Thèse de doctorat

présentée pour l’obtention du titre de

Docteur de l’université Pierre et Marie Curie, Paris VI

Spécialité : Mathématiques

par Assane DIOP

Sur la convergence de certaines

fonctionnelles de semimartingales
discrétisées

Rapporteurs : François COQUET, Philip PROTTER.

Soutenue le 15 juillet 2009 devant le jury composé de :

M. François COQUET Rapporteur

M. Jean JACOD Directeur de thèse

M. Gilles PAGÈS Examinateur

M. Philip PROTTER Rapporteur

1
 Je tiens à exprimer toute ma reconnaissance à mon directeur de thèse Jean Jacod. Je
le remercie pour sa rigueur scientifique, sa disponibilité, ses encouragements mais aussi ses
qualités humaines.
Je remercie François Coquet et Philip Protter pour avoir accepté de faire un rapport
su ce travail et je suis honoré par leur présence dans mon jury de thèse.
Je suis honoré également par la présence de Gilles Pagès, Président de mon Jury, je
lui en remercie.
Je tiens à remercier l’ensemble du personnel du labortoire LPMA y compris mes
collègues du bureau 3E03, je n’oublie pas l’équipe administrative : Jaques Portès pour
sa disponibilité et son éfficacité, Josette Saman, Isabelle Mariage, Valérie Juvé, Philippe
Macé,...
Je remercie les autres thésards et amis du labo pour la bonne ambiance : Alexan-
der, Elie, Emmanuel, François, Fernando, Florent, Guanying, Kilian, Pierre-Henri, Sophie,
Thanh Mai,...
Je remercie mon ancienne collègue du centre social d’Annam, Paule Lacroix Diop pour
ces conseils et ses nombreux encouragements.
Je tiens à remercier mes amis du groupe d’étude de ma résidence, qui ont été et qui
resteront (je l’espère) une seconde famille pour moi durant ces années : Elyes, Maryse,
Myriam, Nora, Saliha, Tassadit, Yacoub, ...
Je voudrais aussi remercier tous mes amis : Al hassane Diop, Lahcen Douge, Ibra-
hima Gueye, Abdourahmane Kane, Mamadou Koné, Rawane Samb, Abass Sagna, Ange
Toulougoussou, ...
Je remercie aussi mes amis de longues date Hamidou Ane, Masseye Gaye, Malick
Ndiaye.
Je remercie ma cousine Awa Cheikh pour son soutien , ma chère soeur Ndeye Rokhaya
et son Mari Pape Ndiaye.
Je tiens à remercier mon oncle Amadou qui s’est beaucoup investi dans ma venue en
France, ma tante Mimi thioune, sa famille et ses amies qui m’ont accueilli et pris soin de
moi quand je suis arrivé en France.
Je remercie mes frères et soeurs qui sont sénégal et mes chers parents.

2
Table des matières

1 Introduction 5

2 Rappels sur les semimartingales 10

2.1 Quelques rappels sur les processus stochastiques . . . . . . . . . . . . . . . 10
2.2 Mesures aléatoires et intégrale stochastique par rapport à une mesure aléatoire 13
2.2.1 Mesures aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.2 Intégrale stochastique par rapport à une mesure aléatoire . . . . . . 14
2.3 Décomposition d’une semimartingale . . . . . . . . . . . . . . . . . . . . . 15
2.4 Semimartingales d’Itô . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.5 Topologie de Skorokhod et convergence de processus . . . . . . . . . . . . . 18
2.5.1 L’espace topologique de Skorokhod . . . . . . . . . . . . . . . . . . 19
2.5.2 Convergence de processus . . . . . . . . . . . . . . . . . . . . . . . . 20

3 Convergence de fonctionnelles de semimartingales non normalisées 22

3.1 Loi des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.1.1 Préliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.1.2 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.2 Théorème central Limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2.1 Hypothèses et Notations . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2.2 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3 Convergence pour une fonction auxiliaire . . . . . . . . . . . . . . . . . . . 29
3.4 Preuves . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.4.1 Preuve des théorèmes du type loi des grands nombres . . . . . . . . 32
3.4.2 Preuve du théorème 3.2.1 . . . . . . . . . . . . . . . . . . . . . . . . 39
3.4.3 Preuve du Théorème 3.3.4 . . . . . . . . . . . . . . . . . . . . . . . . 45
3.5 Généralisation aux subdivisions non régulières . . . . . . . . . . . . . . . . 49

3
 3.5.1 Le cas d’une semimartingale discontinue . . . . . . . . . . . . . . . . 49
3.5.2 Cas d’une semimartingale continue . . . . . . . . . . . . . . . . . . . 54

4 Convergence de fonctionnelles de semimartingales normalisées 57

4.1 Loi des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.1.1 Hypothèses et Notations . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.1.2 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.2 Théorème central limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2.1 Hypothèses et Notations . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2.2 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.3 Etude de la convergence d’une fonction auxiliaire . . . . . . . . . . . . . . . 61
4.4 Preuves . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.4.1 Preuve du Théorème 4.1.2 . . . . . . . . . . . . . . . . . . . . . . . 63
4.4.2 Preuve des théorèmes centraux limites . . . . . . . . . . . . . . . . . 66
4.4.3 Preuve des Théorèmes 4.3.3 et 4.3.4 . . . . . . . . . . . . . . . . . . 77
4.5 Généralisation aux subdivisions non régulières . . . . . . . . . . . . . . . . 78

5 Etude de la convergence du produit de deux fonctionnelles de semimar-

tingales 80
5.1 Loi des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.1.1 Hypothèses et Notations . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.1.2 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.1.3 Etude de la Convergence avec une fonction auxiliaire . . . . . . . . . 83
5.2 Théorèmes centraux limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.2.1 Hypothèses et Notations . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.2.2 Convergence pour le produit de deux fonctions auxiliaires . . . . . . 87
5.3 Preuves . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.3.1 Preuve de la loi des grands nombres . . . . . . . . . . . . . . . . . . 90
5.3.2 Preuve des T.C.L. . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.3.3 Preuves des théorèmes 5.1.4 et 5.2.2 . . . . . . . . . . . . . . . . . . 107
Table des matières

4
Chapitre 1

Introduction

Cette thèse peut s’inscrire dans le cadre de la statistique des processus indicés par les
temps positifs. On veut à partir de l’observation d’un processus en des temps discrets,
tirer des conséquences sur les propriétés de ce processus. Concrètement, on s’intéresse à
l’estimation des dont coefficients dont la loi de notre processus dépend. Les applications
en pratique sont nombreuses et peuvent concerner tous les phénomènes modélisables de
manières aléatoires, à partir du moment où on dispose de données avec une fréquence assez
grande (de plus en plus grande).
Le but de cette thèse n’est pas de répondre directement à ces questions, mais plutôt de
fournir des outils essentiels pour leur étude. Le point de départ est l’étude de la p-variation
d’une semimartingale, autrement dit l’étude du comportement asymptotique des processus
k ¯
X
n
¯p
n ¯ n ¯
V (p, X, t) = ¯Xti − Xtni−1 ¯ , (1.0.1)
k=1

où X est une semimartingale et où 0 = tn0 < tn1 < · · · < tnkn = t, supi≤kn |tni − tni−1 | tend
vers 0 et p > 0.
S’il est bien connu que V (2, X, t) converge en probabilité vers la variation quadratique
[X, X]t , les choses semblent moins bien connues dès que p =6 2, surtout en ce qui concerne
la vitesse de convergence. Certes les probabilistes se sont intéressé très tôt à la finitude
de la p-variation totale de X en t, qu’on note W (p, X, t) et qu’on peut définir comme la
borne supérieure de V (p, X, t) sur l’ensemble des subdivisions de [0, t]. Paul Lévy montre
en 1940 dans [15] que si B est un mouvement brownien, on a :
(
+∞ si p ≤ 2
W (p, X, t) =
< ∞ si p > 2

A partir des années 1960, beaucoup d’auteurs prouvèrent des résultats sur ce sujet lorsque
X est un processus de Lévy, citons par exemple Blumenthal et Getoor ([5] et [6]) et
Monroe ([17]). Bretagnolle dans [7] montre que si X est un processus de Lévy de seconde
caractéristique nulle et de mesure de Lévy F , la condition nécessaire et suffisante pour

5
que W (p, X, t) soit finie presque sûrement pour p ∈ [1, 2[ est que
Z
|x|p F (dx) < ∞.
R

L’outil principal pour les démonstrations était jusque là les fonctions caractéristiques en
liaison avec l’étude du comportement du processus t−1 Xt quand t tend vers 0.
En utilisant comme technique les inégalités de Burkholder et le théorème de plonge-
ment des martingales dans le mouvement brownien, Lépingle dans [14] fut le premier à
étudier le sujet dans le cadre des semimartingales. Il montre entre autres que pour toute
semimartingale X, en posant
X
S(p, X, t) = |∆Xs |p
s≤t

(où ∆Xs est le saut de X en s), on a :

1. Si p > 2, W (p, X, t) < ∞ presque sûrement, et dans ce cas

V n (p, X, t) −→ S(p, X, t), en probabilité, (1.0.2)

2. Si 0 < p < 2, alors W (p, X, t) = ∞ sur l’ensemble {hX c it > 0} ∪ {S(p, X, t) = ∞},
où hX c i est le crochet prévisible de X c et X c la partie martingale continue de X.

3. si 1 < p ≤ 2, W (p, X, t) < ∞ sur l’ensemble {ω, hX c it = 0}∩{∪q<p S(q, X, t) < ∞}.
De plus si 1 < p < 2, et sur {hX c it = 0} ∩ {S(p, X, t) < ∞}, on a (1.0.2).

4. W (1, X, t) < ∞ sur l’ensemble {hX c it = 0} ∪ {S(1, X, t) < ∞}

5. si 0 < p ≤ 1 et si X est une martingale locale à temps de sauts prévisibles, on

a W (p, X, t) < ∞ sur l’ensemble {ω, hX c it = 0} ∩ {∪q<p S(q, X, t) < ∞}. De plus
pour toute semimartingale X, on a :

0 < p ≤ 1, ⇒ V n (p, X, t) −→ W (p, X, t).

Les généralisations de la p-variation se sont orientées dans deux directions : étant

donnée une fonction f , il s’agit d’une part de l’étude de la somme
kn
X ³ ´
n
V (f, X, t) := f Xtni − Xtni−1 (1.0.3)
k=1

et d’autre part de la somme

k n à !
0n
X Xtni − Xtni−1
V (f, X, t) := |tni − tni−1 |f pn . (1.0.4)
ti − tni−1
k=1
0
Notons que si f (x) = |x|p et si la subdivision est régulière de pas ∆n , on a V n (f, X, t) =
1−p/2 n
∆n V (p, X, t).

6
 Ces dernières années, l’étude de la p-variation a suscité un grand intérêt, spécialement
dans le cas de subdivisions régulières de pas ∆n comme ci-dessus, et grâce au lien établi
entre la p-variation quadratique d’une semimartingale et l’estimation de la volatilité. Dans
cette direction, Barndorff-Nielsen O., Shephard N. dans [1], utilisent la p-variation pour
p 6= 2, puis la bi-variation (cf.[2]), qu’on peut définir comme suit, pour p, r > 0 :
n −1
kX
1− r+p ¯ ¯ ¯ ¯
0n
V (p, r, X, t) = ∆n 2 ¯Xi∆n − X(i−1)∆ ¯p ¯X(i+1)∆ − Xi∆n ¯r . (1.0.5)
n n
k=1

et la variation multiple, pour r1 , · · · , rN > 0 :

knX
−N +1
1−
r1 +···+rN ¯ ¯ ¯ ¯
0n
V (r1 , · · · , rN ; X, t) = ∆n 2 ¯Xi∆n − X(i−1)∆ ¯r1 · · · ¯X(i+N −1)∆ − X(i+N −2)∆ ¯rN .
n n n
k=1
(1.0.6)
Dans la suite on fait varier t, et on considère (essentiellement) des subdivisions régulières,
de sorte que k n = ktn = [t/∆n ]. Les variables V n (f, X, t) et V 0n (f, X, t) peuvent être
considérées comme les valeurs en t de processus V n (f, X) et V 0n (f, X).
Barndorff-Nielsen, Graversen, Jacod, Podolskij et Shephard ont montré dans ([3]) que
si X est une semimartingale d’Itô continue, de seconde caractéristique c et si f une fonc-
0
tion continue à croissance polynomiale, V n (f, X)t converge en probabilité, localement
uniformément en temps, vers
Z t
0
V (f, X)t := ρcs (f ) ds,
0

où pour x > 0, ρx est la loi normale centrée de variance x, et ρx (f ) est l’intégrale de f
√
par rapport à ρx . Ils établissent un théorème central limite sous la condition que ct soit
une semimartingale d’Itô. Sous de bonnes conditions sur f , on a :
Z tp
1 ³ 0n 0
´
√ V (f, X)t − V (f, X)t → ρcs (f 2 ) − ρcs (f )2 dW s
∆n 0

stablement en loi, où W est un mouvement brownien définit sur un espace auxiliaire.
Dans [8], Jacod généralise ces résultats au cas ou X est discontinu, il étudie également les
processus V n (f, X). Il montre sous de bonnes conditions sur f au voisinage de l’origine la
convergence
P de V n (f, X) en probabilité pour la topologie de Skorokhod vers le processus
s≤t f (∆X), ainsi que le théorème central limite correspondant. On peut citer également
Mancini [16] et Woerner [20] pour d’autres résultats de même nature.
Ce sujet ressemble aux méthodes numériques de résolutions des équations différentielles
stochastiques comme le schéma d’Euler. D’ailleurs les limites obtenues dans les T.C.L. ont
fait leur première apparition dans ([12]) pour précisément l’étude des schémas d’Euler.
Dans cette thèse, nous étudions une nouvelle généralisation des processus V n (f, X),
0n
V (f, X) mais aussi de la bi-variation. Plus précisément, on remplace la fonction f sur R
par une ou des fonctions (réelles) f ou g sur l’ensemble Ω × R+ × R. En d’autres termes,

7
nous étudions les processus
[t/∆n ]
X
n
V (f, X)t = f (ω, (i − 1)∆n , Xi∆n − X(i−1)∆n )
i=1

[t/∆n ]
X µ ¶
0n Xi∆n − X(i−1)∆n
V (f, X)t = ∆n f ω, (i − 1)∆n , √
i=1
∆n

[t/∆n ]
X µ ¶ µ ¶
0n Xi∆n − X(i−1)∆n X(i+1)∆n − Xi∆n
V (f, g, X)t = ∆n f ω, (i − 1)∆n , √ g ω, (i − 1)∆n , √ .
i=1
∆n ∆n

Les motivations sont les suivantes : d’une part, dans l’étude des schémas d’Euler ou
de schémas plus sophistiqués des fonctionnelles de la forme précédente interviennent na-
turellement. D’autre part, et c’est la motivation principale, les fonctions de contraste (par
exemple la log-vraisemblance) utilisées en statistique des processus conduisent aussi à
des fonctionnelles de ce type. Pour donner un exemple simple, considérons la solution de
l’E.D.S. suivante : √
dXt = θ σ(X)s dWt
où W est un processus de Wiener et σ est une fonction suffisamment régulière. Ce processus
est observé aux temps i∆n , et on veut estimer le paramètre inconnu θ > 0. Les fonctions
de contraste utilisées habituellement sont de la forme
[t/∆n ]
X
g(θ0 , σ(X(i−1)∆
θ
n
θ
), Xi∆n
θ
− X(i−1)∆n
))
i=1

pour une fonction adéquate g sur R+ × R × R et X θ est le processus observé pour la

”vraie” valeur θ : voir par exemple ([13]) pour plus de détails. On voit ainsi la nécessité de
considérer des fonctionnelles du type V n (f, X) ou V 0n (f, X) avec une fonction f dépendant
de ω et de t, et en particulier d’obtenir des TCL pour déduire le comportement asympto-
tique des estimateurs.
Les résultats obtenus dans cette thèse généralisent une partie de ceux de ([3]) et ([8]).
Ils généralisent également certains des résultats obtenus par Becker dans sa thèse ([4]).
Considérons (Ω, F, (Ft )t≥0 , P) un espace de probabilité munie d’une filtration et l’es-
pace Ωe des trajectoires continues de [0, 1] dans R, Fe sa tribu canonique et Q e a la mesure
de probabilité sous laquelle le processus canonique est un brownien de variance a2 . Soit X
soit un processus de diffusion de coefficient de diffusion a et
e → R.
F : Ω × R+ × Ω

e définit sur une trés bonne extension de (Ω, F, (Ft )t≥0 , P).
Soit BX une mesure martingale sur Ω
On pose alors, Rt ¾
A(F, X) = 0 Q e as (Fs ) ds
,
V (F, X) = F ? BX .

8
où F ? BX est l’intégrale de f par rapport à BX et qui vérifie
Z t
¡ ¢
hF ? BX it = e as F 2 (s, .) − Q
Q e as (F (s, .))2 ds.
0

Si f : Ω × R+ × R → R et ∆ni X = Xi∆n − X(i−1)∆n , Becker montre que

[t/∆n ]
X ∆n X
∆n f ((i − 1)∆n , √i )
i=1
∆n

converge en probabilité pour la topologie de Skorokhod vers A(f, X) et si h une fonction

de troncation, le processus
[t/∆n ] [t/∆n ]
X X £ ¤
f ((i − 1)∆n , ∆ni X) − E h (f ((i − 1)∆n , ∆ni X)) |F(i−1)∆n
i=1 i=1

converge stablement en loi vers V (f, X). Ces limites sont celles qu’on aura au chapitre 4.
Si maintenant X est une semimartingale sans partie martingale continue de mesure
de saut µ compensée par la mesure ν et si h0 (x) = x − h(x), il montre la convergence en
probabilité pour la topologie de Skorokhod du processus :
[t/∆n ] [t/∆n ]
X X £ ¤
n
U (f, X)t = f ((i − 1)∆n , ∆ni X) − E h (f ((i − 1)∆n , ∆ni X)) |F(i−1)∆n
i=1 i=1

vers le processus
U (f, X) = h(f (.)) ? (µ − ν) + h0 (f (.)) ? µ.

Enfin si X est une semimartingale d’Itô, alors

U n (f, X) converge stablement en loi vers

U (f, X) + f ? BX c

où f est telle que :

1 p
∀ ω, ∀ (t, y) ∈ R+ × R, lim √ f (ω, t ∆n y) = f (ω, t, y).
n→∞ ∆n
Nous verrons que ce résultat a des similarités avec les résultats de la section 3.1.2 du
chapitre 3.
Les méthodes de Becker reposent sur la convergence des caractéristiques alors que les
nôtres sont davantages une adaptation des méthodes utilisées dans [3] et [8].
Ce travail est organisé comme suit : dans le chapitre 2, nous faisons quelques rappels
sur les semimartingales, et ce chapitre peut être omis par un lecteur familier avec les
notations usuelles du sujet. Dans le chapitre 3 on étudie les processus V n (f, X). Les
0
processus V n (f, X) font l’objet du chapitre 4, et enfin le chapitre 5 est consacré aux
0
bi-variations V n (f, g, X).

9
Chapitre 2

Rappels sur les semimartingales

Dans ce chapitre, nous rappelons la structure des sauts d’une semimartingale disconti-
nue, avant de faire une courte introduction à la topologie de Skorokhod. On commence par
faire quelques rappels sur les processus stochastiques, dans ces rappels nous nous limitons
aux éléments nécessaires à la construction de l’intégrale stochastique par rapport à une
mesure aléatoire, cette dernière fera l’objet du deuxième paragraphe, alors que dans le
troisième paragraphe, on donnera la décomposition d’une semimartingale discontinue. Le
quatrième paragraphe est consacré à la topologie de Skorokhod et sur la convergence des
processus.
Nous ne donnerons pas les preuves des résultats de ce chapitre ; celles-ci peuvent être
trouvées dans [10].

2.1 Quelques rappels sur les processus stochastiques

On considère une base stochastique (Ω, F, (Ft )t≥0 , P) (ce qui signifie un espace proba-
bilisé muni d’une filtration croissante et continue à droite).
On désigne par :
1. O la tribu optionnelle sur Ω×R+ qui est la tribu engendrée par les processus adaptés,
continus à droite,
2. P la tribu prévisible qui est la tribu engendrée par les processus adaptés continus à
gauche .
Dans la définition suivante, on introduit la procédure de localisation.

Définition 2.1.1 Soit C une classe de processus. On dira qu’un processus Y appartient à
la classe localisée C loc s’il existe une suite (Tn ) de temps d’arrêts qui croissent vers l’infini,
telle que pour tout n, le processus Z Tn défini par ZtTn = ZTn ∧t appartient à C.

Notons qu’on a toujours C ⊂ C loc . Passons aux rappels sur les martingales.

Définition 2.1.2 Soit M et N deux martingales locales. On dira que M et N sont or-
thogonales, si le processus produit M N est lui même une martingale locale.

10
 On dira qu’une martingale locale est purement discontinue, si elle est orthogonale à
toute martingale locale continue nulle en 0.

Théorème 2.1.3 Soit M une martingale locale, il existe une martingale locale continue
M c et une martingale locale purement discontinue M d avec M0c = M0d = 0 telles que
Mt = M0 + Mtc + Mtd . Cette décomposition est unique à l’indistinguabilité près.

Passons à présent aux temps prévisibles et aux projections prévisibles.

Définition 2.1.4 Un temps prévisible est une application T : Ω → R telle que l’ensemble
E := {(ω, t), 0 ≤ t < T (ω)} soit P-mesurable.

Un temps prévisible est donc un temps d’arrêt.

Théorème 2.1.5 Soit X un processus à valeurs dans R ∪ {−∞, +∞}, qui est F ⊗ R+
mesurable. Il existe alors un processus prévisible à valeurs dans R∪{+∞} appelé projection
prévisible de X et noté X p qui vérifie : XTp = E(XT |FT − ) sur {T < ∞} pour tout temps
prévisible T et qui est unique (à évanescence près).

La projection prévisible d’un processus X mesurable est d’habitude définie quand X est
borné ou positif, la définition donnée ici tirée du théorème 2.28 de [10] est une extension
de la définition classique.
Il est évident que si X est prévisible et X > −∞ alors X p = X.
Dans la suite, on dira qu’un processus est càdlàg s’il est continu à droite et admet des
limites à gauche, on dira qu’il est càg s’il est continu à gauche et làd s’il admet des limites
à droite.

Définition 2.1.6 On notera :

A+ : l’ensemble des processus A, réels, adaptés, càdlàg, tels que A0 = 0, pour tout ω
l’applicaton s → As (ω) est croissante et tels que E(A∞ ) < ∞.

H2 : l’ensemble des martingales M , telles que sups∈R+ E(Ms2 ) < ∞.

A tout processus càdlàg X, on associe son processus des sauts, noté (∆Xt ), qui est
défini de la façon suivante ∆Xt := Xt − Xt− .
On rappelle que deux processus X et Y sont indistinguables si

P{∀t, Xt = Yt } = 1.

Proposition 2.1.7 Si M et N sont deux martingales locales purement discontinues nulles

en 0 telles que ∆Ms = ∆Ns pour tout s, alors M et N sont indistinguables.

On note : H2 l’ensemble des martingales telles que supt∈R+ E(Xt2 ) < ∞. Rappelons
2 est la classe localisée.
que Hloc

11
Théorème 2.1.8 Pour chaque paire (M, N ) de martingales locales appartenant à Hloc 2 ,

on associe un processus prévisible hM, N i qui est càdlàg, nul en 0 et à variation localement
bornée tel que M N − hM, N i est une martingale locale.
De plus, le processus hM, M i est croissant.

Si M est une martingale, on sait que le processus (∆M ) est optionnel. Réciproquement,
si on a un processus optionnel H, le théorème suivant donne les conditions sous lesquelles
il existe une martingale M telle que ∆M = H (cf. théorème 4.56 (c), page 56 de [10]).

Théorème 2.1.9 Soit H un processus optionnel tel que H0 = 0. Il existe une martin-
gale
P locale 2M telle que ∆M et H soient indistinguables si et seulement si H p = 0 et
[ s≤. (Hs ) ]1/2 appartient à A+ .
loc
Soit X est une semimartingale, on peut l’écrire sous la forme
Xt = X0 + Mt + At , (2.1.1)
où A est un processus càdlàg adapté et à variation localement borné et M une martingale
locale nulle en 0. D’après le théorème 2.1.3, M se décompose en une partie martingale
locale continue et une partie martingale locale purement discontinue : M = M c + M d .
On dit alors que M c est la partie martingale continue de X et on note : X c , elle ne
dépend pas (à indistinguabilité près) de la décomposition (2.1.1).

Définition 2.1.10 Etant données deux semimartingales X et Y , on appelle co-variation

(quadratique) de X et Y le processus
Z t Z t
[X, Y ]t = Xt Yt − X0 Y0 − Xs− dYs − Ys− dXs .
0 0

Rappelons le théorème 2.1.3, si X est une semimartingale, on note par X c sa partie

martingale continue. On a le théorème suivant :

Théorème 2.1.11 Si X et Y deux semimartingales, on a

X
[X, Y ]t = hX c , Y c it + ∆Xs ∆Ys .
s≤t

On termine cette partie avec la définition suivante.

Définition 2.1.12 Nous dirons qu’un ensemble

S D ∈ Ω × R+ est mince, s’il existe une
suite de temps d’arrêt (Tn ) tel que D = n {(ω, t)/ Tn (ω) = t}.
On peut choisir la suite (Tn ) de sorte que {(ω, t)/ Tn (ω) = Tm (ω) = t} = ∅ si n 6= m,
il suffit de prendre pour nouvelle suite de temps d’arrêt la suite de temps d’arrêt
(
Tn (ω) si ω ∈ ∩0≤m≤n−1 {Tm 6= Tn }
Tn0 :=
∞ sinon
On dit dans ce dernier cas que la suite de temps d’arrêt (Tn ) épuise l’ensemble D

12
2.2 Mesures aléatoires et intégrale stochastique par rapport
à une mesure aléatoire

2.2.1 Mesures aléatoires

Définition 2.2.1 On appelle mesure aléatoire sur R+ × Rd une famille de mesures posi-
tives µ = (µ(ω; dt × dx) : ω ∈ Ω) sur (R+ × E, R+ ⊗ Rd ) vérifiant µ(ω; {0} × Rd ) = 0 pour
tout ω.

Dans la suite, une fonction f, Ω × R+ × Rd → R sera dite optionnelle (resp. prévisible) si

elle est O ⊗ Rd (resp. P ⊗ Rd ) -mesurable.
Soit f : Ω × R+ × Rd → R, une application optionnelle ; on définit le processus intégral
de f par rapport µ par
 R R
 [0,t]×Rd f (ω, s, x) µ(ω, ds, dx) si [0,t]×Rd |f (ω, s, x)|µ(ω, ds, dx) < ∞,
f ? µt (ω) =
 +∞ sinon.

Définition 2.2.2 a. Une mesure aléatoire µ est dite optionnelle (resp. prévisible) si
le processus f ? µ est optionnel (resp. prévisible) pour toute fonction optionnelle
(resp. prévisible) f .
b. Une mesure aléatoire est dite P ⊗ Rd -σ-finie s’il existe une suite An d’éléments de
P ⊗Rd qui croissent vers Ω×R+ ×Rd et telle que pour tout n, E{(1An ?µ)∞ } < ∞.

Dans le théorème suivant, nous allons définir la mesure compensatrice d’une mesure
aléatoire µ :

Théorème 2.2.3 Etant donné une mesure aléatoire µ, optionnelle et P ⊗ Rd -σ-finie,

il existe une autre mesure aléatoire ν appelée mesure compensatrice de µ, unique aux
ensembles P -négligeables près, prévisible et telle que, pour toute fonction positive f de
Ω × R+ × Rd dans R+ , mesurable par rapport à P ⊗ Rd , on a E(f ? µ∞ ) = E(f ? ν∞ )

ν est clairement P ⊗ Rd -σ-finie.

On va maintenant parler d’une classe importante de mesures aléatoires : les mesures
aléatoires à valeurs entières.

