )p−1 ]
p−1
p
D’après l’inégalité de Hölder et supposons que q = p−1
, on a :
1 1
E[(Yt )p ] ≤ qE[|Xt |.(Yt )p−1 ] ≤ q(E(|Xt |p )) p .(E((Yt )p−1 )q ) q
1 1
≤ q(E(|Xt |p )) p .(E(Yt )p ) q
1
On multiplie par (E(Yt )p )− q membre en membre, on a :
1 1 1 1
E((Yt )p ).(E(Yt )p )− q ≤ q(E(|Xt |p )) p .(E(Yt )p ) q .(E(Yt )p )− q
1 1
(E(Yt )p )1− q ≤ q(E(|Xt |p )) p

[Link] Franco 7 ENSET

 Fondements théoriques des équations différentielles stochastiques

1 1 1
On sait que p
+ q
= 1 alors p
= 1 − q1 , on a
1 1
(E(Yt )p ) p ≤ q(E(|Xt |p )) p

En élevant tout à puissance p, on obtient

E[(Yt )p ] ≤ qp E(|Xt |p )

On remplace Yt = sups≤t Xs ,
h i
E sups≤t |Xs |p ≤ qp E[|Xt |p ]

1.3 Intégrale stochastique

Soit Y = (Yt ), un processus élémentaire. Nous souhaitons donner un sens à la variable
aléatoire
ZT
Yt dBt (1.2)
0

où Bt est un mouvement Brownien. Pour cela, rappelons que lorsque nous intégrons une
fonction g régulière par rapport à une fonction dérivable f, alors
ZT ZT
g(t)df(t) = g(t)f 0 (t)dt
0 0

Dans le cas où f n’est pas dérivable, mais en supposant qu’elle est à variation bornée,
alors l’intégrale de Stieltjes, définie par
ZT X
n−1
g(t)df(t) = lim g(ti )(f(ti+1 ) − f(ti )), (1.3)
0 πn →0
i=0

où 0 = t0 < tl < ... < tn = T et πn = max0≤i≤n−1 |ti+1 − ti | peut être utilisée. Malheureuse-
ment, puisque le mouvement Brownien n’est pas à variation bornée, la définition précédente
ne s’applique pas à l’intégrale (1.2).
Nous allons donc construire l’intégrale stochastique sur l’ensemble
Z 
T
L2F ={(θt )0≤t≤T , processus CADLAG F-adapté tels que E θ2s ds < ∞}
0

Définition 1.3.1 [SC22] On dit qu’un processus θ est étagé(ou élémentaire) s’il existe une
subdivision de réel 0 = t0 ≤ t1 ≤ ... ≤ tn = T et un processus discret (θi )0≤i≤n−i tel que tout
θi est Fti -adapté dans L2 (Ω) tels que
X
n−1
θt (w) = θi (w)1]ti −ti+1 ] (t)
i=0

On définit alors l’intégrale stochastique de θ par

Zt X
n−1
θs dBs = θi (Bti+1 − Bti ), t ≥ 0
0 i=0

[Link] Franco 8 ENSET

 Fondements théoriques des équations différentielles stochastiques

Propriétés 1.3.1 [S.B19] Si (θt )0≤t≤T un processus élémentaire, alors on a les égalités sui-
vantes :
ZT 

1. E θs dBs  = 0
0
Z 2 Z 
T T
2. E θs dBs  = E θ2s ds
0 0

3. Cette l’intégrale est linéaire :

ZT ZT ZT
(aθs + bµs )dBs = a θs dBs + b µs dBs
0 0 0

4. Soit θ et µ deux processus élémentaire, l’isométrie d’Itô est vérifiée :

Z ZT  Z 
T T
E θs dBs µs dBs  = E θs µs ds
0 0 0

La deuxième égalité s’appelle l’isométrie d’Itô.

Démonstration 1.
Z
X
  
T n−1
E θs dBs  = E θi (Bti+1 − Bti )
0 i=0
X
n−1
= E(θi (Bti+1 − Bti ))
i=0
X
n−1
= E(E(θi (Bti+1 − Bti ))/Fti )
i=0

Comme θi est Fti -mesurable et Bti+1 − Bti est indépendant de Fti alors
Z
X

T n−1
E θs dBs  = E(θi E((Bti+1 − Bti )))
0 i=0

Comme Bt est un mouvement Brownien alors E(Bti+1 − Bti ) = 0, donc

Z 
T
E θs dBs  = 0
0

2. On a :
Z 2
T X
n−1 X
n−1
E θs dBs  = E(θi θj (Bti+1 − Bti )(Btj+1 − Btj ))
0 i=0 j=0

(a) Si i < j

E(θi θj (Bti+1 − Bti )(Btj+1 − Btj )) = E(E(θi θj (Bti+1 − Bti )(Btj+1 − Btj )/Fti ))
= E(θi θj (Btj+1 − Btj )E((Bti+1 − Bti )/Fti ))
=0

Bti+1 − Bti est indépendant de Fti , on a E((Bti+1 − Bti )/Fti ) = 0

[Link] Franco 9 ENSET

 Fondements théoriques des équations différentielles stochastiques

(b) j < i d’une manière analogue.

(c) i = j
Z 2
T X
n−1
E θs dBs  = E(θ2i (Bti+1 − Bti )2 )
0 i=0
X
n−1
= E(E(θ2i (Bti+1 − Bti )2 /Fti ))
i=0
X
n−1
= E(θ2i E((Bti+1 − Bti )2 /Fti ))
i=0

Comme Bt est un mouvement Brownien et Bti+1 − Bti est indépendant de Fti alors
E((Bti+1 − Bti )2 /Fti ) = E((Bti+1 − Bti )2 ) = ti+1 − ti
Z 2
T X
n−1
E θs dBs  = E(θ2i (ti+1 − ti ))
0 i=0
X
 
n−1
= E θ2i (ti+1 − ti ) 
i=0
X Z ti+1
 
n−1
= E θ2s ds
i=0 ti
Z 
T
= E θ2s ds
0

donc l’isométrie est vérifiée.

Zt
Intégrale de Itô sous la forme θs dBs . Soit (θt )t∈[0,T ] un processus élémentaire définie
0
comme :
Zt ZT X
n−1
θs dBs = θs 1[0,t] (s)dBs = θi (Bti+1 ∧t − Bti ∧t )
0 0 i=0

Z 
t
Propriétés 1.3.2 1. E θs dBs  = 0
0

2.
Z 2 Z 2
t T
E θs dBs  = E θs 1[0,t] (s)dBs 
0 0
Z 
T
= E θ2s 1[0,t] (s)ds
0
Z 
t
= E θ2s ds
0

[Link] Franco 10 ENSET

 Fondements théoriques des équations différentielles stochastiques

3. Soit encore, si t ∈ [tk , tk+1 [

Zt X
k
θs dBs = θi (Bti+1 − Bti ) + θk (Btk+1 − Btk )
0 k=0

Zt
4. Le processus θs dBs , t ∈ [0, T ] est une martingale continue de carrée intégrable.
0

Définition 1.3.2 (processus d Itô) On appelle processus d’Itô un processus (Xt )0≤t≤T
leurs réelles tel que ∀0 ≤ s ≤ t
Zt Zt
Xt = X0 + a(s, Xs )ds + b(s, Xs )dBs , P − ps
0 0

où, X0 est F0 -mesurable, a et b sont deux processus progressivement mesurables vérifiant les
conditions
ZT ZT
|a(s, Xs )| < ∞ et ||b(s, Xs )||2 < ∞ où ||b|| = trace(bb∗ )
0 0

Le coefficient a est le drift ou la dérive, b est le coefficient de diffusion.

Théorème 1.3.1 (Lemme d’Itô) Soit X un processus d’Itô sur l’intervalle [0, T ], de dif-
férentielle stochastique

dXt = a(t, Xt )dt + b(t, Xt )dBt

Soit f une fonction de f(t, Xt ) ∈ C1,2 (R+ × R, R). Alors (f(t, Xt ))t∈[0,T ] est un processus d’Itô
qui a pour différentielle stochastique :

∂f ∂f 1 ∂2 f
df = dt + dX + 2
(dX)2 (1.4)
∂t ∂X 2 ∂X
On illustre l’application de la formule d’Itô dans les exemples suivants.

Exemple 1.3.1 Soit X(t) = B(t) et u(t, X) = Xm , y(t) = u(t, X(t)). Alors

∂u ∂u 1 ∂2 u
dy(t) = dt + dX + (dX)2
∂t ∂X 2 ∂X2
1
= mXm−1 dX + m(m − 1)Xm−2 dt
2
d’où
1
dBm (t) = mBm−1 (t)dB(t) + m(m − 1)Bm−2 (t)dt
2
En particulier pour m=2, on trouve

dB2 (t) = 2B(t)dB(t) + dt

[Link] Franco 11 ENSET

 Fondements théoriques des équations différentielles stochastiques

1.4 Équations différentielles stochastiques

Définition 1.4.1 [A.N22] L’équation différentielle stochastique notée par EDS est une équa-
tion différentielle de la forme :

dXt = a(Xt , t)dt + b(Xt , t)dBt (1.5)

ou bien par passage d’intégral

Zt Zt  

dXs = a(Xs , s)ds + b(Xs , s)dBs 

0 0
Zt Zt
Xt − X0 = a(Xs , s)ds + b(Xs , s)dBs
0 0

On a :
Zt Zt
Xt = X0 + a(Xs , s)ds + b(Xs , s)dBs (1.6)
0 0

ou sous forme condensée


dXt = a(Xt , t)dt + b(Xt , t)dBt
(1.7)
X0 = x

tel que l’inconnue est le processus Xt , où a, b sont des fonctions déterministes mesurables de
Rn × R+ → R.
– Xt : processus stochastique
– Bt : Mouvement Brownien
– t : le temps
– a(Xt , t) : coefficient de dérivée
– b(Xt , t) : coefficient de diffusion

Exemple 1.4.1 Considérons l’EDS linéaire avec Bruit additif

dXt = f(t)Xt dt + g(t)dBt

où f et g sont des fonctions déterministes, avec a(Xt , t) = f(t)Xt et b(Xt , t) = g(t).

Définition 1.4.2 Un processus stochastique (Xt )t≥0 dans R est appelé une solution de l’équa-
tion (1.6) si qui vérifie les propriétés suivantes :
1. (Xt )t≥0 est continu et adapté à la filtration (Ft )t≥0
Zt Zt
2. les intégrales a(Xs , s)ds et b(Xs , s)dBs ont un sens et l’égalité
0 0

a(Xt , t) ∈ L1 ([0, T ], R) b(Xt , t) ∈ L2 ([0, T ], R)

3. (Xt )t≥0 vérifie (1.6), c’est-à-dire

Zt Zt
Xt = X0 + a(Xs , s)ds + b(Xs , s)dBs
0 0

Pour tout t , P. ps.

[Link] Franco 12 ENSET

 Fondements théoriques des équations différentielles stochastiques

Exemple 1.4.2 contenu...

Nous donnons d’abord un résultat d’existence et d’unicité d’une solution forte sous des
conditions un peu restrictives sur les coefficients f et g.

