UNIVERSITÉ D’ANTSIRANANA

ÉCOLE NORMALE SUPÉRIEUR 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)

Méthodes numériques des EDS et

applications

Présenté à l’ENSET

par

RATSIRINANDRASANA Jacques Franco

Soutenu publiquement le 15 juin 2026, devant le jury composé de :

... ... Président

... ... Examinateur
BEMARISIKA Parfait Professeur Encadreur

Année universitaire : 2024-2025

 UNIVERSITÉ D’ANTSIRANANA

ÉCOLE NORMALE SUPÉRIEUR 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)

Méthodes numériques des EDS et

applications

Présenté à l’ENSET

par

RATSIRINANDRASANA Jacques Franco

Soutenu publiquement le 15 juin 2026, devant le jury composé de :

... ... Président

... ... Examinateur
BEMARISIKA Parfait Professeur Encadreur

Année universitaire : 2024-2025

 Remerciements

– Je présente mes vifs remerciement à Docteur HDR Canisus Ulrich, Directeur de l’Ecole
Normale Supérieure pour l’Enseignement Technique qui a accepté de nous accueillir en
tant qu’étudiant dans son établissement ;

– J’exprime mes profonds remerciements à Docteur RALAHADY Bruno Backys, chef de

mention E.A.D.I.M.I ;

– Je remercie profondément le Professeur BEMARISIKA Parfait, pour ses conseils bien

vaillants, ses critiques et son aide précieux depuis qu’il a accepté de m’encadrer dans
mon mémoire de Master, d’évaluer et de juger mon travail ;

– Mes sincères remerciement s’adressent aussi à . . . Docteur FENOLAHY Francklin res-

ponsable de parcours Modélisations Mathématiques Déterministes ;

– Mes vifs remerciement aussi à Professeur RAMIFIDISOA Lucius, président du jury

qui est accepté de prendre de leurs temps pour rouler mon soutenance ;

– Mes sincères remerciement s’adressent également à l’ensemble du corps enseignant de

l’ENSET, à ma famille et à mes proches pour leur soutien indéfectible.

i
 Résumé

Ce mémoire étudie les méthodes numériques de résolution des équations différentielles

stochastiques (EDS) et leurs applications. Après avoir rappelé les fondements théoriques
(mouvement brownien, intégrale d’Itô, formule d’Itô), nous présentons deux schémas d’ap-
proximation : Euler-Maruyama (ordre de convergence forte 1/2) et Milstein (ordre 1). Une
analyse comparative de leur précision et de leur stabilité est réalisée.
La partie expérimentale, implémentée en Python, applique ces méthodes à deux modèles
classiques : Black-Scholes (bruit multiplicatif) et Ornstein-Uhlenbeck (bruit additif). Les
simulations confirment les ordres de convergence théoriques et montrent la supériorité du
schéma de Milstein en termes de précision. L’étude de stabilité révèle que les schémas ex-
plicites ne sont stables en moyenne quadratique que sous certaines conditions sur le pas de
temps.
Enfin, des pistes pédagogiques sont proposées pour l’enseignement des EDS et de leurs
méthodes numériques dans le supérieur.

Mots-clés : EDS, Euler-Maruyama, Milstein, convergence forte, stabilité, Black-Scholes,

Ornstein-Uhlenbeck, Python.

i
 Abstract

This thesis investigates numerical methods for solving stochastic differential equations
(SDEs) and their applications. After recalling the theoretical foundations (Brownian motion,
Itô integral, Itô formula), we present two approximation schemes : Euler-Maruyama (strong
convergence order 1/2) and Milstein (order 1). A comparative analysis of their accuracy and
stability is carried out.
The experimental part, implemented in Python, applies these methods to two classical
models : Black-Scholes (multiplicative noise) and Ornstein-Uhlenbeck (additive noise). Si-
mulations confirm the theoretical convergence orders and demonstrate the superiority of the
Milstein scheme in terms of accuracy. The stability study reveals that explicit schemes are
mean-square stable only under certain conditions on the time step.
Finally, pedagogical suggestions are proposed for teaching SDEs and their numerical
methods in higher education.

Keywords : SDEs, Euler-Maruyama, Milstein, strong convergence, stability, Black-Scholes,

Ornstein-Uhlenbeck, Python.

i
 Cahier des charges

Méthodes numériques des EDS 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 : Les équations différentielles stochastiques (EDS) constituent un

outil mathématique fondamental pour la modélisation de phénomènes réels soumis à l’aléa-
toire et à l’incertitude. Elles apparaissent dans de nombreux domaines tels que la finance,
la physique, la biologie et l’ingénierie[Oks85, Za21, Arn74]. Cependant, il est très difficile,
voir impossible de trouver ou tracer une solution exacte aux équations différentielles stochas-
tiques, nous devons donc avoir recours à des méthodes numériques afin de trouver une bonne
approximation de la solution recherchée.

Le travail proposé consiste à :

1. Notes bibliographiques
2. Méthodes numériques classiques
3. Applications en modèles classique

Mots-clés : EDS, Euler-Maruyama, Milstein, convergence forte, stabilité, Black-Scholes,

Ornstein-Uhlenbeck, Python.

Compétences requises et poursuite : Ce thème sera attribué de préférence à un(e)

étudiant(e) ayant suivi le parcours Modélisations stochastique et déterministe, bonne maı̂trise
des langages Python, calcul stochastique, probabilité, analyse numérique et LATEX.

ii
 Table des matières

Remerciements i

Résumé i

Abstract 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 3

1.1 Notes bibliographiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Définitions et notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Intégrale stochastique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Équations différentielles stochastiques . . . . . . . . . . . . . . . . . . . . . . 14
1.4.1 Différents type d’équation différentielles stochastiques . . . . . . . . . 19
1.4.2 Méthode de résolution analytiques . . . . . . . . . . . . . . . . . . . . 20
1.4.3 Transformée de Lamperti . . . . . . . . . . . . . . . . . . . . . . . . 24

2 Approximations numériques des EDS 27

2.1 Problème de l’EDS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2 Discrétisation et notion de convergence . . . . . . . . . . . . . . . . . . . . . 27
2.2.1 Convergence et estimation d’erreur . . . . . . . . . . . . . . . . . . . 28
2.3 Schémas d’Euler-Maruyama . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4 Schémas de Milstein . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4.1 Cas particulier du bruit additif . . . . . . . . . . . . . . . . . . . . . 39
2.5 Approximations implicites . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5.1 Méthode d’Euler-Maruyama implicite . . . . . . . . . . . . . . . . . . 39
2.5.2 Méthode Milstein implicite . . . . . . . . . . . . . . . . . . . . . . . . 40
2.6 Stabilité numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.7 Lien entre schéma d’Euler et Milstein . . . . . . . . . . . . . . . . . . . . . . 42
2.8 Analyse théorique comparative . . . . . . . . . . . . . . . . . . . . . . . . . . 44

iii
 TABLE DES MATIÈRES

3 Applications et implication pédagogique 46

3.1 Protocole expérimentale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2 Application au modèle Black-Sholes . . . . . . . . . . . . . . . . . . . . . . . 47
3.2.1 Description du modèle de Black-Scholes . . . . . . . . . . . . . . . . . 48
3.2.2 Simulation solution exacte . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2.3 Simulation par méthode d’Euler . . . . . . . . . . . . . . . . . . . . . 49
3.2.4 Simulation par méthode de Milstein . . . . . . . . . . . . . . . . . . . 49
3.2.5 Comparaison de méthode d’Euler-Maruyama, Milstein et solution exacte 49
3.2.6 Ordre de convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.2.7 Stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3 Application au processus d’Ornstein-Uhlenbeck . . . . . . . . . . . . . . . . 54
3.4 Implication pédagogique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

CONCLUSION 58

Références bibliographiques 59

iv
 Liste des tableaux

2.1 Comparaison des schémas d’Euler-Maruyama et de Milstein . . . . . . . . . 44

3.1 Convergence forte des schémas d’Euler-Maruyama et de Milstein pour µ =

0.06, σ = 0.25, X0 = 50, T = 1 et M = 5000 . . . . . . . . . . . . . . . . . . 51
3.2 Convergence faible des schémas d’Euler-Maruyama et de Milstein pour µ=
0.06, σ = 0.25, X0 = 50, T = 1 et M = 500 000 . . . . . . . . . . . . . . . . . 51
3.3 Vérification théorique de stabilité au sens moyenne quadratique . . . . . . . 53
3.4 Vérification théorique de stabilité au sens asymptotique . . . . . . . . . . . . 54
3.5 Vérification théorique de stabilité au sens asymptotique de Milstein . . . . . 54

v
 Liste des figures

3.1 Trajectoire d’un mouvement brownien discrétisées dans l’intervalle [0, 1] avec
N = 100 points . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2 Simulation de solution exacte . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3 Approximation d’Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.4 Approximation Milstein . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.5 Comparaison des solutions approchées avec solution exacte de pas h = 0.01, h =
0.0025, h = 0.000625 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.6 Convergence forte et faible pour les méthodes d’Euler-Maruyama et de Milstein 52
3.7 Test de stabilité en moyenne quadratique et asymptotique de la méthode
explicite d’Euler-Maruyama . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.8 Test de stabilité en moyenne quadratique et asymptotique de la méthode
explicite de Milstein . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.9 Simulation de processus d’Ornstein-Uhlenbeck . . . . . . . . . . . . . . . . . 56
3.10 Convergence forte pour le processus d’Ornstein-Uhlenbeck . . . . . . . . . . 56

vi
 Liste des abréviations

EDS Équations différentielles stochastiques

EDO Équations différentielles
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
F tribu
Ft Filtration
E Espérance
Lp Espace de Lebesgue
[Link] Norme dans Lp

viii
LISTE DES FIGURES

INTRODUCTION

Ce travail porte sur le problème de résolution numériques des équations différentielles

stochastiques (EDS). Un phénomène stochastique est un processus dépendant du temps et
contrôlé par un ou plusieurs mouvements browniens. 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 équa-
tions différentielles 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 dif-
férentielles ordinaires sont remplacées dans les équations différentielles stochastiques par des
différentielles et pour résoudre les équations différentielles stochastiques, on fait appel à la
formule d’Itô.
De nombreux phénomènes sont décrits par des équations différentielles stochastiques
lorsqu’une description déterministe n’est pas satisfaisante : économie, biologie, informatique,
finance, 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
numériques afin de trouver une bonne approximation de la solution recherchée.
Dans ce mémoire, nous avons étudié et utilisé les méthodes numériques classiques pour
approximer la solution des EDS, lorsque la solution exacte est difficile ou impossible à dé-
terminer.
Plusieurs travaux ont inspiré ce travail. Nous citons entre autres quelques travaux ci-
après. CHEIKH BÉCAYE NDONGO [NDO12], introduit les notions de base relatives
aux processus et aux équations différentielles stochastiques en s’efforçant de présenter les
éléments théoriques les plus importants. Il pousse cette étude en examinant une application
en finance du très important modèle de Black- Scholes. Il présente ensuite les schémas nu-
mériques d’Euler et de Milstein, et les compare à l’aide de simulations. Il offre aussi quelques
résultats concernant la sensibilité de l’équation de Black- Scholes selon certains paramètres,
BOUDAHDIR Louiza et BERKANI Asmaa [BA18] vont exposer les notions fondamen-
tales sur la résolution numérique des équations différentielles stochastiques et la convergence
de ces dernières puis elles clôturent ce travail par une comparaison de quelques méthodes nu-
mériques à savoir la méthode d’Euler-Maruyama et la méthode de Milstein, Angar Miloud
[Mil20] est de présenter les deux différents schémas de discrétisation usuellement employés
ainsi que leurs efficience en terme de rapidité de convergence et Ikram Boukhelkhal [I.B24]
étudié d’abord les schémas classiques de Taylor-Itô forts et faibles afin d’approximer les solu-
tions 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 par-
tir de développement d’Itô-Taylor, enfin il propose de nouvelles approches numériques pour
approximer certaines classes d’EDS gouvernées par un bruit blanc.
 LISTE DES FIGURES

Pour atteindre cet objectif, nous avons organisé ce travail comme suit. Le chapitre 1 fon-
dements théoriques des équations différentielles stochastiques. Le chapitre 2 approximation
numérique des EDS. Le chapitre 3 applications et implications pédagogiques. Ce travail se
termine par la conclusion.