Définition 2.2.4 On dira qu’une mesure aléatoire µ est à valeurs entières si elle vérifie
les propriétés suivantes :
a. µ est optionnelle et P ⊗ Rd -σ-finie.
b. µ(ω; {t} × Rd ) ≤ 1 pour tout ω.
c. Quel que soit A dans R+ ⊗ Rd , µ(., A) prend ses valeurs dans N.

La proposition suivante permet d’écrire une mesure aléatoire sous la forme d’une somme
de mesures de Dirac.

13
Proposition 2.2.5 Une mesure aléatoire P ⊗ Rd − σ-finie µ est à valeurs entières, si et
seulement si elle s’écrit
X
µ(ω; dt, dx) = 1D (ω, s)ε(s,βs (ω)) (dt, dx), (2.2.2)
s≥0

où β est un processus optionnel et D un ensemble mince.

Soit (Tn ), une suite de temps d’arrêt qui épuise l’ensemble mince D et soit f : Ω × R+ ×
Rd → R une fonction F × R+ × Rd -mesurable telle que l’intégrale de f par rapport à µ
soit finie. D’après (2.2.2), on a :
X X
f ? µt = f (s, βs )1D (s) = f (Tn , βTn ) 1{Tn ≤t} . (2.2.3)
0<s≤t n≥1

Partant d’un processus stochastique, on peut lui associer une mesure aléatoire à valeurs
entières :

Proposition 2.2.6 Soit X un processus càdlàg, adapté. Alors

X
µX (ω, dt × dx) := 1{∆Xs (ω)6=0} ε(s,∆Xs (ω)) (dt, dx) (2.2.4)
s≥0

définit une mesure aléatoire à valeurs entières appelée mesure des sauts de X.

Sachant que le processus (∆Xt ) est optionnel et que l’ensemble

E =: {(ω, t), ∆X(ω, t) 6= 0} est mince, pour démontrer la proposition 2.2.6 il suffit de
montrer que µX est P ⊗ Rd − σ-finie et ensuite d’appliquer la Proposition 2.2.5 .

2.2.2 Intégrale stochastique par rapport à une mesure aléatoire

Soit µ la mesure aléatoire à valeurs entières définie par

X
µ(ω, dt × dx) = 1D (ω, s)ε(s,βs (ω)) (dt, dx)
s≥t

où β est un processus optionnel et D est un ensemble mince. On note par ν la mesure
compensatrice de µ. Soit f : Ω × R+ × Rd → R, une application P ⊗ Rd -mesurable. On
pose
 R R
 Rd f (ω, t, x)ν(ω, {t} × dx) si Rd |f (ω, t, x)|ν(ω, {t}, dx) < ∞
fbt (ω) := (2.2.5)
 ∞ ailleurs.

Lemme 2.2.7 Le processus fb est prévisible et est une version de la projection prévisible
du processus (ω, s) → f (ω, s, βs (ω))1D (ω, s).

14
On définit le processus
fes := f (ω, s, βs (ω))1D (ω, s) − fbs (2.2.6)
et l’ensemble G(µ) des fonctions f : Ω × R+ × Rd → R qui sont prévisibles et qui vérifient
³P ´1/2
( es )2
f ∈ A+ .
s≤. loc
Il est évident d’après le lemme 2.2.7 que fep = 0. Si en plus le processus (fes ) appartient
à G(µ) alors, d’après le théorème 2.1.9 il existe une unique martingale locale purement
discontinue M nulle en 0 telle que ∆M et fe soient indistinguables.

Définition 2.2.8 On appelle intégrale stochastique de f par rapport à µ − ν et on note

f ? (µ − ν) la martingale locale M ci-dessus.

Soit f : Ω × R+ × Rd → R, une application prévisible. On définit

X
C(f )t := (f − fb)2 ? νt + (1 − ν(ω, {t} × Rd ))(fbs )2 . (2.2.7)
s≤t

Rappelons l’ensembble A+ de la définition 2.1.6 a. On va énoncer des résultats qui

s’avéreront utiles par la suite.

Théorème 2.2.9 Soit f : Ω × R+ × Rd → R, une fonction P ⊗ Rd -mesurable.

a) Si |f | ? µ ∈ A+ ou de façon équivalente si |f | ? ν ∈ A+ alors f ∈ G(µ) et
loc loc
f ? (µ − ν) = f ? µ − f ? ν.

b) La fonction f appartient à G(µ) et f ?(µ−ν) appartient à H2 (rep.H2loc ) si et seulement

si C(f ) appartient à A ([Link] ) et dans ce cas :

hf ? (µ − ν), f ? (µ − ν)i = C(f ). (2.2.8)

Remarque 2.2.10 Sous les hypothèses de la partie b) du Théorème 2.2.9 et si fb = 0

alors
hf ? (µ − ν), f ? (µ − ν)i = f 2 ? ν.

2.3 Décomposition d’une semimartingale

Dans cette section, on présente la décomposition canonique d’une semimartingale. L’un
des avantages de cette décomposition est qu’elle sépare les sauts de la semimartingale
d’une part en de ”petits” sauts et d’autre part en un nombre fini de grands sauts sur tout
intervalle de temps fini. Cette séparation se fait à l’aide de fonctions de troncation définies
ci-dessous.

Définition 2.3.1 Une fonction de troncation est une fonction de R dans R, borélienne,
bornée telle que h(x) = x au voisinage de l’origine.

15
Soit X une semimartingale à valeur dans R et h une fonction de troncation, on définit les
processus
( P
X̆(h)t = s≤t (∆Xs − h(∆Xs ))
(2.3.1)
X(h) = X − X̆(h) − X0 .
En prenant les sauts dans (2.3.1), on a

 ∆X̆(h)s = ∆Xs − h(∆Xs )
 ∆X(h) = ∆X − ∆X̆(h) = h(∆X ).
s s s

Comme h est bornée, les sauts de la semimartingale X(h) le sont également, d’où X(h)
est une semimartingale spéciale. Elle se décompose alors de façon unique sous la forme :

X(h) = X0 + B(h) + M (h) (2.3.2)

où B(h) est un processus prévisible à variation localement bornée et M (h) est une martin-
gale locale. On sait par ailleurs que M (h) admet la décomposition M (h) = M c + M (h)d
où M (h)d est la partie martingale purement discontinue et où M c est la partie martingale
continue (M c ne dépend pas de h). D’après l’égalité (2.3.2)

∆X(h)s = ∆B(h)s + ∆M (h)s .

Or on a vu que ∆X(h) = h(∆X). Il suit que

h(∆Xs ) = ∆B(h) + ∆M (h). (2.3.3)

Remarquons que (∆M (h))ps ≡ 0 comme pour toute martingale locale. D’autre part vu que
B(h) est prévisible, il en est de même pour le processus (∆B(h)s ) et donc (∆B(h))p =
∆B(h). Il suit en passant aux projections prévisibles dans (2.3.3) que

(h(∆Xs ))p = ∆B(h). (2.3.4)

Notons par µ, la mesure des sauts de X et par ν, sa mesure compensatrice. En appli-

quant les résultats du Lemme (2.2.7) à la mesure µ et à la fonction de troncation h où
(∆Xs ) va jouer le rôle du processus (βs ), on a
Z
p b
(h(∆Xs )) = hs = h(x) ν({s} × dx).
Rd

En combinant avec (2.3.4), on a

Z
∆B(h)s = h(x) ν({s} × dx). (2.3.5)
Rd

D’autre part, (2.3.5) et (2.3.3) impliquent que

Z
∆M (h)ds = h(∆Xs ) − h(x) ν({s} × dx) = e
hs .
Rd

16
Il suit d’après la définition de l’intégrale par rapport à (µ − ν) ( cf. Définition 2.2.8) que

M (h)d = h ? (µ − ν). (2.3.6)

Par ailleurs, (2.3.1) et (2.3.2) impliquent que

X
Xt = X(h)t + X̆(h)t = B(h) + M (h) + (∆X − h(∆Xs )) ,
s≤t

il suit donc que

X = X0 + B(h) + X c + h ? (µ − ν) + h0 ? µ
où h0 (x) = x − h(x) on gardera cette notation pour la suite. On notera également X c la
partie continue de M et pour h fixé on notera B à la place de B(h). A la lumière de ce
qui précède, on peut énoncer le théorème suivant :

Théorème 2.3.2 Avec les notations précédentes, toute semimartingale X admet la décomposition
suivante :
X = X0 + X c + h ? (µ − ν) + B + h0 ? µ (2.3.7)

Définition 2.3.3 On appelle caractéristiques de X le triplet (B, hX c , X c i, ν).

Remarque 2.3.4 Si X est d-dimensionnel, alors

• B est également d-dimensionnel,
• hX c , X c i prend ces valeurs dans l’espace des matrices de dimension d×d symetriques
semi-définies positives, ses composantes sont données par hX c , X c ii,j = hX c,i , X c,j i,
• la mesure de sauts de X, µ et sa compensatrice ν sont des mesures aléatoires sur
R+ × Rd .

2.4 Semimartingales d’Itô

Soit X une semimartingale d-dimensionnelle, de caractéristiques (B, C, ν), par rapport
à la fonction de troncation h sur Rd , où C = hX c , X c i. On rappelle dans ce cas que X
s’écrit comme dans (2.3.7).

Définition 2.4.1 On dit que X est une semimartingale d’Itô si ses caractéristiques sont
absoluement continues par rapport à la mesure de Lebesgue, en d’autres termes
• dBs = bs ds où b est un processus prévisible, également appelé drift,
• dCs = cs ds où c est un processus prévisible, prenant ses valeurs dans l’espace des
matrices symetriques et semi-définies positives. c est appelé coefficient de diffusion.
• ν(ω, ds, dx) = Fs (ω, dx)ds où F est une mesure de transition de Ω × R+ → Rd ; il
existe alors une version de F telle que
Z
¡ ¢
1 ∧ ||x||2 Fs (ω, dx) < ∞, ∀s.
Rd

17
Théorème 2.4.2 Les deux conditions suivantes sont équivalentes
1. X est une semimartingale d’Itô,
2. Quitte à agrandir l’espace (Ω, F, Ft , P), le processus X peut s’écrire sous la forme :
Z t Z t
Xt = X0 + bs ds + σs dWs + h(δ) ? (µ − ν) + h0 (δ) ? µ, (2.4.1)
0 O

où
• b est comme dans la définition 2.4.1,
• σ est un processus prévisible à valeurs dans Rd×m tel que σσ t = c, où σ t est la
transposée de σ (on peut toujours choisir m ≤ d).
• W est un mouvement brownien m-dimensionnel,
0
• µ est une mesure aléatoire de Poisson sur R+ ×Rm . ν est la mesure compensatrice
0 0
de µ, elle s’écrit ν(ds, dy) = F 0 (dy)ds où F 0 est une mesure σ-finie sur (Rm , Rm )
de masse totale infinie (on peut toujours prendre m0 = 1).
0
• δ est une application prévisible de Ω × R+ × Rm dans Rd vérifiant
Z tZ
¡ ¢
1 ∧ ||δ(ω, s, y)||2 F (dy) ds < ∞.
0
0 Rm

Remarque 2.4.3 Si X est une semimartingale d’Itô, la mesure de transition Fs (ω, dx)
introduite dans la définition 2.4.1 et la fonction δ qui apparaı̂t dans (2.4.1), sont liées par
la relation ¡ ¢
Fs (ω, A) = F 0 δ −1 (ω, s, A) ,
pour tout A appartenant à la tribu borélienne de Rd \ {0}. D’où Fs (ω, dx) est la restriction
à Rd \ {0} de la mesure image de F 0 par l’application y → δ(ω, s, y).

2.5 Topologie de Skorokhod et convergence de processus

Soit (Ω, F, P) un espace probabilisé et E muni d’une distance. Si (X n ) et X sont des
variables aléatoires à valeurs dans E, Il existe différents modes de convergence de la suite
(Xn ) vers la variable X tels que la convergence presque sûre, la convergence en probabilité
et la convergence en loi.
Si maintenant (X n ) et (X) sont des processus, on peut évidemment parler de la conver-
gence dans l’un des sens précédemment cité de la suite de variables (Xtn ) vers la variable
Xt pour un temps t fixé. Mais cette convergence ponctuelle ne rend pas compte du com-
portement asymptotique de la trajectoire globale des suites (X n ). Pour régler ce problème,
on a besoin de définir
• un espace de fonctions : on prendra l’espace des processus càdlàg, à valeurs dans E.
On nommera cet espace D(E)
• d’une distance sur cet espace, donc D(E) sera muni de sa tribu borélienne.
On pourra, alors, parler de convergence de la suite de processus (X n ) vers le processus
(X).

18
2.5.1 L’espace topologique de Skorokhod

Définition 2.5.1 Soit E un espace metrisable et séparable. On dira que E est un espace
polonais si sa topologie peut être définie par une distance qui en fait un espace complet.

Soit E un espace polonais. L’espace des fonctions càdlàg de R+ → E est appelé espace
de Skorokhod. On le notera par D(E). Dans la suite de la section, l’espace polonais E est
du type Rm où m ∈ N? . On désigne par Λ l’ensemble des fonctions λ qui sont continues,
strictement croissantes, telles que λ(0) = 0 et λ(t) → ∞ quand t → ∞.
Pour tout λ ∈ Λ, on définit :
½¯ µ ¶¯ ¾
¯ λ(t) − λ(s) ¯¯
¯
|||λ||| = sup ¯log
t−s ¯ ; s, t ∈ R+ , s < t .

|||.||| définit une application de Λ dans R+ .

Pour chaque N appartenant à N? , on définit la fonction kN de R+ dans [0, 1] par


 1 si t ≤ N,

kN (t) = N + 1 − t si N < t < N + 1, (2.5.1)



0 si t ≥ N + 1.

Pour tout α, β appartenant à D(Rm ), on définit :

( © ª
δN (α, β) = inf λ∈Λ |||λ||| + sups∈R+ k(kN α) ◦ λ(s) − kN (s)β(s)k ,
P −N (1 ∧ δ (α, β)) .
dS (α, β) = N ∈N? 2 N

Corollaire 2.5.2 dS définit une distance sur D(Rm ) appelée distance de Skorokhod.

La distance dS n’est pas facile à manipuler, mais on a le résultat suivant :

Corollaire 2.5.3 Soit (αn ) et α des éléments de D(Rm ). On a dS (αn , α) → 0 si et

seulement si il existe une suite (λn ) appartenant à Λ telle que
(
sup{|λn (s) − s|, s ∈ R+ } → 0 et
sup{|αn ◦ λn (s) − α(s)|, 0 ≤ s ≤ N } → 0 pour tout N ∈ N?

Pour tout s ∈ R+ , considérons l’application (coordonnée) définie sur D(Rm ) par

Πs (α) = α(s). Pour t ∈ R+ , on notera par Dt (Rm ) la tribu sur D(Rm ) engendrée par
l’ensemble des Πs , s ≤ t. Posons
_
D(Rm ) := Dt (Rm ).
t≥0

On termine le paragraphe par le resultat important suivant

Théorème 2.5.4 L’espace D(Rm ) munie de dS est un espace polonais et D(Rm ) en est
la tribu borélienne.

19
2.5.2 Convergence de processus

Notons par D(Rm ), la tribu borélienne de D(Rm ). Si X est un processus càdlàg, on

peut le considérer comme une application mesurable de (Ω, F) → (D(Rm ), D(Rm )). Sa loi
est donnée par µX (A) = P{X ∈ A} pour tout A ∈ D(Rm ).
Soit X n et X des processus à valeurs dans Rm . Comme pour les variables aléatoires,
on a les définitions suivantes :

Définition 2.5.5 a. On dit que les processus X n convergent p.s. vers X au sens de
Skorokhod si : pour presque tout ω, dS (X n , X) converge vers 0 quand n → ∞.
b. On dit que les processus X n convergent en probabilité vers X au sens de Skorokhod
si pour tout ε > 0, P (dS (X n , X) > ε) converge vers 0 quand n → ∞.
c. la suite X n converge en loi vers X au sens de Skorokhod si pour toute fonction f
sur D(Rm ) continue et bornée , on a
Z Z
f (α) µX (dα) −→
n f (α) µX (dα)
D(Rm ) D(Rm )

quand n tend vers l’infini.

La convergence p.s. au sens de Skorokhod implique la convergence en probabilité et la

convergence en probabilité au sens de Skorokhod implique la convergence en loi au sens
de Skorokhod. On va maintenant voir quelques autres modes de convergence pour les pro-
cessus dont nous ferons usage dans la suite de cette thèse.

Soit (Ω, F, P) un espace probabilisé, A une sous-tribu de F et Xn une suite de variables

à valeur dans un espace polonais (E, E).

Définition 2.5.6 On dit que la suite (Xn ) converge A-stablement en loi ( ou tout simple-
ment stablement en loi si A = F) s’il existe une mesure de probabilité µ sur (Ω×A, F ⊗A)
telle que pour toute variable aléatoire Y bornée, A-mesurable et pour toute fonction f
définie sur E, continue et bornée, on a
Z
n
E{Y f (Z )} −→ Y (ω)f (x)µ(dω, dx) (nécessairement µ(dω, E) = P(dω)).
Ω×E

Si une suite de processus X n converge en probabilité au sens de Skorokhod vers X

alors elle converge stablement en loi vers X.
Si (X n ) converge stablement en loi vers le processus (X) alors elle converge en loi au
sens de Skorokhod vers la même limite .
Soit (X n ) et X des processus à valeurs dans Rm .

Définition 2.5.7 On dira que X n converge u.c.p. (localement uniformément

© en temps etª
en probabilité) vers X si pour tout ε > 0, t ≥ 0, la quantité P sups≤t kXsn − Xs k > ε
tend vers 0 quand n tend vers l’infini.

20
Si la suite de processus (X n ) converge u.c.p. vers le processus X alors elle converge en
probabilité vers X au sens de Skorokhod. Si X est continue, la convergence u.c.p. est
équivalent à la convergence en probabilité pour la topologie de Skorokhod.

21
Chapitre 3

Convergence de fonctionnelles de
semimartingales non normalisées

Etant données une semimartingale X réelle, une suite (∆n ) tendant vers 0 quand n
tend vers l’infini et une fonction f de Ω × R+ × R dans R, le but de ce chapitre est d’abord
d’étudier la convergence de la somme :
[t/∆n ]
X ¡ ¢
f ω, (i − 1)∆n , Xi∆n (ω) − X(i−1)∆n (ω)
i=1

et ensuite, quand c’est possible, d’établir un théorème central limite associé.

3.1 Loi des grands nombres

3.1.1 Préliminaires

Soit (Ω, F, (Ft )t≥0 , P), une base stochastique sur laquelle on a une semimartingale
réelle X. On suppose que X a pour caractéristiques (B(h), C, ν) (où h est une fonction de
troncation) et pour mesure des sauts µ.
Dans toute la suite, f désignera une application de Ω × R+ × R dans R.
Commençons par une hypothèse sur f . Soit A une partie de R. On note fA la restric-
tion à Ω × R × A de f .

Hypothèse (K[A]) : l’application fA (ω, t, x) est continue en x et admet des limites à

gauche en t notées fA (ω, t−, x). De plus, si xn → x dans A et tn → t, tn < t, alors
fA (ω, tn , xn ) → f (ω, t−, x). 2

Définition 3.1.1 On dira que f est localement équicontinue sur A (localement en temps),
si pour tout (ω, T, x0 ) ∈ Ω × R+ × A , la famille de fonctions (x → fA (ω, s, x))s∈[0,T ] est
équicontinue en x0 .

22
Remarque 3.1.2 Si f est localement équicontinue en A (au sens de la définition précédente)
et si l’application s → fA (ω, s, x) admet des limites à gauche, alors f vérifie (K[A]).

Quelques notations
1. On notera par I l’ensemble des réels r ≥ 0 tels que
Z Z
(|x|r ∧ 1) ? ν(ds, dx) < ∞
[0,t]×R

presque sûrement et pour tout t. Notons que I contient toujours 2 et, est toujours
un intervalle de la forme ]α, ∞[ ou [α, ∞[ pour α ∈ [0, 2] et α est appelé indice de
Blumenthal-Getoor de X.

2. Si 1 ∈ I et si h est une fonction de troncation alors h ? ν est bien définie et est à

valeurs finies, de même que h ? µ, de plus (2.3.7) devient :
X
Xt = X0 + Xtc + B t + ∆Xs , (3.1.1)
s≤t

où
B t = Bt − h ? νt , B est dans ce cas le ”véritable” drift.

3. On note ∆ni X := Xi∆n − X(i−1)∆n .

Proposition 3.1.3 Soit X une semimartingale ayant pour mesure de sauts µ. On désigne
par ν, la mesure compensatrice de µ. Si f est F ⊗ R+ ⊗ R-mesurable et s’il existe ε > 0,
Γ un processus localement borné et r un réel appartenant à I tels que : |f (s, x)| ≤ Γs |x|r
si |x| ≤ ε. Alors le processus X
f ? µt = f (s, ∆Xs )
s≤t

est presque sûrement à valeurs finies.

Preuve
On a :
X X X
|f (s, ∆Xs )| = |f (s, ∆Xs )|1{|∆Xs |≤ε} + |f (s, ∆Xs )|1{|∆X|>ε} .
s≤t s≤t s≤t

Pour tout ω, il existe un nombre fini de sauts entre [0, t] qui sont plus grands que ε, donc
X
|f (s, ∆Xs )|1{|∆Xs |>ε} < ∞.
s≤t

Il nous reste à montrer que

X
|f (s, ∆Xs )|1{|∆Xs |≤ε} < ∞.
s≤t

23
Or X X
|f (s, ∆Xs )|1{|∆Xs |≤ε} ≤ Γ?t |∆X|r 1{|∆Xs |≤ε}
s≤t s≤t

où Γ?t = sup{|Γs |, s ≤ t}. Il suffit donc de montrer que

X
|∆X|r 1{|∆Xs |≤ε} < ∞.
s≤t
¡ ¢
Comme r ∈ I alors |x|¡r 1{|x|≤ε} ? ¢νt est un processus croissant, càdlàg et à sauts bornés
par ε, il suit alors que |x|r 1{|x|≤ε} ? νt appartient à Aloc (voir le chapitre 2 pour Aloc ).
Il existe une suite (Tp ) de temps d’arrêt notée (Tp ) qui croissent vers l’infini et tels que
pour tout p,
©¡ ¢ ª ©¡ ¢ ª
E |x|r 1{|x|≤ε0 } ? µt∧Tp = E |x|r 1{|x|≤ε0 } ? νt∧Tp < ∞
P
d’où s≤ t∧Tp |∆Xs |r 1{|∆Xs |≤1} < ∞ presque sûrement pour tout p. En faisant tendre p
vers l’infini, on en déduit le résultat.

3.1.2 Résultats

Le premier théorème peut être vu comme une généralisation de certains résultats dûs
à Lépingle (voir [14]).

Théorème 3.1.4 Soit X une semimartingale de caractéristiques (B, C, ν) et f une ap-

plication optionnelle telle que f (ω, s, 0) ≡ 0. On suppose que f vérifie (K[R]) et qu’il
existe un voisinage V0 de 0 tel que l’application x → f (ω, s, x) soit C 2 sur V0 . On suppose
également que
∂2f
• ∂f
∂x et ∂x2 vérifient (K[V0 ]).
• Il existe un processus localement borné Γ tel que

∂f ∂2f
| (s, 0)| + sup | (s, x)| ≤ Γs
∂x {x∈V0 } ∂x2
Alors quand n → ∞, la somme
[t/∆n ]
X
f ((i − 1)∆n , ∆ni X)
i=1

converge en probabilité pour la topologie de Skorokhod vers le processus

Z t Z Z t
∂f 1 t ∂2f ∂f
D(f )1t := (s−, 0) dBs + 2
(s−, 0) dC s + (s−, 0) dXsc +
0 ∂x 2 0 ∂x 0 ∂x
µ ¶ X · ¸
∂f ∂f
(s−, 0)h(x) ? (µ − ν)t + f (s−, ∆Xs ) − h(∆Xs ) (s−, 0) .
∂x ∂x
0<s≤t

24
Théorème 3.1.5 Soit X une semimartingale de caractéristiques (B, 0, ν) (ici C ≡ 0) et
f , une application optionnelle, vérifiant (K[R]) et telle que f (ω, u, 0) ≡ 0. On suppose
qu’il existe un voisinage V0 de 0 tel que l’application x → f (ω, u, x) soit dérivable sur V0 .
On suppose également
³ que ´
• le processus ∂f ∂x (ω, s, 0) est localement borné,
³ ´
• pour tout x appartenant à V0 , le processus ∂f ∂x (s, x) admet des limites à gauche,
• il existe p ∈]1, 2[∩I et un processus Γ localement borné tels que pour tout u > 0, x1
et x2 ∈ V0 on ait
∂f ∂f
|
(ω, s, x1 ) − (ω, s, x2 )| ≤ Γs |x1 − x2 |p−1 .
∂x ∂x
Alors quand n → ∞, la somme
[t/∆n ]
X
f ((i − 1)∆n , ∆ni X)
i=1

converge en probabilité pour la topologie de Skorokhod vers le processus D1 (f ) précédent

qui s’écrit ici
Z t µ ¶ X · ¸
∂f ∂f ∂f
D1 (f )t = (s−, 0) dBs + (s−, 0)h(x) ?(µ−ν)t + f (s−, ∆Xs ) − h(∆Xs ) (s−, 0) .
0 ∂x ∂x
0<s≤t
∂x

(n)
Pour un processus Y donné, on note Y (n) le processus tel que Yt := Y[t/∆n ]∆n .
Pour 1 ∈ I, on pose B̄ = B − h ? ν.

Théorème 3.1.6 Soit X une semimartingale telle que 1 ∈ I et ayant pour caractéristiques
(B, 0, ν). Soit f : Ω×R+ ×R → R, une application optionnelle, telle que f (ω, u, 0) ≡ 0. On
suppose que f vérifie l’hypothèse (K[R]) et que l’une des conditions suivantes est vérifiée :
1. il existe un voisinage ouvert V0 de 0 tel que l’application x → f (ω, s, x) soit dérivable
sur V , de plus
∂f ∂f
(ω, s, x) = (ω, s) = γu (ω),
∂x ∂x
ne dépend pas de x, où γ est un processus localement borné et admettant des limites
à gauches.
2. B̄ = 0, il existe p ∈]0, 1] ∩ I, un voisinage V0 de 0 et un processus Γ localement borné
tel que
∀u ≥ 0, x1 , x2 ∈ V0 , |f (u, x1 ) − f (u, x2 )| ≤ Γu |x1 − x2 |p .
3. 0 appartient à I et B̄ = 0
Alors quand n → ∞, la somme
[t/∆n ]
X (n)
f ((i − 1)∆n , ∆ni X) − D1 (f )t
i=1

25
converge localement uniformément vers 0, avec le processus D1 (f ) qui prend la forme :
X Z t
1
D (f )t = f (s−, ∆Xs ) + γs B s .
0<s≤t 0

Il s’en suit que la suite de processus

[t/∆n ]
X
f ((i − 1)∆n , ∆ni X)
i=1

convergence pour la topologie de Skorokhod vers le processus D1 (f ).

Remarque 3.1.7 Les sauts du processus D1 (f ) sont donnés par

∆D1 (f )t = f (t−, ∆Xt ).

Comme f (t−, 0) ≡ 0, on en déduit que les temps de saut du processus D1 (f ) sont des
temps de saut de X lui même.

∂f ∂2f
Remarque 3.1.8 Sous les hypothèses du théorème 3.1.4 et si ∂x (ω, s, 0) = ∂x2
(ω, s, 0) ≡
0 alors X
D1 (f )t = f (s−, ∆Xs ). (3.1.2)
0≤s≤t

Dans le dernier théorème, la convergence obtenue est une convergence uniforme en com-
pacte. Dans le théorème qui va suivre, on va voir d’autres cas où on a également une
convergence uniforme.
On pose ici : X
D1 (f )t = f (s−, ∆Xs ).
0<s≤t

Théorème 3.1.9 Soit X une semimartingale ayant pour caractéristique (B, C, ν) et soit
f : Ω × R+ × R → R une fonction optionnelle vérifiant (K[R]) et telle que f (ω, u, 0) ≡ 0.
Alors la suite de processus
[t/∆n ]
X (n)
f ((i − 1)∆n , ∆ni X) − D1 (f )t
i=1

converge localement uniformément vers 0, d’où la suite de processus

[t/∆n ]
X
f ((i − 1)∆n , ∆ni X)
i=1

convergence vers D1 (f ) au sens de Skorokhod dans les cas suivants :

26
 1. Il existe un voisinage de 0, un processus Γ localement borné et un réel p > 2 tel que

|f (ω, s, x)| ≤ Γs (ω)|x|p , ∀ x ∈ V.