Théorème 1.4.1 Si f et g sont des fonctions continues.

1. Condition de lipschitz locale : ∀x, y ∈ R et t ∈ [0, T ], ∃K positif tels que
|f(x, t) − f(y, t)| + |g(x, t) − g(y, t)| 6 K|x − y|
2. Condition de croissance linéaire : ∀x, y ∈ R et t ∈ [0, T ], ∃L positif tels que
|f(x, t)|2 + |g(x, t)|2 6 L(1 + |x|2 )
3. La condition initiale X0 est indépendante de (Bt )t≥0 et X0 est carré intégrable. (E(|X0 |2 ) <
+∞).
Alors, pour t ≤ T , l’EDS (1.5) admet une unique solution (Xt )t≥0 á trajectoires continues.
De plus cette solution vérifie

E(sup0≤t≤T |Xt |2 ) < +∞

L’unicité signifie que si (Xt )t≥0 et (Yt )t≥0 sont deux solution de l’équation (1.5), donc P-
presque sûrement ∀t ≤ 0, (Xt )t≥0 = (Yt )t≥0 , alors

P(sup0≤t≤T |Xt − Yt | = 0) = 1

Lemme 1.4.1 Soit g : [0, T ] → R une fonction continue telle que, pour
Zt
g(t) ≤ a + b g(s)ds, a ≥ 0, b ≥ 0
0

Alors,
∀t ∈ [0, T ], g(t) ≤ aebt

Démonstration L’existence : Pour obtenir l existence de la solution il y a deux méthode

(itération de Picard et théorème de point fixe). Nous avons décidé d’utiliser la méthode
d’approximation de Picard dans la preuve.
En définissant la suite (Xn )n≥0 telle que X0 = x et (Xn+1 )n≥0 est la solution du système
de l’équation différentielle stochastique suivantes :
Zt Zt
X (t) = x + a(Xs , s)ds + b(Xns , s)dBs
n+1 n
(1.8)
0 0

Vérifiant d’abord par récurrence sur n qu’il existe une constante Cn telle que à chaque fois
je prend t ∈ [0, T ] :

E|Xn (t)|2 ≤ Cn .

Initialisation : On prend n = 0 et à l’instant t = 0, on a E(|X0 |2 ) = E(|x|2 ), comme

E(|X0 |2 ) < +∞ alors ∃c0 positif tels que E(|X0 |2 ) ≤ c0 .
Hérédité : Supposons que E|Xn (t)|2 ≤ Cn et nous montrons que E|Xn+1 (t)|2 ≤ Cn+1 . On a
 Zt Zt 2

E(|Xn+1 (t)|2 ) = E x + a(Xns , s)ds + b(Xns , s)dBs 

0 0

[Link] Franco 13 ENSET

 Fondements théoriques des équations différentielles stochastiques

Par l’inégalité (a + b + c)2 ≤ 3(a2 + b2 + c2 ), on trouve l’estimation suivante :

Zt Zt 2  Zt 2 Zt 2

x+ a(Xns , s)ds + b(Xns , s)dBs ≤ 3|x|2 + a(Xns , s)ds + b(Xns , s)dBs 

0 0 0 0

Par passage à l’espérance mathématique,on obtient :

  Zt 2  Zt 2 

E(|Xn+1 (t)|2 ) ≤ 3E(|x|2 ) + E a(Xns , s)ds  + E b(Xns , s)dBs  (1.9)

0 0

Par l’isométrie d’Itô et l’hypothèse 2, on a :

 Zt 2 Z
t


E b(Xns , s)dBs  = E |b(Xns , s)|2 ds

0 0
Z 
t
≤ C 2 E (1 + |Xns |2 )ds
0
Z 
t
= C2  (1 + E(|Xns |2 ))ds
0

Donc,
 Zt 2 Z
t


E b(Xns , s)dBs  ≤ C2  (1 + E(|Xns |2 ))ds (1.10)

0 0

Et par l’inégalité de Cauchy-Schwarz, on obtient l’inégalité suivante :

 Zt 2 Z
t
 Z
t


E a(Xns , s)ds  ≤ E dsE |a(Xns , s)|2 ds

0 0 0
Z 
t
≤ TE |a(Xns , s)|2 ds
0
Z 
t
≤ TC2  (1 + E(|Xns |2 ))ds
0

Donc,
 Zt 2 Z
t


E a(Xns , s)ds  ≤ TC2  (1 + E(|Xns |2 ))ds (1.11)

0 0

Retour à l’équation (1.9) et en substituant les deux estimations (1.10) et (1.11) dans (1.9)
et comme x est un variable aléatoire de carré intégrable alors on trouve estimation suivante :
 Z  Z 
t t
E(|Xn+1 (t)|2 ) ≤ 3E(|x|2 ) + TC2  (1 + E(|Xns |2 ))ds + C2  (1 + E(|Xns |2 ))ds
0 0
 Z 
t
≤ 3E(|x|2 ) + C2 (T + 1) (1 + E(|Xns |2 ))ds
0
 

≤ 3E(|x|2 ) + C2 (T + 1)T (1 + Cn ) = Cn+1

[Link] Franco 14 ENSET

 Fondements théoriques des équations différentielles stochastiques

Conclusion : Par hypothèse de récurrence E|Xn (t)|2 ≤ Cn . Ce qui prouve E(|Xn+1 (t)|2 ) <
+∞.  

Maintenant on va majorer par récurrence la quantité suivante : Esupt∈[0,T ] |Xn+1 (t)−Xn (t)|2 .

En utilisant de l’équation (1.8) on obtient

Zt Zt
X (t) − X (t) = (a(Xs , s) − a(Xs , s))ds + (b(Xns , s) − b(Xn−1
n+1 n n n−1
s , s))dBs
0 0

En utilisant l’inégalité de Doob, on obtient :

  Z 2
t
Esup0≤s≤t |Xn+1 (s) − Xn (s)|2  ≤ 4E |(a(Xns , s) − a(Xn−1
s , s))|ds
0
Z 
t
+ 4E |(b(Xns , s) − b(Xn−1
s , s))|2 ds
0

L’inégalité de Cauchy-Schwartz donne estimation suivante :

  Z 
t
Esup0≤s≤t |Xn+1 (s) − Xn (s)|2  ≤ 4TE |(a(Xns , s) − a(Xn−1
s , s))|2 ds
0
Z 
t
+ 4E |(b(Xns , s) − b(Xn−1
s , s))|2 ds
0

D’après l’hypothèse condition de lipschitz locale, on obtient pour tout s ∈ [0, t] :

  Z 
t
Esup0≤s≤t |Xn+1 (s) − Xn (s)|2  ≤ 4(T + 1)C2 E |Xns − Xn−1 s |2 ds
0

Par conséquence on trouver :

  Z   
t
Esup0≤s≤t |Xn+1 (s) − Xn (s)|2  ≤ 4(T + 1)C2  Esup0≤u≤s |Xnu − Xn−1
u |
2
du (1.12)
| {z } 0
K

Nous ré-appliquons la même technique une autre fois, en appliquant l’inégalité de Doob, à
|Xnu − Xn−1
u | pour obtenir :
2

  Z   
s
Esup0≤u≤s |Xnu − Xun−1 |2  ≤ K Esup0≤r≤u |Xn−1
r − Xn−2
r |2 dr (1.13)
0

en substituant l’estimation (1.12) à l’inégalité (1.13), on trouve :

  Z   
t
Esup0≤s≤t |X (s) − X (s)|  ≤ K Esup0≤u≤s |Xu − Xu | du
n+1 n 2 n n−1 2
0
Z Zs   
t
≤ K K Esup0≤r≤u |Xn−1
r − Xn−2
r |2 drdu
0 0
 Z Z 
t s
≤ K2 Esup0≤r≤u |Xn−1
r − Xn−2
r |2   drdu
0 0
 
2
2T
≤K Esup0≤r≤u |Xn−1
r − Xn−2
r |2 
2

[Link] Franco 15 ENSET

 Fondements théoriques des équations différentielles stochastiques

Nous ré-appliquons la même technique plusieurs fois, on trouve :

   
n
(KT ) 
Esup0≤s≤t |Xn+1 (s) − Xn (s)|2  ≤ E sup0≤s≤T |X1s − X0s |2 
n!
(KT )n
≤A×
n!
En appliquant l’inégalité de Bienaymé-Tchebychev, on a :
n
 
(KT )
1  A × n! (4KT )n
Psup0≤s≤t |X n+1 n 2
(s) − X (s)| ≥ n+1 ≤ 1 = 4A
2 ( 2n+1 )2 n!

Il vient donc que :

X
∞ X ∞
 
1 (4KT )n
Psup0≤s≤t |Xn+1 (s) − Xn (s)|2 ≥ n+1  ≤ 4A = 4A exp(4KT ) < +∞
n=0
2 n=0
n!

Donc d’après le lemme de Borel-Cantelli, on trouve l’égalité suivante :

 
1
∀n ∈ N, Psup0≤s≤t |Xn+1 (s) − Xn (s)|2 ≥ n+1  = 0
2

utilisant l’égalité P(Ac ) = 1 − P(A) on obtient l’égalité suivante :

 
1 
∀n ∈ N, Psup0≤s≤t |Xn+1 (s) − Xn (s)|2 < =1
2n+1

Donc
1
sup0≤s≤t |Xn+1 (s) − Xn (s)|2 < , ∀n ≥ n0 , n0 ∈ N
2n+1
En remarquant que la suite (Xn )n≥0 est une suite de Cauchy dans un espace de Banach,
donc elle converge dans le même espace de Banach. Alors il existe un processus continu
(X(t))0≤t≤T , tels que :

sup0≤t≤T |Xn+1 (t) − Xn (t)| → 0, quand n → +∞

Donc, P-ps, (Xn )n≥0 converge vers processus continu X(t). D’où l’existence de la solution.