[Link] Franco 2 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 [SAA20, Aya22] 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 3 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

Dans cette section, nous présentons quelques notions fondamentales de la théorie des
probabilités et des processus stochastiques nécessaires à l’étude des équations différentielles
stochastiques.

Définition 1.2.1 (Tribu) Soit Ω un ensemble non vide. Une famille F de parties de Ω est
appelée une tribu (ou σ-algèbre) si les propriétés suivantes sont vérifiées :
1. Ω ∈ F ;
2. si A ∈ F, alors son complémentaire Ac ∈ F ;
3. pour toute suite (An )n≥1 d’éléments de F, on a
∞
An ∈ F.
[

n=1

Exemple 1.2.1 Les ensembles

F1 = {∅, Ω} et F2 = P(Ω)

sont des tribus sur Ω.

Définition 1.2.2 (Espace probabilisable) Un espace probabilisable est un couple (Ω, F)

où :
– Ω est un ensemble non vide ;
– F est une tribu sur Ω.

Exemple 1.2.2 Soient Ω = {1, 2, 3, 4, 5, 6} et F = P(Ω), alors (Ω, F) est un espace proba-
bilisable.

Définition 1.2.3 (Probabilité) Soit (Ω, F) un espace probabilisable. Une probabilité est
une application
P : F −→ [0, 1]
vérifiant :
1. P(Ω) = 1 ;
2. pour toute suite d’événements deux à deux disjoints (An )n≥1 ,
∞ X
∞
!
[
P An = P(An ).
n=1 n=1

[Link] Franco 4 ENSET

 Fondements théoriques des équations différentielles stochastiques

Définition 1.2.4 (Espace probabilisé) Un espace probabilisé est un triplet

(Ω, F, P),

où :
– Ω est l’univers ;
– F est une tribu sur Ω ;
– P est une probabilité définie sur (Ω, F).

Définition 1.2.5 (Variable aléatoire) Soit (Ω, F, P) un espace probabilisé. Une applica-
tion
X : Ω −→ R
est appelée variable aléatoire si elle est mesurable, c’est-à-dire si

X−1 (B) ∈ F, ∀B ∈ B(R),

où B(R) désigne la tribu borélienne de R.

Exemple 1.2.3 Soit

Ω = {1, 2, 3, 4, 5, 6}
muni de la tribu F = P(Ω). L’application

X(ω) = ω

est une variable aléatoire réelle.

Définition 1.2.6 (Probabilité conditionnelle) Soient A et B deux événements tels que

P(B) > 0. La probabilité conditionnelle de A sachant B est définie par :

P(A ∩ B)
P(A|B) = .
P(B)

Définition 1.2.7 (Espérance conditionnelle) Soit X ∈ L1 (Ω, F, P) et soit G une sous-

tribu de F.
L’espérance conditionnelle de X sachant G, notée

E[X|G],

est l’unique variable aléatoire G-mesurable telle que

Z Z
E[X|G] dP = X dP, ∀A ∈ G.
A A

Remarque 1.2.1 L’espérance conditionnelle représente la meilleure approximation de X à

partir de l’information contenue dans la sous-tribu G.

Propriétés 1.2.1 Soient X, Y ∈ L1 (Ω, F, P) et G une sous-tribu de F. Alors :

1.
h i
E E(X|G) = E(X);

[Link] Franco 5 ENSET

 Fondements théoriques des équations différentielles stochastiques

2. si X est G-mesurable, alors

E(X|G) = X;
3. si Y est G-mesurable, alors
E(XY|G) = YE(X|G);
4. pour tous 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 de variables aléatoires

X = (Xt )t∈T

définies sur un espace probabilisé (Ω, F, P) et indexées par un ensemble T appelé ensemble
des temps.

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 1.2.4 Tout suite de variable aléatoires (Xn )n ∈ N est un processus stochastique à
temps discret.

Définition 1.2.9 (Filtration) [P.B24] Une filtration est une famille croissante de sous-
tribus
(Ft )t≥0
telle que
Fs ⊆ Ft , ∀0 ≤ s ≤ t.

Remarque 1.2.3 La filtration représente l’information disponible au cours du temps.

Définition 1.2.10 (Processus adapté) [P.B24] Un processus stochastique (Xt )t≥0 est dit
adapté à la filtration (Ft )t≥0 si, pour tout t ≥ 0, la variable aléatoire Xt est Ft -mesurable.

Définition 1.2.11 (Espace Lp ) [Gal06] Soit p ≥ 1. On définit l’espace

Lp (Ω, F, P) = {X : Ω → R ; E(|X|p ) < +∞} .

La norme dans Lp est donnée par :

1
kXkLp = (E(|X|p )) p .

Pour p = ∞,
kXkL∞ = sup |X(ω)|.
ω∈Ω

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 | dt
p
<∞
0

[Link] Franco 6 ENSET

 Fondements théoriques des équations différentielles stochastiques

1 1
Inégalité de Young : Soit a et b deux réels positifs, et p, q > 1 vérifiant : p
+ q
= 1.
Alors on a
ap bq
ab ≤ +
p q
Inégalité Hölder Soient X ∈ Lp et Y ∈ Lq avec
1 1
+ = 1.
p q
Alors : 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 Pour toutes variables aléatoires X, Y ∈ L2 , on a :

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 ∈ L1 (Ω, F, P) et a > 0

P(X ≥ a) ≤ a1 E[X]
Définition 1.2.12 (Mouvement Brownien)[RAT24] 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.

Exemple 1.2.5 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 ).

[Link] Franco 7 ENSET

 Fondements théoriques des équations différentielles stochastiques

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 1.2.4 Un mouvement brownien est dite standard si :

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

Le mouvement brownien est le processus fondamental utilisé dans la modélisation des phé-
nomènes aléatoires continus.

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)[RAT24] Un pro-

cessus B = (Bt )t≥0 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.

Théorème 1.2.2 [A.H21](Propriétés de trajectoires)

– Le mouvement brownien n’est pas à variation finie aucun intervalle
– Le mouvement brownien n’est dérivable en aucun point
– lim supt→+∞ Bt = +∞ et lim inf t→+∞ = +∞

Définition 1.2.14 [A.N22] 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

Exemple 1.2.6 Le mouvement brownien (Bt ) est une martingale. En effet :

E[Bt |Fs ] = E[Bs + (Bt − Bs )|Fs ] = Bs + E[Bt − Bs ] = Bs

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 :

[Link] Franco 8 ENSET

 Fondements théoriques des équations différentielles stochastiques
Z
limα→0 supt≥0 |Xt |dP = 0
|Xt |>α

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 1.2.3 (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

p
Yt = sups≤t Xs , on a : E[(Yt ) ] = 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 9 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 ]

Cas particulier pour p = 2

h i
E sups≤t |Xs |2 ≤ 4E[|Xt |2 ]

Théorème 1.2.4 (Propriétés de convergence) Soit (Xt )t≥0 une martingale.

p.s.
1. Si supt≥0 E[|Xt |] < ∞, alors il existe une variable aléatoire X∞ telle que Xt −−−→ X∞
t→∞
2. Si supt≥0 E[|Xt |p ] < ∞ pour p > 1, alors la convergence a lieu dans Lp

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 càdlàg 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

[Link] Franco 10 ENSET

 Fondements théoriques des équations différentielles stochastiques

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

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

[Link] Franco 11 ENSET

 Fondements théoriques des équations différentielles stochastiques

(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 Ftj , on a E((Bti+1 − Bti )/Ftj ) = 0

(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
n−1 Z ti+1
X
 

= 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

[Link] Franco 12 ENSET

 Fondements théoriques des équations différentielles stochastiques

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

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 (1.4)
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 + (dX)2 (1.5)
∂t ∂x 2 ∂x2
avec la règle de calcul (dt)2 = 0, [Link] = 0 et (dBt )2 = dt.
On illustre l’application de la formule d’Itô dans les exemples suivants.
Exemple 1.3.1 Soit Xt = Bt et u(t, X) = Xm , y(t) = u(t, Xt ). Alors par la formule d’Itô :
∂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 m−1
t = mBt dBt + m(m − 1)Btm−2 dt
2
En particulier pour m=2, on trouve
dB2t = 2Bt dBt + dt

[Link] Franco 13 ENSET

 Fondements théoriques des équations différentielles stochastiques

1.4 Équations différentielles stochastiques

Une équation différentielle stochastique est utilisée pour décrire l’évolution d’un système.
Il apparaı̂t comme la généralisation d’un EDO en introduisant un terme modélisant le bruit
aléatoire. Dans ce section nous allons parler des équations différentielles stochastiques qui
est l’outil principal de ce travail. Cependant, dans cette section, nous nous limitons à la
présentation des EDS d’Itô de dimension 1 dirigé par un mouvement brownien standard
unidimensionnel, mais par abus de langage on dit tout simplement « Équation Différentielle
Stochastique ».

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

dXt = a(t, Xt )dt + b(t, Xt )dBt (1.6)

ou bien par passage d’intégral

Zt Zt  

dXs = a(s, Xs )ds + b(s, Xs )dBs 

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

On a :
Zt Zt
Xt = X0 + a(s, Xs )ds + b(s, Xs )dBs (1.7)
0 0

ou sous forme condensée


dXt = a(t, Xt )dt + b(t, Xt )dBt
(1.8)
X0 = x

tel que l’inconnue est le processus Xt , où a, b sont des fonctions déterministes mesurables de
R+ × R → R.
– Xt : processus stochastique
– Bt : Mouvement Brownien
– t : le temps
– a(t, Xt ) : coefficient de dérivée
– b(t, Xt ) : coefficient de diffusion
– X0 est une variable aléatoire indépendante du mouvement brownien.

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(t, Xt ) = f(t)Xt et b(t, Xt ) = g(t).