2. X c ≡ 0, il existe un voisinage de 0, un processus Γ localement borné et un réel

1 < p ≤ 2 tel que
|f (ω, s, x)| ≤ Γs (ω)|x|p , ∀ x ∈ V
de plus, il existe un réel q vérifiant q < p et q ∈ I.

3.2 Théorème central Limite

3.2.1 Hypothèses et Notations

Quitte à élargir notre espace (Ω, P, F, (F)t ), on suppose que celui-ci contient un mou-
vement brownien W et une mesure aléatoire de Poisson µ sur R+ × R. On note ν la mesure
compensatrice de µ et on suppose que ν(ds, dx) = F (dx)ds où F est une mesure σ-finie sur
R et de masse totale infinie. On ne sait pas démontrer un théorème central limite pour une
semimartingale quelconque, il est nécessaire de supposer que X est une semimartingale
d’Itô vérifiant quelques hypothèses supplémentaires.
Hypothèse (H1 ) On suppose que X s’écrit
Z t Z t
Xt = X0 + bs ds + σs dWs + h(δ) ? (µ − ν)t + h0 (δ) ? µt . (3.2.1)
0 0

où
• (bt ) est un processsus localement borné et prévisible.
• σ est un processus càdlàg, adapté.
• δ : Ω × R+ × R → R est une application prévisible qui vérifie : il existe une suite
de temps d’arrêt (Tk ) croissant vers l’infini et une suite de fonctions déterministes
réelles (γk ) telles que pour tout k, on ait
Z
min(1, γk2 (x)) F (dx) < ∞ et |δ(ω, s, x)| ≤ γk (x) si s ≤ Tk (ω).
R
2
0
Soit (Ω0 , F 0 , P0 ) un espace auxiliaire muni de deux suites (Up ) et (Up ) de variables
gaussiennes standards et d’une suite de variables uniformes (κp ) sur ]0, 1[. On suppose que
ces variables sont mutuellement indépendantes.
Posons
e = P ⊗ P0
e = Ω × Ω0 , Fe = F ⊗ F 0 , P
Ω
Les variables définies sur Ω où Ω0 peuvent être considérées comme définies sur Ω. e Soit
(Sp ) une suite de temps d’arrêt définie sur (Ω, F, (Ft ), P) et qui épuise les sauts de X. On
e une filtration (Fet ) qui est la plus petite filtration continue à droite, contenant
définit sur Ω
(Ft ) et telle que les variables Up , Up0 et κp soient FeSp mesurables pour tout p.

27
3.2.2 Résultats

Théorème 3.2.1 Soit X un processus vérifiant (H1 ) et f une application de Ω × R+ ×

R dans R, optionnelle et telle que l’application x → f (ω, s, x) soit C 1 sur R et que
f (ω, u, 0) = ∂f ∂f
∂x (ω, u, 0) ≡ 0. On suppose que ∂x vérifie (K(R)). On suppose également
qu’il existe un voisinage V0 de 0 tel que l’application x → f (ω, s, x) soit C 2 sur V0 et qu’il
2
existe un processus Γ localement borné tel que | ∂∂xf2 (ω, s, x)| ≤ Γs (ω)|x|²(x) où ²(x) → 0
quand x → 0.
A. les processus
  
1  [t/∆n ]
X X 
√ f ((i − 1)∆n , ∆ni X) − f ((i − 1)∆n , ∆Xs )
∆n  i=1 
(i−1)∆n <s≤i∆n

convergent stablement en loi vers le processus

X ∂f ³√ p 0
´
D2 (f )t := (Sp −, ∆XSp ) κp Up σSp − + 1 − κp Up σSp (3.2.2)
∂x
p:Sp ≤t

1
B. Si de plus il existe α > 2 et un processus croissant localement borné θ tels que

|f (ω, s, x) − f (ω, t, x)| ≤ θT |t − s|α x2 , ∀ s, t ∈ [0, T ], (3.2.3)

on a la convergence stablement en loi des suites de processus

 
1  [t/∆n ]
X X 
n
√ f ((i − 1)∆n , ∆i X) − f (s−, ∆Xs )
∆n  i=1 
0<s≤[t/∆n ]∆n

vers le processus D2 (f ).

Le lemme suivant, qui n’est rien d’autre qu’une généralisation du lemme 5.10 de [8], donne
quelques propriétés de D2 (f ). On pose
µ ¶2 ³ ´
¡ 2 2 ¢ 1 X ∂f
e
C(f )t := E D (f )t |F = (Sp −, ∆XSp ) σS2 p + σS2 p −
2 ∂x
p:Sp ≤t
µ ¶2
1X ∂f ¡ 2 2
¢
= (s−, ∆Xs ) σs + σs− . (3.2.4)
2 ∂x
s≤t

Lemme 3.2.2 Supposons les hypothèses du théorème 3.2.1 vérifiées. ³Le processus C(f´)
e F,
est à valeurs finies et D2 (f ) est une semimartingale sur l’espace étendu Ω, e (F e .
ft )t≥0 , P
Si en plus C(f ) est localement intégrable alors D2 (f ) est une martingale locale et dans ce
cas ³¡ ¢2 ´
E D2 (f )T = E (C(f )T ) , ∀ T, temps d’arrêt de (Ft ). (3.2.5)

On a également :

28
 a. Conditionnellement à F, le processus D2 (f ) est une martingale de carré intégrable,
nul en 0 à accroissements indépendants et son crochet prévisible par rapport à la
filtration (F ∨ Fet ) est C(f ). Sa loi conditionnelle est complètement caractérisée par
les processus X et σ et ne dépend pas du choix des Sn .
b. Si X et σ n’ont pas de sauts en commun, alors conditionnellement à F, le processus
D2 (f ) est une martingale gaussienne centrée.

3.3 Convergence pour une fonction auxiliaire

L’ hypothèse 3.2.3 du théorème 3.2.1 peut s’avérer un peu restrictive, on ne peut pas
par exemple appliquer ce théorème à des fonctions f du type :
f (ω, s, x) = g(Zs (ω), x), (3.3.1)
où Z est une semimartingale d-dimensionnelle et g est une fonction de Rd+1 → R . Dans
cette partie on essaie d’établir un théorème central limite pour ces types de fonctions.
Dans toute la suite, g est une fonction de Rd+1 → R et f est définie par (3.3.1).
Rappelons le processus D1 (f ) défini dans le théorème 3.1.4. Si f vérifie (3.3.1), on le
note également D1 (g, Z). Une simple application du théorème 3.1.4 nous donne le théorème
suivant :

Théorème 3.3.1 Soit X une semimartingale de caractéristiques (B, C, ν) et soit Z un

processus d-dimensionnel, adapté admettant des limites à gauche et localement borné. On
suppose que g(z, 0) ≡ 0 pour tout z ∈ Rd et qu’il existe un voisinage V0 de 0 tel que :
∂g
pour tout z ∈ Rd , la fonction g(z, .) est deux fois dérivables sur V0 et ∂x est continue sur
Rd × V0 .
P[t/∆n ]
Alors quand n → ∞, le processus i=1 g(Z(i−1)∆n , ∆ni X) converge en probabilité
pour la topologie de Skorokhod vers le processus
Z t Z Z t
1 ∂g 1 t ∂2g ∂g
D (g, Z)t = (Zs− , 0)dBs + 2
(Zs− , 0)dCs + (Zs− , 0)dXsc
0 ∂x 2 0 ∂x 0 ∂x
µ ¶ X · ¸
∂g ∂g
+ (Zs− , 0)h(x) ? (µ − ν)t + g(Zs− , ∆Xs ) − h(∆Xs ) (Zs− , 0)
∂x ∂x
0≤s≤t
(3.3.2)

Remarque 3.3.2 Sous les hypothèses du théorème 3.3.1 et si X vérifie l’hypothèse (H1 )
alors
Z t Z Z t
∂g 1 t 2 ∂2g ∂g
D1 (g, Z)t = bs (Zs− , 0)ds + σs 2 (Zs− , 0)ds + σs− (Zs− , 0)dWs
0 ∂x 2 0 ∂x 0 ∂x
Z Z t
∂g
+ (Zs− , 0)h(δ(s, x))(µ − ν)(dx, ds)
R 0 ∂x
Z tZ
∂g
+ [g(Zs− , δ(s, x)) − h(δ(s, x)) (Zs− , 0)]µ(ds, dx).
0 R ∂x

29
 ∂2g ∂g
Si de plus, ∂x2
(z, 0) = ∂x (z, 0) ≡ 0 pour tout z ∈ Rd alors
X
D1 (g, Z)t = g(Zs− , ∆Xs− ). (3.3.3)
s≤t

Soit k est une fonction de troncation dans Rd+1 . On pose : k 0 (z) := z − k(z).
Dans le paragraphe (3.2), on avait supposé que le processus X vérifiait l’hypothèse
(H1 ) et en particulier que c’était une semimartingale d’Itô. Dans cette partie, on suppose
que Z est aussi une semimartingale d’Itô, ce qui revient à dire que le couple (Z, X) est
d’Itô. On suppose en outre que le couple (Z, X) vérifie une hypothèse du type (H1 ), pour
être plus précis, on fait l’hypothèse suivante :
Hypothèse N1 : Le couple (Z, X) se met sous la forme :
µ ¶ µ ¶ Z t Z t Z tZ Z tZ
Zt Z0 0 0 0
¡ 0 ¢ ¡ ¢
= + bs ds+ σs− dWs + k δ (s, x) (µ−ν)(ds, dx)+ k 0 δ 0 (s, x) µ(ds, dx)
Xt X0 0 0 0 R 0 R

où
• b0 est un processus à valeurs dans Rd+1 , prévisible, localement borné .
• W 0 est un mouvement brownien m-dimensionnel.
• σ 0 est un processus càdlàg, adapté, prenant ses valeurs dans l’espace des matrices de
dimensions (d + 1) × m
• δ 0 est une application de Ω × R+ × R → Rd+1 , prévisible. On suppose de plus qu’il
existe une suite de temps d’arrêt (Sk ) qui croissent vers l’infini et une suite de
fonctions boréliennes (γk ) telles que
Z
0
¡ ¢
kδ (ω, s, x)k ≤ γk (x) si s ≤ Sk (ω) et 1 ∧ γk (x)2 F (dx) < ∞.
R

Remarque 3.3.3 L’hypothèse (N1 ) implique l’hypothèse (H1 ).

On rappelle que (Tp ) est une suite quelconque de temps d’arrêt qui épuisent les sauts de
X. On considère un espace auxiliaire (Ω0 , F 0 , P0 ) sur lequel sont définies une suite (κp ) de
variables de loi unifome sur ]0, 1[ et des suites (Vk,p , Vk,p0 ) de variables gaussiennes
³ 1≤k≤m ´
0
standard. On suppose de plus les variables (κp ) et (Vk,p , Vk,p ){1≤k≤m} mutuellement
indépendantes.
Comme dans la sous-section 3.2, on définit :
e = P ⊗ P0 .
e = Ω × Ω0 , Fe = F ⊗ F 0 , P
Ω

On définit sur Ωe la filtration (Fet ) qui est la plus petite filtration continue à droite, contenant
0 et κ soient F
(Ft ) et telle que les variables Vk,p , Vk,p p
eSp mesurables pour tout p appartenant
à N? et k appartenant à {1, · · · , m}.

30
Théorème 3.3.4 Supposons que le couple (X, Z) vérifie l’hypothèse (N1 ) et que la fonc-
tion g soit C 1 sur Rd+1 et C 3 sur Rd × V0 pour un voisinage V0 de 0 et vérifie :
∂g ∂2g ∂3g
∀ z ∈ Rd , g(z, 0) = (z, 0) = 2
(z, 0) = (z, 0) ≡ 0.
∂x ∂x ∂x3
Alors quand n → ∞, les processus
 
[t/∆n ]
1 X
√ g(Z(i−1)∆n , ∆ni X) − D1 (g, Z)[t/∆n ]∆n 
∆n i=1

convergent stablement en loi vers le processus

m ·³
X X 0 p 0 d+1,k √ ´ ∂g ¡ ¢
Ft := σTd+1,k V 0
k,p 1 − κp + σTp − Vk,p κp ZTp − , ∆XTp
p
∂x
p: Tp ≤t k=1

d
X
√ 0 j,k ∂g
− κp Vk,p σTp − (ZTp − , ∆XTp ) .
∂z j
j=1

Remarque 3.3.5 Notons que d’après nos hypothèses sur g, pour tout z ∈ Rd et j =
2g 3g ∂3g
1, · · · , d, on a ∂z∂j ∂x (z, 0) = ∂z∂j ∂x 2 (z, 0) = (z, 0) ≡ 0. Un exemple de fonction qui
∂z j 2 ∂x
vérifie les hypothèses de l’énoncé dans le cas où d = 1 est la fonction (z, x) → g(z, x) = zx4 .

On va dans le lemme suivant, énoncer quelques propriétés de F comme on l’a fait pour
D2 (f ) dans le lemme 3.2.2. On définit
" µ ¶µ ¶
1 ³ 0 d+1,k ´2 ³ 0 d+1,k ´2
X X m
∂g ¡ ¢ 2
C(g, Z)t = σTp + σTp − ZTp − , ∆XTp
2 ∂x
p: Tp ≤t k=1

d µ
X ¶
1 0 j,k ∂g 0 d+1,k ∂g 0 ∂g
+ σTp − j
(ZTp − , ∆XTp ) − σTp − (ZTp − , ∆XTp ) σTj,k
p−
(ZTp − , ∆XTp )
2 ∂z ∂x ∂z j
j=1

X 0 j,k 0 l,k ∂g ∂g
+ σTp − σTp − (ZTp − , ∆XTp ) (ZTp − , ∆XTp ) (3.3.4)
∂z j ∂z l
1≤j<j 0 ≤d

Lemme 3.3.6 Supposons les hypothèses du théorème 3.3.4 vérifiées. Alors ³ le processus ´
e F,
C(g, Z) est à valeurs finies et F est une semimartingale sur l’espace étendu Ω, e (F e .
ft )t≥0 , P
Si de plus C(f, Z) est localement intégrable alors F est une martingale locale.
Conditionnellement à F, le processus F est une martingale de carré intégrable dont
les accroissements sont indépendants. Son crochet prévisible par rapport à la filtration
(F ∨ Fft ) est le processus C(g, Z) qui vérifie C(g, Z)t = E{C(f, Z)t |F} pour tout t. Sa loi
conditionnelle est complètement caractérisée par les processus X, Z et σ et ne dépend pas
du choix de la suite (Tn ).

31
 Ce lemme est également une généralisation du lemme 5.10 de [8], et se démontre de
façon similaire.

3.4 Preuves

3.4.1 Preuve des théorèmes du type loi des grands nombres

On va commencer par énoncer deux lemmes qui seront très utiles dans la suite. Le
premier est une adaptation à nos besoins du théorème d’Itô et de son extension par Jacod-
Jakubowski-Mémin (Théorème 3.1 de [11]). Afin de simplifier la rédaction du premier
lemme, on énonce quelques hypothèses et notations préliminaires sur la fonction f : Ω ×
R+ × R → R.

Définition 3.4.1 On dira que f est C 2 en x si pour tout (ω, s) ∈ Ω × R+ la fonction

x → f (ω, s, x) est C 2 .

Pour tout r ∈]0, 1[, on introduit hypothèse suivante :

Hypothèse (L1 (r)) Pour tout (ω, s) ∈ Ω × R+ , l’application x → f (ω, s, x) est dérivable,
de plus
∂f ∂f
| (ω, s, x1 ) − (ω, s, x2 )| ≤ γs (ω) |x1 − x2 |r (3.4.1)
∂x ∂x
pour un certain procesus γ à valeurs finies . 2
Pour p ∈]0, 1], on a :
Hypothèse (L2 (p)) Il existe un processus γ à valeurs finies tel que : ∀(ω, s, x1 , x2 ) ∈
Ω × R+ × R2 , la fonction f vérifie :

|f (ω, s, x1 ) − f (ω, s, x2 )| ≤ γs (ω)|x1 − x2 |p . (3.4.2)

2
Rappelons que si X est une semimartingale de mesure de sauts µ et si ν est la mesure
compensatrice
RR de µ, on a noté I l’ensemble des réels r ≥ 0 tels que pour tout t, on ait
(|x|r ∧ 1) ? ν(ds, dx) < ∞.
[0,t]×R
Si la semimartingale X a pour caracteristiques (B, C, ν) par rapport à la fonction de
troncation h et si 1 ∈ I, on pose B̄ := B − h ? ν.
La formule d’Itô classique est valable pour une semimartingale X et une fonction f ,
de R → R. Ici on dispose d’une fonction f : Ω × R+ × R → R, on fixe (ω, u) et pour t > u,
on veut une formule d’Itô pour f (ω, u, Xt (ω)). On a à ce propos le lemme suivant :

Lemme 3.4.2 Soit X une semimartingale et f une fonction de Ω × R+ × R dans R,

optionnelle .
a. Si f est C 2 en x alors, pour tout u, p.s. pour tout ω et pour tout t ≥ u, on a :
Z t
∂f
f (u, Xt ) = f (u, Xu ) + (u, Xs− ) dXs
u+ ∂x

32
 Z t
1 ∂2f
+ 2
(u, Xs− ) dhX c , X c is
2
u+ ∂x
X ·µ ∂f
¶¸
+ f (u, Xs ) − f (u, Xs− ) − ∆Xs (u, Xs− ) . (3.4.3)
∂x
u<s≤t

b. Supposons que X c = 0 et que 1 + r ∈ I pour un r ∈]0, 1[. Si f vérifie (L1 (r)) alors
pour tout u, p.s. pour tout ω et pour tout t ≥ u, on a :
Z t
∂f
f (u, Xt ) = f (u, Xu ) + (u, Xs− ) dXs
u+ ∂x
X ·µ ∂f
¶¸
+ f (u, Xs ) − f (u, Xs− ) − ∆Xs (u, Xs− ) .(3.4.4)
∂x
u<s≤t

c. Supposons que 1 ∈ I, que X c = B = 0 et que p ∈ [0, 1] ∩ I. Quand p > 0, on

suppose que f vérifie (L2 (p)). Alors pour tout u, p.s. pour tout ω et pour tout t ≥ u,
on a :
X
f (u, Xt ) = f (u, Xu ) + [f (u, Xs ) − f (u, Xs− )] . (3.4.5)
u<s≤t

Avant de donner une démonstration de ce lemme, énonçons un corollaire triviale de la

partie (c). Rappelons que si 1 ∈ I, X s’écrit :
X
Xt = B t + ∆ Xs .
s≤t

On pose alors X
b t = Xt − B t =
X ∆ Xs .
s≤t

Corollaire 3.4.3 Supposons que 1 ∈ I et que X c = 0 et soit f : Ω × R+ × R → R, une

application optionnelle, dérivable en x et telle que ∂f ∂f
∂x (ω, s, x) ≡ ∂x (ω, s) (ne dépend pas
de x).
Alors pour tout u, p.s. pour tout ω et pour tout t ≥ u, on a :

∂f X h i
bu ) +
f (u, Xt ) = f (u, X (ω, u)B t + bs ) − f (u, X
f (u, X bs− ) . (3.4.6)
∂x
u<s≤t

Preuve du Lemme 3.4.2

LaPpartie (c) du lemme est presque évidente car les hypothèses impliquent que Xt =
X0 + s≤t ∆Xs . On se limitera donc à démontrer les parties (a) et (b). Fixons t > 0. On
suppose que u < t (si u = t le lemme est vide). Pour chaque n, on définit une subdivision

33
π n = {u = t0 , t1 , · · · , tk = t} et où k = k(n) et ti = ti (n) telle que u = t0 < t1 < · · · <
tk = t et supi |ti+1 − ti | → 0 quand n → ∞. On a
k−1
X £ ¤
f (u, Xt ) − f (u, Xu ) = f (u, Xti+1 ) − f (u, Xti ) .
i=0

Soit ε > 0, et Tp les temps de sauts de X tels que |∆Xs | > ε. On note alors An (ε)
l’ensemble des i ≤ k − 1 tels qu’il existe un p avec ti < Tp ≤ ti+1 .
Pour la suite, par la notation i 6∈ An (ε) on entend i ∈ {0, · · · , k − 1} \ An (ε). D’après
ce qui précède, on a
X £ ¤ X £ ¤
f (u, Xt ) = f (u, Xu ) + f (u, Xti+1 ) − f (u, Xti ) + f (u, Xti+1 ) − f (u, Xti ) .
i∈An (ε) i6∈An (ε)
(3.4.7)
Remarquons que pour chaque ω fixé, vu que f est toujours continue en x et que le
nombre de points de An (ε) est fini et ne dépend pas de n, on a quand n → ∞,
X £ ¤ X £ ¤
f (u, Xti+1 ) − f (u, Xti ) → f (u, XTp ) − f (u, XTp − ) . (3.4.8)
i∈An (ε) p: Tp ≤t

Preuve de la partie (b) : Rappelons (3.4.7) et (3.4.8). En utilisant la formule de

Taylor-Lagrange, on a :
£ ¤ ∂f
f (u, Xti+1 ) − f (u, Xti ) = (Xti+1 − Xti ) (u, X̄i ),
∂x
où X̄i est entre Xti et Xti+1 . On en déduit que :
X £ ¤ X ∂f
f (u, Xti+1 ) − f (u, Xti ) = (Xti+1 − Xti ) (u, Xti ) −
∂x
i6∈An (ε) i∈{0,···,k−1}

X X µ ¶
∂f ∂f ∂f
(Xti+1 − Xti ) (u, Xti ) + (Xti+1 − Xti ) (u, X̄i ) − (u, Xti ) .
∂x ∂x ∂x
i∈An (ε) i6∈An (ε)

Posons X
Yt (ε) = Xt − ∆XTp ,
p: Tp ≤t

il est facile de voir, vu les hypothèses sur ∂f ∂x , que :

¯ ¯
¯ µ ¶¯
¯ X ∂f ∂f ¯ X
¯ (X − X ) (u, X̄ ) − (u, X ) ¯ ≤ γu |Yti+1 (ε) − Yti (ε)|1+r .
¯ t i+1 ti
∂x
i
∂x
t i ¯
¯{i6∈An (ε)} ¯ i∈{0,···,k−1}

Par ailleurs, d’après le théorème 2 de [14],

X X
|Yti+1 (ε) − Yti (ε)|1+r → S(ε)t := |∆Ys (ε)|1+r
i∈{0,···,k−1} s≤t

34
en probabilité quand n → ∞ (S(ε)t est fini car 1 + r ∈ I). De plus par le théorème de
Lebesgue,
S(ε)t → 0, quand ε → 0 p.s.
Ensuite (d’après le théorème 21 chapitre II de [18]), on a :
X Z t
∂f ∂f
(Xti+1 − Xti ) (u, Xti ) → (u, Xs− )dXs , (3.4.9)
∂x u+ ∂x
i∈{0,···,k−1}

quand n → ∞. On a clairement que

X ∂f X ∂f
(Xti+1 − Xti ) (u, Xti ) → ∆XTp (u, XTp − ). (3.4.10)
∂x ∂x
i∈An (ε) p: u<Tp ≤t

Rappelons (3.4.8) et soulignons que Tp = Tp (ε) ( Tp dépend de ε). Vu que f vérifie (L1 (r)),
on a ¯ ¯
¯ ¯
¯f (u, Xs ) − f (u, Xs− ) − ∆Xs ∂f (u, Xs− )¯ ≤ γu |∆Xs |1+r
¯ ∂x ¯
et comme 1 + r ∈ I, cette dernière quantité est finie. Il suit par le théorème de Lebesgue
que
X · ∂f
¸
f (u, XTp (ε) ) − f (u, XTp (ε)− ) − ∆XTp (ε) (u, XTp (ε)− )
∂x
p: u<Tp ≤t
converge vers
X µ ∂f
¶
St0 := f (u, Xs ) − f (u, Xs− ) − ∆Xs (u, Xs− )
∂x
u<s≤t

quand ε tend vers 0.

D’après tout ce qui précéde, on a bien (3.4.4) ainsi que la partie (b) du lemme.
Preuve de la partie (a) : L’idée de la preuve est classique et reste la même que dans
la partie (b) sauf qu’ici, on va d’abord supposer que X est bornée. Revenons à (3.4.7) et
(3.4.8). En utilisant la formule de Taylor, on a
X £ ¤ X ∂f
f (u, Xti+1 ) − f (u, Xti ) = (Xti+1 − Xti ) (u, Xti )
∂x
i6∈An (ε) i∈{0,···,k−1}

1 X ∂2f X ∂f
+ (Xti+1 − Xti )2 (u, Xti ) − (Xti+1 − Xti ) (u, Xti )
2 ∂x2 ∂x
i∈{0,···,k−1} i∈An (ε)

1 X ∂2f X
− (Xti+1 − Xti )2 2 (u, Xti ) + (Xti+1 − Xti )2 R(u, Xti , Xti+1 )
2 n
∂x
i∈A (ε) i6∈An (ε)

où R est le reste de Taylor. Pour ω et u fixé, il existe une fonction r(ω, u, .) de
R+ → R+ , positive, croissante et telle que limx↓0 r(ω, u, x) = 0 et |R(ω, u, x, y)| ≤

35
r(ω, u, |x − y|), pour tout x, y tel que |x|, |y| ≤ K, où K est une constante assez grande
fixée. Il suit que
X
lim lim sup | (Xti+1 − Xti )2 R(u, Xti , Xti+1 )| ≤ lim r(u, ε)[X, X]t = 0.
ε→0 n ε→0
i6∈An (ε)

D’après le théorème 30 du chapitre II de [18], on a

X 2f Z t
1 2∂ 1 ∂2f
(Xti+1 − Xt i ) 2
(u, Xti ) → (u, Xs− )d[X, X]s ,
2 ∂x 2 u+ ∂x2
i∈{0,···,k−1}

en probabilité quand n → ∞. Comme pour (3.4.10), on a

1 X ∂2f 1 X ¡ ¢2 ∂ 2 f
(Xti+1 − Xti )2 2 (u, Xti ) → ∆XTp (u, XTp − ).
2 n
∂x 2 ∂x2
i∈A (ε) p: u<Tp ≤t

Considérons le processus
X · ∂f
¸ X ·
¡ ¢2 ∂ 2 f
¸
f (u, XTp ) − f (u, XTp − ) − ∆XTp (u, XTp − ) − ∆XTp (u, XTp − ) ,
∂x ∂x2
p: u<Tp ≤t p: u<Tp ≤t

On montre que quand ε tend vers 0, ce dernier tend vers

X · ∂f
¸ X · 2
2 ∂ f
¸
f (u, Xs ) − f (u, Xs− ) − ∆Xs (u, Xs− ) − (∆Xs ) (u, Xs− ) .
∂x ∂x2
u<s≤t u<s≤t

D’après tout ce qui précède, on a bien

Z t Z
∂f 1 t ∂2f
f (u, Xt ) = f (u, Xu ) + (u, Xs− ) dXs + 2
(u, Xs− ) dhX c , X c is +
u+ ∂x 2 u+ ∂x
X ·µ ¶¸
∂f
f (u, Xs ) − f (u, Xs− ) − ∆Xs (u, Xs− ) . (3.4.11)
∂x
u<s≤t

Supposons que X soit non uniformément borné. Soit M > 0, on pose S(M ) = inf{s, |Xs | ≥
M }. La relation (3.4.11) est vraie pour la semimartingale X1[0,S(M )[ . Si on fait tendre M
vers l’infini, S(M ) → ∞ d’où le résultat pour X.

Lemme 3.4.4 Soit X une semimartigale et g une application de Ω × R+ × R → R dans

R telle que g(ω, s, x) = 0 si x ∈ [−ε, +ε], pour un certain ε > 0. Si en plus, g vérifie
l’hypothèse (K[R]) alors les processus
[t/∆n ]
X X
g((i − 1)∆n , ∆ni X) − g(s−, ∆Xs ).
i=1 s≤[t/∆n ]∆n

convergent en variation vers 0 quand n → ∞.