L’unicité : Supposons que (X(t))t≥0 et (Y(t))t≥0 deux solutions d’équation (1.5) pour
tout t ∈ [0, T ]. Montrons que Xt − Yt = 0.
Zt Zt
X(t) − Y(t) = (a(Xs , s) − a(Ys , s))ds + (b(Xs , s) − b(Ys , s))dBs
0 0

D’après l’inégalité (a + b)2 ≤ 2a2 + 2b2 , on obtient l’inégalité suivante :

 Zt 2  Zt 2
2
E(|X(t) − Y(t)| ) ≤ 2E (a(Xs , s) − a(Ys , s))ds  + 2E (b(Xs , s) − b(Ys , s))dBs 
0 0
(1.14)

[Link] Franco 16 ENSET

 Fondements théoriques des équations différentielles stochastiques

Utilisant l’inégalité de Cauchy-Schwarz et l’hypothèse 2 on trouve l’estimation suivant :

 Zt 2 Z
t


E (a(Xs , s) − a(Ys , s))ds  ≤ TE |(a(Xs , s) − a(Ys , s))|2 ds

0 0
Zt
≤ TC2 E(|Xs − Ys |2 )ds
0

Donc,
 Zt 2 Zt
E (a(Xs , s) − a(Ys , s))ds  ≤ TC 2
E(|Xs − Ys |2 )ds (1.15)
0 0

Maintenant par utilisation de la propriété d’isométrie d’Itô’et la condition 2, on a l’estima-

tion suivante :
 Zt 2 Z
t


E (b(Xs , s) − b(Ys , s))dBs  ≤ E |(b(Xs , s) − b(Ys , s))| ds 2

0 0
Zt
≤C 2
E(|Xs − Ys |2 )ds
0

Donc,
 Zt 2 Zt
E (b(Xs , s) − b(Ys , s))dBs  ≤ C 2
E(|Xs − Ys |2 )ds (1.16)
0 0

Retour à l’équation (1.14) et en substituant les deux estimations (1.15) et (1.16) dans (1.14),
on trouve
Zt Zt
2
E(|X(t) − Y(t)| ) ≤ 2TC 2
E(|Xs − Ys | )ds + 2C
2 2
E(|Xs − Ys |2 )ds
0
Zt 0

≤ 2C2 (T + 1) E(|Xs − Ys |2 )ds

0

Finalement en utilisant le lemme de Granwall, on trouve :

E(|X(t) − Y(t)|2 ) ≤ 0 exp(2C2 (T + 1)) = 0 ce qui implique |X(t) − Y(t)|2 = 0

Par suite, X(t) − Y(t) = 0. D’où l’unicité de la solution.

Exemple 1.4.3 Soit l’EDS linéaire dXt = −αXt dt+dBt . Montrer que cette équation admet
une solution fort. Pour cella, On doit vérifier les condition du théorème d’existence.
On a :

f(x, t) = −αXt et g(x, t) = 1

les fonctions f et g sont continues.

1. il existe une constante K telle que : pour tous x, y ∈ R
| − αx + αy| + |1 − 1| = | − α(x − y)| = | − α||x − y| ≤ K|x − y| avec K = α
2. il existe une constante L telle que : pour tous x ∈ R

[Link] Franco 17 ENSET

 Fondements théoriques des équations différentielles stochastiques

| − αx|2 + |1|2 = | − α|2 |x|2 + 1 ≤ | − α|2 |x|2 + | − α|2 ≤ | − α|2 (1 + |x|2 )

comme les conditions de théorème d’existence sont vérifiées alors l’EDS
dXt = −αXt dt + dBt
admet une solution forte (Xt )t≥0 p.s continue et unique.

Avant d’expliquer comment résoudre analytiquement les équations différentielles stochas-

tiques, nous citons d’abord quelle que types d’équation différentielle stochastique pour aider
à comprendre la résolution.

1.4.1 Différents type d’équation différentielles stochastiques

Soit l’équation différentielle stochastique suivante :

dXt = a(t, Xt )dt + b(t, Xt )dBt (1.17)

Équations différentielles stochastiques à bruit additif

Définition 1.4.3 On dit que l’équation différentielle stochastique (1.17) est une équation
linéaire à bruit additif si le coefficient de diffusion est b(t, Xt ) = b(t).

On a trois types de E.D.S à bruit additif sont :

1. Équation différentielle stochastique à bruit additif homogène : si tous les
coefficients ne dépend pas du temps et le coefficient de diffusion b(Xt , t) = β. Elle
s’écrit sous la forme :

dXt = αXt dt + βdBt

avec α et β sont constantes

Exemple 1.4.4 Le processus d’Ornstein-Uhlenbeck classique

dXt = µ(α − Xt )dt + βdBt

avec µ, α, β sont des constantes.

2. Équation différentielle stochastique à bruit additif non homogène : si au moins

l’un des coefficients dépend explicitement du temps. Elle s’écrit sous la forme :

dXt = a(t, Xt )dt + β(t)dBt

Exemple 1.4.5 Modèle de Hull-White pour les taux

dXt = (µ(t) − αXt )dt + βdBt

µ(t) est une fonction du temps qui permet de s’ajuster à la structure actuelle des taux
du marché.

[Link] Franco 18 ENSET

 Fondements théoriques des équations différentielles stochastiques

3. Équation différentielle stochastique linéaire à bruit additif : si le coefficient de

la dérivé est une fonction affine de Xt . Elle s’écrit sous la forme :

dXt = (µXt + α)dt + βdBt

cette équation facile à résoudre.

Exemple 1.4.6 Le processus d’Ornstein-Uhlenbeck classique

dXt = µ(α − Xt )dt + βdBt

avec µ, α, β sont des constantes.

1.4.2 Méthode de résolution analytiques

Soit l’équation différentielle stochastique suivante :

dXt = a(t, Xt )dt + b(t, Xt )dBt

En général, la résolution des équations différentielles stochastiques se repose sur lemme d’Itô.
Pour résoudre analytiquement l’équation différentielle stochastique, on va suivre les étapes
suivants :
1. Étape 1 : Changement de variable, on pose Xt = f(t, Bt ) et on utilisant lemme d’Itô
 
∂f 1 ∂2 f  ∂f
dXt =  + 2
dt + dBt
∂t 2 ∂B ∂B

2. Étape 2 : En utilisant la méthode par identification, pour trouver f(t, Bt ) on a




∂f ∂2 f
+ 12 ∂B 2 = a(t, f)

 ∂t




 ∂f = b(t, f) =⇒ ∂2 f
∂B ∂B2
= b(t, f) ∂b(t,f)
∂f
∂2 f
En remplaçant ∂B2
et isoler ∂f
∂t
, on obtient



∂f
= a(t, f) − 12 b(t, f) ∂b(t,f)

 ∂t ∂f




 ∂f = b(t, f)
∂B

Pour trouver f(t, Bt ) intégré par rapport à t ∂f

∂t
, utiliser le borne 0 et t, noté K(Bt ) la
constante d’intégrale, et K(Bt ) doit être en fonction de X0 .
3. Étape 3 : Trouvons K 0 (Bt ), et intégré K 0 (Bt ) par rapport à Bt , en utilisant le borne 0
et t.
∂f
= b(t, f)
∂B

4. Étape 4 : Conclusion

[Link] Franco 19 ENSET

 Fondements théoriques des équations différentielles stochastiques

Avant de résoudre l’EDS vérifié d’abord la condition l’existence de la solution.

Exemple 1.4.7 Prenons l’exemple 1.4.3, on a : l’existence de solution est déjà vérifie. Ap-
plication de l’algorithme de résolution de l’EDS : soit l’EDS linéaire dXt = −αXt dt + dBt .
1. Changement de variable, on pose Xt = f(t, Bt ), en utilisant lemme d’Itô
 
∂f 1 ∂2 f  ∂f
dXt =  + 2
dt + dBt
∂t 2 ∂B ∂B

2. En utilisant la méthode par identification, pour trouver f(t, Bt ) on a




∂f ∂2 f
+ 12 ∂B 2 = −αf

 ∂t




 ∂f = 1 =⇒ ∂2 f
∂B ∂B2
=0
∂2 f
En remplaçant ∂B2
par sa valeur, on obtient

∂f ∂f
= −αf =⇒ = −α∂t (1.18)
∂t f
Intégré (1.18) on a
Zt Zt
∂f
= −α ds =⇒ ln(f(t, Bt )) − ln(X0 ) = −αt + C(Bt )
0 f 0

Isoler f(t, Bt )

e(ln(f(t,Bt ))) = e(−αt+C(Bt )+ln(X0 )) =⇒ f(t, Bt ) = K(Bt )e−αt

avec K(Bt ) = X0 eC(Bt )

3. Calcul K(Bt ), on a

∂(K(Bt )e−αt )
= 1 =⇒ K 0 (Bt )e−αt = 1 =⇒ K 0 (Bt ) = eαt
∂B
Intégré par rapport à Bt , en utilisant borne 0 et t
Zt Zt Zt
0
K (Bs )dBs = e dBs =⇒ K(Bs ) − K(B0 ) = eαs dBs
αs
0 0 0

Donc,
Zt
K(Bt ) = K(B0 ) + eαs dBs
0

K(B0 ) = f(0, B0 ) = X0
4. Conclusion
D’où
 Zt 

Xt = e−αt X0 + eαs dBs 

0

[Link] Franco 20 ENSET

 Fondements théoriques des équations différentielles stochastiques

Exemple 1.4.8 On considère l’équation différentielle stochastique (modèle de Black-Scholes)

suivante : 

 dXt = µXt dt + βXt dBt





X(0) = X , µ ∈ R, β positif non nul
0

On pose Xt = f(t, Bt ), en utilisant lemme d’Itô, on a :

 
∂f 1 ∂2 f  ∂f
dXt =  + 2
dt + dBt
∂t 2 ∂B ∂B

Par identification, on obtient


 ∂f
 ∂t +
1 ∂2 f
= µf

 2 ∂B2




 ∂f = βf =⇒ ∂2 f
∂B ∂B2
= β2 f
∂2 f ∂f
En remplaçant ∂B2
et isoler ∂t
, on obtient

∂f 1 ∂f 1
= µf − β2 f =⇒ = f(µ − β2 )
∂t 2 ∂t 2
∂f
Intégrons par rapport à t ∂t
, on ne peut pas utiliser le borne.
Zt Zt
∂f 1 1
= (µ − β2 )ds + C(Bs ) =⇒ ln(f) − ln(X0 ) = (µ − β2 )t + C(Bt )
0 f 0 2 2
1 2 )t
f(t, Bt ) = K(Bt )e(µ− 2 β avec K(Bt ) = X0 eC(Bt )
∂f
Trouvons K(Bt ), en utilisant ∂B
, on a :
1 2
∂(K(Bt )e(µ− 2 β )t ) 1 2
= βK(Bt )e(µ− 2 β )t
∂B
1 2 1 2
0
K (Bt )e(µ− 2 β )t = βK(Bt )e(µ− 2 β )t
K 0 (Bt )
=β
K(Bt )
Intégrons par rapport à Bt , en utilisant le borne 0 et t, on obtient
Zt 0 Zt
K (Bs )
dBs = β dBs =⇒ ln(K(Bt )) − ln(K(B0 )) = β(Bt − B0 )
0 K(Bs ) 0

Comme Bt est un mouvement brownien alors B0 = 0, donc K(B0 ) = f(0, B0 ) = X0 . Par

passage d’une fonction exponentielle, on a

K(Bt ) = X0 eβBt

En remplaçant K(Bt ) par valeur, alors

1 2 )t
f(t, Bt ) = X0 eβBt +(µ− 2 β

[Link] Franco 21 ENSET

 Fondements théoriques des équations différentielles stochastiques

Exemple 1.4.9 Considérons l’équation différentielle stochastique suivante :



 dXt = (αXt + b)dt + βdBt





X(0) = X , α ∈ R∗ , b ∈ R, β positif non nul
0

On pose Xt = f(t, Bt ), en utilisant lemme d’Itô, on a :