Définition 1.4.2 Un processus stochastique (Xt )t≥0 dans R est appelé une solution de l’équa-
tion (1.7) si qui vérifie les propriétés suivantes :
1. (Xt )t≥0 est continu et adapté à la filtration (Ft )t≥0

[Link] Franco 14 ENSET

 Fondements théoriques des équations différentielles stochastiques
Zt Zt
2. les intégrales a(s, Xs )ds et b(s, Xs )dBs ont un sens et l’égalité
0 0

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

3. (Xt )t≥0 vérifie (1.7), c’est-à-dire

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

Pour tout t , P. ps.

Lemme 1.4.1 (Lemme de Gronwall) 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

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

Théorème 1.4.1 (Existence et unicité) Supposons que les coefficients a et b vérifient

les conditions suivantes :
1. Condition de Lipschitz globale :
il existe une constante K > 0 telle que, pour tous x, y ∈ R et tout t ∈ [0, T ],

|a(t, x) − a(t, y)| + |b(t, x) − b(t, y)| ≤ K|x − y|.

2. Condition de croissance linéaire :

il existe une constante C > 0 telle que, pour tout x ∈ R et tout t ∈ [0, T ],

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

3.

E(|X0 |2 ) < +∞.

Alors l’équation différentielle stochastique (1.8) admet une unique solution forte (Xt )t∈[0,T ]
vérifiant !
E sup |Xt |2 < +∞.
0≤t≤T

Remarque 1.4.1 La premiére condition nous assure l’existence et l’unicité de la solution

l’équation (1.8) . La deuxième condition nous assure que le processus n’explose pas en temps
fini : De plus si cette condition n’est pas vérifiée, l’équation (1.8) admettra une solution
unique mais seulement jusqu’au temps de l’explosion.

[Link] Franco 15 ENSET

 Fondements théoriques des équations différentielles stochastiques

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.
Nous définissons une suite de processus (Xnt )n≥0 par récurrence.
On pose :
X0t = X0 .
Puis, pour tout n ≥ 0,
Zt Zt
Xtn+1 = X0 + a(s, Xns ) ds + b(s, Xns ) dBs .
0 0

Nous allons montrer que cette suite converge dans

L2 (Ω; C([0, T ])).

Montrons que chaque processus Xn est de carré intégrable.

Par l’inégalité
(a + b + c)2 ≤ 3(a2 + b2 + c2 ),
on obtient : Zt Zt
2 2
|Xtn+1 |2 ≤ 3|X0 | + 3 2
a(s, Xns ) ds +3 b(s, Xns ) dBs .
0 0

En prenant l’espérance :
Zt 2
E|Xtn+1 |2 ≤ 3E|X0 | + 3E
2
a(s, Xns ) ds
0
Zt 2
+ 3E b(s, Xns ) dBs .
0

Par l’inégalité de Cauchy–Schwarz :

Zt 2 Zt
a(s, Xns ) ds ≤t |a(s, Xns )|2 ds.
0 0

Donc : Zt Zt
2
E a(s, Xns ) ds ≤T E|a(s, Xns )|2 ds.
0 0

En utilisant la croissance linéaire :

 
E|a(s, Xns )|2 ≤ C 1 + E|Xns |2 .

Ainsi : Zt Zt 
2 
E a(s, Xns ) ds ≤ CT 1 + E|Xns |2 ds.
0 0

Par l’isométrie d’Itô :

Zt 2 Zt
E b(s, Xns ) dBs = E|b(s, Xns )|2 ds.
0 0

[Link] Franco 16 ENSET

 Fondements théoriques des équations différentielles stochastiques

En utilisant encore la croissance linéaire :

Zt 2 Zt  
n
E b(s, Xs ) dBs ≤ C 1 + E|Xns |2 ds.
0 0

On obtient donc : Zt
E|Xtn+1 |2 ≤ C1 + C2 E|Xns |2 ds,
0
où C1 , C2 > 0 sont des constantes.
Par récurrence, il existe une constante M > 0 telle que
sup sup E|Xnt |2 ≤ M.
n≥0 0≤t≤T

Considérons
Ytn = Xn+1
t − Xnt .
Alors :
Zt Zt
Ytn = [a(s, Xns ) − a(s, Xn−1
s )] ds + [b(s, Xns ) − b(s, Xn−1
s )] dBs .
0 0

Par l’inégalité
(a + b)2 ≤ 2(a2 + b2 ),
on obtient :
Zt 2
E|Ytn |2 ≤2 E [a(s, Xns ) − a(s, Xn−1
s )] ds
0
Zt 2
+ 2E [b(s, Xns ) − b(s, Xn−1
s )] dBs .
0

En utilisant Cauchy–Schwarz, l’isométrie d’Itô et la condition de Lipschitz :

Zt
E|Yt | ≤ C E|Xns − Xn−1
n2
s |2 ds.
0

Posons :
un (t) = sup E|Xns − Xn−1
s |2 .
0≤s≤t
Alors : Zt
un (t) ≤ C un−1 (s) ds.
0
Par récurrence :
(Ct)n
un (t) ≤
u0 (T ).
n!
Comme la série exponentielle converge, la suite (Xn ) est de Cauchy dans
L2 (Ω; C([0, T ])).
Il existe donc un processus X tel que
Xn −→ X dans L2 (Ω; C([0, T ])).
En passant à la limite dans l’équation de Picard, et en utilisant la continuité des inté-
grales, on obtient : Zt Zt
Xt = X0 + a(s, Xs ) ds + b(s, Xs ) dBs .
0 0
Ainsi, X est solution de l’EDS.

[Link] Franco 17 ENSET

 Fondements théoriques des équations différentielles stochastiques

Unicité
Supposons que X et Y soient deux solutions de l’équation.
Alors :
Zt Zt
Xt − Yt = [a(s, Xs ) − a(s, Ys )] ds + [b(s, Xs ) − b(s, Ys )] dBs .
0 0

En procédant comme précédemment :

Zt
E|Xt − Yt | ≤ C
2
E|Xs − Ys |2 ds.
0

Par le lemme de Gronwall :

E|Xt − Yt |2 = 0.
Donc :
Xt = Yt p.s.
L’unicité est démontrée.

Remarque 1.4.2 La condition de Lipschitz garantit que deux trajectoires proches restent
proches au cours du temps, ce qui assure l’unicité de la solution. La condition de croissance
linéaire permet d’éviter l’explosion des trajectoires en temps fini.

Remarque 1.4.3 Le théorème précédent constitue un résultat fondamental de la théorie

des équations différentielles stochastiques. Il justifie l’utilisation des méthodes numériques
telles que les schémas d’Euler–Maruyama et de Milstein pour approcher les solutions des
EDS.

Exemple 1.4.2 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 :
a(t, x) = −αXt et b(t, x) = 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
| − 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.

Exemple 1.4.3 Pour α ∈ R, soit l’équation différentielle stochastique

q
dXt = αXt dt + Xt dBt X0 = 0
√
ici, nous avons g(x) = x, cette fonction n’est pas lipchitzienne en 0 car g 0 (0) = ∞. Ainsi,
il n’existe pas de solution forte à cette équation. Ce processus est connu sous le nom de
processus de Feller. Pour plus de détails, voir Durett (1996).

[Link] Franco 18 ENSET

 Fondements théoriques des équations différentielles stochastiques

Dans l’exemple précédent, on a mentionné l’absence d’une solution forte. Il existe toutefois
une solution faible, dont la définition sera donnée ultérieurement

Définition 1.4.3 (Solution faible)[NDO12] Une solution faible de l’équation

dXt = a(t, Xt )dt + b(t, Xt )dBt X0 = x0

est un processus continu tel que les processus Mt et Nt sont définis respectivement par les
martingale
Zt Zt
Mt = Xt − X0 − a(s, Xs )ds et Nt = Mt − b2 (s, Xs )ds
2
0 0

[NDO12] À remarquer que le mouvement Brownien (Bt ) n’est pas présent dans la défi-
nition d’une solution faible. De plus, une solution faible est une solution en loi ; en d’autres
termes, sous certaines conditions, nous avons l’unicité de la solution faible en loi. Dans ce
cadre, il existe un autre concept d’unicité appelé solution faible au sens de la trajectoire,
c’est-à-dire qu’étant données deux solutions faibles X et Y avec une même condition initiale,
les processus X et Y sont indistinguables.

Exemple 1.4.4 Pour faire suite à l’exemple 1.4.3, nous√ notons que la solution faible de
l’équation différentielle stochastique dXt = αXt dt + Xt dBt et X0 = 0 est un processus
continu (Xt ) tel que
Zt Zt
2
Mt = Xt − α Xs ds et Nt = Mt − Xs ds
0 0

sont des martingales.

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 (1.9)

Équations différentielles stochastiques à bruit additif

Définition 1.4.4 On dit que l’équation différentielle stochastique (1.9) 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

[Link] Franco 19 ENSET

 Fondements théoriques des équations différentielles stochastiques

Exemple 1.4.5 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 1.4.6 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.

Équations différentielles stochastiques à bruit multiplicatif

Définition 1.4.5 On dit que l’équation différentielle stochastique (1.9) est une équation
linéaire à bruit multiplicatif si le coefficient de dérivée et de diffusion est de la forme sui-
vante :a(t, Xt ) = α(t)Xt et b(t, Xt ) = β(t)Xt .

Exemple 1.4.7 Modèle de Black-Sholes

dXt = α(t)Xt dt + β(t)Xt dBt

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 linéaire, 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

[Link] Franco 20 ENSET

 Fondements théoriques des équations différentielles stochastiques

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

Exemple 1.4.8 Prenons l’exemple 1.4.2, 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
 
2
∂f 1 ∂ 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 (1.10)
∂t f
Intégré (1.10) 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

[Link] Franco 21 ENSET

 Fondements théoriques des équations différentielles stochastiques

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  (1.11)

0

Exemple 1.4.9 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
+ 1 ∂2 f
= µf

 ∂t 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
Intégrons par rapport à t ∂f
∂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 )

[Link] Franco 22 ENSET

 Fondements théoriques des équations différentielles stochastiques

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
Xt = X0 eβBt +(µ− 2 β (1.12)

Exemple 1.4.10 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 =  + 2
dt + dBt
∂t 2 ∂B ∂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
P(t) = −α =⇒ h(t) = e− αdt
= e−αt
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 ) = e bds + K(Bt ) = e b e−αs ds + eαt K(Bt )
e−αt 0 0
b b
= e−αt eαt − eαt + eαt K(Bt )
α α
b
= (1 − eαt ) + eαt K(Bt )
α

[Link] Franco 23 ENSET

 Fondements théoriques des équations différentielles stochastiques

donc, f(t, Bt ) = αb (1 − eαt ) + eαt K(Bt ).