36
Preuve
Soit g une fonction vérifiant les hypothèses de l’énoncé avec un ε > 0. On notera par
(Tp ) la suite des temps de sauts successifs tels que |∆Xs | > 2ε . Si Tp < ∞, on note
ipn l’entier tel que Tp ∈](ipn − 1)∆n , ipn ∆n ] et par Bn (ε, t) l’ensemble des entiers i tels que
1 ≤ i ≤ [t/∆n ] et i différent des ipn pour tout p. On a alors pour n assez grand
[t/∆n ]
X X X
g((i − 1)∆n , ∆ni X) = g((ipn − 1)∆n , ∆nipn X) + g((i − 1)∆n , ∆ni X)
i=1 p: Tp ≤[t/∆n ]∆n i∈Bn (ε,t)
X X
= g((ipn − 1)∆n , ∆nipn R + ∆XTp ) + g((i − 1)∆n , ∆ni R)
p: Tp ≤[t/∆n ]∆n i∈Bn (ε,t)
P
où Rt := Xt − p: Tp ≤t ∆XTp . Il n’est pas difficile de voir que
ε
lim sup sup |Rs − Rs−∆n | ≤ sup |∆Rs | ≤ .
n 0<s≤t s≤t 2
D’après ce qui précède et vu les propriétés de g, on remarque que :
• g(s−, ∆Xs ) = g(s, ∆Xs ) = 0 si s 6= Tp pour tout p
• pour n assez grand, on a pour tout i appartenant à B n (ε, t) : g((i − 1)∆n , ∆ni R) = 0
• quand n → ∞, ∆nip R tend vers 0.
n

Si on note par V(X) la variation du processus X , on a donc ( pour n assez grand)

 
[t/∆n ]
X X
V g((i − 1)∆n , ∆ni X) − g(s−, ∆Xs )
i=1 s≤[t/∆n ]∆n
X
≤ |g((inp − 1)∆n , ∆ninp R + ∆XTp ) − g(Tp −, ∆XTp )| .
p: Tp ≤[t/∆n ]∆n

Cette dernière quantité tend vers 0 quand n → ∞ d’où le lemme.

Preuve du théorème 3.1.4

Soit f une fonction de Ω × R+ × R dans R, optionnelle et vérifiant les hypothèses du

théorème. Définissons la suite de processus
[t/∆n ]
X
W n (f ) := f ((i − 1)∆n , ∆ni X) − D1 (f )[t/∆n ]∆n (3.4.12)
i=1

et pour ψ : R → R une fonction C ∞ telle que 1[−1,1] (x) ≤ ψ(x) ≤ 1[−2,2] (x), On définit
également : ½
ψ( xε ) si ε < ∞
ψε (x) = (3.4.13)
1 si ε = ∞.
Remarquons à présent que f (1 − ψε )(ω, s, x) = 0 si |x| < ε et donc d’après le Lemme 3.4.4,

W n (f (1 − ψε )) −→ 0

37
en variation quand n → 0 . On va maintenant montrer que

W n (f ψε ) −→u.c.p. 0 quand n → ∞. (3.4.14)

Fixons un ε suffisamment petit tel que [−2ε, 2ε] ⊂ V0 . L’application x → f ψε (ω, s, x) est
donc C 2 sur R. On définit :

Y0n = 0 et Ysn = Xs − X(i−1)∆n si s ∈](i − 1)∆n , i∆n ]  



n
φ (0) = 0 n
et φ (s) = (i − 1)∆n si s ∈](i − 1)∆n , i∆n ]





fε = f ψε .

D’après le Lemme 3.3.1, on a :

[t/∆n ]
X Z [t/∆n ]∆n Z [t/∆n ]∆n
∂fε n ∂fε n
fε ((i−1)∆n , ∆ni X) = n
(φ (s), Ys− ) dBs + n
(φ (s), Ys− ) dXsc
0 ∂x 0 ∂x
i=1
· ¸ Z
∂fε n n 1 [t/∆n ]∆n ∂ 2 fε n n
+ (φ (s), Ys− )h(x) ? (µ − ν)[t/∆n ]∆n + (φ (s), Ys− )dhX c , X c is
∂x 2 0 ∂x2
X · ¸
n n n n ∂fε n n
+ fε (φ (s), Ys ) − fε (φ (s), Ys− ) − h(∆Xs ) (φ (s), Ys− ) .
∂x
0<s≤[t/∆n ]∆n

Pour chaque s fixé,

∂fε n n ∂fε
(φ (s), Ys− ) −→ (s−, 0),
∂x ∂x
de plus | ∂f∂x | est majoré par un processus Γ localement borné. Il suit par la partie (iii) du
ε

théorème 4.31 du chapitre I de [10] que quand n → ∞, on a

R [t/∆n ]∆n ³ ∂fε n ´ 
(φ (s), Y n ) − ∂fε (s−, 0) dB −→u.c.p. 0, 

0 ∂x s− ∂x s
³
R [t/∆n ]∆n ∂ 2 fε n ´ (3.4.15)
(φ (s), Y n ) − ∂ 2 fε (s−, 0) dhX c, X ci −→u.c.p. 0. 

0 ∂x2 s− ∂x2 s

De même il n’est pas difficile de voir que

X ·µ ¶
n n n n ∂fε n n
fε (φ (s), Ys ) − fε (φ (s), Ys− ) − h(∆Xs ) (φ (s), Ys− )
∂x
0<s≤[t/∆n ]∆n
µ ¶¸
∂fε
− fε (s−, ∆Xs ) − h(∆Xs ) (s−, 0) −→u.c.p. 0 (3.4.16)
∂x
et par l’inégalité de Doob, on voit que quand n → ∞,
R [t/∆n ]∆n ³ ∂fε n ´ 
0 ∂x (φ (s), Y n ) − ∂fε (s−, 0)
s− ∂x dXsc −→u.c.p 0, 

h³ ´ i (3.4.17)
∂fε n (s), Y n ) − ∂fε (s−, 0) 
∂x (φ s− ∂x h(x) ? (µ − ν)[t/∆n ]∆n −→u.c.p 0. 

38
D’après (3.4.15), (3.4.16) et (3.4.17), on a bien (3.4.14).
Remarquons que W n (f ) ne dépend pas de ε et

W n (f (1 − ψε )) + W n (fε ) = W n (f ).

Il en suit que
W n (f ) −→u.c.p. 0
quand n → ∞.
A ce stade, on a montré que le processus
[t/∆n ]
X
f ((i − 1)∆n , ∆ni X) − D1 (f )[t/∆n ]∆n converge u.c.p. vers 0.
i=1
¡ 1 ¢
Pour finir la preuve
¡ 1 du¢ théorème, il suffit de remarquer que le processus D (f )[t/∆n ]∆n
converge vers D (f )t pour la topologie de Skorokhod.

Preuve des Théorèmes 3.1.5, 3.1.6 et 3.1.9

La preuve du théorème 3.1.5 est similaire à celle du théorème (3.1.4) sauf qu’il faudra
utiliser la partie b. du lemme 3.4.2 à la place de la partie a. La preuve du théorème 3.1.6
est, quant à elle, évidente (on peut aussi le voir en utilisant la partie c du lemme 3.4.2 et
le corollaire 3.4.3).
Pour la preuve du théorème 3.1.9, le schéma au début et le même que pour le théorème
3.1.4 : on utilise le lemme 3.4.4 et à la place du lemme 3.4.2, on applique les résultats du
théorème 4 de [14].

3.4.2 Preuve du théorème 3.2.1

Préliminaires

Pour la preuve, on a besoin que les caractéristiques de X soient bornées de même que
les dérivées en x de f . A cet effet, on renforce l’hypothèse (H1 ) de la la manière suivante :
Hypothèse LH1 : On suppose que (H1 ) est vérifiée et les processus X, b et σ sont bornés
par une constante. De plus les fonctions γk = γ ne dépendent pas de k et γ est une fonction
bornée. 2
De même, le processus Γ qui intervient dans le théorème 3.2.1 est borné.
Ces hypothèses de bornitude seront levées plus tard grâce à une procédure de ”délocalisation”.
Nous appellerons fréquemment les constantes par K, celui-ci pouvant changer d’une
ligne à une autre.
R
Il est clair que sous (LH1 ), on a R γ(x)2 F (dx) < ∞. On suppose pour le moment que
(LH1 ) est vérifiée. Rappelons la suite de fonctions (φn ) définie par : φn (s) = (i − 1)∆n
pour s ∈](i − 1)∆n , i∆n ].

39
 Sous (LH1 ), X s’écrit
Z t Z t
Xt = X0 + b0s ds + σs− dWs + δ ? (µ − ν)t ,
0 0
R
où b0t = bt + R h0 (δ(t, x))F (dx) et h0 (x) = h(x) − x. Pour ε > 0, on rappelle ψε définie
dans (3.4.13) et on définit

E = { x ∈ R, γ(x) > ε } et Nt = 1E ? µt . (3.4.18)

Soit T10 , · · · , Tp0 , · · · les temps de saut successifs de N . Commençons par énoncer deux
lemmes dont le premier est un résultat de Jacod-Protter (voir lemme 5.6 de [12]) et dont
le second est dû à Jacod ( voir lemme 5.9 de [8]).

Lemme 3.4.5 Soit X une semimartingale vérifiant (LH1 ). Pour chaque Tp0 , on définit
l’entier inp par (inp − 1)∆n < Tp0 ≤ inp ∆n . Alors
1 ³ ´
√ σ(inp −1)∆n (WTp0 − W(inp −1)∆n ) ; σTp0 (Winp ∆n − WTp0 )
∆n p≥1

converge stablement en loi vers

³ √ p ´
σTp−
0 Up κp ; σTp0 Up0 1 − κp
p≥1

Lemme 3.4.6 Sous les hypothèses du lemme 3.4.5,

1 ³ ´
√ Xinp ∆n − X(inp −1)∆n − ∆XTp0 − σ(inp −1)∆n (WTp0 − W(inp −1)∆n ) − σTp0 (Winp ∆n − WTp0 )
∆n
converge en probabilité vers 0.

Preuve du théorème 3.2.1 sous (LH1 )

Posons
 
[t/∆n ]
1  X X
Z n (f ) = √ f ((i − 1)∆n , ∆ni X) − f (φns , ∆Xs )  .
∆n i=1 s≤[t/∆n ]∆n

Nous prouvons d’abord la partie A. du Théorème 3.2.1, preuve que nous subdivisons en
plusieures étapes.
Première Etape : Notons d’abord que si s ne coı̈ncide pas avec un des temps d’arrêt Tp0 ,
on a |∆Xs | < ε. D’après la définition de ψε (voir (3.4.13)), on a

1]−∞,−4ε[∪]4ε,+∞[ (x) ≤ 1 − ψ2ε (x) ≤ 1]−∞,−2ε[∪]2ε,+∞[ (x)

Pour n assez grand, on a donc (comme dans la preuve du lemme 3.4.4)

1 X h ³ ´ ³ ´i
Z n (f (1 − ψ2ε ))t = √ f (1 − ψ2ε ) φnTp0 , ∆XTp0 + ∆ninp X(ε) − f (1 − ψ2ε ) φnTp0 , ∆XTp0
∆n 0
p:Tp ≤[t/∆n ]∆n

40
Avec X
X(ε)t = Xt − ∆XTp0 .
p:Tp0 ≤t

En utilisant la formule de Taylor, il existe X̄innp (ε) entre ∆XTp0 et ∆XTp0 + ∆ninp X(ε) tel que

X ∆ninp X(ε) ∂f (1 − ψ2ε ) ³ ´

n
Z (f (1 − ψ2ε ))t = √ φnTp0 , X̄innp (ε) . (3.4.19)
∆n ∂x
p: Tp0 ≤[t/∆n ]∆n

On déduit des lemmes 3.4.6 et 3.4.5 que les processus Z n (f (1 − ψ2ε )) converge stablement
en loi vers le processus
X ∂f (1 − ψ2ε ) ³ 0 ´ ³√ p ´
Tp −, ∆XTp0 κp Up σTp0 − + 1 − κp Up0 σTp0 .
∂x
p:Tp0 ≤t

Remarquons (vu que la fonction ∂f (1−ψ ∂x

2ε )
(s, x) = 0 si |x| ≤ ε) que cette dernière quantité
est égale en loi conditionnnelle par rapport à F à
µ ¶ X ∂ f (1 − ψ2ε ) ¡
∂f (1 − ψ2ε ) ¢ ¡√ p ¢
Z = Tp −, ∆XTp κp Up σTp − + 1 − κp Up0 σTp ,
∂x ∂x
p: Tp ≤t

donc, µ ¶
n ∂f (1 − ψ2ε )
Z (f (1 − ψ2ε )) converge en loi stable vers Z .
∂x
h i2
Deuxième Etape : Considérons la fonction f ψ2ε . D’après nos hypothèses, ∂(f∂x ψ2ε )
?
³ ´
µt < ∞, il suit alors d’après le Lemme 3.2.2 que Z ∂(f∂x ψ2ε )
est bien définie. Par ailleurs,
on montre par le théorème de Lebesgue que C (f ψ2ε ) → 0 quand ε → 0 pour chaque ω fixé
( on utilise pour cela la dérivabilité et les propriétés de f à l’origine ainsi que la définition
3.4.13). De plus, C (f ψ2ε ) est majoré par un certain processus A tel que E(At ) < ∞, ∀t.
En utilisant l’inégalité³ de Doob, ´ puis en appliquant le lemme 3.2.2 (en particulier
2 ∂(f ψ2ε )
(3.2.5)) à D (f ψ2ε ) = Z ∂x et enfin en faisant usage du théorème de Lebesgue, on
³ ´
obtient que Z ∂(f∂x ψ2ε )
converge u.c.p. vers 0 quand ε → 0.
³ ´
Il suit par linéarité de l’opérateur Z que Z ∂ f (1−ψ ∂x
2ε )
converge u.c.p. vers Z( ∂f
∂x )
quand ε → 0.
Troisième Etape : Dans cette étape, nous allons montrer que
½ ¯ n ¯ ¾
¯ Z (f ψ2ε ) ¯
¯
lim lim sup P sup ¯ √ ¯ > η = 0 ∀ η, t > 0. (3.4.20)
ε→0 n s≤t ∆n ¯

Posons Ysn = Xs − X(i−1)∆n si s ∈ ((i − 1)∆n , i∆n ]. Il est facile de voir en appliquant la

41
formule d’Itô du lemme 3.4.2 que
hR 
1 [t/∆n ]∆n ∂(f ψ2ε ) ¡ n ¢
Z n (f ψ2ε ) = √∆ φ (s), Ys− n b0 ds
s 

n 0 ∂x 

R [t/∆ ]∆ ∂ 2 (f ψ ) ¡ ¢ 

1
+ 2 0 n n 2
σs− ∂x2 2ε n
φ (s), Ys− dsn 



R [t/∆n ]∆n ∂(f ψ2ε ) ¡ n ¢ 

+ 0 φ (s), Y n σ dW 

∂x s− s− s
³
R [t/∆n ]∆n R ∂(f ψ2ε ) ¡ n ¢ ´
+ 0 φ (s), Ys− n δ(s, x) (µ − ν)(ds, dx) 

R ∂x 

R [t/∆n ]∆n R ¡ ¡ n ¢ 

n n 

+ 0 R f ψ 2ε φ (s), Y s− + δ(s, x) − f ψ 2ε (φ (s), δ(s, x)) 

´ i 

¡ n n
¢ ∂(f ψ2ε ) ¡ n n
¢ 

− f ψ2ε φ (s), Ys− − δ(s, x) ∂x φ (s), Ys− µ(ds, dx) .
(3.4.21)
Nous traitons les termes de (3.4.21) un par un. Notons pour commencer que sous les
hypothèses de bornitude faites au début de cette sous-section, on a

E{|Xt − Xs |q } ≤ K|t − s|q/2 , ∀ q ≥ 2. 
¯ j ¯ (3.4.22)
¯ ∂ (f ψ2ε ) ¯ 3−j 
¯ ∂xj (s, x)¯ ≤ αε [|x| ∧ (4ε)] ,

∂ 0 (f ψ2ε )
où j = 0, 1, 2 et ∂x0
= f ψ2ε , αε tend vers 0 quand ε → 0 et K est une constante assez
grand.
D’après ce qui précéde ,
( ¯ ¯ )
¯ 1 Z [t/∆n ]∆n ∂(f ψ ε) ¡ ¢ 0 ¯¯
¯ 2 n n
P sup ¯ √ φ (s), Ys− bs ds¯ > η ≤
t≤T ¯ ∆n 0 ∂x ¯
Z T √
K n 2 KT ∆n αε
√ E(Ys− )αε ds ≤ → 0 quand n → ∞ (3.4.23)
η ∆n 0 η
De la même manière
( ¯ ¯ )
¯ 1 Z [t/∆n ]∆n ∂ 2 (f ψ ε) ¡ ¢ ¯
¯ 2 ¯
lim lim sup P sup ¯ √ φn (s), Ys−
n
σs2 ds¯ > η = 0. (3.4.24)
ε→0 n t≤T ¯ ∆n 0 ∂x2 ¯

Pour chaque n fixé, le processus

Z [t/∆n ]∆n
1 ∂(f ψ2 ε) ¡ n n
¢
√ φ (s), Ys− σs dWs
∆n 0 ∂x
est une martingale par rapport à la filtration (F[t/∆n ]∆n ). Il suit par Cauchy-Schwarz et
par (3.4.22) que
( ¯ ¯ )
¯ 1 Z [t/∆n ]∆n ∂(f ψ ) ¡ ¢ ¯
¯ 2ε ¯
P sup ¯ √ φn (s), Ys−
n
σs dWs ¯ > η
t≤T ¯ ∆n 0 ∂x ¯
( ¯Z ¯)
1 ¯ [t/∆n ]∆n ∂(f ψ ) ¡ ¢ ¯
¯ 2ε n n ¯
≤ √ E sup ¯ φ (s), Ys− σs dWs ¯
η ∆n t≤T ¯ 0 ∂x ¯

42
 ÃZ (µ ¶2 ) !1/2
T
1 ∂(f ψ2ε ) ¡ n n
¢
≤ √ E φ (s), Ys− σs ds ≤ KT 1/2 αε ,
η ∆n 0 ∂x
d’où
¯ ( ¯ )
¯ 1 Z [t/∆n ]∆n ∂(f ψ ) ¡ ¢ ¯
¯ 2ε ¯
lim lim sup P sup ¯ √ φn (s), Ys−
n
σs dWs ¯ > η = 0. (3.4.25)
ε→0 n t≤T ¯ ∆n 0 ∂x ¯

De même on montre que

( ¯ ¯ )
¯ 1 Z [t/∆n ]∆n Z µ ∂(f ψ ) ¡ ¢
¶ ¯
¯ 2ε ¯
lim lim sup P sup ¯ √ φn (s), Ys−n
δ(s, x) (µ − ν)(ds, dx)¯ > η = 0.
ε→0 n t≤T ¯ ∆n 0 R ∂x ¯
(3.4.26)
En utilisant la formule de Taylor plusieurs fois et en séparant les cas où |x| ≤ |y| et où
|x| ≥ |y|, on montre que : ∀ T, ∃ MT > 0 tel que ∀ s ≤ t,
¯ ¯
¯ ¯
¯ f ψ2ε (s, x + y) − f ψ2ε (s, x) − f ψ2ε (s, y) − x ∂(f ψ2ε ) (s, y) ¯ ≤ Kαε |x|2 |y|. (3.4.27)
¯ ∂x ¯

Il s’en suit que

(Z
[t/∆n ]∆n Z ¯ ¡ ¢ ¡ ¢
E ¯ f ψ2ε φn (s), Ys−
n
+ δ(s, x) − f ψ2ε (φn (s), δ(s, x)) + f ψ2ε φn (s), Ys−
n
−
0 R
¯ ¾ µZ t ½ n ¾ ¶
∂(f ψ2ε ) ¡ n ¢¯ |Y |
δ(s, x) φ (s), Ys− ¯¯ µ(ds, dx)
n
≤ Kαε E √ s− ds ≤ Kαε t2
∂x 0 ∆ n
(3.4.28)
et cette dernière quantité tend vers 0 quand ε → 0. On vient ainsi de montrer (3.4.20).
En ce qui concerne la partie b du théorème, il suffit de remarquer que
X µ ¶X
1 n α− 12
√ |f (φ (s), ∆Xs ) − f (s−, ∆Xs )| ≤ ∆n sup |θs | ∆Xs2
∆n s≤t s≤t
0<s≤[t/∆n ]∆n

et cette dernière quantité tend vers 0 quand n → ∞ puisque α > 1/2 ce qui finit la
démonstration du Théorème 3.2.1 sous l’hypothèse (LH1 ) et celle de bornitude des dérivées
de f .
On va à présent montrer la véracité du théorème sous l’hypothèse (H1 ) par une
procédure classique de ”délocalisation”. Nous ne faisons ici que reprendre ce qui a été
fait dans la section 3 de [3]

”Délocalisation”

Rappelons la suite de temps d’arrêt (Tk ) qui intervient dans l’hypoths̀e (H1 ). Il n’est
pas restrictif de supposer que Tk ≤ k pour tout k. Rappelons également le processus Γ
dont on a parlé au début des préliminaires de la preuve et qui intervient dans l’énoncé du
théorème.

43
 Soit maintenant (Tk0 ) la suite de temps d’arrêt définis par
Tk0 = inf {s, |Xs | + |bs | + |σs | + |Γs | ≥ k} .
Pour tout réel l > 0, on définit
Ek,l := {x ∈ R, γk (x) > l} et Rk,l := inf{s, µ ([0, s] × Ek,l ) ≥ 1}. On a
P{Rk,l ≤ Tk } ≤ P{µ ([0, Tk ] × Ek,l ) ≥ 1} ≤ E{µ ([0, Tk ] × Ek,l )} = E{ν ([0, Tk ] × Ek,l )} ≤ kF (Ek,l ).
D’après l’hypothèse (H2 ), F (Ek,1 ) < ∞. Il suit par le théorème de Lebesgue que
lim P{Rk,l ≤ Tk } = lim F (Ek,l ) = 0,
l→∞ l→∞

on note alors par (lk ) une sous-suite telle que P{Rk,lk ≤ Tk } ≤ 2−k . Soit les temps d’arrêt
Sk0 = Tk ∧ Tk0 ∧ Rk,lk , qui croissent clairement vers l’infini. On pose alors
( 
³ ´ (bs , σs , δ(s, x)) si s < Sk0 
(k) (k) (k) 

bs , σs , δ (s, x) = 

(0, 0, 0) si s ≥ Sk 
0




(k)
µ (ds, dx) = µ(ds, dx)1Ek,l c (x) 

k 
F (k) (dx) = F (dx)1Ek,l (x) (3.4.29)
c 

k 



ν (k) (ds, dx) = ν(ds, dx)1Ek,l c (x) 

k 



0
γ (x) = γk (x)1E c (x). 
k k,lk

Soit h une fonction de troncation et h0 (x) := x − h(x). On définit le processus X (k) associé
aux quantités intervenant dans (3.4.29) de la façon suivante
Z t Z (k) Z tZ
(k) (k) (k)
Xt = X0 + bs ds + σs− dWs + h(δ (k) (s, x))(µ(k) − ν (k) )(ds, dx)
0 0 R
Z tZ
+ h0 (δ (k) (s, x))µ(k) (ds, dx)
0 R
Z t Z (k) Z tZ
(k) (k)
= X0 + b00 s ds + σs− dWs + δ (k) (s, x)(µ(k) − ν (k) )(ds, dx)
0 0 R
R t R 0 (k)
où b00 (k)
s := 0 R h (δ (s, x))ν (k) (ds, dx). Comme b(k) , h et δ (k) sont uniformément bornés,
il en est de même de b0 (k) .
(k)
Le processus X (k) vérifie clairement (LH1 ) et on remarque que Xs = Xs si s < Sk0 .
Rappelons que
X ∂f ³√ p 0
´
Z(f, X)t = (Sp −, ∆XSp ) κp Up σSp − + 1 − κp Up σSp
∂x
p:Sp ≤t

où (Sp ) sont des temps d’arrêt qui épuisent les sauts de (X). Posons
 
[t/∆n ] µ ¶
1  X ∆ Xn X
W n (f, X)t := √ f (i − 1)∆n , √i − f (s−, ∆Xs ) .
∆n i=1 ∆n
0≤s≤[t/∆n ]∆n

44
Vu la première partie de la preuve, on a que W n (f, X (k) ) converge en loi stable vers
le processus Z(f, X (k) ). Or pour s < Sk0 , W n (f, X)s = W n (f, X (k) )s et Z(f, X)s =
Z(f, X (k) )s . On en déduit que le processus W n (f, X) converge stablement en loi vers
Z(f, X) (car la topologie de Skorokod est ”locale” en temps). Ce qui finit la preuve du
théorème.

3.4.3 Preuve du Théorème 3.3.4

Commmençons par renforcer l’hypothèse (N1 ).

Hypothèse LN1 : On suppose que (N1 ) est vérifiée, que les processus b0 , σ 0 et Z sont
bornés et que les fonctions (γk ) ne dépendent pas de k (γk = γ) et γ est bornée.
Sous (L − N1 ), on a
µ ¶ µ ¶ Z t Z t Z tZ
Zt Z0 00 0 0
= + bs ds + σs dWs + δ 0 (s, z)(µ0 − ν 0 )(ds, dx) (3.4.30)
Xt X0 0 0 0 Rd

où Z t
b00t := b0t + k 0 (δ 0 (s, z)) F (dz). (3.4.31)
0
On pose
 
[t/∆n ]
1  X ¡ ¢
F n (g) := √ g Z(i−1)∆n , ∆ni X − D1 (g, Z)[t/∆n ]∆n  .
∆n i=1

Pour tout ε > 0, on rappelle la fonction ψε (x) définie dans (3.4.13). On pose
(
gε (z, x) := g(z, x)ψ2ε (x)
, (3.4.32)
gε0 (z, x) := g(z, x)(1 − ψ2ε (x))

et F n (g) = F1n (g, ε) + F2n (g, ε), où

 
[t/∆n ]
1  X ¡ ¢ ¡ ¢
F1n (g, ε)t := √ g 0 Z(i−1)∆n , ∆ni X − D1 gε0 , Z [t/∆n ]∆n  (3.4.33)
∆n i=1 ε

et
 
[t/∆n ]
1 X ¡ ¢
F2n (g, ε)t := √  gε Z(i−1)∆n , ∆ni X − D1 (gε , Z)[t/∆n ]∆n  . (3.4.34)
∆n i=1

Rappelons également que pour s ∈](i − 1)∆n , i∆n ], on a φn (s) = (i − 1)∆n et Ysn =

45
 P5
Xs− − X(i−1)∆n . En appliquant la formule d’Itô, on a F2n (g, ε)t = n
j=1 Wj (ε)t , où
R [t/∆n ]∆n ¡ ¢ 
W1n (ε)t = √1 b00 ∂gε Z n , Y n ds, 
∆n 0 s ∂x φ (s) s− 



R [t/∆n ]∆n 2 ∂ 2 gε ¡ ¢ 

W2n (ε)t = √1 σs ∂x2 Zφn (s) , Ys− n ds, 

2 ∆n 0 

R [t/∆n ]∆n ∂gε ¡ ¢ 



W3n (ε)t = √1 σs ∂x Zφn (s) , Ys− n dWs , 
∆n 0
(3.4.35)
√1
R [t/∆n ]∆n R R ∂gε ¡ ¢ 

W4n (ε)t = ∆n 0
n
0 δ(s, x) ∂x Zφn (s) , Ys− (µ − ν)(ds, dx) 



R [t/∆n ]∆n R R £ ¡ ¢ ¡ ¢ 

W5n (ε)t = √1 n n 

∆n 0 0 gε Zφn (s) , Ys− + δ(s, x) − gε Zφn (s) , Ys− 

¡ ¢ i 



δ(s, x) ∂g
∂x
ε
Z n ,
φ (s) s−Y n − g (Z , δ(s, x)) µ(ds, dx).
ε s−

Nous traiterons ces termes un par un. Remarquons d’abord que

Z [t/∆n ]∆n 2
1 n ∂ gε
¡ ¢
W1n (ε) = √ b00s Ys− 2
Zφn (s) , Ȳsn ds.
∆n 0 ∂x

où Ȳsn est entre 0 et Ys−

n . Comme on l’avait vu sous (LH ) pour X, sous (LN ) on a :
1 1

E(|Xt − Xs |q ) + E(||Zt − Zs ||q ) ≤ K|t − s|q/2 , pour 0 < q ≤ 2. (3.4.36)

Il s’en suit que

Z ½¯ 0 n 2 ¯¾ Z t "µ ½ n 2 ¾¶1/2
[t/∆n ]∆n ¯ bs Ys− ∂ gε ¡ ¢¯ |Ys− |
E ¯¯ √ 2
Zφn (s) , Ȳs ¯¯ ds ≤ K
n
E
0 ∆n ∂x 0 ∆n
à (µ 
¶2 )!1/2
∂ 2 gε ¡ ¢
 ds
E Zφn (s) , Ȳsn
∂x2

Z t à (µ 2 ¶2 )!1/2
∂ gε ¡ ¢
≤ K E 2
Zφn (s) , Ȳsn ds,
0 ∂x
(3.4.37)
∂ g 2 ∂ gε 2
Comme par hypothèse ∂x 2 (z, 0) ≡ 0, on a ∂x2 (z, 0) ≡ 0 et donc par le théorème de
Lebesgue, l’expression (3.4.37) converge vers 0, d’où
Z [t/∆n ]∆n 2
1 n ∂ gε
¡ ¢
√ b0s Ys− 2
Zφn (s) , Ȳsn ds −→u.c.p. 0. (3.4.38)
∆n 0 ∂x
Il suit que W1n (f ) converge u.c.p. vers 0 quand n → ∞ et par un raisonnement identique,
on montre que W2n (f ) converge u.c.p. vers 0.
D’autre part, on a
Z [t/∆n ]∆n
1 ∂ 2 gε
W3n (ε) = √ n
σs Ys− (Z n , Ȳ n ) dWs ,
∆n 0 ∂x2 φ (s) s

46
où Ȳsn est entre 0 et Ys−
n .