 
∂f 1 ∂2 f  ∂f
dXt =  + dt + dBt
∂t 2 ∂B2 ∂B

Par identification, on obtient




∂f
+ 1 ∂2 f
= αf + b

 ∂t 2 ∂B2




 ∂f = β =⇒ ∂2 f
∂B ∂B2
=0
∂2 f ∂f
En remplaçant ∂B2
et isoler ∂t
, on obtient
∂f ∂f
= αf + b =⇒ − αf = b
∂t ∂t
Remarquons que ∂f ∂tR
− αf = b est une EDO forme linéaire, pour cella cherchons le facteur
P(t)dt
intégrant h(t) = e on a :
R
αdt
P(t) = α =⇒ h(t) = e = eαt
Zt !
1
Alors f(t, Bt ) = h(t)
h(s)Q(s)ds + K(Bt ) , avec K(Bt ) = X0 + C(Bt ) en remplaçant h(t)
0
et Q(t) = b. On a :
Zt ! Zt
1 αs −αt
f(t, Bt ) = αt e bds + K(Bt ) = e b eαs ds + e−αt K(Bt )
e 0 0
b b
= e−αt eαt − e−αt + e−αt K(Bt )
α α
b
= (1 − e−αt ) + e−αt K(Bt )
α
donc, f(t, Bt ) = αb (1 − e−αt ) + e−αt K(Bt ).
Trouvons K(Bt ), on a :
∂( αb (1 − e−αt ) + e−αt K(Bt ))
= β =⇒ e−αt K 0 (Bt ) = β
∂B
K 0 (Bt ) = eαt β
Zt Zt
K(Bt ) − K(0) = e βdBs =⇒ K(Bt ) = X0 + β eαs dBs
αs
0 0

En remplaçant K(Bt ), donc

Zt
−αt b
f(t, Bt ) = e X0 + (1 − e−αt ) + e−αt β eαs dBs
α 0

[Link] Franco 22 ENSET

 Fondements théoriques des équations différentielles stochastiques

1.4.3 Transformée de Lamperti

Avant d’aborder les méthodes de résolution numérique, nous allons introduire la trans-
formée de Lamperti[J62] qui est très utile pour traiter de nombreux processus stochastiques
markoviens. Sous la forme différentielle suivante :

dXt = a(t, Xt )dt + b(Xt )dBt (1.19)

[SS19]On appelle la transformée de Lamperti de X, la fonction Y définie de la manière sui-

vante :
Z Xt
1
Yt = F(Xt ) = du (1.20)
 b(u)

Avec ce changement de variable, l’équation stochastique (1.19) devient

dYt = aY (t, Xt )dt + dBt (1.21)

avec
a(t, F−1 (y)) 1 ∂(b(F−1 (y)))
aY (t, Xt ) = −
b(F−1 (y)) 2 ∂x
d’où, on a
!
a(t, Xt ) 1 ∂(b(Xt ))
dYt = − dt + dBt (1.22)
b(Xt ) 2 ∂x

Zx
1
Démonstration Appliquant la formule d’Itô à la fonction Yt = f(t, x) = du, avec
 b(u)

∂f(t, x) ∂f(t, x) 1 ∂2 f(t, x) bx (x)

= 0, = et 2
=− 2
∂t ∂x b(x) ∂x b (x)
on obtient directement le résultat
!
a(t, Xt ) 1 2 bx (Xt ) 1
dYt = df(t, x) = 0 + − b (Xt ) 2 dt + b(Xt ) dBt
b(Xt ) 2 b (Xt ) b(Xt )
!
a(t, Xt ) 1 ∂(b(Xt ))
= − dt + dBt
b(Xt ) 2 ∂x

[GH12]L’intérêt de cette transformation est qu’elle supprime le bruit blanc multiplicatif de

l’équation initiale au profit d’une équation avec un bruit blanc additif. Nous allons voir par
la suite que sur le plan numérique ce changement de variable est très utile et peut améliorer
la précision numérique.
Exemple 1.4.10 Considérons l’EDS suivante
!
1
dXt = αXt ln Xt + Xt dt + Xt dBt
2

1. Donner la transformation Lamperti de cette équation.

2. En déduire la résolution analytique.

[Link] Franco 23 ENSET

 Fondements théoriques des équations différentielles stochastiques

1. La transformation de Lamperti est

Zx
1
y = F(x) = du = ln x − ln 
 u
dans cette exemple, on prend  = 1, donc y = ln x, par suite x = ey .Par définition, on
a
!
1 1 1
dYt = (αXt ln Xt + Xt ) − dt + dBt
Xt 2 2
1 1
= (αYt + − )dt + dBt
2 2
= (αYt )dt + dBt

Donc, l’équation dévient EDS linéaire.

2. La résolution analytique :

dYt = αYt dt + dBt

On pose Yt = f(t, Bt ), en utilisant lemme d’Itô, on a :

 
∂f 1 ∂2 f  ∂f
dXt =  + 2
dt + dBt
∂t 2 ∂B ∂B

Par identification, on obtient


 ∂f
 ∂t +
1 ∂2 f
= αf

 2 ∂B2




 ∂f = 1 =⇒ ∂2 f
∂B ∂B2
=0
∂2 f
En remplaçant ∂B2
par sa valeur, on obtient
∂f ∂f
= αf =⇒ = α∂t (1.23)
∂t f
Intégré (1.23) on a
Zt Zt
∂f
= −α ds =⇒ ln(f(t, Bt )) − ln(Y0 ) = αt + C(Bt )
0 f 0

Isoler f(t, Bt )

e(ln(f(t,Bt ))) = e(αt+C(Bt )+ln(X0 )) =⇒ f(t, Bt ) = K(Bt )eαt

avec K(Bt ) = Y0 eC(Bt )

Calcul K(Bt ), on a
∂(K(Bt )eαt )
= 1 =⇒ K 0 (Bt )eαt = 1 =⇒ K 0 (Bt ) = e−αt
∂B
Intégré par rapport à Bt , en utilisant borne 0 et t
Zt Zt Zt
0
K (Bs )dBs = e dBs =⇒ K(Bs ) − K(B0 ) = e−αs dBs
−αs
0 0 0

[Link] Franco 24 ENSET

 Fondements théoriques des équations différentielles stochastiques

Donc,
Zt
K(Bt ) = K(B0 ) + e−αs dBs
0

K(B0 ) = f(0, B0 ) = Y0
Donc,
 Zt 

Yt = eαt Y0 + e−αs dBs 

0

 Zt 

eαt  ln X0 + e−αs dBs 

0
Comme x = ey alors Xt = e

[Link] Franco 25 ENSET

 Chapitre 2

Approximations numériques des EDS

Dans ce chapitre nous intéressons à la résolution numérique d’une équation différentielle

stochastique dirigée par un mouvement brownien unidimensionnel par la méthode d’Euler-
Maruyama et la méthode Milstein.

2.1 Problème de l’EDS

Une équation différentielle stochastique est donnée sous sa forme différentielle :
dXt = a(t, Xt )dt + b(t, Xt )dBt (2.1)
Nous avons vu que si a et b sont continues en (t, X) et lipschizienne en X cette équation
possède une unique solution forte. Cette solution sous sa forme intégrale
Zt Zt
Xt = X0 + a(s, Xs )ds + b(s, Xs )dBs (2.2)
0 0

Cependant, il est parfois difficile d’obtenir une expression analytique pour cette solution. Il est
donc important de développer des méthodes numériques afin de simuler des approximations
de la solution de telles équations. Les schémas numériques utilisés pour les EDO peuvent,
en général, être adaptés au cas aléatoire.

2.2 Discrétisation et notion de convergence

Si on ne trouve pas d’une manière explicite la solution d’équation (2.1), il faut passer à
la résolution numérique pour avoir une solution approximative discrète.
Pour ce faire, il faut commencer par partitionner l’intervalle d’observation [t0 , T ] en N
sous intervalles. Ainsi, On obtient une partition = {0 = t0 < t1 < t2 < ... < tN−1 < tN = T }
de cette intervalle. Nous allons supposer que les instants de discrétisation sont équidistants,
ce qui implique que le pas de discrétisation h = ti+1 − ti est constant. On peut alors le
calculer h = T −t
N
0
. Notons que N doit être assez élevée pour que h ∈]0; 1[ [H.R17].

Par exemple, dans la pratique, pour un intervalle de temps d’une année, si le processus
est observé mensuellement alors N = 12 et h = 121 et, si hebdomadairement alors h = 521 et
1
si journalière on avait h = 252 .
Nous commençons par introduire quelques notions de convergence.

2.2.1 Convergence et estimation d’erreur

[I.B24]Typiquement, l’absence de solution explicite à un équation différentielle stochas-
tique nécessite l’utilisation de simulations numériques. Cependant, si le problème possède

[Link] Franco 26 ENSET

 Approximations numériques des EDS

une solution analytique, nous pouvons calculer l’erreur estimée entre le processus d’Itô et
son approximation au temps T comme suit :
^T |)
forte = E(|XT − X
L’erreur absolue est estimée en exécutant N simulations diverses de trajectoires simples
^ Ces simulations sont basées sur les même
pour le processus d’Itô et ses approximations X.
échantillons de trajectoires du mouvement brownien. Nous utiliserons l’estimation suivante :
1 X
N
= |XT − X
^T |
N j=1

Définition 2.2.1 L’erreur locale de {X

^tn } entre deux instants consécutifs tn et tn+1 pour
tout n = 1, 2, ..., N définie par
^tn , n = 1, 2, ..., N
δn = Xtn − X
Le schéma numérique {X
^tn } est dit local d’ordre α si
^tn = O(hα+1 )
Xtn − X

Définition 2.2.2 L’erreur globale {X

^tn } d’un point de départ t0 au point final tN = T est
définie par
^n , n = 1, 2, ..., N
n = Xtn − X
^n est dit global d’ordre β si
De même, le schéma numérique X
^n = O(hβ+1 )
Xtn − X
Maintenant, nous pouvons considérer la manière de mesurer la précision d une solution
numérique de l’EDS. Les plus utilisées sont la convergence forte et la convergence faible.
^ avec une
Définition 2.2.3 (Convergence fort) L’approximation discrétisée en temps X
taille de pas h converge fortement vers X au temps T si
!
^hN
lim E XT − X =0
h−→+∞

^ converge fortement vers X avec un ordre (global) p si on a

On dit que X
!
E XT − ^hN
X ≤ Chp

pour constante C > 0 qui ne dépend pas de h.

Définition 2.2.4 (Convergence faible) L’approximation X ^ avec une taille de pas uni-
forme h converge faiblement vers Xau temps T si la condition suivante est satisfaite pour
toute fonction continument différentiable g

^hN )) = 0
lim E(g(XT )) − E(g(X
h−→0

^ converge faiblement vers X avec un ordre p signifie

X

^hN )) ≤ Chp
E(g(XT )) − E(g(X

pour un certain nombre constant positif C indépendant de h.

[Link] Franco 27 ENSET

 Approximations numériques des EDS

Remarque 2.2.1 La convergence forte mesure la moyenne de l’erreur des moyens de la

solution et de l’approximation avec une fonction g continument différentiable donnée.
Proposition 2.2.1 Si une suite (Xn ) converge fortement vers X, alors elle converge faible-
ment aussi vers X.
Remarque 2.2.2 La réciproque est fausse car convergence en probabilité =⇒convergence
en LP .
Proposition 2.2.2 L’ordre de convergence faible est toujours supérieur ou égal à l’ordre de
convergence forte : β > γ.