Trouvons K(Bt ), on a :
∂( αb (1 − eαt ) + eαt K(Bt ))
= β =⇒ eαt K 0 (Bt ) = β
∂B
K 0 (Bt ) = e−αt β
Zt Zt
K(Bt ) − K(0) = e−αs βdBs =⇒ K(Bt ) = X0 + β e−αs dBs
0 0

En remplaçant K(Bt ), donc

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

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 (1.13)

[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 (1.14)
 b(u)

Avec ce changement de variable, l’équation stochastique (1.13) devient

dYt = aY (t, Xt )dt + dBt (1.15)

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 (1.16)
b(t, 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) bx0 (x)
= 0, = et = − (1.17)
∂t ∂x b(x) ∂x2 b2 (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

[Link] Franco 24 ENSET

 Fondements théoriques des équations différentielles stochastiques

[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 1.4.11 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.
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
dYt =  + dt + dBt
∂t 2 ∂B2 ∂B

Par identification, on obtient




∂f
+ 1 ∂2 f
= αf

 ∂t 2 ∂B2

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

∂f ∂f
= αf =⇒ = α∂t (1.18)
∂t f
Intégré (1.18) on a
Zt Zt
∂f
= −α ds =⇒ ln(f(t, Bt )) − ln(Y0 ) = αt + C(Bt )
0 f 0

[Link] Franco 25 ENSET

 Fondements théoriques des équations différentielles stochastiques

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

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 , on obtient finalement : Xt = e
C’est la solution explicite de l’EDS initiale.

[Link] Franco 26 ENSET

 Chapitre 2

Approximations numériques des EDS

Dans ce chapitre, nous nous intéressons à la résolution numérique des équations diffé-
rentielles stochastiques dirigées par un mouvement brownien unidimensionnel à savoir 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 les fonctions a et b sont continues en (t, x) et lipschitziennes par
rapport à la variable x cette équation admet une unique solution forte adaptée à la filtration
du mouvement brownien. 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
généralement être adaptés au cadre stochastique, moyennant la en compte des propriétés du
mouvement brownien.

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 cet 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 suffisamment grand pour que h ∈]0; 1[.

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 l’observation est journalière alors h = 252 .
Nous commençons par introduire quelques notions de convergence.

[Link] Franco 27 ENSET

 Approximations numériques des EDS

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
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 (2.3)

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

^tn } d’un point de départ t0 au point final tN = T est

Définition 2.2.2 L’erreur globale {X
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.

Définition 2.2.3 (Convergence forte) L’approximation discrétisée en temps Xh avec une

taille de pas h converge fortement vers X au temps T si
!
lim E XT − XhN =0
h−→0

On dit que Xh converge fortement avec un ordre p s’il existe une constante C > 0 indépen-
dante de h telle que :
!
E XT − XhN ≤ Chp

La convergence forte mesure la précision trajectorielle : on compare les réalisations sur les
mêmes trajectoires browniennes.

[Link] Franco 28 ENSET

 Approximations numériques des EDS

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

lim E(g(XT )) − E(g(XhN )) = 0

h−→0

Xh converge faiblement vers X avec un ordre p signifie

E(g(XT )) − E(g(XhN )) ≤ Chp (2.4)

pour un certain nombre constant positif C indépendant de h.

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 vers X dans L1 (convergence forte), alors
elle converge en probabilité, donc aussi en loi (convergence faible). La réciproque est fausse.

Après ces définitions, nous sommes prêt à introduire deux schémas numériques impor-
tants, qui sont, la méthode d’Euler-Maruyama et la méthode de Milstein.

2.3 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 . (2.5)
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 (2.6)
t0 t0

et Z ti Z ti
Xti = X0 + a(s, Xs )ds + b(s, Xs )dBs (2.7)
t0 t0

Par la soustraction d’équation (2.16) et (2.17), 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

[Link] Franco 29 ENSET

 Approximations numériques des EDS

D’après la relation de Chasles, alors

Z ti+1 Z ti+1
Xti+1 = Xti + a(s, Xs )ds + b(s, Xs )dBs (2.8)
ti ti

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 (2.18) est donnée par :
Z ti+1
a(s, Xs )ds ≈ a(ti , Xi )(ti+1 − ti ) ≈ a(ti , Xi )4i (2.9)
ti

et
Z ti+1
b(s, Xs )dBs ≈ b(ti , Xi )(Bi+1 − Bi ) ≈ b(ti , Xi )4Bi (2.10)
ti

Maintenant, en substituant l’équation (2.9) et (2.10) dans (2.18) on obtient

Xi+1 = Xi + a(ti , Xi )4i + b(ti , Xi )4Bi (2.11)

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 (2.12)

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 :
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

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

[Link] Franco 30 ENSET

 Approximations numériques des EDS

Exemple 2.3.1 Considérons l’équation dans l’exemple 1.4.5. Avec un pas de discrétisation
h = NT où T est l’horizon temporel et N le nombre de pas. Le schéma d’Euler correspondant
est le suivant : √
Xi+1 = Xi + µ(α − Xi )h + β hZ
et X0 = 0

Exemple 2.3.2 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, avec N = 100 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

√
Comme ∆Bi = hZi avec Zi suit une loi N(0, 1) alors
√
Xi+1 = Xi + λXi h + µXi hZi

Pour l’étude de la convergence nous avons besoin du résultat important donné dans la
proposition suivante :

Proposition 2.3.1 [Ahl21] Supposons que les coefficients de l’EDS (1.6) 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 (2.13)
i i

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

^t
t = Xt − X

[Link] Franco 31 ENSET

 Approximations numériques des EDS

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 (2.14)

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

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

^t )(b(t, Xt ) − b(ti , Xht ))dBt

+ 2(Xt − X 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 !
E(2ti+1 ) = E(2ti ) +E (b(t, Xt ) − b(ti , Xhti ))2 dt +E ^t )(a(t, Xt ) −
2(Xt − X a(ti , Xhti ))dt
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 ^t ) dt
(Xt − X 2
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

[Link] Franco 32 ENSET

 Approximations numériques des EDS

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 + 4k
2
E(| Xti − Xhti |2 )dt
ti ti ti
Z ti+1
+ ^t )2 dt
E(Xt − X
ti

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 ti i+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,

[Link] Franco 33 ENSET

 Approximations numériques des EDS

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.

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
kX − Yk2L2 (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

[Link] Franco 34 ENSET

 Approximations numériques des EDS

Utilisons l’inégalité 2ab ≤ a2 + b2 alors :

N−1 Z ti+1
X N−1 Z ti+1
X (ti+1 − t)2
kX − Yk2L2 (Ω,[0;T ]) ≤4 E(| Xt − Xti | ) + 4
2
E(| Xti − Xhti |2 ) dt
i=0 ti i=0 ti h2
N−1 Z ti+1
X N−1 Z ti+1
X
(t − ti ) 2 (t − ti )2
+4 E(| Xti+1 − Xhti+1 |2 ) dt + 4 E(| Xti − Xti+1 |)
2
dt
i=0 ti h2 i=0 ti h2

En appliquant la proposition 2.3.1, on a :

N−1 Z ti+1
X N−1 Z ti+1
X X N−1 Z ti+1
(ti+1 − t)2 (t − ti )2
kX − Yk2L2 (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

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

N−1 Z ti+1
X N−1 Z ti+1
X X N−1 Z ti+1
(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
X Z ti+1
N−1
(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

[Link] Franco 35 ENSET

 Approximations numériques des EDS

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 12
La qualité de convergence faible du schéma d’Euler-Maruyama est exprimée dans le théorème
suivant :
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.
Remarque 2.3.2 [D.22] Le schémas d’Euler-Maruyama a plusieurs avantage comme, la
facilité de programmation, la rapidité de l’exécution, mais il présent aussi 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 mo-
ment 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.

2.4 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 . (2.15)
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 (2.16)
t0 t0

et Z ti Z ti
Xti = X0 + a(s, Xs )ds + b(s, Xs )dBs (2.17)
t0 t0

Par la soustraction d’équation (2.16) et (2.17), 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

[Link] Franco 36 ENSET

 Approximations numériques des EDS

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 (2.18)
ti ti

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 , Xti ) + 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 , Xti ) + 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 (2.9) et (2.10), 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

[Link] Franco 37 ENSET

 Approximations numériques des EDS

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) (2.19)
2
Algorithme 2.4.1 La méthode de Milstein pour la résolution numérique de l’équation (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 : Calcul dérivé de coefficient de diffusion par rapport à x
∂b(t, Xt )
= b 0 (t, Xt )
∂x
3. Etape 3 : Tirez une variable aléatoire ∆Bi de la distribution

∆Bi N(0, h)

4. Etape 4 : Calculer
1
Xi+1 = Xi + a(ti , Xi )h + b(ti , Xi )∆Bi + b 0 (ti , Xi )b(ti , Xi )((∆Bi )2 − h)
2
Exemple 2.4.1 Considérerons l’équation différentielle stochastique suivante :

dXt = λXt dt + βXt dBt (2.20)

Pour ce processus, a(t, Xt ) = λx, b(t, Xt ) = βx et b 0 (t, Xt ) = β. Le schéma de Milstein se

lit :
1
Xi + 1 = Xi + λXi h + βXi ∆Bi + β2 Xi ((∆Bi )2 − h)
2
1 2 1
= Xi (1 + (λ − β )h) + βXi ∆Bi + βXi (∆Bi )2
2 2
√
Rappelons que ∆Bi hZ avec Z N(0, 1). Ainsi
√
!
1 1
Xi+1 = Xi 1 + (λ − β2 )h + β hZ + β2 hZ2 (2.21)
2 2
√
!
1 2 2
= Xi 1 + (λ + β (Z − 1))h + β hZ (2.22)
2

En regardant la solution exacte de cette équation dans l’exemple 1.4.9, le schéma de Milstein
rend le développement exact jusqu’à l’ordre O(h). En effet, un développement de Taylor
formel conduit à :

β2 √
Yt+h = Yt exp{(λ − )h + β hZ} (2.23)
2
β2 √ 1
= Yt {1 + (λ − )h + β hZ + β2 hZ2 + O(h)} (2.24)
2 2
= Xi+1 (2.25)

On peut dire que le schéma de Milstein meilleur que celui d’Euler.

[Link] Franco 38 ENSET

 Approximations numériques des EDS

2.4.1 Cas particulier du bruit additif

L’équation différentielle stochastique à bruit additif de la forme suivante

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

Dans ce cas, le schéma de Milstein est coı̈ncide avec méthode d’Euler-Maryama . Le deux
schémas est donné par la forme suivante :
√
Xi+1 = Xi + a(ti , Xi )h + b(ti ) hZ

C’est un cas où le schéma d’Euler est d’ordre de convergence forte 1.

Exemple 2.4.2 Considérons à nouveau la solution de l’exemple 1.4.5. Dans cette exemple
a(t, X) = µ(α − x) et b(t, X) = β et donc b 0 (t, X) = 0, donc les deux schémas sont donnés
par √
Xi+1 = Xi + µ(α − Xi )h + β hZ
et X0 = 0, les schémas d’Euler et de Milstein coı̈ncident.
Notons bien que ce qu’on vient de présenter n’est pas l’unique schéma de Milstein. Il existe
une deuxième forme.
Théorème 2.4.1 Sous les hypothèses H1 et H2, le schéma de Milstein converge fortement
à l’ordre 1 :

E(|XT − XhN |) ≤ Ch (2.26)

Théorème 2.4.2 Sous les mêmes hypothèses, le schéma de Milstein converge faiblement à
l’ordre 1 :

E(g(XT )) − E(g(XhN )) ≤ Ch (2.27)

Remarque 2.4.1 L’ordre de convergence forte de Milstein (1) est meilleur que celui d’Euler-
Maruyama ( 21 ). Á pas égal, Milstein est plus précis. Cependant, cette amélioration a un coût :
le calcul de la dérivée ∂b(t,X
∂x
t)
= b 0 (t, Xt ).