Il suit pour M assez grand que

à µ ¶2 ! Z ½ ¾
[t/∆n ]∆n n 2
∂ 2 gε Ys−
E{W3n (ε)2 } ≤K sup (z, x) E ds
{|z|≤M, |x|≤4ε} ∂x2 0 ∆n
à µ ¶2 !
0 ∂ 2 gε
≤Kt sup (z, x) .
{|z|≤M, |x|≤4ε} ∂x2
Cette dernière quantité tend vers 0 quand ε tend vers 0 à cause des hypothèses sur gε . On
déduit que pour tout η, T > 0, on a
( )
lim lim sup P sup |W3n (ε)| > η = 0.
ε→0 n t≤T

De façon similaire, on montre que pour tout η, T > 0, on a

( )
lim lim sup P sup |W4n (ε)| > η = 0.
ε→0 n t≤T

Venons-en à l’expression W5n (ε). On démontre que pour tout z1 , z2 appartenant à un

compact fixé de Rd et pour tout x, y appartenant à R, on a
¯ ¯
¯ ¯
¯gε (z1 , y + x) − gε (z1 , y) − x ∂gε (z1 , y) − gε (z2 , x)¯
¯ ∂x ¯
 
X d
≤ Kαε x2  |z1j − z2j | + |y|
j=1

où αε est une suite qui tend vers 0 avec ε. Il suit alors que
 
Z [t/∆n ]∆n Z Xd
K
|W5n (ε)t | ≤ √ αε |Ys−
n
| + |Ysn | + |Zφj n (s) − Zs−
i 
| δ(s, x)2 µ(ds, dx)
∆n 0 R j=1

On a donc ½Z t Z ¾
E{|W5n (ε)|} 0
≤ K tαε E 2
δ(s, x) F (dx)ds ,
0 R
cette dernière quantité converge vers 0 quand ε tend vers 0. On a donc : pour tout η, T > 0,
on a ( )
lim lim sup P sup |W5n (ε)| > η = 0.
ε→0 n t≤T

Et d’après tout ce qui précède,

( )
lim lim sup P sup |F2n (g, ε)| > η = 0.
ε→0 n t≤T

47
 Nous allons maintenant nous tourner vers le processus F1n (f, ε) défini dans 3.4.33.
Désignons par S1 , · · · , Sn , · · · les temps de saut successifs de N = 1{γ(x)>ε} ? µ et posons
X
X(ε)t = Xt − ∆XSp .
p:Sp ≤t

Pour n assez grand, on a

1 X £ 0¡ ¢ ¡ ¢¤
F1n (g, ε) = √ gε Zφn (Sp ) , ∆ni X(ε) + ∆XSp − gε0 ZSp − , ∆XSp
∆ p: Sp ≤t
 
X d ³
X ´
1 ∂gε0
¡ n n¢ 0
∂gε ¡ n n ¢ 
= √ ∆ni X(ε) Z̄p , Ȳp + Zφj n (Sp ) − ZSj p − Z̄p , Ȳp .
∆n ∂x ∂z j
p: Sp ≤t j=1

où Z̄pn est entre Zφn (Sp ) et ZSp − et Ȳpn entre ∆ni X(ε) + ∆XSp et ∆XSp . De façon similaire
aux lemmes 3.4.5 et 3.4.6, on montre que
• · µ ³ ´ ¶¸
1 j j
√ Xφn (Sp )+∆n − Xφn (Sp ) − ∆XSp ; Zφn (Sp ) − ZSp − ,
∆n 1≤j≤d p≥1
converge stablement en loi vers le processus
 Ã ! 
m
X
0 d+1,k p 0 d+1,k √ √ 0 j,k
σ 0
Vk,p 1 − κp + σSp − Vk,p κp ; − κp σSp − Vk,p  .
Sp
k=1 1≤j≤d p≥1

• ensuite F1n (g, ε) converge stablement en loi vers le processus

m ·³
X X 0 p 0 d+1,k √ ´ ∂gε0 ¡ ¢
σSd+1,k V 0
k,p 1 − κp + σ Sp − Vk,p κp ZSp − , ∆XSp
p
∂x
p: Sp ≤t k=1

d
X
√ 0 ∂gε0
− κp Vk,p σSj,k
p−
(ZSp − , ∆XSp ) .
∂z j
j=1
Vu que gε0 (z, x)
= 0 si |x| ≤ 2ε, le processus précédent est égal en loi conditionnelle par
rapport à F au processus
m ·³
X X 0 p 0 d+1,k √ ´ ∂gε0 ¡ ¢
F (ε)t := σTd+1,k V 0
k,p 1 − κ p + σTp − Vk,p κp Z Tp − , ∆X Tp
p
∂x
p: Tp ≤t k=1

d
X
√ 0 ∂gε0
− κp Vk,p σTj,k
p−
(ZTp − , ∆XTp ) .
∂z j
j=1

Rappelons que
m ·³
X X 0 p 0 √ ´ ∂g ¡ ¢
Ft := σTd+1,k 0
Vk,p 1 − κp + σTd+1,k
p−
Vk,p κp ZTp − , ∆XTp
p
∂x
p: Tp ≤t k=1

48
 
d
X
√ 0 ∂g
− κp Vk,p σTj,k
p−
(ZTp − , ∆XTp ) .
∂z j
j=1

On a :
m ·³
X X 0 p 0 d+1,k √ ´ ∂gε ¡ ¢
Ft − F (ε)t := σTd+1,k V 0
k,p 1 − κ p + σTp − V k,p κp ZTp − , ∆XTp
p
∂x
p: Tp ≤t k=1

d
X
√ 0 j,k ∂gε
− κp Vk,p σTp − (ZTp − , ∆XTp ) .
∂z j
j=1

Comme dans la deuxième étape de la preuve du théorème 3.2.1, on montre en utilisant

cette fois-ci le lemme 3.3.6 que
Ft − F (ε)t −→u.c.p. 0, quand ε → 0.

A ce stade, le théorème 3.3.4 est prouvé sous l’hypothèse (LN1 ). On finit la preuve du
théorème 3.3.4 comme on l’a fait pour la preuve du théorème 3.2.1 par une procédure de
”délocalisation”.

3.5 Généralisation aux subdivisions non régulières

Dans les résultats de la section 3.1, on a considéré pour chaque n fixé la subdivision
{0, ∆n , 2∆n , · · · , i∆n , · · ·}. En prenant une suite de subdivisions quelconques de R+ , non
aléatoires : {0 = tn0 < · · · < tni < tni+1 < · · ·} dont le pas tend vers 0 quand n tend
vers l’infini, on aimerait savoir si les résultats obtenus jusqu’a présent restent valables. En
d’autres termes pour une fonction f : Ω × R+ × R → R, on va étudier la convergence des
sommes : X ³ ´
f tni−1 , Xtni − Xtni−1
i:tn
i ≤t

quand n tend vers l’infini. On étudiera d’abord le cas où X a des sauts avant de passer
au cas continu. Nous rappelons que l’on a pas étudier ce dernier cas dans le cadre des
subdivisions régulières.

3.5.1 Le cas d’une semimartingale discontinue

Hypothèses et Notations

Hypothèse (P) La suite de subdivisions (πn ) de R+ qui s’écrit πn := {0 = tn0 , tn1 , · · · , tnk , · · ·}
où 0 = tn0 < tn1 < · · · < tnk−1 < tnk < · · · et supi∈N |tni+1 − tni | tend vers 0 quand n tend vers
l’infini. 2
Soit (πn ) une suite de subdivisions vérifiant (P). Pour tout t ∈ R+ , on définit
t(π n ) = sup{tni ∈ π n , tni ≤ t}. (3.5.1)

49
 Dans toute la suite de cette section, f désigne une fonction de Ω × R+ × R dans R, X est
une semimartingale réelle de caracteristiques (B, C, ν) et (π n ) est une suite de subdivisions
de R+ vérifiant l’hypothèse (P ).

Lois des grands nombres

Théorème 3.5.1 Soit f une fonction de Ω × R+ × R dans R, optionnelle et soit X une

semimartingale. On suppose vérifiée l’une des conditions suivantes :
Cas 1. la fonction f et la semimartingale X vérifient les hypothèses du théorème 3.1.4. On
rappelle dans ce cas que
Z t Z Z t
1 ∂f 1 t ∂2f ∂f
D (f )t := (s−, 0) dBs + 2
(s−, 0) dCs + (s−, 0) dXsc +
0 ∂x 2 0 ∂x 0 ∂x
µ ¶ X · ¸
∂f ∂f
(s−, 0)h(x) ? (µ − ν)t + f (s−, ∆Xs ) − h(∆Xs ) (s−, 0) .
∂x ∂x
0<s≤t

Cas 2. f et X vérifient les hypothèses du théorème 3.1.5 et le processus D1 (f ) s’écrit :

Z t µ ¶ X · ¸
1 ∂f ∂f ∂f
D (f )t = (s−, 0) dBs + (s−, 0)h(x) ?(µ−ν)t + f (s−, ∆Xs ) − h(∆Xs ) (s−, 0) .
0 ∂x ∂x
0<s≤t
∂x

Alors, X ³ ´
f tni−1 , Xtni − Xtni−1 − D1 (f )t(πn ) −→u.c.p. 0,
i: tn
i ≤t

quand n → ∞, ce qui implique que

X ³ ´
f tni−1 , Xtni − Xtni−1 −→ D1 (f )t
i: tn
i ≤t

en probabilité pour la topologie de Skorokhod.

On peut généraliser le théorème précédent au cas où les éléments de (π n ) sont des
temps d’arrêts et où π n = π n (ω) vérifie (P) pour preque tout ω.

Théorème 3.5.2 Si f et X vérifient les hypothèses du théorème 3.1.6 où celles du théorème
3.1.9, alors X ³ ´
f tni−1 , Xtni − Xtni−1 − D1 (f )t(πn )
i: tn
i ≤t

converge localement uniformément en temps vers 0, d’où

X ³ ´
f tni−1 , Xtni − Xtni−1
i: tn
i ≤t

50
converge tout simplement vers D1 (f )t au sens de Skorokhod. Avec
X Z t
1
D (f )t := f (s−, ∆Xs ) + γs dB s ,
0<s≤t 0

pour le théoème 3.1.6 et X

D1 (f )t := f (s−, ∆Xs )
0<s≤t

pour le théorème 3.1.9.

Preuve du théorème 3.5.1 et 3.5.2

Le schéma des preuves reste identique au schéma des des théorèmes 3.1.4, 3.1.5, 3.1.6
et 3.1.9, il ya juste à prendre en compte le caractère non régulier des subdivisions.

Théorème central limite

Rappelons l’hypothèse (H1 ) introduite dans la section 3.2. On rappelle également le

processus
X ∂f ³√ p 0
´
D2 (f )t := (Sp −, ∆XSp ) κp Up σSp − + 1 − κp Up σSp
∂x
p:Sp ≤t

qui est bien définit sous les hypothèses du théorème 3.2.1.

Théorème 3.5.3 Supposons que X vérifie (H1 ) et que f vérifie les hypothèses de la partie
A du théorème 3.2.1 . Alors la suite de processus
 ³ ´ P ¡ ¢
X f tni−1 , Xtni − Xtni−1 − tni−1 <s≤tni f tni−1 , ∆Xs
 pn 
t − t n
n
i: t ≤t i i−1
i

converge stablement en loi vers le processus D2 (f ).

Si de plus, f vérifie les hypothèses de la partie B du théorème 3.2.1 alors quand n → ∞,
la suite de processus
 ³ ´ P 
f t n ,X n − X n
X i−1 ti ti−1 − tn <s≤tn f (s−, ∆Xs )
 pn i−1 i

t − t n
n
i: t ≤t i i−1
i

converge stablement en loi vers le processus D2 (f )

51
Preuve du théorème 3.5.3

Soit (π n ) une suite de subdivisions de R, dont le pas tend vers 0. pour tout x apparte-
nant à R, il existe tni−1 , tni ∈ R tels que tni−1 < x ≤ tni . On notera ces points respectivement
par x− (π n ) et x+ (π n ).

Remarque 3.5.4 Les notations précédentes sont à ne pas confondre avec (3.5.1), la dif-
ference est la suivante : soit t ∈ R+ , pour chaque n fixé, deux cas sont possibles,
• ou bien t est strictement compris entre deux points de π n : il existe tni−1 , tni ∈ π n
tels que tni−1 < t < tni , dans ce cas, on a

t− (π n ) = tni−1 = t(π n )

• ou alors, il existe tni ∈ π n tel que tni = t et dans ce cas

t− (π n ) = tni−1 < t+ (π n ) = t(π n ).

D’après un vieux résultat de Tukey [19], la partie fractionnaire d’une suite de va-
riables absolument continues par rapport à la mesure de Lebesgue converge en loi vers la
distribution uniforme sur [0, 1]. On généralise ce résultat dans le sens suivant :

Lemme 3.5.5 Soit T une variable aléatoire réelle admettant une densité f . On suppose
que f est p.s. continue et qu’il existe ε0 > 0 et Kε0 ≥ 0 telle que pour tout x, y appartenant
à R tels que |x − y| ≤ ε0 , on a f (y) ≤ Kε0 f (x). Alors la suite de variables

T − T− (π n )
T+ (π n ) − T− (π n )
converge en loi vers la distribution uniforme sur [0, 1].

T −T− (π n )
Preuve Posons U n = T+ (π n )−T− (π n ) et Ψn (u) = E{exp{iuUn }}. On a
( ½ ¾ )
X T − tni−1
Ψn (u) = E exp iu n 1{tni−1 <T ≤tni }
ti − tni−1
i
Z ÃX ½ ¾ !
y − tni−1
= exp iu n 1{tni−1 <y≤tni } f (y) dy
R ti − tni−1
i

XZ tn ½ ¾
i y − tni−1
= exp iu n f (y) dy
tn ti − tni−1
i i−1

XZ 1 ¡ ¢
= exp{iuz}(tni − tni−1 )f tni−1 + z(tni − tni−1 ) dz
i 0

Z Ã !
1 X ¡n ¢
n n n n
= exp{iuz} (ti − ti−1 )f ti−1 + z(ti − ti−1 ) dz.
0 i

52
Considérons la fonction
X ¡ ¢
f n (x) := f tni−1 + z(tni − tni−1 ) 1{tni−1 <x≤tni }
i

L’intégrale de cette fonction sur R vaut

X ¡ ¢
(tni − tni−1 )f tni−1 + z(tni − tni−1 ) .
i

Par ailleurs, f n (x) ≤ Kε0 f (x). Donc

X ¡ ¢
(tni − tni−1 )f tni−1 + z(tni − tni−1 )
i

converge vers 1 quand n → ∞ par le théorème de Lebesgue.

R1 iu
Il suit que Ψn (u) converge vers 0 exp{iuz} dz = e iu−1 . Cette dernière quantité est la
fonction caractéristique d’une loi uniforme.
Soit ε > 0, E = {x : |γ(x)| > ε} et Nt = 1E ? µt . On désigne par (Tp0 ) les temps de
sauts successifs de Nt . Le lemme suivant se démontre comme le lemme 3.4.5 sauf qu’on
utilise le lemme 3.5.5 à la place du résultat de Turkey. Les notations utilisées sont celles
du lemme 3.5.5

Lemme 3.5.6 Supposons (LH1 ) vérifiée alors

 
σTp0 (πn ) (WTp0 − WTp0 (πn ) ) σTp0 (WTp0 (πn ) − WTp0 )
 q − −
; q + 
0 n 0 n
Tp + (π ) − Tp − (π ) 0 n 0 n
Tp + (π ) − Tp − (π )
p≥1

converge stablement en loi vers

³ √ p ´
σTp0 − Up κp ; σTp0 Up0 1 − κp
p≥1

Le schéma de la démonstration du théorème 3.5.3 est le même que celui du théorème

3.2.1 sauf que l’on utilise la subdivision (πn ) à la place de {0, ∆n , · · · , [t/∆n ]∆n } et le
lemme 3.5.6 à la place du lemme 3.4.5.

Les résultats concernant les fonctions auxiliaires

Dans cette partie, g est une fonction de Rd+1 dans R et Z est un processus à valeurs
dans Rd . On rappelle qu’on a posé
Z t Z Z t
∂g 1 1 ∂2g ∂g
D1 (g, Z)t = (Zs− , 0)dBs + 2
(Z s− , 0)dC s + (Zs− , 0)dXsc
0 ∂x 2 0 ∂x 0 ∂x
µ ¶ X · ¸
∂g ∂g
+ (Zs− , 0)h(x) (µ − ν)t + g(Zs− , ∆Xs ) − h(∆Xs ) (Zs− , 0)
∂x ∂x
0≤s≤t

qui est bien défini sous les hypothèses du thórème 3.3.1. Le résultat suivant est à l’image
du théorème 3.3.1 et est une conséquence immédiate du théorème 3.5.1.

53
Théorème 3.5.7 Supposons que Z soit càdlàg, adapté et que g vérifie les hypothèses du
corollaire 3.3.1. Alors
X ³ ´
g Ztni−1 , Xtni − Xtni−1 −→ D1 (g, Z)t
i: tn
i ≤t

en probabilité pour la topologie de Skorokhod quand n → ∞.

On peut à présent énoncer le théorème central limite associé au théorème 3.5.7. On utilise
l’hypothèse (N1 ) définie dans la section 3.3 ainsi que le processus
m ·³
X X 0 d+1,k
0
p 0 d+1,k √ ´ ∂g ¡ ¢
Ft := σTp Vk,p 1 − κp + σTp − Vk,p κp ZTp − , ∆XTp
∂x
p: Tp ≤t k=1

d
X
√ 0 ∂g
− κp Vk,p σTj,k
p−
(ZTp − , ∆XTp )
∂z j
j=1

qui est bien défini sous les hypothèses du théorème 3.3.4.

Théorème 3.5.8 Supposons que le couple (Z, X) vérifie l’hypothèse (N1 ) et que g vérifie
les hypothèses du théorème 3.3.4. Alors,
 ³ ´ P 
X g Z n
ti−1 , X n
ti − Xti−1 −
n
tn <s≤t n g (Zs− , ∆Xs )
 pn i−1 i

t − t n
n
i: t ≤t i i−1
i

convergent stablement en loi vers F .

La preuve de ce théorème est identique à celle du théorème 3.3.4, mis à part le fait les
subdivisions sont irrégulières et ce qui impose l’utilisation du lemme 3.5.6 à la place du
lemme 3.4.5.

3.5.2 Cas d’une semimartingale continue

Nous supposons dans ce paragraphe que X est de la forme

Z t Z t
Xt = X0 + bs ds + σs dWs ,
0 0

où b est un processus adapté, localement borné et continu à gauche alors que σ est adapté
et càdlàg. Comme dans la section précédente, (π n ) est une suite de subdivisions vérifiant
(P). pour tout processus Y , on notera ∆ni Y = Ytni − Ytni−1 . Dans cette sous-section, f est
une fonction de R → R.
Si f est continue sur R et C 2 sur un voisinage de 0, alors
X
f ( ∆ni X ) −→ D1 (f )t
i: tn
i ≤t

54
en probabilité pour la topologie de Skorokhod quand n → ∞, où
Z t
1 0 1 00
D (f )t := f (0)(Xt − X0 ) + f (0) σs2 ds. (3.5.2)
2 0

On pose Soit (Ω0 , F 0 , P0 ) un espace auxiliaire muni d’un mouvement brownien W . On pose
e = P ⊗ P0
e = Ω × Ω0 , Fe = F ⊗ F 0 , P
Ω
e
Les processus définis sur Ω où Ω0 peuvent être considérés comme définis sur Ω.

Théorème 3.5.9 Soit f une fonction C 3 sur un voisinage de 0 et telle que f (0) = 0. On
a  ³ ´ 
X f Xtni − Xtni−1 − ∆ni D1 (f )
 pn 
t − t n
i: tn ≤t i i−1
i

converge stablement en loi vers le processus

Z
1 ¯¯ 00 ¯¯ t
√ f (0) (σs )2 dW s .
2 0

Remarque 3.5.10 Nous n’avons pas étudié le cas d’une fonction définie sur Ω × R+ × R,
car alors les hypothèses deviennent plus qu’ailleurs très restrictives.

Remarque 3.5.11 Nous donnons les grandes lignes de la preuve de ce théorème, néanmoins
les techniques (nouvelles) utilisées ici seront largement développées dans les prochains cha-
pitres. Les outils essentiels dans cette preuve sont les théorèmes du paragraphe 7 chapitre
IX de [10].

Preuve :
On utilisera les notations dans la preuve du théorème 3.5.3. On pose
X f (∆ni X) − ∆ni D1 (f )
Z n (f )t := pn . (3.5.3)
i: tn
ti − tni−1
i ≤t

Fixons ε > 0 assez petit. On pose fε = f ψε (voir(3.4.13) pour ψε ). Il suit que

Z n (f ) := Z n,1 (f, ε) + Z n,2 (f, ε), (3.5.4)

où 
P f (1−ψε )(∆n
i X) 
Z n,1 (f, ε)t = i: tn
√n , 

i ≤t ti −tn
i−1
(3.5.5)
P fε (∆n
i X ) − ∆i D (fε )
n 1 
Z n,2 (f, ε)t = i: tn
√n . 

i ≤t ti −tn
i−1

Remarquons que comme f 0 (0) = fε0 (0) et f 00 (0) = fε00 (0), on a D1 (f ) = D1 (fε ).

55
Etape 1 : Nous traitons ici le terme Z n,1 (f, ε). Notons que
1{|x|>2ε} ≤ 1 − ψε (x) ≤ 1{|x|>ε} .
Vu que X est continue, il s’en suit que pour tout ω ∈ Ω, il existe n0 (ω) ∈ N tel que
∀ n ≥ n0 (ω), on a |∆ni X| ≤ ε et d’où f (1 − ψε ) (∆ni X) = 0.
On conclut que pour tout ω ∈ Ω, on a
sup |Z n,1 (f, ε)(ω)| −→ 0, quand n → ∞.
s≤t

Etape 2 : Nous étudions ici Z n,2 (f, ε). D’après la formule d’Itô comme on l’a fait dans la
preuve du théorème 3.1.4, posant Y0 = 0 et Ysn = Xs − Xtni−1 si s ∈]tni−1 , tni ] et Y0n = 0, on
a:
Xkn
n
Zt = ξin ,
i=1
où kn est l’entier i tel que t(π n )
= et oùtni
"Z µ ¶
tn ¡ 0 n ¢ σs2 ¡ 00 n ¢
1 i
ξin = pn 0
bs fε (Ys ) − fε (0) + 00
f (Y ) − fε (0) ds
ti − tni−1 tni−1 2 ε s
Z tn #
i ¡ 0 n 0
¢
+ σs fε (Ys ) − fε (0) dWs .
tn
i−1

Pour ε assez petit, fε est C 3 , on montre que les sommes

¯ n ¯
¯Xk ¯ Xkn n ¯ o
¯ n ¯ ¯
sup ¯ E{ξi |Ftni−1 }¯ et E ξin (Wtni−1 − Wtni ) ¯ Ftni−1
t ¯ ¯
i=1 i=1

convergent en probabilité vers 0. Soit N est une martingale bornée orthogonale à W et

ε > 0, on montre également que
kn
X n o kn
X n o
E |ξin |2 1{|ξin |>ε} |Ftni−1 et E ξin (Wtni−1 − Wtni ) |Ftni−1 .
i=1 i=1

De même, on a
Xkn · n o ³ n o´2 ¸ Z
n 2 n 1 ¡ 00 ¢2 t
E (ξi ) |Ftni−1 − E ξi |Ftni−1 → f (0) (σs )4 ds
2 0
i=1

en probabilité. D’après ce qui précéde, Z n vérifie les hypothèses du théorème 7.28 chapitre
IX de [10].

Remarque 3.5.12 On aurait pu prouver ce théorème en utilisant la partie (ii) du théorème

2.11 de [8] dans le cas où X est continu, combiné au développement de Taylor de f au
voisinage de 0 mais, nos hypothèses sur σ ici sont plus faibles.

56
Chapitre 4

Convergence de fonctionnelles de
semimartingales normalisées

Ce chapitre est consacré à l’étude de la convergence de la suite de processus

[t/∆n ]
X µ ¶
∆ni X
Vtn := ∆n f (i − 1)∆n , √ (4.0.1)
i=1
∆n

où X est une semimartingale d’Itô fixée, f une fonction optionnelle de Ω × R+ × R √ dans
R et où (∆n ) est une suite tendant vers 0 quand n → ∞. La normalisation par ∆n
s’explique par le fait que si X vérifie l’hypothèse (H2 ) ci-dessus, le terme√dominant de
∆ni X est, en l’absence de grand saut, la partie brownienne, qui est d’ordre ∆n .

4.1 Loi des grands nombres

4.1.1 Hypothèses et Notations

On considère une base stochastique (Ω, F, Ft , P) et une semimartingale réelle X de

mesure de sauts µ et de caractéristiques (B, C, ν) par rapport à une fonction de troncation
h. On pose h0 (x) = x − h(x).
Commençons par les hypothèses sur le processus X.
Hypothèse (H2 ) La semimartingale X peut s’écrire sous la forme :
Z t Z t Z Z t Z tZ
Xt = X0 + bs ds+ σs dWs + h(δ(s, x)) (µ−ν)(ds, dx)+ h0 (δ(s, x)) µ(ds, dx),
0 0 R 0 0 R
(4.1.1)
où
• b est un processsus prévisible, localement borné,
• σ est un processus càdlàg, adapté,
• W est un mouvement brownien et µ est une mesure aléatoire de poisson sur R+ × R,
l’espace étant élargi pour définir W et µ,

57
 • ν est la mesure compensatrice de µ, elle s’écrit : ν(dt, dx) = F (dx)dt où F (dx) est
une mesure σ-finie sur (R, R) de masse totale infinie, Rt¡ ¢
• δ : Ω×R+ ×R → R est prévisible et est telle que le processus 0 1 ∧ |δ(ω, s, x)|2 F (dx)
soit localement borné.
2
L’hypothèse (H2 ) est un peu plus faible que l’hypothèse (H1 ) introduite dans le chapitre
3, et si X est continue, elles sont équivalentes.
La partie martingale continue de X s’écrit :
Z t
Xsc = σs dWs . (4.1.2)
0

Définition 4.1.1 A. Soit p > 0. On dira que f est à croissance au plus p-polynomiale,
s’il existe un processus Γ localement borné tel que :

|f (ω, s, x)| ≤ Γs (ω)[1 + |x|p ]. (4.1.3)

Si f vérifie (4.1.3) et que p ne joue pas un rôle important, on dira simplement que
f est à croissance polynomiale.
B. Pour tout vecteur ligne x ∈ Rm , on notera ρx , la loi normale N (0, xxt ), où xt est
la transposée de x.