2.3 Méthode approximative

Le cas où l’EDS admet une solution explicite est très rare tout comme avec le cas où
sa densité de transition est connue explicitement. Si ces cas ne se présentent pas, il faut
se tourner vers les méthodes approximatives. Cela passe par la version discrète de l’EDS.
Plusieurs méthodes existent dans la littérature et celles qui sont présentées sont loin d’être
exhaustives.

2.3.1 Schémas d’Euler-Maruyama

Le schéma d’Euler-Maruyama est le plus utile et le plus connu dans le calcul stochastique
pour trouver une solution approximative à une EDS donnée. Construction de schéma d’Euler-
Maruyama d’équation (2.1) est donnée à l’aide d’une intégral stochastique :
Zt Zt
Xt = X0 + a(s, Xs )ds + b(s, Xs )dBs . (2.3)
0 0
Pour t = ti+1 et t = ti , on a :
Z ti+1 Z ti+1
Xti+1 = X0 + a(s, Xs )ds + b(s, Xs )dBs (2.4)
t0 t0

et Z ti Z ti
Xti = X0 + a(s, Xs )ds + b(s, Xs )dBs (2.5)
t0 t0

Par la soustraction d’équation (2.14) et (2.15), on obtient

Z ti+1 Z ti+1 Z ti Z ti
Xti+1 − Xti = a(s, Xs )ds + b(s, Xs )dBs − a(s, Xs )ds + b(s, Xs )dBs
t t t t
Z t0i+1 Z t0i Z ti+1 0 Z t0i
= a(s, Xs )ds − a(s, Xs )ds + b(s, Xs )dBs − b(s, Xs )dBs
t0 t0 t0 t0

D’après propriété d’intégrale, on a :

Z t0 Z ti+1 Z t0 Z ti+1
Xti+1 − Xti = a(s, Xs )ds + a(s, Xs )ds + b(s, Xs )dBs + b(s, Xs )dBs
ti t0 ti t0

D’après la relation de Chasles, alors

Z ti+1 Z ti+1
Xti+1 = Xti + a(s, Xs )ds + b(s, Xs )dBs (2.6)
ti ti

[Link] Franco 28 ENSET

 Approximations numériques des EDS

En utilisant la notation indiciaire par Xi = Xti et Xi+1 = Xti+1 , pour i = 0, ..., N et l’approxi-
mation des intégrales d’équation (2.16) est donnée par :
Z ti+1
a(s, Xs )ds ≈ a(ti , Xi )(ti+1 − ti ) ≈ a(ti , Xi )4i (2.7)
ti

et
Z ti+1
b(s, Xs )dBs ≈ b(ti , Xi )(Bi+1 − Bi ) ≈ b(ti , Xi )4Bi (2.8)
ti

Maintenant, en substituant l’équation (2.7) et (2.8) dans (2.16) on obtient

Xi+1 = Xi + a(ti , Xi )4i + b(ti , Xi )4Bi (2.9)

Par suite, l’approximation d’Euler-Maruyama d’équation (2.1) est donnée par :



Xi+1 = Xi + a(ti , Xi )4i + b(ti , Xi )4Bi

X
0

X0 la condition initiale où Xi+1 est la valeur d’approximation à l’instant de discrétisation

ti = ih et 4Bi = Bi+1 − Bi , représentant les accroissement d’un processus de Wienner
B = {Bt , t ≥ 0} pour lequel 4Bi suit N(0, ti+1 − ti ) = N(0, h).
En pratique, toujours recours à la loi normale centrée et réduite pour approximer la valeur
de 4Bi , pour cella nous passons à la centrage et réduction, d’après le théorème central limite
on a :
4Bi − E(4Bi ) 4Bi √
Zi = √ = √ =⇒ 4Bi = hZi
h h
Zi sont de variable aléatoire indépendant et identiquement distribué de la loi N(0, 1).
Par conséquent, l’approximation d’Euler-Maruyama d’un processus de diffusion Xt est de
la forme
√
Xi+1 = X0 + a(ti , Xi )h + b(ti , Xi ) hZi (2.10)

Algorithme 2.3.1 La méthode D’Euleur-Maruyama pour la résolution numérique de l’équa-

tion (2.1) dans l’intervalle [0, T ] est définit par les étapes suivantes :
T
1. Etape 1 : Discrétisons l’intervalle [0, T ] avec un pas h = N
, puis nous obtenons points
ti = ih, i = 0, ..., N.
2. Etape 2 : Tirez une variable aléatoire ∆Bi de la distribution

∆Bi N(0, h)

3. Etape 3 : calculer

Xi+1 = Xi + a(ti , Xi )∆i + b(ti , Xi )∆Bi

[Link] Franco 29 ENSET

 Approximations numériques des EDS

Exemple 2.3.1 Considérons l’équation différentielle stochastique linéaire suivante

dXt = λXt dt + µXt dBt t ∈ [0, T ]

Soit T = 1, avec un pas de discrétisation h = 1/N, et pour X0 = 1, λ = 1, 5 et µ = 1, le

schéma d’Euler-Maruyama de cet exemple est

Xi+1 = Xi + λXi h + µXi ∆Bi

Pour l’étude de la convergence nous avons besoin du résultat important donné dans la pro-
position suivante :
Proposition 2.3.1 [Ahl21] Supposons que les coefficients de l’EDS (1.5) a et b satisfont
les conditions suivantes :
– H1 : ∃k > 0 tel que ∀x, y ∈ R et s, t ∈ R+ on a :

| a(t, x) − a(s, y) |2 + | b(t, x) − b(s, y) |2 ≤ k(| t − s | + | x − y |2 )

– H2 : ∃l > 0 tel que ∀x, y ∈ R et t ∈ R+ on a :

| a(t, x) |2 + | b(t, x) |2 ≤ l(1+ | x |2 )

Alors pour tout i = 0, ..., N :

2!
^ht
E Xti − X ≤ Mh
i

Démonstration Pour entamer la preuve nous avons besoin d’un processus particulier X ^t ,
il sert à approximer la solution pour tout t ∈ [0, T ] et pas seulement au point ti pour i =
0, ..., N.
Pour t ∈ [ti , ti+1 ] et i = 0, ..., N − 1, on définit
Z ti Z ti
^ h
Xt = Xti + a(s, Xs )ds + b(s, Xs )dBs
0 0

^t est la solution de l’équation différentielle stochastique :

On remarque que X
^t = a(ti , Xht )dt + b(ti , Xht )dBt Xti = Xht
dX (2.11)
i i

et pour t ∈ [ti , ti+1 ] et i = 0, ..., N − 1 on définit l’erreur par

^t
t = Xt − X

alors pour i = 0, ..., N − 1, le processus stochastique t est solution de EDS sur t ∈ [ti , ti+1 ]

dt = (a(t, Xt ) − a(ti , Xhti ))ds + (b(t, Xt ) − b(ti , Xhti ))dBt (2.12)

associée à la condition initiale

^ti
ti = Xti − X

En appliquant la formule d’Itô

∂2 F(t, Xt )
!
∂F(t, Xt ) ∂F(t, Xt ) 1 2 ∂F(t, Xt )
dF(t, Xt ) = + a(t, Xt ) + b (t, Xt ) dt + b(t, Xt ) dBt
∂t ∂t 2 ∂2 x ∂x

[Link] Franco 30 ENSET

 Approximations numériques des EDS

pour 2t on obtient :

^t )(a(t, Xt ) − a(ti , Xht ))dt + (b(t, Xt ) − b(ti , Xht ))2 dt
d2t = 2(Xt − X i i

^ h
+ 2(Xt − Xt )(b(t, Xt ) − b(ti , Xt ))dBt i

Alors E(2ti+1 ) satisfait :

Z ti+1 ! Z ti+1 !
E(2ti+1 ) = E(2ti ) + E (b(t, Xt ) − b(ti , Xhti ))2 dt + E ^t )(a(t, Xt ) − a(ti , Xht ))dt
2(Xt − X i
ti ti
Z ti+1 !
+E ^t )(b(t, Xt ) − b(ti , Xht ))dBt
2(Xt − X i
ti
ZT !
∂F(t, Xt )
En utilisant E b(t, Xt ) dBt = 0 on a :
0 ∂x
Z ti+1 ! Z ti+1 !
2 2
E(ti+1 ) = E(ti ) + E h 2
(b(t, Xt ) − b(ti , Xti )) dt + E ^t )(a(t, Xt ) − a(ti , Xt ))dt
2(Xt − X h
i
ti ti

et par l’inégalité 2ab ≤ a2 + b2 :

Z ti+1 ! Z ti+1 !
2 2
E(ti+1 ) ≤ E(ti ) + E h 2
(b(t, Xt ) − b(ti , Xti )) dt + E ^ 2
(Xt − Xt ) dt
ti ti
Z ti+1 !
+E (a(t, Xt ) − a(ti , Xhti ))2 dt
ti
Z ti+1 Z ti+1
≤ E(2ti ) + E(b(t, Xt ) − b(ti , Xhti ))2 dt + ^t )2 dt
E(Xt − X
ti ti
Z ti+1
+ E(a(t, Xt ) − a(ti , Xhti ))2 dt
ti

on a :

| a(t, Xt ) − a(ti , Xhti ) |2 =| a(t, Xt ) − a(ti , Xti ) + a(ti , Xti ) − a(ti , Xhti ) |2
≤| a(t, Xt ) − a(ti , Xti ) |2 + | a(ti , Xti ) − a(ti , Xhti ) |2
+ 2 | a(t, Xt ) − a(ti , Xti ) | × | a(ti , Xti ) − a(ti , Xhti ) |
≤ 2 | a(t, Xt ) − a(ti , Xti ) |2 +2 | a(ti , Xti ) − a(ti , Xhti ) |2

d’après l’hypothèse H1 :

| a(t, Xt ) − a(ti , Xhti ) |2 ≤ 2k | t − ti | +2k | Xt − Xti |2 +2k | Xt − Xhti |2

de même :

| b(t, Xt ) − b(ti , Xhti ) |2 ≤ 2k | t − ti | +2k | Xt − Xti |2 +2k | Xt − Xhti |2

On a :
Z ti+1 Z ti+1 Z ti+1
E(2ti+1 ) ≤ E(2ti ) + 4k (t − ti )dt + 4k E(| Xt − Xti | )dt + 4k2
E(| Xti − Xhti |2 )dt
ti ti ti
Z ti+1
+ ^t )2 dt
E(Xt − X
ti

[Link] Franco 31 ENSET

 Approximations numériques des EDS

donc d’après la régularité de la solution, on obtient :

Z ti+1 Z ti+1 Z ti+1 Z ti+1
2 2
E(ti+1 ) 6 E(ti ) + 4k (t − ti )dt + 4kC (t − ti )dt + 4k 2
E(ti ) + ^t )2 dt
E(Xt − X
ti t ti ti
Z iti+1
≤ (4kh + 1)E(2ti ) + 2k(1 + C)h2 + E(2s )ds
ti

Donc, Z ti+1
E(2ti+1 ) ≤ a(t) + E(2s )ds.
ti

Avec

a(t) = (4kh + 1)E(2ti ) + 2k(1 + C)h2 .