2.5 Approximations implicites

[H.R17]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 mé-
thode d’Euler implicite puis la méthode Milshtein implicite.

2.5.1 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 (2.9). Cela conduit à :
Z ti+1
a(s, Xs )ds ≈ a(ti , Xi )(ti+1 − ti ) ≈ a(ti , Xi )∆i
ti

[Link] Franco 39 ENSET

 Approximations numériques des EDS

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 (2.28)

Le schéma implicite (2.28) est d’ordre de convergence forte égale à 0.5. A partir du schéma
explicite (2.11) et implicite (2.28), 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.

2.5.2 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.

2.6 Stabilité numérique

Jusqu’à présent, nous avons étudié la précision des schémas d’Euler-Maruyama et de
Milstein. Nous nous intéressons maintenant au comportement de la solution à long terme ainsi
qu’à sa sensibilité aux petites variations des valeurs initiales. En général, lorsque l’on parle
de stabilité, on considère la stabilité d’une position d’équilibre, c’est-à-dire X(t) = Xt ≡ 0.
En suivant Higham [D.J01], nous définirons deux types de stabilité et nous limiterons
notre étude à l’EDS linéaire

dX(t) = aXt dt + bXt dBt (2.29)

où a et b peuvent être des nombres complexes.

[Link] Franco 40 ENSET

 Approximations numériques des EDS

Pour X0 6= 0 avec probabilité 1, nous définissons la stabilité au sens quadratique moyen

par

lim E[X(t)2 ] = 0 (2.30)

t→∞

Remarquons que la solution de l’équation précédente est donnée par

1 2
X(t) = X(0)e(a− 2 b )t+bBt
(2.31)
Ainsi, il est facile de vérifier que, pour l’équation test linéaire précédente, cette stabilité
est équivalente à la condition
1
Re(a) + |b|2 < 0 (2.32)
2
6 0 avec probabilité 1, nous définissons la stabilité asymptotique par
Pour X0 =

lim |X(t)2 | = 0 avec probabilité 1 (2.33)

t→∞

De manière similaire, pour l’équation test linéaire, cette propriété est équivalente à la
condition
!
1
Re a − b2 < 0 (2.34)
2
Maintenant que nous avons vu quelles conditions sont nécessaires pour que l’équation soit
stable au sens quadratique moyen et asymptotiquement stable, nous cherchons des conditions
garantissant que les méthodes numériques soient elles aussi stables.
Comme les méthodes explicites sont généralement plus instables que les méthodes impli-
cites, nous nous concentrerons uniquement sur l’analyse de stabilité des méthodes explicites.
Rappelons qu’en EDO, pour qu’un schéma numérique soit stable, il faut à la fois que l’équa-
tion différentielle et le schéma numérique soient stables. Le même principe s’applique aux
EDS. Nous supposons donc désormais que a et b sont tels que la solution de l’équation soit
stable au sens quadratique moyen et asymptotiquement stable.
En appliquant le schéma explicite d’Euler-Maruyama à l’équation précédente et en uti-
lisant des propriétés simples de l’espérance mathématique, on obtient la condition suivante
sur a et b, pour laquelle la méthode d’Euler est stable au sens quadratique moyen :

lim E[X2j ] = 0 ⇐⇒ |1 + ah|2 + |b|2 h < 1 (2.35)

j→∞

Déterminer les conditions assurant la stabilité asymptotique de la méthode d’Euler-

Maruyama nécessite l’utilisation de la loi forte des grands nombres ainsi que de la loi du
logarithme itéré, ce qui conduit à la condition suivante :

h √ i
lim |X2j | = 0 avec probabilité 1 ⇐⇒ E log 1 + ah + b hN(0, 1) < 0 (2.36)
j→∞

Pour une explication plus détaillée de la dérivation de cette condition, voir Higham
[D.J01].
Nous dérivons maintenant les conditions de stabilité de la méthode de Milstein. De façon
analogue au schéma d’Euler-Maruyama, nous appliquons le schéma explicite de Milstein à
l’équation test et, en utilisant les propriétés de l’espérance mathématique, nous obtenons

[Link] Franco 41 ENSET

 Approximations numériques des EDS

lim E[X2j ] = 0 ⇐⇒ |1 + ah|2 + |b|2 h < 1

j→∞

qui est exactement la même condition que pour le schéma d’Euler-Maruyama.

Pour que le schéma de Milstein soit asymptotiquement stable, la condition suivante doit
être satisfaite :

√ 1 √
" #
lim |X2j | = 0 avec probabilité 1 ⇐⇒ E log 1 + ah + b hN(0, 1) + b2 hN(0, 1) <0
j→∞ 2
(2.37)

2.7 Lien entre schéma d’Euler et Milstein

Maintenant, nous montrons que le schéma de Milstein sur équation originale (X) est
équivalent au schéma d’Euler sur Y = F(X) quand F est la transformation de Lamparti. Étant
donnée l’équation différentielle stochastique (2.1). Le schéma de Milstein pour l’équation (2.1)
est
√
!
1 1
∆X = Xi+1 − Xi = a(ti , Xi ) − b(ti , Xi )b 0 (ti , Xi ) h + b(ti , Xi ) hZ + b(ti , Xi )b 0 (ti , Xi )hZ2
2 2
(2.38)

Considérons maintenant la transformation y = F(x) et son inverse x = G(y). Alors l’équation

(2.1) dévient, par le lemme d’Itô

1
dYt = (F 0 (Xt )b(t, Xt ) + F 00 (Xt )b2 (t, Xt ))dt + F 0 (Xt )b(t, Xt )dBt (2.39)
2
Avec Yt = F(Xt ). Choisissons maintenant F comme la transformée de Lamparti (1.16) de
sorte que

1 b 0 (t, x)
F 0 (x) = , F 00 (x) = − (2.40)
b(t, x) b2 (t, x)

Nous savons que d’après (2.40) que (2.39) devient :

!
a(t, Xt ) 1 02
dYt = − b (t, Xt ) dt + dBt
b(t, Xt ) 2

Nous remarquons à nouveau que la transformée de Lamparti est telle que le facteur multipli-
catif devant le processus de Wienner ne dépend plus de l’état du processus. Ainsi, le schéma
d’Euler pour Yt = F(Xt ) est
√
!
a(ti , Xi ) 1 0
∆Y = − b (i, Xi ) h + hZ (2.41)
b(ti , Xi ) 2

L’étape suivante consiste à calculer le développement de Taylor de la transformation inverse

afin d’obtenir une expression comparable
1
G(Yi + ∆Y) = G(Yi ) + G 0 (Yi )∆Y + G 00 (Yi )(∆Y)2 + O(∆Y 3 ) (2.42)
2

[Link] Franco 42 ENSET

 Approximations numériques des EDS

Remarquez que :

F−1 (y) 1
G 0 (y) = = 0 = b(t, G(y))
dy F (G(y))
et

G 00 (y) = G 0 (y)b 0 (t, G(y)) = b(t, G(y))b 0 (t, G(y))

Ce qui mène finalement à :

√
!
1
G(Yi + ∆Y) − G(Yi ) = a(ti , Xi ) − b(ti , Xi )b 0 (ti , Xi ) h + b(ti , Xi ) hZ (2.43)
2
1 3
+ b(ti , Xi )b 0 (ti , Xi )hZ2 + O(h 2 ) (2.44)
2
[Iac08]Ainsi, le schéma de Milstein sur le processus original (2.38) et le schéma d’Euler sur
le processus transformé sont égaux jusqu’à l’ordre h inclus. Donc, en principe, chaque fois
que cela est possible, on devrait utiliser le schéma d’Euler sur le processus transformé.
En général, si F (pas nécessairement la transformée de Lamparti) élimine les interac-
tions entre l’état du processus et les incréments du processus de Winner, cette méthode de
transformation est probablement toujours la bienvenue car elle réduit l’instabilité dans le
processus de simulation.

Exemple 2.7.1 Prenons l’exemple 2.4.1. Si nous utilisons F(x) = ln x, alors d’après (1.17)
et le lemme d’Itô, nous obtenons
!
1
d ln Xt = λ − β2 dt + βdBt
2

Ainsi, le schéma d’Euler pour le processus transformé est

√
!
1
∆ ln X = λ − β2 h + β hZ
2

Maintenant, en utilisant le développement de Taylor sur la transformation inverse G(y) = ey ,

on a :
y2 √
!
y 1
e ≈1+y+ avec y = λ − β2 h + β hZ (2.45)
2 2

On trouve :
1 √ 3
Xi+1 = Xi (1 + (λ + β2 (Z2 − 1))h + β hZ) + O(h 2 ) (2.46)
2
C’est exactement le schéma de Milstein (2.22).

Remarque 2.7.1 La transformation de Lamarti permet de transformer certaines EDS à dif-

fusion non constante en équations possèdent un coefficient de diffusion constant, simplifiant
ainsi l’analyse numérique.

[Link] Franco 43 ENSET

 Approximations numériques des EDS

Tableau 2.1 – Comparaison des schémas d’Euler-Maruyama et de Milstein

Critère Euler-Maruyama Milstein
Ordre de convergence 1/2 1
forte
Ordre de convergence 1 1
faible
Stabilité en moyenne Conditionnelle (|1 + µh|2 + Identique à Euler-
quadratique σ2 h < 1) Maruyama
Stabilité asympto- Conditionnelle
√ (E[log |1 + Conditionnelle (condition
tique µh + σ hN(0, 1)|] < 0) différente)
Coût de calcul par pas O(1) : évaluation de a et b O(1) : évaluation de a, b et
b0
Complexité d’implé- Très faible Modérée (nécessite le calcul
mentation de b 0 )
Cas particulier bruit Ordre fort = 1 Coı̈ncide avec Euler-
additif (b(t, Xt ) = Maruyama
b(t))

2.8 Analyse théorique comparative

Après avoir présenté les schémas d’Euler-Maruyama et de Milstein ainsi que leurs pro-
priétés respectives, il convient de proposer une analyse comparative systématique. Cette mise
en perspective permet d’éclairer le choix de la méthode numérique en fonction des objectifs
poursuivis (précision, stabilité, coût de calcul) et de la nature de l’EDS à résoudre (bruit
additif ou multiplicatif, équation raide ou non). Le tableau 2.1 synthétise les principales
différences entre les deux approches.