4.1.2 Résultats

Théorème 4.1.2 Soit f : Ω × R+ × R → R une application optionnelle et à croissance

p-polynomiale. On suppose que f est localement équicontinue (voir définition 3.1.1) et que
f admet des limites à gauche en s. Alors,
[t/∆n ]
X Z t
∆n X
∆n f ((i − 1)∆n , √i ) −→u.c.p. ρσs (f (s−, .)) ds,
i=1
∆n 0

si l’une des conditions suivantes est vérifiée :

1. X vérifie (H2 ) et p ∈ [0, 2[.

2. X vérifie (H2 ) et est continue.

Remarque 4.1.3 Dans le théorème précèdent, f est à croissance au plus polynomiale,

ce qui veut dire que :
|f (ω, s, x)| ≤ Γs (ω)[1 + |x|p ].
Le théorème reste vrai si p = ps (ω) est un processus localement borné et pour le cas (1)
du théorème avec sups,ω ps (ω) < 2.

58
4.2 Théorème central limite

4.2.1 Hypothèses et Notations

On part toujours d’une base stochastique (Ω, F, (Ft )t≥0 , P). On se donne l’hypothèse
suivante :
Hypothèse (H3 ) X peut s’écrire sous la forme
Z t Z t Z Z t Z Z t
Xt = X0 + bs ds+ σs dWs + h(δ(s−, x))?(µ−ν)(ds, dx)+ h0 (δ(s−, x)?µ(ds, dx),
0 0 R 0 R 0
(4.2.1)
où
• b est un processsus càdlàg adapté,
• σ est un processus càdlàg, adapté,
• δ est une foncton de Ω × R+ × R dans R, làg en s et de plus, il existe une suite de
temps d’arrêts (Tk ) croissant vers l’infini et une suite de fonctions (γk ) définies sur
R et boréliennes telles que pour tout k, on ait
Z t
sup |δ(ω, s, x)| ≤ γk (x) et {γk (x) ∧ 1} F (dx) < ∞. (4.2.2)
s≤Tk (ω) 0
2
Du fait que b est càdlàg, et à cause de la condition (4.2.2) qui implique notamment
que 1 ∈ I (cf. sous-section 3.1.1), l’hypothèse (H3 ) est beaucoup plus forte que l’hypothèse
(H1 ) de la sous-section 4.1.
L’hypothèse suivante ne porte plus directement sur X mais sur le processus σ qui
intervient dans (4.1.2).
Hypothèse (M1 ) On a (H3 ) et de plus, le processus σ s’écrit
Z t Z t Z t Z Z t Z Z t
e
σt = σ0 + bs ds+ σ es dWs + vs− dVs + e
h(δ)?(µ−ν)(ds, dx)+ e
h0 (δ(s−, x))?µ(ds, dx),
0 0 0 R 0 R 0

où
• eb est un processus prévisible, localement borné
• σe et v sont des processus càdlàg, adaptés,
• V est un mouvement brownien indépendant de W ,
• δe est une fonction de Ω × R+ × R dans R telle que pour s, l’application (ω, x) →
e s, x) soit Fs ⊗R-mesurable. On suppose que δe est càdlàg en s, de plus le processus
δ(ω,
R n ³ ´o
sup 1 ∧ | e x)|2
δ(s, F (dx) est localement borné .
R s≤t
2
Soit (Ω0 , F 0 , P0 ) un espace auxiliaire muni d’un mouvement brownien W . On pose
e = P ⊗ P0
e = Ω × Ω0 , Fe = F ⊗ F 0 , P
Ω
Les processus définis sur Ω où Ω0 peuvent être considérés comme définis sur Ω.e On définit
sur Fe la filtration (Fet ) qui est la plus petite filtration continue à droite, contenant (Ft ),
telle que W soit adapté.

59
4.2.2 Résultats

Théorème 4.2.1 [Link] l’hypothèse (M1 ) vérifiée et X continu. On se donne une

fonction f : Ω × R+ × R → R, optionnelle et vérifiant les propriétés suivantes :
• le processus (f (s, 0)) est localement borné,
• l’application s → f (ω, s, x) admet des limites à gauche,
• L’application x → f (ω, s, x) est paire et dérivable,
• ∂f
∂x est localement équicontinue (voir définition 3.1.1) et à croissance au plus poly-
nomiale (au sens de (4.1.3).
Alors quand n tend vers ∞, la suite de processus
[t/∆n ] · µ ¶ ¸
p X ∆ni X © ª
n
∆n f (i − 1)∆n , √ − E f ((i − 1)∆n , βi ) |F(i−1)∆n
i=1
∆n
converge stablement en loi vers le processus
Z t q
Lt (f ) := ρσs (f (s−, .)2 ) − (ρσs (f (s−, .)))2 dW s . (4.2.3)
0
1
B. Si de plus, il existe un processus Γ localement borné, des réels α > 2 et p ≥ 0 tels que
pour tout T > 0 on ait :
|f (ω, s, x) − f (ω, t, x) | ≤ Γ0T |t − s|α [ 1 + |x|p ], ∀ s, t ≤ T, (4.2.4)
alors  
[t/∆n ]
X µ n
¶ Z t
1  ∆ X
√ ∆n f (i − 1)∆n , √i − ρσs− (f (s−, .)) ds
∆n i=1
∆n 0

converge stablement en loi vers Lt (f ) quand n tend vers l’infini.

Théorème 4.2.2 A. Supposons (M1 ) vérifiée soit f une fonction f : Ω × R+ × R → R,

optionnelle et vérifiant les propriétés suivantes :
• l’application s → f (ω, s, x) admet des limites à gauche en s,
• on suppose que l’application x → f (ω, s, x) est paire et C 1 , que ∂f
∂x est localement
équicontinue et qu’il existe un processus Λ localement borné tel que
½ ¯ ¯¾
¯ ∂f ¯
sup |f (ω, s, x)| + ¯ (ω, s, x)¯¯
¯ ≤ Λs (ω).
x∈R ∂x
Alors, quand n tend vers l’infini, la suite de processus
[t/∆n ] · µ ¶ ¸
p X ∆n X © ª
∆n f (i − 1)∆n , √i − E f ((i − 1)∆n , βin ) |F(i−1)∆n
i=1
∆n
converge stablement en loi vers Lt (f ).
B. Si en plus, il existe un processus Γ localement borné, des réels α > 21 et p ≥ 0 tels que
pour tout T > 0 on ait (4.2.4), alors le processus
 
[t/∆n ] µ ¶ Z t
1  X n
∆ X
√ ∆n f (i − 1)∆n , √i − ρσs− (f (s−, .)) ds
∆n i=1
∆ n 0

60
converge stablement en loi vers Lt (f ).

4.3 Etude de la convergence d’une fonction auxiliaire

L’hypothèse 4.2.4 des théorèmes 4.2.1 et 4.2.2 étant trop restrictive, on se propose,
comme on l’a fait dans le paragraphe 3.3 du chapitre 3 d’étudier le cas particulier des
fonctions f : Ω × R+ × R → R qui s’écrivent sous la forme f (ω, s, x) = g(Z(ω), x) où g
est une applicaton de Rd+1 dans R, d est un entier et Z un processus de dimension d.
Par application du Théorème 4.1.2, on a

Théorème 4.3.1 Soit X une semimartingale réelle et Z un processus adapté, admettant

des limites à gauche et localement borné de dimension d. Soit g : Rd+1 → R. On suppose
que g est continue et telle que pour tout compact K de Rd , il existe une constante CK
vérifiant
sup |g(z, x)| ≤ CK [1 + |x|p ].
z∈K

On suppose de plus que l’une des conditions suivantes est réalisée

• X vérifie (H2 ) et p ∈ [0, 2[,
• X vérifie (H2 ) et X continu.
Alors, quand n → ∞ on a :
[t/∆n ]
X µ ¶ Z t
∆ni X u.c.p.
∆n g Z(i − 1)∆n , √ −→ ρσs (g(Zs− , .)) ds.
i=1
∆n 0

Passons maintenant aux théorèmes centraux limites. On va ici introduire une hypothèse
similaire à l’hypothèse (N1 ) introduite à la section 3.3 du chapitre 3 à la différence que
les conditions sur sauts de X sont plus fortes et que l’on va tenir compte de l’hypothèse
(M1 ) et de la condition sur les sauts de X.
Rappelons la fonction de troncation h définie sur R et la fonction h0 définie par h0 (x) =
0
x − h(x). Pour tout entier k ≥ 1, On note h(k) et h (k) les fonctions définies sur Rk par
   0 
h h
 h   h0 
   
 .  0 (k)  . 
h (k)  
=  , h =  . (4.3.1)
. . 
   
 .   . 
h h0

Hypothèse (N2 ) : Z est une semimartingale d’Itô et le couple (Z, X) admet une écriture
sous la forme :
µ ¶ µ ¶
Xt X0 Rt Rt RtR
= + 0 b0s ds + 0 σs0 dWs0 + 0 R h(1+d) (δ 0 (s, x)) (µ − ν)(ds, dx)
Zt Z0
RtR 0
+ 0 R h (d+1) (δ 0 (s, x)) µ(ds, dx)

61
et le processus σ 0 est un processus progressivement mesurable, localement borné, prenant
ses valeurs dans l’espace des matrices de dimension (1 + d) × m. De plus le premier vecteur
ligne vérifie
Rt Rt Rt R Rt
σt1 = σ01 + 0 bbs ds + 0 σ b ? (µ − ν)(ds, dx)
0 0
bs dWs0 + 0 vbs− dVs + R 0 h(m) (δ)
R Rt
+
0
b
h (m) (δ(s−, x)) ? µ(ds, dx),
R 0
avec
0
• b0 est un processus à valeurs dans R1+d , prévisible, localement borné et b 1+d est
làdcàg et adapté alors que bb est un vecteur ligne de dimension m, prévisible et
localement borné.
• W 0 est ici un mouvement brownien m-dimensionnel.
• V est un mouvement brownien l-dimensionnel indépendant de W où l ∈ N.
• σb et v sont des processus càdlàg, adaptés et à valeurs respectivement dans l’espace
des matrices de dimensions m × m et m × l.
• δb : Ω × R+ × R → Rm est une application càdlàg en temps³et Fs ⊗ R mesurable en
R n ´o
b
(ω, x) pour tout s fixé et de plus le processus t → R sups≤t 1 ∧ ||δ(s, x)|| 2 F (dx)
est localement borné.
• Rδ 0 :¡ Ω×R+ ×R →¢ Rd+1 est prévisible et telle que pour j ∈ {2, · · · , d+1}, le processus
j 2 F (dx) est localement borné. On suppose de plus l’existence d’une
R 1 ∧ |δ (s, x)|
suite de temps d’arrêt (Tk ) qui croissent vers l’infini et une suite (γk ) de fonctions
boréliennes telle que
¯ 0 ¯ Z
¯ 1 ¯
sup ¯δ (ω, s, x)¯ ≤ γk (x) et (1 ∧ γk (x)) F (dx) < ∞.
s≤Tk (ω) R
2
Notons que l’hypothèse (N2 ) implique l’hypothèse (M1 ).
0
Dans toute la suite, σ 1 désigne le premier vecteur ligne de σ 0 .

Remarque 4.3.2 Si (X, Z) vérifie l’hypothèse (N2 ) et g les hypothèses du théorème 4.3.1,
alors
[t/∆n ] µ ¶ Z t
X ∆ni X
∆n g Z(i − 1)∆n , √ −→u.c.p. ρσ0 1 (g(Zs , .)) ds.
i=1
∆ n 0
s

Théorème 4.3.3 Supposons (N2 ) vérifiée et que X soit continu. Soit g : Rd × R → R,

une fonction C 1 et telle que pour tout z ∈ Rd , l’application x → g(z, x) soit paire. On
suppose que pour tout compact K de Rd , il existe une constante CK et un réel positif p tels
que  
¯¯ ∂g ¯
¯ Xd ¯
¯ ∂g
¯
¯
sup ¯¯ (z, x)¯¯ + ¯ ¯ p
¯ ∂zj (z, x)¯  ≤ CK [ 1 + |x| ].
z∈K  ∂x j=1

Alors le processus
 
[t/∆n ]
X µ n
¶ Z t
1  ∆ X
√ ∆n g Z(i−1)∆n , √i − ρσ0 1 (g(Zs , .)) ds
∆n i=1
∆n 0
s

62
converge stablement en loi vers le processus
Z tr ³ ´2
0
Lt := ρσ0 1 (g(Zu , .)2 ) − ρσ0 1 (g(Zu , .)) dW u . (4.3.2)
u u
0

Théorème 4.3.4 Supposons (N2 ) vérifiée et soit g une fonction définie sur Rd × R à
valeurs réelles, de classe C 1 et vérifiant :
• pour tout z ∈ Rd , l’application x → g(z, x) est paire,
• pour tout compact K de Rd , il existe une constante CK et un réel positif p tels que
 
½ ¯ ¯¾ Xd ¯ ¯
¯ ∂g ¯ ¯ ∂g ¯
sup |g(z, x)| + ¯¯ (z, x)¯¯ ≤ CK , et sup ¯ ¯ p
¯ ∂zj (z, x)¯ ≤ CK [ 1+|x| ].
z∈K ∂x z∈K 
j=1

Alors, la suite de processus

 
[t/∆n ] µ ¶ Z t
1  X ∆ni X
√ ∆n g Z(i−1)∆n , √ − ρσ0 1 (g(Zs , .)) ds
∆n i=1
∆ n 0
s

converge stablement en loi vers L0t .

4.4 Preuves

4.4.1 Preuve du Théorème 4.1.2

Préliminaires

Nous prouvons d’abord le théorème sous des hypothèse sur X et f un peu plus forte
que celles énoncées.
¡R ¢
Hypothèse (LH2 ) On a (H2 ) et de plus, les processus (bs ), (σs ), R (1 ∧ |x|2 ) Ft (dx)
et le processus des sauts (∆Xs ) sont bornés par une constante. 2
Rappelons le processus Γ introduit dans la définition 4.1.1, on supposera pour l’instant
que celui-ci est uniformément borné. On note toute les constantes par K et on pose
∆n W
βin := σ(i−1)∆n √i . (4.4.1)
∆n
Avant de commencer dans la preuve du théorème, nous commencerons par une série de
lemmes.

Lemme 4.4.1 Supposons (LH2 ) vérifiée, que f soit optionnelle, vérifie (K(R)) et soit à
croissance au plus p-polynomiale. Alors,
[t/∆n ]
X Z t
n
© ª
U (1)t := ∆n E f ((i − 1)∆n , βin ) |F(i−1)∆n u.c.p.
−→ ρσs− (f (s−, .)) ds,
i=1 0

quand n → ∞.

63
Preuve Il suffit de prouver le théorème pour une fonction f positive. Par le théorème de
Lebesgue, on a pour chaque t :
[t/∆n ]
X Z t
Un (1)t = ∆n ρσ(i−1)∆n (f ((i − 1)∆n , .)) → ρσs− (f (s−, .)) ds, (4.4.2)
i=1 0

quand n → ∞, car σ est càdlàg, donc l’application s → ρσs− (f (s−, .)) est càglàd. Remar-
Rt
quons ensuite que les processus U n (1)t et 0 ρ (f (s−, σs− .)) ds sont croissants en temps et
Rt
que 0 ρ (f (s−, σs− .)) ds est continu. On en déduit que la convergence dans (4.4.2) à lieu
localement uniformément en temps. 2

Lemme 4.4.2 Supposons que f soit optionnelle à croissance au plus p-polynomiale et

localement équicontinue sur R (au sens de la définition (3.1.1). On suppose de plus que
l’une des conditions suivantes est satisfaite :
• X vérifie (LH2 ) et p < 2.
• X vérifie (LH2 ) et est continu.
Alors quand n → ∞, on a :
[t/∆n ] µ¯ µ ¶ ¯¶
X ¯ ∆n X ¯
∆n E ¯¯f (i − 1)∆n , √i − f ((i − 1)∆n , βin )¯¯ −→ 0.
i=1
∆ n

Preuve Posons
¯ µ ¶ ¯
¯ ∆ni X ¯
ζin ¯
:= ¯f (i − 1)∆n , √ n ¯
− f ((i − 1)∆n , βi )¯ .
∆ n

Soit q un réel qu’on choisit égal à 2 si p < 2 et q > p sinon pour tout A et T positif,
on note :

GT (ω, ε, A) = sup {|f (ω, s, x + y) − f (ω, s, x)|, s ≤ T ; |x| ≤ A; |y| ≤ ε} (4.4.3)

On a alors " #
|ζin | ≤ Gt (ε, A) + |ζin | 1{|β n |>A} + 1½¯¯ ∆ni X ¯
¯
¾ . (4.4.4)
¯√ n¯
¯ ∆n −βi ¯ > ε
i

Comme q > p, il existe deux fonctions B → LB et B → HB , avec HB → 0 quand B → +∞

et telles que
|f (ω, s, x)| ≤ HB |x|q + LB .
Il suit d’après (4.4.4) que
à ! µ ¯ n ¯q ¶
¯ ∆i X ¯
|ζin | ≤ Gt (ε, A) + K(1+LB ) 1{|βin |>A} + 1½¯¯ ∆Xin n ¯¯ ¾ + K |βi | + ¯¯ √
n q
− βi ¯¯ HB .
n
¯√ ¯
¯ ∆n −βi ¯>ε ∆n

Posons KB = K(1 + LB ) et soit U une variable normale N (0, 1). Sous (LH2 ) on a claire-
ment ½¯ n ¯q ¾
¯ ∆i X ¯
E ¯¯ √ − βi ¯¯ + |βin |q ≤ K, ∀ q ∈ [0, 2].
n
∆n

64
Il suit que :
[t/∆n ]
X K(B)t
∆n E {|ζin |} ≤ tE{Gt (ε, A)} + + KtHB
A
i=1

[t/∆n ]
X ½ ¾
−2 ∆ni X n 2
+ K(B) ε ∆n E 1 ∧ |√ − βi | . (4.4.5)
i=1
∆n

Notons que d’après le lemme 4-1 de [8]

[t/∆n ]
( ¯ n ¯2 )
X ¯ ∆i X ¯
KB ε −2
∆n E 1 ∧ ¯¯ √ − βi ¯¯
n
−→ 0 quand n → ∞.
i=1
∆n

Ensuite, revenant à l’inégalité (4.4.5), on fait tendre successivement n → ∞, ε → 0, A →

∞ et B → ∞. 2

Preuve du théorème

Posons
[t/∆n ]
X µ ¶ Z t
∆n X
Utn := ∆n f (i − 1)∆n , √i − ρσs− (f (s−, .)) ds.
i=1
∆n 0

On a alors :
[t/∆n ] · µ ¶ ¸
X ∆ni X
Utn = ∆n f (i − 1)∆n , √ n
− f ((i − 1)∆n , βi ) + (4.4.6)
i=1
∆n

[t/∆n ]
X £ © ª¤
+ ∆n f ((i − 1)∆n , βin ) − E f ((i − 1)∆n , βin ) |F(i−1)∆n
i=1
(4.4.7)
[t/∆n ]
X Z t
© ª
+∆n E f ((i − 1)∆n , βin ) |F(i−1)∆n − ρσs− (f (s−, )) ds.
i=1 0

(4.4.8)

Le processus dans (4.4.7) est une martingale par rapport à la filtration (F[t/∆n ]∆n )t≥0 dont
le crochet vérifie :
[t/∆n ] h
X © ª ¡ © ª¢2 i
∆2n E f 2 ((i − 1)∆n , βin ) |F(i−1)∆n − E f ((i − 1)∆n , βin ) |F(i−1)∆n
i=1

≤ Kt∆n → 0

65
quand n → ∞ On en déduit par l’inégalité de Doob que (4.4.7) converge u.c.p. vers 0.
Le processus dans (4.4.6) converge u.c.p. vers 0 grâce au Lemme 4.4.2 et le processus
(4.4.8) converge vers 0 grâce au Lemme 4.4.1.
A ce stade, le théorème 4.1.2 est démontré sous l’hypothèse (LH2 ). On passe au cas
général par une méthode de ”délocalisation” (voir la fin de la preuve du théorème (3.2.1)).

4.4.2 Preuve des théorèmes centraux limites

Préliminaires

Rappelons l’hypothèse (LH2 ) introduite dans la preuve du théorème 4.1.2. On va de

même renforcer l’ hypothèse (M1 ).
Hypothèse (LM1 ) On a (M1 ) et de plus ³ ´
R
• les processus bs , σs , bes , R supu≤s 1 ∧ δ(u,
e x)2 F (dx) et σ es sont uniformément
bornés,
• les fonctions γk = γ ne dépendent pas de k. La fonction γ est bornée et vérifie
Z
sup |δ(ω, s, x)| ≤ γ(x) et γ(x) F (dx) < ∞.
s∈R+ , ω∈Ω R
2
Sous l’hypothèse (LM1 ), le processus X s’écrit sous la forme :
Z t Z t Z Z t
00
Xt = X0 + bs ds + σs− dWs + δ(s−, x) µ(ds, dx), (4.4.9)
0 0 R 0
R
où b00t = bt − R h(δ(t−, x)) F (dx), rappelons que h0 (x) = h(x) − x.
Le processus σ s’écrit quant à lui sous la forme :
Z t Z t Z t Z tZ
σt = σ0 + e0
bs ds + σ
es dWs + vs− dVs + e
δ(s−, x) ? (µ − ν)(ds, dx) (4.4.10)
0 0 0 0 R
R ³ ´
où eb0s = ebs + R h0 δ(s−,
e x) F (dx).
On suppose de plus que le processus Γ qui intervient dans la définition 4.1.1 est uni-
formément borné. Rappelons la variable βin définie dans (4.4.1). Toutes les constantes
seront appelées K.

Lemme 4.4.3 Supposons (LH2 ) vérifiée et soit f : Ω × R+ × R → R, une application

à croissance p−polynomiale et localement équicontinue sur R ( au sens de la définition
3.1.1). On suppose de plus que l’une des conditions suivantes est réalisée :
• p ∈ [0, 1[,
• X continu.
Alors,
[t/∆n ]
(¯ µ ¶ ¯2 )
X ¯ ∆nX ¯
∆n E ¯¯f (i − 1)∆n , √i − f ((i − 1)∆n , βin )¯¯ → 0
i=1
∆ n

quand n → ∞.

66
La preuve du lemme 4.4.3 est identique à la preuve du lemme 4.4.2, la restrictionn¯p < 1 ¯esto
¯ ∆n X ¯q
due au fait que si X est une semimartingale discontinue comme c’est le cas ici, E ¯ √i∆ ¯
n
explose si q > 2.
Nous allons à présent étudier les conditions de convergence vers 0 des sommes

p [t/∆n ]
X ½µ µ ¶ ¶ ¾
∆ni X n
∆n E f (i − 1)∆n , √ − f ((i − 1)∆n , βi ) | F(i−1)∆n . (4.4.11)
i=1
∆n

Nous étudierons séparément le cas continu et le cas discontinu. On trouve des versions
de ce lemme dans le cas d’une fonction f deterministe dans la section 8 de [3] si X est
continu et dans le lemme 5.5 de [8] si X est discontinu, les démonstrations proposées ici
sont largement inspirées de celles qui existent dans ces deux articles et l’étape 1 de la
démonstration du lemme 4.4.5 est une reprise de ce qui a été fait dans [8].

Lemme 4.4.4 Supposons (LM1 ) vérifiée et que X soit continu et soit f : Ω × R+ × R →

R une application optionnelle. On suppose que la fonction x → f (ω, s, x) est paire et
dérivable. On suppose de plus que ∂f
∂x est localement équicontinue sur R et qu’elle est à
croissance au plus p-polynomiale. Alors

p [t/∆n ]
X ½µ µ ¶ ¶ ¾
∆ni X n
∆n E f (i − 1)∆n , √ − f ((i − 1)∆n , βi ) | F(i−1)∆n
i=1
∆n

converge u.c.p. vers 0 quand n → ∞.

Preuve Posons
µ ¶
∆ni X
Lni := f (i − 1)∆n , √ − f ((i − 1)∆n , βin ) . (4.4.12)
∆n
∆n X
On a pour une certaine variable aléatoire γ̄in entre √i
∆n
et βin :
µ ¶
0n ∆ni X ∂f
Lni = Li + √ − βin ((i − 1)∆n , βin ) , (4.4.13)
∆n ∂x
où µ ¶µ n ¶
0n ∂f n ∂f n ∆i X n
Li = ((i − 1)∆n , γ̄i ) − ((i − 1)∆n , βi ) √ − βi . (4.4.14)
∂x ∂x ∆n
Soit ε, A > 0, et
¯ ¯
¯ ∂f ¯
GA (ω, ε) = sup ¯ (ω, s, x + y) − ∂f (ω, s, x) ¯. (4.4.15)
t ¯ ∂x ∂x ¯
{s≤t; |y|≤ε; |x|≤A}

On a :
  ¯ n ¯ 
µ ¯ n ¯p ¶ ¯∆ X n¯ ¯ n ¯
¯ ∆i X ¯ n
|βi | ¯ √i
∆n
− βi ¯ ¯ ∆i X ¯
0n  A n p ¯
|Li | ≤ K Gt (ε) + 1 + |βi | + ¯ √ n¯
− βi ¯  +  ¯ √ − β n¯
∆n A ε ¯ ∆ i ¯.
n

67
Il n’est pas difficile de voir sous nos hypothèses sur X que
½¯ n ¯q ¾
¯ ∆i X ¯
n q
E(|βi | ) ≤ Kq , E ¯ √¯ n¯
− βi ¯ ≤ Kq ∆n , ∀ q ≥ 2, (4.4.16)
∆n
on peut également retrouver ce résultat dans (7.37) de [3]. Il en suit par une utilisation
répétée de l’inégalité de Hölder que :
[t/∆n ]
" #
p X ³ n¡ ¢2
o´1/2 ∆
1/4
1
n
∆n E{|L0n
i |} ≤ Kt E GA
t (ε) + + . (4.4.17)
ε A
i=1

Faisant tendre successivement n vers l’infini, ε vers 0 et A vers l’infini, on voit que
[t/∆n ]
p X
∆n E{|L0n
i |} −→
u.c.p
0 quand n → ∞. (4.4.18)
i=1

Vu (4.4.14) et (4.4.13), il nous reste à évaluer la quantité

µ n ¶
∆i X n ∂f
√ − βi ((i − 1)∆n , βin ) .
∆n ∂x
Rappelons que sous (LM1 ), σ s’écrit comme dans (4.4.10). On a
∆ni X
√ − βin = ξein + ξbin , (4.4.19)
∆n
où
"Z Z ÃZ Z
i∆n i∆n s s
1
ξbin = √ (bs − b(i−1)∆n ) ds + be0 u du + (e
σu − σ
e(i−1)∆n ) dWu
∆n (i−1)∆n (i−1)∆n (i−1)∆n (i−1)∆n

Z Z Z ! #
s s
+ (vu − v(i−1)∆n ) dVu + e
(δ(u−, e − 1)∆n , x)) (µ − ν)(du, dx)
x) − δ((i dWs ,
(i−1)∆n (i−1)∆n R

p Z i∆n
1 £
ξein = ∆n b(i−1)∆n + √ σ
e(i−1)∆n (Ws − W(i−1)∆n ) + v(i−1)∆n (Vs − V(i−1)∆n )
∆n (i−1)∆n
Z Z #
s
+ e − 1)∆n , x)(µ − ν)(du, dx) dWs .
δ((i
(i−1)∆n R

Dans ce qui suit, on va montrer que

½ ¾
∂f
E ξein ((i − 1)∆n , βin ) |F(i−1)∆n = 0. (4.4.20)
∂x

Comme l’application x → ∂f
∂x (ω, s, x) est impaire, on a clairement que
½ ¾
∂f
E b(i−1)∆n ((i − 1)∆n , βin ) |F(i−1)∆n = 0.
∂x

68
Toujours à cause de l’imparité de ∂f
∂x , on a :
( ÃZ ! )
i∆n
∂f
E σ e(i−1)∆n (Ws − W(i−1)∆n ) dWs ((i − 1)∆n , βin ) |F(i−1)∆n = 0.
(i−1)∆n ∂x

Considérons la tribu
0
© ª
Fi∆ n
= σ F(i−1)∆n ; (Ws − W(i−1)∆n )(i−1)∆n ≤s≤i∆n .