Utilisons le lemme de Gronwall, on a :
Z ti+1
E(2ti+1 ) ≤ a(t) + exp(ti+1 − t)a(t)dt.
ti

Donc,

E(2ti+1 ) ≤ exp(h)[(4kh + 1)E(2ti+1 ) + 2k(1 + C)h2 ]

On pose ai = E(2ti ) , r = exp(h)(4kh + 1) et s = exp(h)2k(C + 1)h2 .
Alors, ai+1 6 rai + s, ∀i = 0, ..., N − 1 avec E(20 ) = 0
N −1
Une simple récurrence permet de vérifier qu’alors : aN ≤ s rr−1 . Il s’en suite que :

exp(Nh)(4kh + 1)N − 1
E(2tN ) ≤ 2k(C + 1) exp(h)h2
exp(h)(4kh + 1) − 1
2k(C + 1) exp(h)h2 exp(Nh)(4kh + 1)N
≤
exp(h)(4kh + 1) − 1
2k(C + 1) exp(h)h2 exp(Nh)(4kh + 1)
≤
exp(h) − 1 + 4kh exp(h)
.
En notant que exp(h) − 1 > 0
Alors,

2k(C + 1) exp(h)h2 exp(Nh) exp(4Nkh)

E(2tN ) ≤ .
4kh exp(h)
(C + 1) exp(Nh) exp(4Nkh)
≤h
2
(C + 1) exp((1 + 4k)T )
≤h
2
Donc, E(|Xti − X ^ht |2 ) ≤ Mh; avec M = (C+1) exp(1+4k)T
i 2
D’où, la proposition.

[Link] Franco 32 ENSET

 Approximations numériques des EDS

Remarque 2.3.1 L’approximation d’Euler-Maruyama de la solution exacte est la chaine

de Markov Xh définie par


Xhi+1 = Xhi + a(ti , Xhi )h + b(ti , Xhi )4Bi

Xh = x
0 0

pour i = 0, ..., N − 1
Maintenant, nous avons besoin de définir l’approximation d’Euler-Maruyama ∀t ∈ [0, T ].
Pour cela, nous allons introduire Yt comme interpolation linéaire par morceaux passant par
les points (ti , Xhi ) définie par :

Xhi (ti+1 − t) Xhi+1 (t − ti )

Yt = +
h h
, pour ti ≤ t ≤ ti+1 et i = 0, ..., N − 1.
Nous pouvons énoncer le théorème de convergence suivant :
Théorème 2.3.1 [Ahl21]Sous les hypothèses H1 et H2 l’approximation de la méthode d’Euler-
Maruyama converge vers la solution exacte dans L2 (Ω, [0, T ]).
Démonstration On a :
ZT ! N−1 Z ti+1
X
kX − Yk2L2 (Ω,[0;T ]) E | Xt − Yt | dt =
2
E(| Xt − Yt |2 )dt
0 i=0 ti

Remplaçons Yt par sa formule

N−1 Z ti+1
X Xhi (ti+1 − t) Xhi+1 (t − ti ) 2
2
kX − YkL2 (Ω,[0;T ]) = E(| Xt − − | )dt
i=0 ti
h h
N−1 Z ti+1
X (ti+1 − t) + (t − ti ) (t − ti )
= E(| Xt − Xti + Xti + Xti+1
i=0 ti
h h
(t − ti ) Xhi (ti+1 − t) Xhi+1 (t − ti ) 2
− Xti+1 − − | )dt
h h h
N−1 Z ti+1
X ti+1 − t t − ti
≤ E(| Xt − Xti | + | Xti − Xhi | + | Xti+1 − Xhi+1 |
i=0 ti
h h
t − ti 2
+ | Xti − Xti+1 | ) dt
h
Utilisons l’inégalité 2ab ≤ a2 + b2 alors :
N−1 Z ti+1
X N−1 Z ti+1
X 2
h 2 (ti+1 − t)
2
kX − YkL2 (Ω,[0;T ]) ≤ 4 E(| Xt − Xti | ) + 4
2
E(| Xti − Xti | ) dt
i=0 ti i=0 ti
h2
N−1 Z ti+1
X 2 N−1 Z ti+1
X 2
2 (t − ti ) 2 (t − ti )
+4 E(| Xti+1 − Xti+1 | )
h
2
dt + 4 E(| Xti − X ti+1 | ) 2
dt
i=0 t i
h i=0 t i
h
En appliquant la proposition 2.3.1, on a :
N−1 Z ti+1
X N−1 Z ti+1
X N−1 Z ti+1
X
(ti+1 − t)2 (t − ti )2
2
kX − YkL2 (Ω,[0;T ]) ≤ 4 E(| Xt − Xti | ) + 4
2
M dt + 4 M dt
i=0 ti i=0 ti
h i=0 ti
h
N−1 Z ti+1
X (t − ti )2
+4 E(| Xti − Xti+1 |2 ) dt
i=0 ti
h2

[Link] Franco 33 ENSET

 Approximations numériques des EDS

D’après la régularité de la solution, on a l’estimation suivante :

N−1 Z ti+1
X N−1 Z ti+1
X N−1 Z ti+1
X
(ti+1 − t)2 (t − ti )2
kX − Yk2L2 (Ω,[0;T ]) ≤4 c(t − ti )dt + 4 M dt + 4 M dt
i=0 ti i=0 ti h i=0 ti h
N−1 Z ti+1
X (t − ti )2
+4 c | ti − ti+1 | dt
i=0 ti h2

Alors
X
N−1
h2 h3 h3 h3
kX − Yk2L2 (Ω,[0;T ]) ≤4 (c + M +M +c )
i=0
2 3h 3h 3h
X
N−1
h2
≤4 (5c + 4M)
i=0
6
h2
≤ (10c + 8M)N
3
h
≤ (10c + 8M)T
3

Posons k2 = (10c + 8M)T (10c+8M)T

3
, donc

kX − Yk2L2 (Ω,[0;T ]) ≤ k2 h

D’où,
1
kX − YkL2 (Ω,[0;T ]) ≤ kh 2

Ce qui nous permet d’énoncer le théorème de convergence forte suivant :

Théorème 2.3.2 Sous les hypothèses H1 et H2, l’approximation d’Euler-Maruyama converge

fortement vers la solution exacte à l’ordre 21 .

Démonstration D’après théorème 2.3.1, on a

1
kX − YkL2 (Ω,[0;T ]) ≤ kh 2

En utilisons la relation (1.1), on obtient

1
kX − YkL1 ≤ kX − YkL2 (Ω,[0;T ]) ≤ kh 2

Par transitivité, on a
1
kX − YkL1 ≤ kh 2
Or kX − YkL1 = E(| X − Y |), donc
1
E(| X − Y |) ≤ kh 2

D’après définition 2.2.3, l’approximation d’Euler-Maruyama converge fortement vers la so-

lution exacte à l’ordre 21

La qualité de convergence faible du schéma d’Euler-Maruyama est exprimée dans le théorème

suivant :

[Link] Franco 34 ENSET

 Approximations numériques des EDS

Théorème 2.3.3 (convergence faible) Sous les hypothèses H1 et H2, l’approximation

d’Euler-Maryama converge faiblement vers la solution exacte à l’ordre 1.

Démonstration contenu...

Le schémas d’Euler-Maruyama est simple et très utilisée, mais il présent plusieurs limites
importantes comme son ordre de convergence forte est seulement 12 cela signifie qu’il faut
choisir un pas h très petit pour obtenir une bonne approximation, le temps de calcul élevé
lorsque h est petit. Ce schéma peut devenir instable dans le cas d’EDS raides ou fortement
non linéaire ce qui entraine explosion numérique. Son convergence peut échouer et les moment
peuvent diverger si le coefficient de dérivée et de diffusion ne vérifient pas les conditions
de Lipschitz globale. Ces faiblesses motivent l’étude de schémas améliorés comme celui de
Milstein.

2.3.2 Schémas de Milstein

Maintenant, nous allons expliquer une autre méthode très connue pour trouver une so-
lution approximative à l’EDS, à savoir la méthode de Milstein. Considérons à nouveau la
même EDS et la même partition de l’intervalle de temps. Construction de schéma de Mil
d’équation (2.1) est donnée à l’aide d’une intégral stochastique :
Zt Zt
Xt = X0 + a(s, Xs )ds + b(s, Xs )dBs . (2.13)
0 0

Pour t = ti+1 et t = ti , on a :
Z ti+1 Z ti+1
Xti+1 = X0 + a(s, Xs )ds + b(s, Xs )dBs (2.14)
t0 t0

et Z ti Z ti
Xti = X0 + a(s, Xs )ds + b(s, Xs )dBs (2.15)
t0 t0

Par la soustraction d’équation (2.14) et (2.15), on obtient

Z ti+1 Z ti+1 Z ti Z ti
Xti+1 − Xti = a(s, Xs )ds + b(s, Xs )dBs − a(s, Xs )ds + b(s, Xs )dBs
t t t t
Z t0i+1 Z t0i Z ti+1 0 Z t0i
= a(s, Xs )ds − a(s, Xs )ds + b(s, Xs )dBs − b(s, Xs )dBs
t0 t0 t0 t0

D’après propriété d’intégrale, on a :

Z t0 Z ti+1 Z t0 Z ti+1
Xti+1 − Xti = a(s, Xs )ds + a(s, Xs )ds + b(s, Xs )dBs + b(s, Xs )dBs
ti t0 ti t0

D’après la relation de Chasles, alors

Z ti+1 Z ti+1
Xti+1 = Xti + a(s, Xs )ds + b(s, Xs )dBs (2.16)
ti ti

[Link] Franco 35 ENSET

 Approximations numériques des EDS

En utilisant la première formule d’Itô en a(s, Xs ) et en b(s, Xs ), on obtient :

Z ti+1  Zs Zs 
1
Xti+1 = Xti + a(ti , Xt ) +
i
a 0 (u, Xu )dXu + a 00 (u, Xu )(dXu )2 ds
ti ti 2 ti
Z ti+1  Zs Zs 

+ b(ti , Xt ) +
i
b 0 (u, Xu )dXu + b 00 (u, Xu )(dXu )2 dBs
ti ti ti
Z ti+1  Zs Zs
= Xti + a(ti , Xt ) +
i
a (u, Xu )a(u, Xu )du + a 0 (u, Xu )b(u, Xu )dBu
0
ti ti ti
Zs Z ti+1  Zs
1 00
+ 2
a (u, Xu )b (u, Xu )duds + b(ti , Xt ) +
i
b 0 (u, Xu )a(u, Xu )du
2 ti ti ti
Zs Zs 