Comparaison des ordres de convergence

La différence la plus significative entre les deux schémas réside dans leur ordre de conver-
gence forte. Le schéma d’Euler-Maruyama, qui repose sur une approximation d’ordre 1 des
intégrales déterministe et stochastique, atteint un ordre de convergence forte de 1/2. Cette
limitation provient du fait que le terme d’erreur dominant est lié à l’intégrale stochastique
double, qui n’est pas correctement prise en compte par l’approximation d’Euler.
Le schéma de Milstein améliore cette situation
Rti+1 Rs en ajoutant un terme correctif faisant
intervenir l’intégrale stochastique itérée ti ti
dBu dBs = 21 ((∆Bi )2 − h). Ce terme, qui pro-
vient du développement de Taylor-Itô d’ordre 2, permet d’atteindre un ordre de convergence
forte égal à 1.
En revanche, pour la convergence faible, les deux schémas présentent le même ordre,
égal à 1. En effet, la convergence faible ne concerne que l’espérance de fonctionnelles de
la solution, et l’erreur d’approximation d’Euler-Maruyama est suffisante pour maintenir un
ordre 1 dans ce contexte moins exigeant que la convergence trajectorielle.

[Link] Franco 44 ENSET

 Approximations numériques des EDS

Comparaison de la stabilité
Les conditions de stabilité des deux schémas présentent à la fois des similitudes et des
différences notables. Pour la stabilité en moyenne quadratique, les deux méthodes conduisent
à la même condition : |1 + µh|2 + σ2 h < 1 pour l’EDS test linéaire dXt = µXt dt + σXt dBt .
Cette condition, plus restrictive que celle de la solution exacte (µ + σ2 /2 < 0), traduit le fait
que les schémas explicites imposent une borne supérieure sur le pas de temps pour garantir
la stabilité.
Pour la stabilité asymptotique, les√ conditions diffèrent légèrement. Le schéma d’Euler-
Maruyama requiert E[log |1 + µh + σ hN(0, 1)|] < 0,√tandis que le schéma de Milstein fait
intervenir un terme supplémentaire : E[log |1 + µh + σ hN(0, 1) + 12 σ2 h(N(0, 1)2 − 1)|] < 0.
Ce terme correctif tend à améliorer la stabilité asymptotique du schéma de Milstein, en
particulier pour les grandes volatilités.

Compromis précision-coût

Le choix entre les deux schémas repose sur un arbitrage entre précision et coût de calcul. À
pas de temps égal, le schéma de Milstein est plus précis. Pour obtenir une erreur comparable,
Euler-Maruyama nécessite un pas de temps plus petit, ce qui augmente le nombre de pas et
donc le temps de calcul. Toutefois, cette conclusion doit être nuancée :
– Pour les EDS à bruit additif (b(t, Xt ) = b(t)), le terme correctif de Milstein s’annule
car b 0 (t, Xt ) = 0. Les deux schémas coı̈ncident et atteignent tous deux l’ordre de
convergence forte 1. Dans ce cas, Euler-Maruyama est préférable car plus simple.
– Pour les EDS à bruit multiplicatif, Milstein offre un gain de précision substantiel, mais
au prix du calcul de la dérivée b 0 . Si cette dérivée est coûteuse à évaluer ou si le modèle
est de grande dimension, l’avantage de Milstein peut s’amenuiser.
– En présence de non-linéarités fortes ou de raideur, les schémas explicites (Euler et Mil-
stein) peuvent tous deux devenir instables. Dans ce cas, des versions implicites ou des
schémas adaptatifs sont préférables, quel que soit l’ordre.

En conclusion, l’analyse comparative montre qu’il n’existe pas de méthode universel-

lement supérieure. Le choix du schéma numérique doit être guidé par les caractéristiques
spécifiques du problème : nature du bruit (additif ou multiplicatif), précision souhaitée,
contraintes de stabilité et ressources de calcul disponibles.

[Link] Franco 45 ENSET

 Chapitre 3

Applications 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 d’Ornstein-Uhlenbeck. 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. Dans cette étude est de simuler et comparer les méthodes numérique pour
résoudre une EDS à l’aide du langage Python sous l’environnement PyCharm et l’ordinateur
portable marque ASUS de processeur intel et 4Go de RAM. L’étude porte principalement
sur la précision numérique, la convergence forte, la stabilité des méthodes et la comparaison
graphique des trajectoires simulées.

Quelque commandes utiles :

– numpy est une bibliothèque open source qui permet de manipuler les structures mul-
tidimensionnelles (matrice, vecteur) basée sur la structure ndarray.
– matplotib : pour la création graphiques
– randn : génération de variable aléatoires suivant une loi normale
– sqrt : calcul de la racine carre.
– random : génération de nombres aléatoires
– sciPy est une bibliothèque destinée au calcul scientifique et basée sur les structures de
numpy.
– pandas : bibliothèque de manipulation et d’analyse de données
– exp : calcul de l’exponentielle
– mean : calcul de la moyen
– cumsum : calcul de la somme cumulée d’un vecteur.
– zeros : création d’un tableau de zéros
– plot : tracé de graphiques

[Link] Franco 46 ENSET

 Applications et implication pédagogique

Simulation de mouvement brownien

La simulation d’un mouvement brownien nécessite de considérer sa version discrète avec
la manière suivante proposé par [D.J01].
Soit Bt un mouvement brownien standard tel que : 0 ≤ t ≤ T , posons h = NT / N ∈ N,
ti = ih / i = 1, N est une discrétisation de l’intervalle [0, T ] et Bti = Bi . De la définition du
mouvement brownien on peut obtenir les propriétés suivantes :
1. B0 = 0 p.s
2. Bi = Bi−1 + dBi (avec dBi = Bi − Bi−1 , i = 1, N).
√
3. Les dBi sont des variables aléatoires indépendantes et sous forme h.N(0, 1).
D’après les trois propriétés précédentes l’algorithme de simulation d’un mouvement brownien
est définit par :
1. T = 1, N = k, h = NT (initialiser la valeur de T est le nombre de points de discrétisation
pour l’intervalle [0, T ])
√
2. dB1 = B1 − B0 = B1 = [Link]() (Générer une v.a qui suit N(0, h)).
3. Pour i = 2, N √
dBi = [Link]()
Bi = Bi−1 + dBi
Fin
Simulations concernant le mouvement brownien est effectuée avec la manière suivante :

Figure 3.1 – Trajectoire d’un mouvement brownien discrétisées dans l’intervalle

[0, 1] avec N = 100 points

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.

[Link] Franco 47 ENSET

 Applications et implication pédagogique

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 X l’actif risqué qui seront
définis sur une période [0, T ].
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 (1.4.9). 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 3.2 représente une trajectoire de la solution exacte du modèle de Black-Scholes.

Figure 3.2 – 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.

[Link] Franco 48 ENSET

 Applications et implication pédagogique

3.2.3 Simulation par méthode d’Euler

La figure 3.3 représente la solution approchée simulée de taille 100 avec un pas de discré-
tisation h = 0.01 par la méthode d’Euler-Maruyama.

Figure 3.3 – Approximation d’Euler

3.2.4 Simulation par méthode de Milstein

La figure 3.4 représente la solution approchée simulée de taille 100 avec un pas de discré-
tisation h = 0.01 par la méthode de Milstein.

Figure 3.4 – 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 3.5 on a trois schémas d’Euler-Maruyama et trois schémas de
Milstein sont appliqués. La première approximation avec un pas h = 0.01, la deuxième avec
un pas h = 0.0025 et la troisième avec un pas h = 0.000625, la solution exacte est aussi
représentée.
Nous remarquons que les deux méthodes suivent bien l’évolution du prix de l’actif, mais
plus le pas de discrétisation diminue plus l’erreur est petit. On peut voir aussi que la tra-
jectoire des solutions approchées par le schéma de Milstein reste plus proche de la solution
exacte que celui d’Euler. Cela montre que Milstein offre une meilleure précision numérique.

[Link] Franco 49 ENSET

 Applications et implication pédagogique

Figure 3.5 – Comparaison des solutions approchées avec solution exacte de pas
h = 0.01, h = 0.0025, h = 0.000625

3.2.6 Ordre de convergence

Notre objectif est maintenant de confirmer expérimentalement l’ordre de convergence de
ces méthodes numériques.
Pour tester la convergence forte, nous fixons les intervalles d’espacement pour le mou-
vement brownien et utilisons huit pas de temps différents h = 2p−1 δt pour les méthodes
numériques, avec p allant de 1 à 8. Le mouvement brownien est échantillonné sur l’intervalle
[0, 1] avec un pas de temps de δt = 2−11 . Les valeurs des paramètres que nous avons utilisées
sont µ = 0.06, σ = 0.25, X0 = 50 et K = 100. Comme le calcul de la convergence forte est
lourd en calcul (il doit stocker la trajectoire entière et pas seulement le point final), nous
n’échantillonnons que sur 5000 trajectoires, que nous notons M.
Les erreurs ont été calculées comme dans (2.3). Pour la solution exacte, nous avons utilisé
l’équation (1.12) et nous l’avons calculée pour chaque trajectoire aléatoire.
Le tableau 3.1 montre clairement un ordre de convergence forte de 12 pour Euler-Maruyama
et un ordre de 1 pour la méthode de Milstein. En effet, Euler-Maruyama nécessite de diviser
le pas de temps par 4 pour réduire l’erreur de moitié, tandis que Milstein ne nécessite qu’une
division par 2.
Pour tester la convergence faible, nous n’avons besoin que des points finaux des tra-
jectoires, nous les calculons donc tous simultanément. Nous calculons 50000 trajectoires.
Comme la convergence faible ne nécessite que la moyenne de la solution, une façon de
calculer la moyenne de la solution exacte serait d’utiliser simplement le fait que E[X(t)] =
X0 ert , où E désigne l’espérance, ce qui est l’approche utilisée par Higham dans [D.J01].
Cependant, dans nos expériences, nous avons choisi de calculer la solution exacte, en utilisant
l’équation (1.12), pour chaque trajectoire aléatoire (simultanément), puis d’en prendre la
moyenne. La raison en est que l’utilisation de E[X(t)] = X0 ert nécessitait un plus grand
nombre de trajectoires pour obtenir la convergence que le calcul de la moyenne de la solution

[Link] Franco 50 ENSET

 Applications et implication pédagogique

Tableau 3.1 – Convergence forte des schémas d’Euler-Maruyama et de Milstein pour µ =

0.06, σ = 0.25, X0 = 50, T = 1 et M = 5000
h Euler-Maruyama Milstein
2−4 0,466616 0,041683
2−5 0,336610 0,021142
2−6 0,236714 0,010645
2−7 0,167614 0,005340
2−8 0,117789 0,002685
2−9 0,083629 0,001338
2−10 0,058646 0,000673
2−11 0,041627 0,000334

exacte, ce qui augmentait le temps de calcul.

Dans le tableau 3.2, nous pouvons voir qu’Euler-Maruyama et Milstein ont un ordre de
convergence faible expérimental de 1. En effet, pour réduire l’erreur de moitié, nous devons
diviser le pas de temps par 2. Les erreurs ont été calculées comme dans (2.4) avec g(X) = X.