Vu que W est indépendant de V et de µ, on a :

(ÃZ Ã Z Z ! !
i∆n s
E v(i−1)∆n (Vs − V(i−1)∆n ) + e − 1)∆n , x)(µ − ν)(du, dx)
δ((i ds
(i−1)∆n (i−1)∆n R

¾
∂f
× ((i − 1)∆n , βin ) |F(i−1)∆n = 0,
∂x
d’où (4.4.20).
D’après ce qui précède, pour finir la preuve du lemme, il nous reste à montrer que
[t/∆n ] ½¯ ¯ ¾
p X ¯ n ∂f ¯
∆n E ¯¯ξbi ((i − 1)∆n , βi )¯¯ |F(i−1)∆n −→u.c.p. 0,
n
(4.4.21)
∂x
i=1

Par les inégalités de Hölder et de Burkholder-Davis-Gundy, on voit que

" Z i∆n
¡
bn 2
E{( ξi ) } ≤ K ∆n + 3
|bs − b(i−1)∆n |2 + |e e(i−1)∆n |2 + |vs − v(i−1)∆n |2
σs − σ
(i−1)∆n
Z ¯ ¯2 ¶ ¸
¯e e ¯
+ ¯δ(s−, x) − δ((i − 1)∆n , x)¯ F (dx) ds .
R
½¯ ¯2 ¾
¯ ∂f n ¯
Vu que E ¯ ∂x ((i − 1)∆n , βi )¯ ≤ K, et par un usage répété de l’inégalité de Hölder,
on a
[t/∆n ] ½¯
X ¯ ¾
p ¯ n ∂f ¯
∆n ¯
E ¯ξi b n ¯
((i − 1)∆n , βi )¯ |F(i−1)∆n ≤ Kt∆n
∂x
i=1
" (Z
[t/∆n ]∆n ¡
1/2
+ Kt E |bs − b[s/∆n ]∆n |2 + |e e[s/∆n ]∆n |2 + |vs − v[s/∆n ]∆n |2
σs − σ
0
Z ¯ ¯2 ¶ ¾¸1/2
¯e e ¯
+ ¯δ(s−, x) − δ([s/∆n ]∆n , x)¯ F (dx) ds ,
R

e, v et de δe en s, cette
Par le théorème de Lebesgue et les propriétés de continuité de b, σ
dernière quantité tend vers 0 quand n → ∞, d’où (4.4.21). 2

69
Lemme 4.4.5 Supposons (LM1 ) vérifiée. Soit f , une fonction de Ω × R+ × R dans R,
optionnelle et telle que l’application x → f (ω, s, x) soit paire et dérivable. On suppose que
f et ∂f ∂f
∂x sont bornées et que ∂x est équicontinue en x. Alors

[t/∆n ] ½µ µ ¶ ¶ ¾
p X ∆ni X
∆n E f (i − 1)∆n , √ − f ((i − 1)∆n , βi ) |F(i−1)∆n −→u.c.p. 0
n

i=1
∆n

quand n → ∞.

Preuve : Rappelons (4.4.9) et posons

Z t Z t
Yt := Y0 + b00s ds + σs dWs .
0 0

Soit maintenant (εn ) une suite qu’on choisira dans la suite et qui vérifie :

∀ n, εn ∈ ]0, 1], et εn → 0 quand n → ∞.

On pose En = {x ∈ R, γ(x) > εn }. Il suit que

Z i∆n Z
∆ni X ∆n Y 1
√ − βin = √i − βin + √ δ(s−, x) µ(ds, dx).
∆n ∆n ∆n (i−1)∆n c
En

Z i∆n Z
1
+√ δ(s−, x) µ(ds, dx).
∆n (i−1)∆n En

On notera pour la suite :

Z i∆n Z
1
ζin (1) = √ δ(s−, x) µ(ds, dx).
∆n (i−1)∆n En
Z i∆n Z
1
ζin (2) = √ δ(s−, x) µ(ds, dx).
∆n (i−1)∆n c
En

Il suit (en utilisant (4.4.12)) que

3
X
Lni := Lni (j) (4.4.22)
j=1

où
µ ¶ µ ¶
∆ni X ∆ni X
Lni (1) = f (i − 1)∆n , √ − f (i − 1)∆n , √ n
− ζi (1) ,
∆n ∆n
µ ¶ µ ¶
n ∆ni X n ∆ni Y
Li (2) = f (i − 1)∆n , √ − ζi (1) − f (i − 1)∆n , √ ,
∆n ∆n
µ ¶
∆n Y
Lni (3) = f (i − 1)∆n , √i − f ((i − 1)∆n , βin ) .
∆n

70
Etape 1 : Dans cette étape nous voulons estimer
[t/∆n ]
p X © ª
∆n E Lni (1) |F(i−1)∆n .
i=1

∂f
Vu que f est C 1 en x et que f et ∂x sont bornées, on a

|f (ω, s, x) − f (ω, s, x + y)| ≤ K(1 ∧ |y|).

Il suit que
[t/∆n ] [t/∆n ]
p X © ª p X © ª
∆n E |Lni (1)| |F(i−1)∆n ≤ K ∆n E (1 ∧ |ζin (1)|) |F(i−1)∆n
i=1 i=1

Posons Z Z
i∆n
n 1
ζ 0 i (1) = √ γ(x) µ(ds, dx).
∆n (i−1)∆n En
PN
Pour chaque n fixé, ζ 0 ni (1) est une variable aléatoire qui s’écrit : ζ 0 ni (1) = j=1 Zj où
les Zj sont des variables indépendantes et identiquement distribuées et vérifient E{Z1 } =
1
R γ(x)
F (En ) En ∆n F (dx) et où N est une variable de Poisson de paramètre ∆n F (En ). Il suit
√
que
E{(1 ∧ |ζin |)} ≤ P {N ≥ 1} = 1 − e∆n F (En ) ≤ ∆n F (En ) ≤ K∆n ε−1 n .

On en déduit que
[t/∆n ]
p X
∆n E {|Lni (1)|} ≤ Kt∆1/2 −1
n εn . (4.4.23)
i=1

Etape 2 : Dans cette étape, nous estimons

[t/∆n ]
p X © ª
∆n E Lni (2)|F(i−1)∆n .
i=1

Posons :
Z
θ(y) = |γ(x)| F (dx), il suit que θ(y) → 0 quand y → 0,
{|γ(x)|≤y}

et
[t/∆n ] [t/∆n ]
p X p X
n
∆n E {|Li (2)|} ≤ K ∆n E {|ζin (2)|} ≤ Ktθ(εn ). (4.4.24)
i=1 i=1

Etape 3 : D’après (4.4.22) ainsi que les deux étapes précédentes, en particulier (4.4.23)
et (4.4.24), on a
[t/∆n ] h i p [t/∆n ]
p X ¯ © ª¯ X ¯ © ª¯
∆n ¯E Lni |F(i−1)∆ ¯ ≤ Kt ∆1/2
n ε −1
n + θ(εn ) + ∆n
¯E Lni (3) |F(i−1)∆ ¯ .
n n
i=1 i=1

71
D’après le lemme 4.4.4, on a
[t/∆n ]
p X ¯ © ª¯
∆n ¯E Lni (3) |F(i−1)∆ ¯ −→u.c.p. 0, quand n → ∞.
n
i=1

1/4
Ensuite on choisit εn = (1 ∧ ∆n ) et on voit que
[t/∆n ]
p X ¯ © ª¯
∆n ¯E Lni |F(i−1)∆ ¯ −→u.c.p. 0, quand n → ∞,
n
i=1

ce qui termine la preuve. 2

Rappelons le mouvement brownien auxiliaire W introduit dans la sous-section 4.2.1.

Lemme 4.4.6 Supposons (LM1 ) vérifée et soit f : Ω × R+ × R → R, une fonction

optionnelle, vérifiant l’hypothèse (K(R)) et telle que x → f (ω, s, x) soit paire. Alors
[t/∆n ]
p X £ © ª¤
∆n f ((i − 1)∆n , βin ) − E (f ((i − 1)∆n , βin )) |F(i−1)∆n
i=1

converge stablement en loi vers le processus

Z t ½q ¾
¡ ¢2
2
ρσs− (f (s−, .)) − ρσs− (f (s−, .)) dW s .
0

Preuve Posons
p £ © ª¤
ξin = ∆n f ((i − 1)∆n , βin ) − E (f ((i − 1)∆n , βin )) |F(i−1)∆n .

On a clairement
E{ξin |F(i−1)∆n } = 0. (4.4.25)
Ensuite,
n o ³ ¡ ¢ ´
E (ξin )2 |F(i−1)∆n = ∆n ρσ(i−1)∆n f ((i − 1)∆n , .)2 − ρσ(i−1)∆n (f ((i − 1)∆n , .))2 .

Il suit comme pour le lemme 4.4.1 que

[t/∆n ]
X n o Z t³ ´
n 2
¡ ¢
E (ξi ) |F(i−1)∆n → u.c.p.
ρσs− f (s−, .)2 − ρσs− (f (s−, .))2 ds. (4.4.26)
i=1 0

Vu que f est à croissance au plus polynomiale, on a, pour tout ε > 0 :

[t/∆n ]
X
E{(ξin )2 1{|ξin |>ε} |F(i−1)∆n } ≤ Ktε−1/2 ∆1/4
n . (4.4.27)
i=1

72
Remarquons que, comme f est paire en x, on a :
© ª
E ξin ∆ni W |F(i−1)∆n = 0. (4.4.28)

Soit N une martingale orthogonale à W . On veut montrer que

E{ξin ∆ni N |F(i−1)∆n } = 0

et pour cela on s’inspire de ce qui a été fait dans la preuve de la proposition 4.1 de [3].
Soit
Mt := E{ξin |Ft } définie pour t ≥ (i − 1)∆n .
M est une martingale par rapport à la filtration engendrée par F(i−1)∆n et par le processus
(Wt − W(i−1)∆n )t≥(i−1)∆n . Par le théorème de représentation des martingales, il existe un
processus prévisible (η n ) telle que
Z t
Mt = M(i−1)∆n + ηsn dWs .
(i−1)∆n

On a alors que (Mt − M(i−1)∆n )(Nt − N(i−1)∆n ) est une martingale ( car W et N sont
orthogonales ), donc

E{ξin ∆ni N |F(i−1)∆n } = E{Mi∆n ∆ni N |F(i−1)∆n } = E{∆ni M ∆ni N |F(i−1)∆n } = 0. (4.4.29)

Grâce à (4.4.25), (4.4.26), (4.4.28), (4.4.27) et (4.4.29) les hypothèses du théorème IX-7-28
de [8] sont vérifiées d’où le lemme 4.4.6.
Enonçons un dernier lemme pour terminer cette partie.

Lemme 4.4.7 Supposons (LM1 ) vérifiée et soit f une fonction de Ω × R+ × R dans R,

optionnelle et telle que :
• la fonction x → f (ω, s, x) est dérivable,
• ∂f
∂x est localement équicontinue sur R (au sens de la définition (3.1.1)) et est à
croissance p-polynomiale
• On suppose également que pour tout T > 0, il existe une constante K, des réels
α > 12 et p ≥ 0 tels que :

|f (ω, s, x) − f (ω, t, x) | ≤ K|t − s|α [ 1 + |x|p ].

Alors
 
[t/∆n ]
X Z t
1  © ª
√ ∆n E (f ((i − 1)∆n , βin )) |F(i−1)∆n − ρσs− (f (s−, .)) ds →u.c.p. 0
∆n i=1 0

(4.4.30)
quand n → ∞.

Preuve Le côté gauche de (4.4.30) vaut

[t/∆n ] Z i∆n h i Z t
1 X 1
√ ρσ(i−1)∆n (f ((i − 1)∆n , .)) − ρσs− (f (s−, .)) ds + √ ρσ (f (s−, .)) ds.
∆n i=1 (i−1)∆n ∆n [t/∆n ]∆n s−

73
Vu que f est à croissance au plus polynomiale et que σ est borné, il est évident que
Z t p
1
√ |ρσs− (f (s−, .))| ds ≤ K ∆n .
∆n [t/∆n ]∆n

Par ailleurs,
[t/∆n ] Z i∆n h i
1 X
√ ρσ(i−1)∆n (f ((i − 1)∆n , .)) − ρσs− (f (s−, .)) ds =
∆n i=1 (i−1)∆n
[t/∆n ] Z i∆n h i
1 X
√ ρσ(i−1)∆n (f ((i − 1)∆n , .)) − ρσs− (f ((i − 1)∆n , .)) ds +
∆n i=1 (i−1)∆n
[t/∆n ] Z i∆n
1 X £ ¤
√ ρσs− (f ((i − 1)∆n , .)) − ρσs− (f (s−, .)) ds.
∆n i=1 (i−1)∆n

D’après nos hypothèses sur f , on a clairement que :

[t/∆n ] Z i∆n
1 X
√ |ρσ (f ((i − 1)∆n , .)) − ρσs− (f (s−, .))| ds ≤ Kt∆α−1/2
n .
∆n i=1 (i−1)∆n s−

Il reste donc à montrer que

[t/∆n ] Z i∆n h i
1 X
Utn := √ ρσ(i−1)∆n (f ((i − 1)∆n , .)) − ρσs− (f ((i − 1)∆n , .)) ds →u.c.p. 0.
∆n i=1 (i−1)∆n

Comme f est C 1 , il en est de même de l’application y → ρy (f (s, .)). En posant

0 ∂ρy (f (ω, (i − 1)∆n , .))

Fn,i (ω, y) := ρy (f (ω, (i − 1)∆n , .)) et Fn,i (y) = ,
∂y
P3
on a Utn = − n
j=1 Ut (j), où
"
[t/∆n ] Z i∆n
ÃZ ! #
1 X s
Utn (1) = √ e0 0
bu du ds Fn,i (σ(i−1)∆n ),
∆n i=1 (i−1)∆n (i−1)∆n
"
[t/∆n ] Z i∆n
ÃZ Z s−
1 X s
Utn (2) = √ σ
eu− dWu + vu− dVu
∆n i=1 (i−1)∆n (i−1)∆n (i−1)∆n
Z s− Z ! #
+ e
δ(u−, 0
x) (µ − ν)(du, dx) ds Fn,i (σ(i−1)∆n ),
(i−1)∆n R
"
[t/∆n ] Z
1 X i∆n ¡
Utn (3) = √ Fn,i (σs− ) − Fn,i (σ(i−1)∆n )
∆n i=1 (i−1)∆n
0
¢ ¤
−(σ(i−1)∆n − σs− )Fn,i (σ(i−1)∆n ) ds .

74
 0 (σ ) sont bornés, il n’est pas difficile de voir que |U n (1)| ≤ Kt∆1/2 d’où
Vu que ebs et Fn,i s t n
Utn (1) →u.c.p 0.
Le processus Utn (2) est une martingale par rapport à la filtration (F[t/∆n ]∆n ) dont
l’espérance du crochet en t est plus petit que Kt∆n pour une certaine constante K. On
en déduit par l’inégalité de Doob que Utn (2) →u.c.p 0.
Par ailleurs, par la formule de Taylor,on a
[t/∆n ] Z i∆n
1 X
Utn (3) =√ ζin (s) ds,
∆n i=1 (i−1)∆n

où
ζin (s) := (σs− − σ(i−1)∆n )(Fn,i
0
(σin (s)) − Fn,i
0
(σ(i−1)∆n )) (4.4.31)
et où σin (s) est entre σ(i−1)∆n et σs− .
Soit U une variable gaussienne standard. On note par K une borne supérieure pour
|σ| et par K 0 une constante assez grande. Soit A et ε, deux réels positifs et arbitraires. On
a d’après (4.4.31),
"µ ½ ¾¶1/2 #
A |σ s− − σ(i−1)∆ | AG t (Aε, KA)
|ζin (s)| ≤ K 0 P U> + n
+ |σs− − σ(i−1)∆n |.
K ε K

où on a posé,
½ ¾
∂f ∂f
Gt (ε, A) = sup | (ω, s, x) − (ω, s, y)|, s ≤ t; |x|, |y| ≤ A; |x − y| ≤ ε .
∂x ∂x

Sous nos hypothèses sur f , on a que Gt (ε, A) → 0 quand ε → 0 alors que sous (LM1 ) on
montre que :
E{|σt − σs |2 } ≤ K 0 |t − s|.
On en déduit que
[t/∆n ] Z i∆n
"µ ½ ¾¶1/2 √ #
1 X A ∆ n AG t (Aε, KA)
√ E{|ζin (s)|} ds ≤ K 0 t P U > + + ,
∆n i=1 (i−1)∆n K ε K

Faisant tendre n vers l’infini, ε vers 0 et A vers l’infini, on a

Utn (3) −→u.c.p. 0

quand n → ∞.

75
Preuve des Théorèmes 4.2.1 et 4.2.2

Nous prouverons simultanément les deux théorèmes.

√ P[t/∆ ] h ³ ´ © ªi 
∆n X 
∆n i=1 n f (i − 1)∆n , √i∆ − E f ((i − 1)∆n , βin )|F(i−1)∆n = 

n 

√ P[t/∆ ] ³ ³ ´ 

∆n X 

∆n i=1 n f (i − 1)∆n , √i∆ − f ((i − 1)∆n , βin ) 

n³ ³ ´ n ´ o ´ 

∆n X
− E f (i − 1)∆n , √i∆ − f ((i − 1)∆n , βin ) |F(i−1)∆n
n 

√ P[t/∆n ] © ¡ ¢ª 

+ ∆n i=1 f ((i − 1)∆n , βin ) − E f ((i − 1)∆n , βin ) |F(i−1)∆n 




√ P[t/∆ ] n ³ ³ ∆n X
´ ´ o 


+ ∆n i=1 n E f (i − 1)∆n , √i∆ − f ((i − 1)∆n , βin ) |F(i−1)∆n . 
n
(4.4.32)
Notons en premier lieu que
[t/∆n ] µ
µ ¶
p X ∆ni X
∆n f (i − 1)∆n , √ − f ((i − 1)∆n , βin ) −
i=1
∆ n
½µ µ n
¶ ¶ ¾¶
∆i X n
E f (i − 1)∆n , √ − f ((i − 1)∆n , βi ) |F(i−1)∆n
∆n
est une martingale par rapport à la filtration (F[t/∆n ]∆n )t≥0 dont le crochet prévisible est
inférieure à
[t/∆n ]
(· µ ¶ ¸2 )
X ∆ni X n
∆n E f (i − 1)∆n , √ − f ((i − 1)∆n , βi ) |F(i−1)∆n
i=1
∆n
et cette dernière quantité converge u.c.p. vers 0 par le Lemme 4.4.3.
D’après le lemme 4.4.6, la suite de processus
[t/∆n ]
p X © ¡ ¢ª
∆n f ((i − 1)∆n , βin ) − E f ((i − 1)∆n , βin ) |F(i−1)∆n
i=1
converge stablement en loi vers le processus
Z t (r ³ ´
)
2 ¡ ¢2
ρσs− f (s−, .) − ρσs− (f (s−, .)) dW s .
0

D’après les lemmes 4.4.4 et 4.4.5 quand X est continue, respectivement discontinue (et
sous les hypothèses du théorème 4.2.1, resp. 4.2.2), on a
p [t/∆n ]
X ½µ µ ¶ ¶ ¾
∆ni X
∆n E f (i − 1)∆n , √ − f ((i − 1)∆n , βi ) |F(i−1)∆n →u.c.p. 0.
n

i=1
∆ n

Ce qui montre la partie A des deux théorèmes. La partie B en découle en appliquant le

lemme 4.4.7.
On a ainsi démontré les théorèmes sous les hypothèses renforcées. Le passage au cas
général se fait par une ”délocalisation”, comme on l’a fait à la fin de la preuve du théorème
3.2.1.

76
4.4.3 Preuve des Théorèmes 4.3.3 et 4.3.4

Préliminaires

Comme on l’a fait avec les hypothèses (H2 ) ou (LM1 ) au début de la section 4.4.2, on
renforce l’hypothèse (N2 ) de la façon suivante
Hypothèse (LN2 ) : On suppose (N2 ) vérifiée. De plus, les processus b0 , σ 0 , bb, σ
b, vb, Z,
sont uniformément bornés de même que les processus
Z µ ¶ 1+d Z ³
X ´
0
(ω, t) → b 2
sup (1 ∧ ||δ(ω, s, x)|| ) F (dx) et (ω, t) → 1 ∧ |δ j (ω, t, x)|2 F (dx).
R s≤t j=2 R

Les fonctions (γk ) ne dépendent pas de k : γk = γ et vérifient

Z
|γ(x)| ≤ K, et γ(x) F (dx) < ∞.
R

2
0
Rappelons que σ 1 est le premier vecteur ligne du processus σ 0 . Commençons par un
premier lemme qui nous permettra d’estimer la quantité
 
[t/∆n ]
X © ¡ Z t
1  ¢ ª
√ ∆n E f Z(i−1)∆n , βin |F(i−1)∆n − ρσ0 1 (g (Zs , .)) ds  ,
∆n i=1 0 s−

où
m
X 0 1,j ∆ni W j
βin = σ(i−1)∆ √ .
j=1
n
∆n

Lemme 4.4.8 Supposons (LN2 ) vérifiée et soit g : Rd+1 → R, C 1 et telle que pour tout
compact K de Rd , il existe une constante K = K(K) et un réel positif p vérifiant
 
¯¯ ∂g ¯
¯ Xd ¯
¯ ∂g
¯
¯
sup ¯¯ (z, x)¯¯ + ¯ ¯ p
¯ ∂z j (z, x)¯  ≤ K [1 + |x| ]
z∈K  ∂x
j=1

alors
 
[t/∆n ]
X © ¡ Z t
1  ¢ ª
√ ∆n E g Z(i−1)∆n , βin |F(i−1)∆n − ρσ0 1 (g (Zs , .)) ds  −→u.c.p. 0.
∆n i=1 0 s−

Preuve : On a
 
[t/∆n ]
X © ¡ Z t
1  ¢ ª
√ ∆n E g Z(i−1)∆n , βin |F(i−1)∆n − ρσ0 1 (g (Zs , .)) ds  =
∆n i=1 0 s−

77
 [t/∆n ] Z i∆n
X · ¸
1
√ ρ 01 (g(Z(i−1)∆n , .)) − ρσ0 1 (g(Z(i−1)∆n , .)) ds +
∆n i=1 (i−1)∆n σ(i−1)∆n s

[t/∆n ] Z i∆n h i
1 X
√ ρσ0 1 (g(Z(i−1)∆n , .)) − ρσ0 1 (g(Zs , .)) ds.
∆n i=1 (i−1)∆n s s

Dans la preuve du lemme 4.4.7, nous avons montré que

[t/∆n ] Z i∆n
X · ¸
1
√ ρσ0 1 (g(Z(i−1)∆n , .)) − ρσ0 1 (g(Z(i−1)∆n , .)) ds →u.c.p. 0
∆n i=1 (i−1)∆n (i−1)∆n s

quand n → ∞. Il suffit donc de prouver que ici que

[t/∆n ] Z i∆n h i
1 X
√ ρσ0 1 (g(Z(i−1)∆n , .)) − ρσ0 1 (g(Zs , .)) ds −→u.c.p. 0
∆n i=1 (i−1)∆n s s

et cela se fait comme on l’a fait pour le terme

[t/∆n ] Z i∆n h i
1 X
√ ρσ0 1 (g(Z(i−1)∆n , .)) − ρσ0 1 (g(Zs , .)) ds
∆n i=1 (i−1)∆n s s

dans la preuve du lemme 4.4.7 avec Z jouant le rôle de σ. 2

Preuve des théorèmes 4.3.3 et 4.3.4

La preuve de ces théorèmes est juste une conséquence de la partie A des théorèmes
4.2.1 et 4.2.2 et du Lemme 4.4.8, etd’une procédure de ”délocalisation”.

4.5 Généralisation aux subdivisions non régulières

Comme on l’a fait pour la section 3.5 du chapitre 3, dans cette section, on va étendre les
résultats obtenus aux subdivisions non régulières. Les notations et hypothèses concernant
les subdivisions
¡ sont les mêmes que celles utilisées ¢ dans la section 3.2. On rappelle à ce
propos que π n = {0 = tn0 , tn1 , · · · , tni−1 , tni , · · ·} est une suite de subdivisions fixée de R+
dont le pas tend vers 0. Dans toute la section, f désigne une fonction de Ω × R+ × R
dans R, X une semimartingale réelle, Z un processus d-dimensionnel enfin g désigne une
fonction de Rd+1 dans R.

Théorème 4.5.1 A. Supposons que f et X vérifient les hypothèses du théorème 4.1.2

alors on a
à ! Z
X Xtni − Xtni−1 t
(tni − tni−1 )f tni−1 , pn u.c.p
→ ρσs (f (s−, .)) ds. (4.5.1)
ti − tni−1 0
{i: i≥1; tn
i ≤t}

78
 B. Si f, X et Z vérifient les hypothèses du théorème 4.3.1, alors,
à ! Z t
X X tn − Xtn
n n i i−1 u.c.p
(ti − ti−1 )g Zti−1 , p n
n → ρσs (g(Zs− , .)) ds. (4.5.2)
n
ti − tni−1 0
{i: i≥1; ti ≤t}

On peut à présent passer aux théorèmes centraux limites. On rappelle que W est un
mouvement brownien défini sur une extension de l’espace de départ (voir le début de la
section 4.2).

Théorème 4.5.2 Si f et X vérifient les hypothèses de la partie A du théorème 4.2.1 ou

si f et X vérifient les hypothèses de la partie A du théorème 4.2.2, alors, on a :
" Ã ! ( Ã !¯ )#
X q X n − Xt n W n − Wtn ¯
t t ¯
tni − tni−1 f tni−1 , pi n n
i−1
− E f tni−1 , σtni−1 p in n
i
¯ Ftni−1
n
t i − t i−1 t i − t i−1
¯
{i: i≥1; ti ≤t}

converge stablement en loi vers le processus

Z t q
Lt = ρσs− (f 2 (s−, .)) − [ρσs− (f (s−, .))]2 dW s .
0
1
Si de plus, il existe un processus Γ localement borné, des réels α > 2 et p ≥ 0 tels que
pour tout T > 0 on ait :

|f (ω, s, x) − f (ω, t, x) | ≤ ΓT |t − s|α [ 1 + |x|p ], ∀ s, t ≤ T,

alors :
 µ ¶ 
n
Xtn −Xtn R tni
X  (ti − tni−1 )f n √ i
ti−1 , tn −tn i−1
− tn ρσs− (f (s−, .)) ds 
i−1
 i
pn
i−1

 ti−1 − tin 
{i: i≥1; tn
i ≤t}

converge stablement en loi vers L.

Théorème 4.5.3 Supposons que f, X et Z vérifient les hypothèses du théorème 4.3.3 ou

les hypothèses du théorème 4.3.4, alors, la suite de processus
 µ ¶ 
n n
Xtn −Xtn R tni
√ i i−1
 (ti − ti−1 )g Zti−1 , tni −tni−1 − tni−1 ρσs−
n 0 1 (g(Zs− , .)) ds
X 
 p 
 n n
ti−1 − ti 
n
{i: i≥1; ti ≤t}

converge stablement en loi vers le processus

Z t q
0
Lt := ρσ0 1 (g(Zs , .)2 ) − ρσ0 1 (g(Zs , .))2 dW s .
s− s−
0

Les théorèmes énoncés dans cette section se prouvent de façon la même manière que
les théorèmes des sections précédentes.