+ b 0 (u, Xu )b(u, Xu )dBu + b 00 (u, Xu )b2 (u, Xu )dudBs

ti ti
Z ti+1 Z ti+1 Z s Z ti+1 Z s
0
= Xti + a(ti , Xti )ds + a (u, Xu )a(u, Xu )duds + a 0 (u, Xu )b(u, Xu )dBu ds
t ti ti t ti
Z ti+1 Zis Z ti+1 Z ti+1i Z s
1
+ a 00 (u, Xu )b2 (u, Xu )duds + b(ti , Xti )dBs + b 0 (u, Xu )a(u, Xu )dudBs
2 t ti t ti ti
Z ti+1i Z s Z ti+1
i
Zs
+ b 0 (u, Xu )b(u, Xu )dBu dBs + b 00 (u, Xu )b2 (u, Xu )dudBs
ti ti ti ti

On sait que [Link] = 0, [Link] << ds2 donc duds = 0 et dudBs = 0, par suite
Z ti+1 Z ti+1 Z ti+1 Z s
Xti+1 = Xti + a(ti , Xti )ds + b(ti , Xti )dBs + b 0 (u, Xu )b(u, Xu )dBu dBs
ti ti ti ti

D’après (2.7) et (2.8), Xti+1 dévient

Z ti+1 Z s
Xi+1 = Xi + a(ti , Xi )∆i + b(ti , Xi )∆Bi + b 0 (u, Xu )b(u, Xu )dBu dBs
ti ti

Les premiers termes correspondent simplement à la méthode d’Euler. Le terme suivant peut
être approximé davantage (en pensant à effectuer un autre développement d’Itô) par :
Z ti+1 Z s Z ti+1 Z s
0 0
b (u, Xu )b(u, Xu )dBu dBs ≈ b (ti , Xi )b(ti , Xi ) dBu dBs
ti ti t ti
Z tii+1
≈ b 0 (ti , Xi )b(ti , Xi ) (Bs − Bti )dBs
ti
1 1
≈ b 0 (ti , Xi )b(ti , Xi )( (Bti+1 − Bti )2 − h)
2 2
1 0
≈ b (ti , Xi )b(ti , Xi )((∆Bi )2 − h)
2
Donc, le schéma de Milstein est donné par :
1
Xi+1 = Xi + a(ti , Xi )h + b(ti , Xi )∆Bi + b 0 (ti , Xi )b(ti , Xi )((∆Bi )2 − h) (2.17)
2
Algorithme 2.3.2 La méthode de Milstein pour la résolution numérique de l’équation (2.1)
dans l’intervalle [0, T ] est définit par les étapes suivantes :

[Link] Franco 36 ENSET

 Approximations numériques des EDS

1. Etape 1 : Discrétisons l’intervalle [0, T ] avec un pas h = NT , puis nous obtenons points
ti = ih, i = 0, ..., N.
2. Etape 2 : Tirez une variable aléatoire ∆Bi de la distribution
∆Bi N(0, h)

3. Etape 3 : Calculer
1
Xi+1 = Xi + a(ti , Xi )h + b(ti , Xi )∆Bi + b 0 (ti , Xi )b(ti , Xi )((∆Bi )2 − h)
2
Remarque 2.3.2 Remarquons que si le coefficient de diffusion est indépendant de Xt alors
la méthode de Milstein coı̈ncide avec méthode d’Euler-Maryama.

Exemple 2.3.2 Maintenant, pour le schéma de Milstein, nous avons

1
Xi+1 = Xi + λXi ∆i + µXi ∆Bi + µ2 {(∆Bi )2 − ∆i }.
2
Exemple 2.3.3 Nous examinons l’EDS non linéaire :
dXt = −a2 Xt (1 − X2t )dt + a(1 − X2t )dBt 0≤t≤1
où la solution analytique est donnée par :
X(t) = tanh(aB(t) + arctan(X0 )).

Notons bien que ce qu’on vient de présenter n’est pas l’unique schéma de Milstein. Il existe
une deuxième forme.

Autre schéma de Milstein

Dans son article A method of second-order accuracy integration of stochastic differential
equations (1978) cité dans [Iac08], Milstein a proposé deux schémas. Le premier est (2.17)
et le second est (2.18), le plus célèbre et le lus utilisé. Le second est :
!
1 ∂a 1 ∂2 a 2 2
!
1 ∂b 1 ∂b 2
Xi+1 = Xi + a − b h + b∆Bi+1 + b ∆Bi+1 + a + b h (2.18)
2 ∂x 2 ∂x 2 ∂x 4 ∂x2
1 2 ∂2 a
!
1 ∂b 1 ∂a 3
+ a + a+ a 2
Yh 2 (2.19)
2 ∂x 2 ∂x 2 ∂x
pour i allant de 0 à N ; avec Y une variable aléatoire suivant la loi normale standard. Notons
que les fonctions a, b et les dérivées sont évaluées en (ti , Xi ).

Ce schéma a une convergence faible d’ordre 2 contrairement au schéma d’Euler d’ordre

1. Elle est beaucoup plus complexe car elle fait intervenir les dérivées partielles d’ordre 1 et
2 des coefficients de dérive et de diffusion de l’EDS.

2.4 Approximations implicites

Après l’étude des méthodes explicites, qui offrent une mise en œuvre simple peuvent
présenter des problèmes de stabilité, il est naturel de s’intéresser aux méthodes implicites
connues pour leur meilleure propriétés de stabilité. Nous commençons par la méthode d’Euler
implicite puis la méthode Milshtein implicite.

[Link] Franco 37 ENSET

 Approximations numériques des EDS

2.4.1 Méthode d’Euler-Maruyama implicite

Considérons un processus d’Itô {Xt , 0 ≤ t ≤ T } satisfait l’équation (2.1) sur l’intervalle
[0, T ]. En suivant les même étapes que pour le schéma d’Euler-Maruyama explicite, le schéma
implicite en diffère dans l’approximation de l’intégrale (2.7). Cela conduit à :
Z ti+1
a(s, Xs )ds ≈ a(ti , Xi )(ti+1 − ti ) ≈ a(ti , Xi )∆i
ti

Ainsi, dans le cas unidimensionnel, le schéma implicite d’Euler-Maruyama est donné par :

Xi+1 = Xi + a(ti+1 , Xi+1 )∆i + b(ti , Xi )∆Bi (2.20)

Le schéma implicite (2.20) est d’ordre de convergence forte égale à 0.5. A partir du schéma
explicite (2.9) et implicite (2.20), on peut construire la famille des schémas d’Euler implicite :

Xi+1 = Xi + (λa(ti+1 , Xi+1 ) + (1 − λ)a(ti , Xi ))∆i + b(ti , Xi )∆Bi

où λ ∈ [0, T ] représente le degré d’implicité du schéma.

1. Si λ = 0, alors on retrouve le schéma explicite ;
2. Si λ = 1, alors on retrouve le schéma implicite ;
3. Si λ = 12 , alors on a la généralisation de la méthode de trapèze déterministe.

2.4.2 Méthode Milstein implicite

Les deux schémas de Milstein vus précédemment sont tous les deux explicite, c’est à dire
le calcul de Xi+1 se fait uniquement à partir des valeur précédent Xi .

Mais il est aussi possible d’avoir une version implicite du schéma de Milstein :
1
Xi+1 = Xi + (a(ti+1 , Xi+1 )∆i + b(ti , Xi )∆Bi+1 + b 0 (ti , Xi )b(ti , Xi )((∆Bi+1 )2 − ∆i )
2
Voici une famille des schémas de Milstein implicite :
1
Xi+1 = Xi + (λa(ti+1 , Xi+1 ) + (1 − λ)a(ti , Xi ))∆i + b(ti , Xi )∆Bi + b 0 (ti , Xi )b(ti , Xi )((∆Bi+1 )2 − ∆i )
2
où λ ∈ [0, T ] représente le degré d’implicité du schéma.
1. Si λ = 0, alors on retrouve le schéma explicite ;
2. Si λ = 1, alors on retrouve le schéma implicite ;
3. Si λ = 21 , alors on a la généralisation de la méthode de trapèze déterministe. Encore
une fois, sur ce cas la méthode converge avec une ordre de convergence fort égale à 1.

2.4.3 Stabilité numérique

2.5 Analyse théorique comparative

[Link] Franco 38 ENSET

 Chapitre 3

Application et implication
pédagogique

Après avoir présenté quelques méthodes numériques de résolution des équations diffé-
rentielles stochastiques, nous allons comparer deux méthodes numériques par le biais de
simulation à savoir la méthode d’Euler-Maruyama et la méthode de Milstein que nous allons
appliquer à l’EDS linéaire comme modèle de Black-Scholes et aussi à l’EDS non linéaire. Afin
d’atteindre cet objectif, nous allons simuler des échantillons de différents tailles pour diffé-
rentes réplications. Les solutions approchées estimées sont calculées sur la base de plusieurs
pas de temps de discrétisation.

3.1 Protocole expérimentale

L’intérêt pratique de la simulation des équations différentielles stochastiques est très im-
portant, car la résolution analytique n’est pas toujours facile. Cela rend difficile l’étude de
l’évolution dynamique d’un phénomène. Aujourd’hui, le développement de l’outil informa-
tique motive les scientifiques pour mettre au point des schémas numériques pour la résolution
approchée des EDS. Pour réaliser le pratique de simulation, nous utilisons le langage Python.
Langage Python

3.2 Application au modèle Black-Sholes

Le premier modèle d’évolution des actifs financiers a été proposé par Bachelier (1900).
Les actifs risqués étaient supposés Gaussiens et pouvaient donc prendre des valeurs négatives.
Pour remédier à ce défaut, le modèle retenu par la suite est un modèle rendant les actifs
risqués log-normaux, afin de s’assurer qu’ils restent toujours positifs. Ce modèle est connu
sous le nom de Black-Scholes.

3.2.1 Description du modèle de Black-Scholes

Considérons le modèle classique de Black-Scholes :

Wt = ert
dXt = µXt dt + βXt dBt

avec Xt , Wt deux actifs, µ ∈ R, β positif non nul et Bt mouvement brownien standard.

Afin de respecter la tradition financière nous appelons W l’actif non risqué ( W pour
banque), à ne pas confondre avec un mouvement Brownien, et S l’actif risqué qui seront
définis sur une période [0, T ].

[Link] Franco 39 ENSET

 Application et implication pédagogique

Intuitivement le rendement ou taux de variation de l’actif dXt ou Xt n’est rien d’autre

que la quantité µdt à laquelle on ajoute une perturbation aléatoire βdBt . L’amplitude de
cette perturbation est mesurée par β, paramètre difficile à calculer et très important qu’on
appelle la volatilité de l’actif Xt . Le coefficient µ est appelé la dérive.
Par définition le modèle de Black-Scholes est donné par :


dXt = µXt dt + βXt dBt





X(0) = X , µ ∈ R, β positif non nul
0

La résolution analytique de cette équation est déjà fait dans l’exemple (1.4.8). La solution
analytique de cette équation est :
1 2 )t
Xt = X0 eβBt +(µ− 2 β

3.2.2 Simulation solution exacte

Nous avons simulé la solution exacte de Black-Scholes pour différentes tailles et pas de
1
discrétisation 100 et nombre d’échantillons et pour des paramètres constantes (µ = 1.5, β =
1). La figure 3.1 représente une trajectoire de la solution exacte du modèle de Black-Scholes.