Tableau 3.2 – Convergence faible des schémas d’Euler-Maruyama et de Milstein pour µ =

0.06, σ = 0.25, X0 = 50, T = 1 et M = 500 000
h Euler-Maruyama Milstein
2−4 0,007110 0,006015
2−5 0,003127 0,003020
2−6 0,001713 0,001492
2−7 0,001467 0,000746
2−8 0,000812 0,000382
2−9 0,000396 0,000189
2−10 0,000107 0,000093
2−11 0,000033 0,000047

La figure ?? présente les données des tableaux 3.1 et 3.2 sur une échelle log-log. Si l’on
considère (2.1) et (2.4) et que les inégalités sont approximativement des égalités, on peut
prendre les logarithmes et obtenir respectivement
1
log(forte ) ≈ log(C) + log(h) (3.1)
2

log(faible ) ≈ log(C) + log(h) (3.2)

Les expressions (3.1) et (3.2) sont représentées par des astérisques bleus. De plus, en
supposant que pour certaines constantes C et q les relations forte = Chq et faible = Chq

[Link] Franco 51 ENSET

 Applications et implication pédagogique

sont vérifiées, telles que

log(forte ) = log(C) + q log(h) (3.3)

log(faible ) = log(C) + q log(h) (3.4)

nous pouvons construire une régression linéaire en utilisant un ajustement par moindres
carrés pour log(C) et q. Ces régressions sont représentées par les lignes pointillées rouges.
La ligne pointillée verte est une pente de référence avec l’ordre de convergence théorique, qui
est 21 pour la convergence forte de la méthode d’Euler-Maruyama et 1 dans les autres cas.
Les lignes pointillées vertes représentent la pente de référence et les lignes pointillées rouges

Figure 3.6 – Convergence forte et faible pour les méthodes d’Euler-Maruyama

et de Milstein

représentent la régression des moindres carrés.

Á partir des régression estimées, nous pouvons confirmer que les ordre de convergence
expérimentaux forts (q = 0.5003) et faible (q = 1.0214) de la méthode d’Euler-Maruyama
concordent avec les valeurs prédites théoriquement. De plus, le schéma de Milstein présente
également des ordres de convergence expérimentaux forts (q = 0.9949) et faible (q = 1.001)
en bonne adéquation avec les valeurs théoriques.

3.2.7 Stabilité
Nous souhaitons maintenant tester expérimentalement la stabilité numérique des schémas
explicites d’Euler-Maruyama et de Milstein. Pour notre équation test, nous utilisons

dSt = µSt dt + σSt dBt (3.5)

[Link] Franco 52 ENSET

 Applications et implication pédagogique

où µ et σ sont des paramètres réels constants. Comme nous l’avons vu à la section 2.6,
la solution d’équilibre de l’EDS est asymptotiquement stable si
1
µ − σ2 < 0 (3.6)
2
ce qui autorise µ à être positif. Cependant, la solution d’équilibre n’est stable au sens de
la moyenne quadratique que si
1
µ + σ2 < 0 (3.7)
2
Pour cette raison, nous vérifierons la stabilité des schémas en utilisant µ > 0 pour la
stabilité asymptotique et µ < 0 pour tester la stabilité en moyenne quadratique. De plus, pour
que le schéma d’Euler-Maruyama explicite soit stable, en plus des conditions mentionnées
ci-dessus, les paramètres doivent vérifier
h √ i
E log 1 + µh + σ h N(0, 1) < 0 (3.8)
pour la stabilité asymptotique et

|1 + µh|2 + σ2 h < 1 (3.9)

pour la stabilité en moyenne quadratique.
En suivant Higham [D.J01], pour tester la stabilité en moyenne quadratique, nous résol-
vons l’équation (3.5) avec une condition initiale constante S0 = 1 sur T = [0, 20]. Pour les
paramètres, nous choisissons µ = −2 et σ = 0, 45, qui satisfont clairement la condition (3.7).
Nous appliquons la méthode d’Euler-Maruyama (2.11) à l’équation (3.5) et échantillonnons
500 000 trajectoires aléatoires en utilisant trois pas de temps différents h = {1, 21 , 14 }. Le
tableau 3.3 donne la vérification par calcul de stabilité au sens moyenne quadratique :

h E(S2t ) |1 + µh|2 + σ2 h commentaire (< 1)

1.0 46.235864 1.2025 Instable
0.5 0 0.1013 stable
0.25 0 0.3006 stable

Tableau 3.3 – Vérification théorique de stabilité au sens moyenne quadratique

Pour tester la stabilité asymptotique, nous choisissons µ = 0, 01 et σ = 0, 45, qui satisfont

la condition (3.6) mais pas (3.7). Comme la stabilité asymptotique concerne une probabilité
d’événement, nous considérons une seule trajectoire aléatoire sur T = [0, 1000] et utilisons
les trois mêmes pas de temps que pour la stabilité en moyenne quadratique. Le tableau 3.4
donne la valeur théorique de stabilité asymptotique :
La figure 3.7 montre le test de stabilité en moyenne quadratique et asymptotique pour
la méthode d’Euler-Maruyama explicite.
Dans la figure 3.7, il est clair que la condition (2.35) n’est satisfaite que pour les plus
petits pas de temps. Ainsi, la méthode d’Euler-Maruyama n’est stable au sens de la moyenne
quadratique que pour h ∈ { 12 , 14 }. D’autre part, tous les pas de temps semblent satisfaire la
condition (2.36), donc la solution semble s’approcher de zéro pour tous les pas de temps.
Pour tester la stabilité du schéma de Milstein, nous choisissons les mêmes paramètres
de test et la même condition initiale. La condition de stabilité de Milstein au sens moyenne

[Link] Franco 53 ENSET

 Applications et implication pédagogique

h √ i
h St E log 1 + µh + σ h N(0, 1) commentaire (< 0)
1.0 0 −0.130753 stable
0.5 0 −0.058366 stable
0.25 0 −0.025532 stable

Tableau 3.4 – Vérification théorique de stabilité au sens asymptotique

Figure 3.7 – Test de stabilité en moyenne quadratique et asymptotique de la

méthode explicite d’Euler-Maruyama

quadratique même que Euler-Maruyama. Le tableau 3.5 donne la valeur théorique de stabilité
asymptotique :
h √ √ i
h St E log 1 + µ∆t + σ hN(0, 1) + 12 σ2 hN(0, 1) commentaire (< 0)
1.0 0 −0.09017222 stable
0.5 0 −0.04576575 stable
0.25 0 −0.02296823 stable

Tableau 3.5 – Vérification théorique de stabilité au sens asymptotique de Milstein

La figure 3.8 montre le test de stabilité correspondant.

Comme la condition de stabilité en moyenne quadratique du schéma de Milstein est la
même que celle du schéma d’Euler-Maruyama, il est naturel que pour le même choix de
paramètres, la méthode soit également stable. En ce qui concerne la stabilité asymptotique,
le schéma de Milstein est également stable pour tous les pas de temps.

3.3 Application au processus d’Ornstein-Uhlenbeck

Le processus d’Ornstein-Uhlenbeck ou le processus de Vasicek est un processus stochas-
tique particulièrement important en physique, en biologie et en finance. Il est défini par
l’EDS linéaire à bruit additif suivante :

dXt = (µ − βXt )dt + σdBt , σ > 0, µ ∈ R, β ∈ R, X0 = x0 (3.10)

[Link] Franco 54 ENSET

 Applications et implication pédagogique

Figure 3.8 – Test de stabilité en moyenne quadratique et asymptotique de la

méthode explicite de Milstein

Le modèle, où µ = 0, a été originalement proposé par Ornstein-Uhlenbeck qui est ensuite
généralisé par Vasicek par (3.10). Elle est beaucoup utilisé en finance pour modéliser le taux
d’intérêt. Le processus tend à osciller autour de sa valeur moyenne si β > 0,a lors on dit que
le processus est de « Mean reverting ». Il est à variance finie.
Une autre paramétrisation du modèle est la suivante :

dXt = θ(µ − Xt )dt + σdBt (3.11)

Comme cet processus est une EDS linéaire à bruit additif alors sa solution explicite donnée
d’une manière analogue de l’exemple 1.4.10. Cette solution explicite définie par :
Zt
µ
Xt = e X0 + (1 − e ) + e σ e−βs dBs
αt βt βt
(3.12)
β 0

Dans la seconde paramétrisation on a :

Zt
−θt
Xt = µ + (X0 − µ)e +σ e−θ(t−s) (3.13)
0

Il s’agit d’un processus gaussien. Son espérance et sa variance sont :

E[Xt ] = µ + (x0 − µ)e−θt (3.14)

et sa variance
σ2
Var(Xt ) = (1 − e−2θt ) (3.15)
2θ

Simulation numérique
Nous prenons les paramètres : θ = 2, µ = 1, σ = 0.5, x0 = 0, T = 2, N = 200 (h = 0.01).
La figure 3.9 montre une trajectoire de la solution exacte (3.13) et les approximations par
Euler-Maruyama et Milstein. Comme le coefficient de diffusion est constant (b(t, x) = σ), les
deux schémas coı̈ncident (cf. section 2.4.1). On vérifie que le processus revient rapidement
vers la moyenne µ = 1, conformément à la propriété de régression.

[Link] Franco 55 ENSET

 Applications et implication pédagogique

Figure 3.9 – Simulation de processus d’Ornstein-Uhlenbeck

Pour tester la convergence forte sur ce modèle, nous utilisons la même procédure que pour
Black-Scholes, avec M = 5000 trajectoires et des pas décroissants. La figure 3.10 confirme
que l’erreur décroı̂t en O(h1/2 ) et celle de Milstein (ici identique à Euler) en O(h1 ). En effet,
pour un bruit additif, le terme correctif de Milstein est nul, mais l’ordre de convergence forte
reste 1.

Figure 3.10 – Convergence forte pour le processus d’Ornstein-Uhlenbeck

3.4 Implication pédagogique

Un processus stochastique est une suite de variables aléatoires observées à travers le
temps. La solution d’une EDS est un processus stochastique à temps continu et à espace
d’état continu, donc les EDS sont des modèles continus mais non pas des modèles discrètes.
Pour tant, en pratique, les données utilisés sont des observations discrètes sous forme de série
temporelle. Avant d’entamer le cours, il faut s’assurer que les étudiants ont les pré-requis
nécessaires pour suivre l’intégralité du cours de la théorie en pratique. De plus, nous insistons
sur l’indispen sabilité de TP pour la bonne compréhension du cours et sur la maitrise de

[Link] Franco 56 ENSET

 Applications et implication pédagogique

l’algorithme. Personne ne peut affirmer sa maitrise d’une notion sans avoir le programmer.
Moi person nellement, ce travail de mémoire m’a beaucoup conscientisé, sur l’indispensabilité
de TP. Il est impossible d’automatiser une technique sans vouloir comprendre son fonction-
nement, étape par étape. Ainsi, si l’étudiant rencontre des problèmes pendant la réalisation
de son programme, alors il va surement se poser différentes questions et ces questionne-
ments le conduisent vers la curiosité, la recherche et l’auto-apprentissage. Pendant les TP,
il fautproposer plusieurs types de données et analyser les données dans le but d’identifier
les techniques appropriées. Ce serait bien aussi de proposer plusieurs situations où l’EDS
interviennent pour motiver le cours. En effet, il ne sert à rien de dire à ses étudiants « Vous
devez être motivé » mais il faut surtout proposer des situations qui suscitent leur intérêt et
qui va ensuite les motiver. Il ne sert a rien aussi de dire que les Maths sont utiles dans la
vie, ce qu’il faut faire est de montrer que les Maths sont utiles à travers des exemples de
modélisation variés dans d’autres disciplines.

[Link] Franco 57 ENSET

 CONCLUSION

L’objectif de ce mémoire était d’étudier les méthodes numériques de résolution des équa-
tions différentielles stochastiques (EDS) et d’évaluer leurs performances respectives à travers
des simulations informatiques. Face à la difficulté, voire à l’impossibilité, d’obtenir des so-
lutions analytiques explicites pour la plupart des EDS d’intérêt pratique, le recours à des
schémas d’approximation numérique constitue une approche incontournable. Dans ce travail,
nous avons concentré notre analyse sur deux méthodes fondamentales : le schéma d’Euler-
Maruyama et le schéma de Milstein.
Dans un premier temps, nous avons posé les bases théoriques nécessaires à la compré-
hension des EDS. Après avoir rappelé les concepts essentiels de la théorie des probabilités
(tribu, espérance conditionnelle, martingale) et introduit le mouvement brownien comme
processus aléatoire fondamental, nous avons défini l’intégrale stochastique d’Itô. Cette der-
nière constitue l’outil de base pour donner un sens aux EDS, que nous avons présentées sous
leurs formes différentielle et intégrale. Nous avons également énoncé le théorème d’existence
et d’unicité des solutions fortes, sous des hypothèses de Lipschitz et de croissance linéaire,
ainsi que la formule d’Itô, outil central tant pour la résolution analytique que pour l’ana-
lyse numérique. Enfin, la transformée de Lamperti a été introduite comme une technique
permettant de simplifier certaines EDS à bruit multiplicatif en EDS à bruit additif.
Dans un second temps, nous avons présenté et analysé les deux schémas numériques. Le
schéma d’Euler-Maruyama, simple à implémenter, constitue la méthode de base pour l’ap-
proximation des EDS. Cependant, son ordre de convergence forte, égal à 1/2, peut s’avérer
limité pour certaines applications nécessitant une haute précision. Le schéma de Milstein,
qui intègre un terme correctif faisant intervenir la dérivée du coefficient de diffusion, at-
teint un ordre de convergence forte égal à 1, au prix d’un surcoût de calcul modéré. Nous
avons également abordé les versions implicites de ces schémas, plus stables pour les équa-
tions raides, ainsi que les notions de stabilité numérique (stabilité en moyenne quadratique et
stabilité asymptotique). Une analyse théorique comparative a permis de mettre en évidence
les avantages et les inconvénients respectifs des deux méthodes.
Dans un troisième temps, nous avons mis en œuvre ces schémas numériques à travers des
simulations informatiques réalisées en langage Python. Deux modèles emblématiques ont
été choisis : le modèle de Black-Scholes, représentatif des EDS à bruit multiplicatif, et le
processus d’Ornstein-Uhlenbeck, représentatif des EDS à bruit additif. Les résultats obtenus
confirment expérimentalement les ordres de convergence théoriques : le schéma de Milstein
est systématiquement plus précis que celui d’Euler-Maruyama à pas de temps égal. L’étude
de la stabilité a montré que les schémas explicites ne sont stables en moyenne quadratique
que sous certaines conditions reliant le pas de temps aux paramètres du modèle, tandis
que la stabilité asymptotique se révèle plus robuste. Par ailleurs, nous avons illustré le cas
particulier du bruit additif où les deux schémas coı̈ncident, et où Euler-Maruyama atteint
également l’ordre de convergence forte 1.
Notre travail présente certaines limites qu’il convient de mentionner. Premièrement,

[Link] Franco 58 ENSET

 Applications et implication pédagogique

l’étude s’est limitée aux EDS unidimensionnelles dirigées par un mouvement brownien stan-
dard. Les EDS multidimensionnelles ou celles incluant des sauts n’ont pas été considérées.
Deuxièmement, les schémas numériques étudiés sont d’ordre relativement faible ; des mé-
thodes d’ordre supérieur (Runge-Kutta stochastique, schémas de Taylor d’ordre 2) n’ont pas
été implémentées. Troisièmement, l’analyse de stabilité a été restreinte aux schémas expli-
cites, les versions implicites n’ayant fait l’objet que d’une brève mention théorique. Enfin, les
simulations, bien que systématiques, ont été réalisées avec un nombre limité de trajectoires
(M = 5000 pour la convergence forte, M = 500 000 pour la convergence faible), ce qui peut
introduire une incertitude statistique résiduelle.
Les perspectives ouvertes par ce travail sont nombreuses. Sur le plan théorique, il serait
intéressant d’étendre l’étude aux EDS multidimensionnelles, où les schémas numériques de-
viennent plus complexes en raison des termes d’interaction entre les différentes composantes
du bruit. L’étude des EDS avec sauts (processus de Poisson composé, processus de Lévy)
constitue également une extension naturelle, car de nombreux phénomènes réels présentent
des discontinuités soudaines non modélisables par un simple mouvement brownien.

[Link] Franco 59 ENSET

 Références bibliographiques

[A.H21] [Link]. Etude des équations différentielle stochastiques non linéaire, master
académique. 2021.
[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.
[Arn74] Y. Arnold. Stochastic Differential Equations : Theory and Applications, Wiley,.
1974.
[Aya22] Abi Ayad. Introduction aux équation différentielle stochastique, Master probabilités
et statistique, université Aboubekr Belkaid. 2022.
[BA18] L. BOUDAHDIR and BERKANI A. Résolution numérique des équations différen-
tielles stochastiques : cas l’EDS de Black-Scholes. 2018.
[D.22] MECHERI D. Solution numérique des EDS localement Lipchitzienne. 2022.
[D.J01] Higham. D.J. AnAlgorithmicIntroduction to Numerical Simulation of Stochastic
Differential Equations. 2001.
[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.

[Link] Franco 60 ENSET

 RÉFÉRENCES BIBLIOGRAPHIQUES

[Oks85] B. Oksendale. Stochastic Differential Equations, An Introduction with Applica-

tions, Springer, Verlag, Berlin,. 1985.
[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.
[SAA20] Nadjla SAAD. Les solutions fortes d’EDS à coefficients Lipschitziens en dimension
finie, Master en probabilité. 2020.
[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.
[Za21] L. Zhang and all. Convergence and stability of the Milstein sheme for stochastic
differential equations with piecewise continuous arguments,. 2021.

[Link] Franco 61 ENSET

 Annexes

Code de figure 3.1

import numpy as np
import [Link] as plt
T=1
N=100
dt=T/N
B=[Link]([Link](dt)*[Link](N))
[Link](B)
[Link]("Trajectoire de mouvement Brownien")
[Link](’t’)
[Link](’B(t)’)
[Link]()

Code de la figure 3.2

import numpy as np
import [Link] as plt

# Paramètres du modèle Black-Scholes

X0 = 1.0 # valeur initiale
mu = 1.5 # drift
sigma = 1 # volatilité
T = 1.0 # temps final
N = 100 # nombre de pas
dt = T / N

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

# Génération du mouvement brownien

[Link](42)
dW = [Link](dt) * [Link](N)
W = [Link](([0], [Link](dW)))

[Link] Franco I ENSET

 RÉFÉRENCES BIBLIOGRAPHIQUES

# Solution exacte de l’EDS :

# dX_t = mu X_t dt + sigma X_t dW_t

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

# Tracé
[Link](figsize=(10,6))
[Link](t, X_exact, ’b-’, label="Solution exacte", linewidth=2)

[Link]("Solution exacte du modèle Black-Scholes")

[Link]("t")
[Link]("X(t)")
[Link](True)
[Link]()
[Link]()

Code de figure 3.5

import numpy as np
import [Link] as plt

# Paramètres du modèle Black-Scholes

T = 1.0 # Temps final
N = 100 # Nombre de pas
dt = T / N
t = [Link](0, T, N+1)

mu = 1.5 # Drift
sigma = 1 # Volatilité
X0 = 1.0 # Condition initiale

# Génération du bruit brownien

[Link](42)
dW = [Link](dt) * [Link](N)
W = [Link](([0], [Link](dW)))

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

# Euler-Maruyama
X_euler = [Link](N+1)
X_euler[0] = X0

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

[Link] Franco II ENSET

 RÉFÉRENCES BIBLIOGRAPHIQUES

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

for n in range(N):
X_milstein[n+1] = X_milstein[n] + mu * X_milstein[n] * dt \
+ sigma * X_milstein[n] * dW[n] \
+ 0.5 * sigma**2 * X_milstein[n] * (dW[n]**2 - dt)

# Tracé graphique
[Link](figsize=(10,5))
[Link](t, X_exact, ’b-’, label="Solution exacte")
[Link](t, X_euler, ’g-d’, markersize=4, label="Approximation Euler")
[Link](t, X_milstein, ’r--d’, markersize=4, label="Approximation Milstein")

[Link]("Comparaison des schémas de résolution d’EDS")

[Link]("t")
[Link]("X_t")
[Link]()
[Link](True)
[Link]()

Code de figure ??

import numpy as np
import [Link] as plt

# Paramètres
T = 1.0
X0 = 1.0
mu = 1.5
sigma = 1
M = 3000 # simulations Monte Carlo

N_values = [100, 200, 400, 800, 1600]

err_euler = []
err_milstein = []

for N in N_values:
h = T / N
euler_error = 0
milstein_error = 0

[Link] Franco III ENSET

 RÉFÉRENCES BIBLIOGRAPHIQUES

for _ in range(M):
dW = [Link](h) * [Link](N)
W_T = [Link](dW)

# solution exacte
X_exact = X0 * [Link]((mu - 0.5*sigma**2)*T + sigma*W_T)

# initialisation
Xe = X0
Xm = X0

for n in range(N):
# Euler-Maruyama
Xe = Xe + mu*Xe*h + sigma*Xe*dW[n]

# Milstein
Xm = Xm + mu*Xm*h + sigma*Xm*dW[n] \
+ 0.5*sigma**2*Xm*(dW[n]**2 - h)

euler_error += abs(X_exact - Xe)

milstein_error += abs(X_exact - Xm)

err_euler.append(euler_error / M)
err_milstein.append(milstein_error / M)

# graphe
h_vals = [Link]([T/N for N in N_values])

[Link](figsize=(8,5))
[Link](h_vals, err_euler, ’go-’, label="Euler")
[Link](h_vals, err_milstein, ’ro-’, label="Milstein")

[Link](h_vals, h_vals**0.5, ’g--’, label="ordre 1/2")

[Link](h_vals, h_vals, ’r--’, label="ordre 1")

[Link]("Pas h")
[Link]("Erreur forte moyenne")
[Link]("Convergence forte - Black Scholes")
[Link]()
[Link](True)
[Link]()

[Link] Franco IV ENSET