Figure 3.1 – Simulation de solution exacte

On observe que la valeur initiale commence autour de X0 = 1, puis elle évolue de manière
aléatoire au cours du temps. Au début, la trajectoire augmente rapidement, atteignant un
maximum proche 1.7. En suite, elle diminue progressivement jusqu’à des valeurs autour de
0.5. Dans la dernière partie, la courbe présente des oscillations autour de valeurs proches de
1. Ces fluctuations sont dues au caractère aléatoire du modèle, qui dépend du mouvement
brownien. La trajectoire est donc irrégulière mais continue.

3.2.3 Simulation par méthode d’Euler

[Link] Franco 40 ENSET

 Application et implication pédagogique

Figure 3.2 – Approximation d’Euler

3.2.4 Simulation par méthode de Milstein

Figure 3.3 – Approximation Milstein

3.2.5 Comparaison de méthode d’Euler-Maruyama, Milstein et

solution exacte
Dans ce paragraphe, nous comparons l’approximation d’Euler-Maruyama et Milstein avec
la solution exacte. La Figure 3.4 représente les solutions exactes et approchées obtenues
par les schémas d’Euler et de Milstein pour une trajectoire du mouvement brownien avec
N = 100. Les trois courbes sont proches, Euler et Milstein suivent bien la solution exacte,
cela signifie que le pas de temps choisi est assez petit. La courbe rouge est souvent plus proche
de la bleue que le verte. La courbe verte s’éloigne légèrement dans certaines zones, surtout
aux pics et variation rapides (t ≈ 0.1 à 0.2 et t ≈ 0.7 à 0.9). Les trajectoire restent bornées
sur [0, 1], donc pas d’explosion numérique cela signifie que les deux schémas numériques sont
stables. Donc Milstein donne une meilleure approximation que Euler.
La Figure 3.5 représente la convergence forte en échelle logarithmique. L’axe horizontal
représente le pas h et l’axe vertical représente erreur forte de la moyenne. La courbe verte
est presque parallèle à droite de la pente 12 , l’erreur diminue quand le pas h proche de 0.
La courbe rouge suit clairement la pente de la droite d’ordre 1, l’erreur diminue beaucoup
plus vite. A chaque pas h, la courbe rouge est nettement en dessous de la courbe courbe

[Link] Franco 41 ENSET

 Application et implication pédagogique

Figure 3.4 – Comparaison des solutions approchées avec solution exacte

Figure 3.5 – Convergence forte

verte, c’est-à-dire erreur Milstein << erreur Euler cela signifie que Milstein est plus précis
que Euler surtout pour les petits pas. Ces résultats confirment bien la théorie.

3.3 Application au processus d’Ornstein-Uhlenbeck

3.4 Analyse comparative
3.5 Implication pédagogique

[Link] Franco 42 ENSET

 CONCLUSION

[Link] Franco 43 ENSET

 Références bibliographiques

[Ahl21] Benali Ahlam. Intégration numérique des équations différentielles stochastiques et

implémentation sur python du modèle SIR aléatoire. 2021.
[A.N22] [Link]. Les équations différentielles stochastiques et ses applications. 2021-2022.
[BA18] L. BOUDAHDIR and BERKANI A. Résolution numérique des équations différen-
tielles stochastiques : cas l’EDS de Black-Scholes. 2018.
[Gal06] J.F. Le Gall. Intégration, Probabilités et Processus Aléatoires, Ecole normale su-
périieure de Paris. 2006.
[GH12] A.C GUIDOUM and Hal. Conception d’un pro logiciel interactif sous r pour la
simulation de processus de diffusion, 2012.
[H.D20] [Link]. Equations différentielles stochastiques (EDSs),université de Biskra.
2020.
[H.R17] [Link]. Simulation numérique et estimation des paramètres
d’une équation différentielle stochastique sous R : application en finance. 2016-
2017.
[Iac08] Stephano M . Iacus. Simulation and Inference for Stochastic DifferentialEquations
with R examples. Springer Science+Business Media, LLC. 2008.
[I.B24] [Link]. Numerical treatment of stochastic differential equations : Diffusion
and jump-diffusion processes with applications. 2023-2024.
[I.K51] [Link]. On stochastic differential equations. 1951.
[J62] Lamperti J. Semi-stable stochastic processes. transactions of the american mathe
matical society, 104,[Link] 1962.
[Mil20] Angar Miloud. Approximation numérique des équations différentielles stochas-
tiques, 2020.
[NDO12] C.B. NDONGO. PROCESSUS ALÉATOIRES ET APPLICATIONS EN FI-
NANCE. MARS 2012.
[P.B24] [Link]. Cours calcul stochastique-master 1-enset- université d’Antsira-
nana. 2023-2024.
[PE95] [Link] and [Link]. Numerical solution of stochastic differential equations,
Springer. 1995.
[RAT24] J.F. RATSIRINANDRASANA. Classification des états d’une chaı̂ne Markov et
applications. ENSET, université d’Antsiranana. 2023-2024.
[S.B19] [Link]. Equations différentielles stochastiques et simulation numérique. 2019.
[SC22] [Link] and [Link]. Equations différentielles stochastiques. 2021-2022.
[SS19] Simo Särkkä and Arno Solin. Applied Stochastic Differential Equations. 2019.

[Link] Franco 44 ENSET

 Annexes

simulation de solution exacte

import numpy as np
import [Link] as plt

# Paramètres
T = 1.0 # Temps final
N = 1000 # Nombre de subdivisions
dt = T / N
mu = 1.5
sigma = 1.0
X0 = 1.0

# Temps
t = [Link](0, T, N+1)

# Simulation du mouvement brownien

dW = [Link](dt) * [Link](N)
W = [Link](N+1)
W[1:] = [Link](dW)

# Solution exacte
X_exact = X0 * [Link]((mu - 0.5 * sigma**2) * t + sigma * W)
# Graphique solution exacte
[Link](figsize=(10,6))
[Link](t, X_exact, color=’blue’, label="Solution exacte")
[Link]("Temps")
[Link]("X(t)")
[Link]("Simulation de la solution exacte d’une EDS")
[Link]()
[Link](True)
[Link]()

comparaison

[Link] Franco I ENSET

 RÉFÉRENCES BIBLIOGRAPHIQUES

import numpy as np
import [Link] as plt

# Paramètres de la simulation
T = 1.0 # Temps final
N = 200 # Nombre de pas de temps
dt = T/N # Taille du pas
t = [Link](0, T, N+1)
x0 = 1.0 # Condition initiale X_0

# Paramètres de l’EDS : dX = mu*X*dt + sigma*X*dW

mu = 1.5
sigma = 0.6

# Génération du mouvement Brownien

[Link](42) # Pour la reproductibilité
dW = [Link](dt) * [Link](N)
W = [Link]([Link](dW, 0, 0))

# 1. Solution Exacte (Mouvement Brownien Géométrique)

# X(t) = X0 * exp((mu - 0.5 * sigma^2) * t + sigma * W_t)
x_exact = x0 * [Link]((mu - 0.5 * sigma**2) * t + sigma * W)

# 2. Approximation d’Euler-Maruyama
x_euler = [Link](N+1)
x_euler[0] = x0
for i in range(N):
x_euler[i+1] = x_euler[i] + mu*x_euler[i]*dt + sigma*x_euler[i]*dW[i]

# 3. Approximation de Milstein
# Ajoute le terme de correction : 0.5 * sigma^2 * X * (dW^2 - dt)
x_milstein = [Link](N+1)
x_milstein[0] = x0
for i in range(N):
x_milstein[i+1] = x_milstein[i] + mu*x_milstein[i]*dt + sigma*x_milstein[i]*dW[i]
\
+ 0.5 * sigma**2 * x_milstein[i] * (dW[i]**2 - dt)

# --- Graphiques ---

[Link](figsize=(14, 5))

# Graphique de gauche : Solutions

[Link](1, 2, 1)
[Link](t, x_exact, ’b-’, label=’Exact solution’, linewidth=1.5)
[Link](t, x_euler, ’g-’, label=’Euler approximation’, linewidth=1.5)
[Link](t, x_milstein, ’r--’, label=’Milstein approximation’, linewidth=1.5)
[Link](’t’)

[Link] Franco II ENSET

 RÉFÉRENCES BIBLIOGRAPHIQUES

[Link](’X_t’)
[Link]()
[Link](False)

# Graphique de droite : Erreur absolue

[Link](1, 2, 2)
[Link](t, [Link](x_exact - x_euler), ’m-’, label=’Euler error’)
[Link](t, [Link](x_exact - x_milstein), ’brown’, label=’Milstein error’)
[Link](’t’)
[Link](’The absolute error’)
[Link]()
[Link](False)

plt.tight_layout()
[Link]()

Analyse comparative

# Calcul de l’ordre expérimental de convergence

# Euler-Maruyama vs Milstein

import numpy as np
import [Link] as plt
import pandas as pd

# Paramètres
T = 1
mu = 1.5
sigma = 1
X0 = 1

# Différentes tailles
N_values = [100, 200, 400, 800, 1600, 3200]

err_euler = []
err_milstein = []
h_values = []

for N in N_values:
h = T / N
h_values.append(h)

# Brownien
dW = [Link](h) * [Link](N)
W = [Link](([0], [Link](dW)))
t = [Link](0, T, N+1)

[Link] Franco III ENSET

 RÉFÉRENCES BIBLIOGRAPHIQUES

# Solution exacte
X_exact = X0 * [Link]((mu - 0.5*sigma**2)*t + sigma*W)

# Euler
Xe = [Link](N+1)
Xe[0] = X0

# Milstein
Xm = [Link](N+1)
Xm[0] = X0

for n in range(N):
Xe[n+1] = Xe[n] + mu*Xe[n]*h + sigma*Xe[n]*dW[n]

Xm[n+1] = Xm[n] + mu*Xm[n]*h + sigma*Xm[n]*dW[n] \

+ 0.5*sigma**2*Xm[n]*(dW[n]**2 - h)

err_euler.append(abs(X_exact[-1] - Xe[-1]))
err_milstein.append(abs(X_exact[-1] - Xm[-1]))

# Calcul ordre expérimental

ordre_euler = []
ordre_milstein = []

for i in range(1, len(N_values)):

p1 = [Link](err_euler[i-1]/err_euler[i]) / [Link](2)
p2 = [Link](err_milstein[i-1]/err_milstein[i]) / [Link](2)

ordre_euler.append(p1)
ordre_milstein.append(p2)

# Tableau
df = [Link]({
"N": N_values[1:],
"Ordre Euler": ordre_euler,
"Ordre Milstein": ordre_milstein
})

print(df)

# Graphique erreur
[Link](h_values, err_euler, ’o-’, label="Euler")
[Link](h_values, err_milstein, ’s-’, label="Milstein")

[Link]("h")
[Link]("Erreur")
[Link]("Ordre expérimental de convergence")

[Link] Franco IV ENSET

 RÉFÉRENCES BIBLIOGRAPHIQUES

[Link]()
[Link](True)
[Link]()

[Link] Franco V ENSET