79
Chapitre 5

Etude de la convergence du
produit de deux fonctionnelles de
semimartingales

Dans ce chapitre, nous étudions la convergence des processus

[t/∆n ]
X µ ¶ µ ¶
∆n X ∆n Y
Utn = ∆n f (i − 1)∆n , √i g i∆n , √i+1 (5.0.1)
i=1
∆n ∆n

où X et Y sont des semimartingales, f et g des fonctions de Ω × R+ × R dans R, et (∆n )

est une suite qui tend vers 0 quand n → ∞.

5.1 Loi des grands nombres

5.1.1 Hypothèses et Notations

On considère une base stochastique (Ω, F, Ft , P). Soit X et Y deux semimartingales

réelles et h, une fonction de troncation sur R. On pose h0 (x) = x − h(x).
Rappelons les notations utilisées dans (4.3.1) : pour tout entier m ≥ 1, on note h(m)
0
et h (m) les fonctions définies sur Rm par
   0 
h h
 h   h0 
   
 .  0 (m)  . 
h (m) 
=  , h 
=  .
. . 
   
 .   . 
h h0

On fixe désormais h et sauf mention contraire, on notera ainsi les fonctions de troncation
sur Rm dans tout le chapitre.

80
 Notre première hypothèse n’est rien d’autre qu’une version 2-dimensionnelle de l’hy-
pothèse (H2 ) introduite à la section 4.1 du chapitre 4. Pour être plus précis, on a :
Hypothèse (H4 ) Le couple (X, Y ) peut s’écrire sous la forme :
µ ¶ µ ¶
Xt X0 Rt Rt RtR
= + 0 bs ds + 0 σs− dWs + 0 R2 h(2) (δ(s, x)) (µ − ν)(ds, dx)
Yt Y0
R t R 0 (2)
+ 0 R h (δ(s, x))µ(ds, dx)

où
• b est un processus à valeurs dans R2 , prévisible, localement borné. σ est un processus
càdlàg, adapté, prenant ses valeurs dans l’espace des matrices de dimension 2 × m.
• W est un mouvement brownien de dimension m. µ est une mesure aléatoire de
Poisson sur R+ × R.
• ν est la mesure compensatrice µ, elle s’écrit : ν(ds, dx) = F (dx)ds où F est une
mesure σ-finie sur R.
• δR : ¡Ω × R+ × R → 2
2
¢ R est une application prévisible telle que le processus
R 1 ∧ ||δ(s, x)|| F (dx) soit localement borné.
2
Si (H4 ) est vérifié, on désigne par σ i , i = 1, 2 la i ième ligne de la matrice σ.

Définition 5.1.1 Soit m un entier non nul. Soit m vecteur aléatoire V de dimension m,
suivant la loi normale N (0, Id(m)) où Id(m) est la matrice identité d’ordre m, on notera
ρ sa distribution sur Rm . Pour tout vecteur ligne y de dimension m et toute application
borélienne φ : R → R, on notera :
Z
ρ(φ(y.)) := E(φ(yV )) = φ(yx) ρ(dx), (5.1.1)
Rm

où yx est le produit de la matrice y avec la matrice x. Notons que ρ dépend de m.

Soit g une fonction de Ω × R+ × R dans R, pour A , t ≥ 0 et ε > 0, on définit :

Ggt (ε, A) = sup { |g(s, x + y) − g(s, x)|, |x| ≤ A; |y| ≤ ε; s ≤ t } (5.1.2)

et

Kth (ε, A) = sup { |g(s + ε, x) − g(s, x)|, |x| ≤ A; 0 ≤ s < t }. (5.1.3)

Sous (H4 ), on pose :
m
X m
X
1,j ∆ni W j n 2,j ∆ni+1 W j
βin := σ(i−1)∆ √ , et β0i := σ(i−1)∆ √ . (5.1.4)
j=1
n
∆n j=1
n
∆n

81
5.1.2 Résultats

On rappelle l’hypothèse (K(R)) introduit à la section (3.1) du chapitre 3.

Théorème 5.1.2 Supposons (H4 ) vérifiée et soit f et g deux fonctions optionnelles et à

croissance respectivement p et p0 polynomiale. On suppose que l’une des conditions sui-
vantes est satisfaite
• p, p0 ∈ [0, 2[,
• X continu et p0 ∈ [0, 2[,
• Y continu et p ∈ [0, 2[,
• X et Y sont continues.
On suppose de plus que f et g vérifient K(R) et que
n o
f g
E Gt (ε, A)} + Gt (ε, A) −→ 0 quand ε → 0, ∀ A, t ≥ 0.

Alors, la suite de processus

[t/∆n ] h
X µ ¶ µ ¶
0n ∆ni X ∆ni+1 Y
Ut = ∆n f (i − 1)∆n , √ g i∆n , √
i=1
∆n ∆n
¡ ¡ i
n¢ ¡ n ¢¢
−f ((i − 1)∆n , βin ) g (i − 1)∆n , β 0 i − g i∆n , β 0 i .

converge u.c.p. vers le processus

Z t
1 2
Ut := ρ(f (s−, σs− .))ρ(g(s−, σs− .)) ds (5.1.5)
0
quand n → ∞.
Si de plus,
E {K g (∆n , A)t } −→ 0 ∀ A, t ≥ 0, (5.1.6)
quand n → ∞, alors les processus Un définies dans (5.0.1) vérifient
U n −→u.c.p. U.

Dans le corollaire suivant, on donne une autre version du théorème précédent avec des
hypothèses certes plus fortes mais qui ont l’avantage de simplifier l’énoncé.

Corollaire 5.1.3 On suppose que H4 est vérifiée et que f et g sont optionnelles et à crois-
sance respectivement p et p0 polynomiale. On suppose également que l’une des hypothèses
suivantes soit réalisée :
• p, p0 ∈ [0, 2[,
• X continu et p0 ∈ [0, 2[,
• Y continu et p ∈ [0, 2[,
• X et Y sont continus.
On suppose de plus que f est localement équicontinue sur R ( au sens de la définition
3.1.1) et qu’elle admet des limites à gauche en s et que l’application (s, x) → g(ω, s, x) est
continue sur R+ × R. Alors,
U n −→u.c.p. U

82
5.1.3 Etude de la Convergence avec une fonction auxiliaire

L’hypothèse (5.1.6) du théorème (5.1.2) étant trés restrictive du point de vue pratique,
on se propose comme on l’a déjà fait dans les chapitres antérieurs d’étudier le cas particulier
où la fonction g s’écrit sous la forme :

g(ω, s, x) = g 0 (Z(ω), x),

où g 0 est une fonction définie sur Rd+1 pour d ∈ N et où Z et un processus d-dimensionnel.
Le premier résultat (du type loi des grands nombres) n’est rien d’autre qu’une appli-
cation du théorème 5.1.2. Pour l’énoncer nous avons besoin de supposer que Z comme X
et Y soit une semimartingale d’Itô ; pour être plus précis, on suppose :

Hypothèse (N3 ) : Le triplet (X, Y, Z) s’écrit :

   
Xt Z0 Z t Z t Z tZ
 Yt  =  X0  + 0
bs ds + 0
σs− dWs + h(d+2) (δ 0 (s, x)) (µ − ν)(ds, dx)
0 0 0 R d+2
Zt Y0
Z tZ
0
+ h (d+2) (δ 0 (s, x)) µ(ds, dx),
0 Rd+2

où
• b0 est un processus à valeurs dans Rd+2 , prévisible, localement borné .
• W est un mouvement brownien m-dimensionnel.
• σ 0 est un processus càdlàg, adapté, prenant ces valeurs dans l’espace des matrices
de dimensions (d + 2) × m
• Rδ 0 ¡: Ω × R+ × R d+2
¢ → R , est une application prévisible telle que le processus
2
R 1 ∧ ||δ(s, x)|| F (dx) soit localement borné.
2
0
Sous (N3 ), on notera par σ i la ième ligne de la matrice σ 0 .

Théorème 5.1.4 Supposons que le triplet (X, Y, Z) vérifie (N3 ) et soit f : Ω×R+ ×R →
R une application optionnelle et localement équicontinue ( au sens de la définition 3.1.1).
Soit g : Rd+1 → R une fonction continue. On suppose que f est à croissance p polynomiale
et que pour tout pour tout compact K de Rd , il existe une constante CK , un réel positif p0
tels que
0
sup |g(z, x)| ≤ CK [1 + |x|p ].
z∈K

On suppose de plus que l’une des conditions suivantes est satisfaite :

• p, p0 ∈ [0, 2[,
• X continu et p0 ∈ [0, 2[,
• Y continu et p ∈ [0, 2[,
• X et Y sont continues,

83
Alors
[t/∆n ]
X µ ¶ µ ¶ Z t ³ ´
∆n X ∆n Y 01 0
∆n f (i − 1)∆n , √i g Zi∆n , √i+1 −→u.c.p. ρ(f (s−, σs− .))ρ g(Zs , σs2 .) ds,
i=1
∆n ∆n 0

quand n → ∞.

5.2 Théorèmes centraux limite

Dans cette partie, on cherche un théorème central limite associé au théorème 5.1.2.
Pour être plus précis, on étudie les conditions sous lesquelles la suite de processus :
 
[t/∆n ] µ ¶ µ ¶ Z t
1  X ∆ni X ∆ni+1 Y
√ ∆n f (i − 1)∆n , √ g i∆n , √ − 1
ρ(f (s−, σs− 2
.))ρ(g(s−, σs− .))ds
∆n i=1
∆ n ∆ n 0

converge.

5.2.1 Hypothèses et Notations

Commençons par les hypothèses sur notre couple de semimartingales (X, Y ). L’hy-
pothèse suivante n’est rien d’autre qu’une version 2-dimensionnelle de l’hypothèse (H3 )
introduite à la section 4.2 du chapitre 4.
Hypothèse (H5 ) Le couple (X, Y ) peut s’écrire sous la forme :
µ ¶ µ ¶
Xt X0 Rt Rt RtR
= + 0 bs ds + 0 σs− dWs + 0 R2 h(2) (δ(s−, x)) (µ − ν)(ds, dx)+
Yt Y0
R t R 0 (2)
0 Rh (δ(s−, x))µ(ds, dx),

où
• b est un processus à valeurs dans R2 , càdlàg adapté,
• σ est un processus localement borné càdlàg adapté et à valeur dans l’espace des
matrices de dimension 2 × m.
• δ : Ω × R+ × R → R2 est làg en s, Fs ⊗ R-mesurable (en (ω, x)) pour tout s fixé,
de plus il existe une suite de temps d’arrêts (Tk ) croissant vers l’infini et une suite
de fonctions (γk ) définies sur R, boréliennes telles que pour tout k, on ait
Z
sup ||δ(ω, s, x)|| ≤ γk (x), et (γk (x) ∧ 1) F (dx) < ∞. (5.2.1)
s≤Tk (ω), ω∈Ω R
2
L’hypothèse qui va suivre est du même type que l’hypothèse (M1 ) de la section 4.2 du
chapitre 4. Elle porte sur le processus σ.

84
Hypothèse (M3 ) On a (H5 ) et de plus, le processus σ peut s’écrire sous la forme
Rt Rt Rt R Rt
σt = σ0 + e e x))(µ − ν)(ds, dx)
h(2m) (δ(s,
0 bs ds + 0 σ
es− dWs + 0 vs− dVs + R 0
R Rt
+
0
e
h (2m) (δ(s−, x))µ(ds, dx),
R 0

où
• eb est un processus prévisible, de dimension R2×m
• σe un processus càdlàg, adapté, prenant ces valeurs dans l’espace des tableaux de
dimensions 2 × m × m,
• V est un mouvement brownien l-dimensionnel indépendant de W ,
• v est un processus càdlàg, adapté prenant ses valeurs dans l’espace des tableaux de
dimensions 2 × m × l,
• δe est une fonction de Ω × R+ × R dans R2×m telle que pour s, l’application (ω, x) →
e s, x) soit Fs ⊗ R-mesurable. On suppose de plus que δe est càdlàg en s et le
δ(ω,
R h ³ ´i
processus R sups≤t 1 ∧ ||δ(s, e x)||2 F (dx) est localement borné.
2
Passons à présent aux hypothèses sur les fonctions. Considérons θ : Ω × R+ × R → R.
Hypothèse F (q) : On dira que θ vérifie (F (q)), s’il existe un processus localement borné
Γ et un réel α > 12 tels que

|θ(ω, s, x) − θ(ω, t, x)| ≤ ΓT [1 + |x|q ] |t − s|α , ∀ T > 0, s, t ∈ [0, T ], ∀ x ∈ R. (5.2.2)

2
Hypothèse (Dif ) On dira que θ vérifie (Dif), si :
• θ(ω, s, 0) est un processus localement borné,
• l’application x → θ(ω, s, x) est C 1 ,
∂θ
• ∂x est à croissance au plus polynomiale et est localement équicontinue sur R. 2

Hypothèse (Dif ’) On dira que θ vérifie (Dif’) si elle vérifie (Dif) et s’il existe un processus
γ localement borné tel que
½ ¯ ¯ ¾
¯ ∂θ ¯
sup |θ(ω, s, x)| + ¯ (ω, s, x)¯¯ . ≤ γs (ω),
¯
x∈R ∂x

∂0θ
où ∂x0
= θ. 2
Soit (Ω0 , F 0 , P0 ) un espace auxiliaire muni d’un mouvement brownien W . On pose
e = P ⊗ P0
e = Ω × Ω0 , Fe = F ⊗ F 0 , P
Ω
e On définit
Les processus définis sur Ω où Ω0 peuvent être considérés comme définis sur Ω.
e e
sur F la filtration (Ft ) qui est la plus petite filtration continue à droite, contenant Ft et
telle que W soit adapté.

85
 Posons :
√ P[t/∆ ] h ³ ∆n X
´ ³ ∆n Y
´ 
Vtn = ∆n i=1 n f (i − 1)∆n , √i∆ g (i − 1)∆n , √i+1 

n ∆n 

© n ª¤ 

−E f ((i − 1)∆n , βin )g((i − 1)∆n , β 0 i ) |F(i−1)∆n , 



h ³ ´ ³ ´ (5.2.3)
1 P[t/∆n ] ∆n X ∆n Y
V 0 nt = √∆ i=1 ∆n f (i − 1)∆n , √i∆ g i∆n , √i+1 ∆n



n n
i 

Rt 

− 0 ρ(f (s−, σs−1 .))ρ(g(s−, σ 2 .)) ds , 

s− 

Rappelons les notations (5.1.1). Pour tout j ∈ {1, · · · , m}, On définit la projection Pj par

Pj (y) = y j , ∀ y ∈ Rm . (5.2.4)

On définit le processus A(1) unidimensionnel et le processus A(2) qui est un vecteur ligne
de dimension m de la façon suivante
¡ ¢ ¡
1 .)2 ρ g(s−, σ 2 .)2
¢ 
A(1)s = ρ f (s−, σs− s− 
¡ ¢ ¡ ¢ ¡ ¢ 

2 1 1 2 

+ 2ρ g(s−, σs− .) ρ f (s−, σs− .) ρ f (s−, σs− .)g(s−, σs− .) 
¡ ¡ ¢¢ ¡ ¡
1 .) 2 ρ g(s−, σ 2 .) 2 ,
¢¢
− 3 ρ f (s−, σs− 

s− 

¡ ¢ ¡ ¢ ¡ ¢ ¡ ¢ 

j 1 2 2 1
A(2)s = ρ f (s−, σs− .) ρ g(s−, σs− .)Pj (.) + ρ g(s−, σs− .) ρ f (s−, σs− .)Pj (.) .
(5.2.5)
0
On définit à présent les processus M et M de la façon suivante :
Rtp )
Mt = 0 A(1)s dW s
Pm R t j j Rtp (5.2.6)
M0 t = j=1 0 A(2) s dW s + 0 A(1) s − ||A(2) s ||2 dW .
s

Remarque 5.2.1 Remarquons que si les applications x → f (s, x) et x → g(s, x) sont

paires, on a A(2)js = 0, d’où M = M0 .

Sous l’hypothèse (H5 ), on pose :

Z
bb1 = b1 − h(δ 1 (s−, x)) F (dx),
s
R

et Z
bb2 = b2 − h(δ 2 (s−, x)) F (dx).
s
R

Notons que si X est continue bb1 = b1 .

On rappelle le processus σ
e introduit dans l’hypothèse (M3 ).

Théorème 5.2.2 A. Supposons que l’hypothèse (M3 ) soit vérifiée. Soit f et g, deux
fonctions de Ω × R+ × R dans R, optionnelles, vérifiant (K(R)). On suppose que
l’une des conditions suivantes est réalisée :

86
 • X et Y sont continus, f et g vérifient l’hypothèse (Dif ).
• X continu, f vérifie (Dif ) et g vérifie (Dif ’).
• Y continu, f vérifie (Dif ’) et g vérifie (Dif ).
• f et g vérifient (Dif ’).
Alors, quand n tend vers l’infini, la suite de processus Vtn converge stablement en
loi vers le processus Mt dans les cas suivants :
A.1. Les applications x → f (ω, s, x) et x → g(ω, s, x) sont paires,
A.2. l’application x → f (ω, s, x) est paire et bb2 = σ e2,j,k ≡ 0 pour j, k ∈ {1, · · · , m}
b 1
A.3. b = σ e 1,j,k = σe 2,j,k ≡ 0, l’application x → g(ω, s, x) est paire pour j, k ∈
{1, · · · , m}.
A.4. On a bb1 = bb2 = σ e1,j,k = σ e2,j,k ≡ 0 pour j, k ∈ {1, · · · , m}.
A.5. g impaire et b = σ b2 e 2,j,k ≡ 0 pour j, k ∈ {1, · · · , m}.
B. Suppososons de plus que f et g vérifient respectivement (F (q)) et (F (q 0 )) où q
(resp. q 0 ) est un réel positif quelconque si X (resp. Y est continue) et q (resp. q 0 )
appartient à [0, 2] sinon. Alors, la suite de processus V 0 nt converge stablement en loi
vers le processus M0 t .

Remarque 5.2.3 Dans les parties A.1, A.2 et A.3 du théorème précèdent on a généralisé
les résultats de la partie A.1 et les résultats du théorème 4.2.1 aux cas des fonctions non
paires. Cette généralisation ne s’est pas faite sans restriction sur les processus. Prenons
l’exemple où g ≡ 1 les hypothèses du théorème sont vérifiées dans le cas où la fonction f
n’est pas paire ce qui impose le fait que bb1 = σ e1,k,j ≡ 0. Dans ce cas, le processus X s’écrit
m Z
X t X
Xt = X0 + σs1,j dWsj + ∆Xs .
j=1 0 0≤s≤t

On a dans ce cas
· µ ¶ Z t ¸
1 ∆ni X ¡ ¢
√ f (i − 1)∆n , √ − ρ f (s−, σs− .) ds −→ M00
1
∆n ∆n 0

stablement en loi, avec

m Z
X t ¡ ¢
M00 t = 1
ρ f (s−, σs− .)Pj (.) dWsj +
j=1 0

v
Z tu m
X
u ¡ ¢ ¡ ¡ ¢¢
2 .)2 − ρ f (s−, σ 1 .) 2 −
¡ ¡ ¢¢
1 .)P (.) 2 dW s,
+ tρ f (s−, σs− s− ρ f (s−, σs− j
0 j=1

voir (5.2.4) pour P .

5.2.2 Convergence pour le produit de deux fonctions auxiliaires

Dans cette partie, on étudie le cas particulier des fonctions qui s’écrivent sous la forme
f (ω, s, x) = f 0 (Zs (ω), x) et g(ω, s, x) = g 0 (Zs0 (ω), x) où Z et Z 0 sont des semimartingales

87
 0
respectivement d et d0 -dimensionnelle et où f 0 et g 0 sont définies sur Rd+1 et Rd +1 . Nous
commençons par faire quelques hypothèses et notations.
Hypothèse (N4 ) Le quadruplet (X, Y, Z, Z 0 ) admet une écriture sous la forme :
   
Xt X0
Z t Z t Z tZ
 Yt   Y0  0
   + 0 0
h(2+d+d ) (δ 0 (s−, x)) (µ − ν)(ds, dx)
 Zt  =  Z0  bs ds + σs dWs +
0 0 0 Rd+2
Zt0 Z00
Z tZ
0 0
+ h (2+d+d ) (δ 0 (s−, x)) µ(ds, dx), (5.2.7)
0 Rd+2

où σ est un processus progressivement mesurable, localement borné, à valeur dans l’espace
des matrices de dimension (2 + d + d0 ) × m et tel que
 0   0 
0
σt1,1 , · · · , σt1,m
0
σ01,1 , · · · , σ01,m Z t Z t Z t
  =  + ebs ds + σ
e s− dWs + vs− dVs
0 0 0 0
σt2,1 , · · · , σt2,m σ02,1 , · · · , σ02,m 0 0 0

Z Z t Z Z t
0
+ (2m)
h e x)) (µ − ν)(ds, dx) +
(δ(s, e x))µ(ds, dx),
h (2m) (δ(s,
R 0 R 0

(5.2.8)

où
• b0 et eb sont des processus prévisibles, localement bornés, à valeurs respectivement
0 0 0
dans R2+d+d et R2×m , de plus les processus b 1 et b 2 sont càglàd.
• W et V sont des mouvement browniens indépendants, de dimension respectivement
m et l.
• σ
e et v sont des processus càdlàg, adaptés, prenant leurs valeurs respectivement dans
l’espace des tableaux de dimensions 2 × m × m et 2 × m × l.
• δ 0 : Ω×R+ ×R → R2+d+d et δe : Ω×R+ ×R → R2×m , sont prévisibles, les processus
0

Z ³ ´ Z · ³ ´¸
0j 2
1 ∧ ||δ (s, x)|| F (dx), et sup 1 ∧ ||δe k1 ,k2
(s, x)||2
F (dx)
R R u≤s

sont localement bornés, où j ∈ {3, · · · , d + 2} et où k1 ∈ {1, 2} et k2 ∈ {1, · · · , m}.

On suppose de plus que δe est càdlàg en s alors que δ 1 et δ 2 admettent des limites
0 0

à gauche en s. Enfin, on suppose l’existence d’une suite de temps d’arrêt (Tk ) qui
croissent vers l’infini et une suite de fonctions boréliennes (γk ) et (φk ) telle que pour
tout k, on ait
n¯ 0 ¯ ¯ ¯o 
¯ ¯ ¯ 0 ¯
sups≤Tk (ω) ¯δ 1 (ω, s, x)¯ + ¯δ 2 (ω, s, x)¯ ≤ γk (x),  

nP o 
0
sups≤Tk (ω) 2+d+d 0 j (5.2.9)
j=3+d |δ (ω, s, x)| ≤ φk (x) 
R £ ¡ ¢¤ 

2 
R (1 ∧ γk (x)) + 1 ∧ φk (x) F (dx) < ∞.

88
Sous (N4 ), on désignera par σ j , la j ième ligne de la matrice σ. On va introduire les
versions actuelles des hypothèses (Dif) et (Dif’) de la section 5.2. Soit ψ, une fonction de
Rq+1 → R, où q ∈ N? .
Hypothèse (Diff-q) : On dira que ψ vérifie (Diff-q), si ψ est C 1 sur Rq+1 et si pour tout
compact K ∈ Rq , il existe une constante CK et un réel p positif p = p(K) tels que

supz∈K {|ψ(z, x)|} ≤ CK , 
n¯ ¯ P ¯ ¯o (5.2.10)
¯ ∂ψ ¯ ¯ ∂ψ ¯
supz∈K q
¯ ∂x (z, x)¯ + j=1 ¯ ∂z j (z, x)¯ ≤ CK [1 + |x|p ]. 
2
Hypothèse (Diff ’-q) : On dira que ψ vérifie (Diff’-q), si ψ vérifie (Diff-q) et si le réel p
qui intervient dans (5.2.10) est nul. 2
Pour toute la suite de ce paragraphe, on utilisera des fonctions
0
f : Rd+1 → R et g : Rd +1 → R.

Si elles sont suffisamment régulières, on posera

h P[t/∆ ] ³ ´ ³ ∆n
´
∆n X Y
Utn = ∆1n ∆n i=1 n f Z(i−1)∆n , √i∆ g Zi∆ 0
n
, √i+1
∆n
n

Rt i (5.2.11)
0 0
− 0 ρ(f (Zs , σs1 .))ρ(g(Zs0 , σs2 .)) ds .

Rappelons :
• le mouvement brownien W définit sur un espace auxiliaire et introduit au début du
paragraphe 5.2.1,
• la projection définie dans (5.2.4).
On rappelle également les processus A(1), A(2), M et M0 définis en (5.2.5) et (5.2.6).
On donne ici leurs versions actuelles :
³ 0
´ ³ 0
´
Π(1)s = ρ f (Zs , σs1 .)2 ρ g(Zs0 , σs2 .)2
0 0
³ 0 0
´
+ 2ρ(f (Zs , σs1 .))ρ(g(Zs0 , σs2 .))ρ f (Zs , σ 1 .)g(Zs0 , σs2 .)
³ 0
´2 ³ 0
´2
− 3 ρ(f (Zs , σs1 .)) ρ(g(Zs0 , σs2 .)) ,
³ ´ ³ ´
Π(2)js = ρ(f (Zs , σs1 .))ρ g(Zs0 , σs2 .)Pj (.) + ρ f (Zs , σs1 .)Pj (.) ρ(g(Zs0 σs2 .)).
0 0 0 0

en posant Π(2) le vecteur ligne (Π(2)1 , · · · , Π(2)m ),

Rt p 
Tt = 0 Π(1)s dW s , 
Pm0 R t Rt p (5.2.12)
T 0t = j 0j
j=1 0 Π(2)s dW s + 0 Π(1)s − ||Π(2)s ||2 dW s . 

Rappelons enfin les processus σe et a qui interviennent dans l’hypothèse (N4 ) et posons
pour r, r0 ≤ 1 : Z
1 0 0
bb0 = b 1 − h(δ 1 (s−, x)) F (dx).
R

89
et Z
2 0
bb0 = a2 − h(δ 2 (s−, x)) F (dx).
R

Théorème 5.2.4 Supposons l’hypothèse (N4 ) vérifiée et que pour tout compact K de Rd ,
il existe une constante CK telle que :

sup {|f (z, x)|} ≤ CK . (5.2.13)

z∈K

On suppose de plus que l’une des hypothèses suivantes est vérifiée

• X et Y sont continus, f vérifie (Diff-d) et g vérifie (Diff-d0 ).
• X continu, f vérifie (Diff-d) et g vérifie (Diff ’-d0 ).
• Y continu, f vérifie (Diff ’-d) et g vérifie (Diff-d).
• f vérifie (Diff ’-d) et g vérifient (Diff ’-d0 ).
Alors, U n converge stablement en loi vers le processus T 0 quand n tend vers l’infini dans
les cas suivants
A.1. Les application x → f (ω, s, x) et x → g(ω, s, x) sont paires.
2
A.2. L’application x → f (ω, s, x) est paire et bb0 = σ e2,j,k ≡ 0, ∀ j, k ∈ {1, · · · , m}.
1
A.3. L’application x → g(ω, s, x) est paire et bb0 = σ
0 0
e1,j,k = σ
e2,j,k = σ j ,k ≡ 0, pour
j, k, k 0 ∈ {1, · · · , m} et j 0 ∈ {3 + d, · · · , d + d0 + 2}.
1 2
A.4. On a bb0 = bb0 = σ
0 0
e1,j,k = σe2,j,k = σ j ,k ≡ 0, ∀ j, k, k 0 ∈ {1, · · · , m} et j 0 ∈
{3 + d, · · · , d + d0 + 2} et k 0 ∈ {1, ·, m}
2
A.5. g impaire et bb0 = σ e2,j,k ≡ 0 pour j, k ∈ {1, · · · , m}.

0
Remarque 5.2.5 La condition σ q,k ≡ 0 pour q ∈ {3 + d, · · · , 2 + d + d0 } et k ∈ {1, · · · , m}
veut dire en fait que la semimartingale Z 0 n’a pas de partie martingale continue.

5.3 Preuves

5.3.1 Preuve de la loi des grands nombres

Préliminaires

Comme on l’a déjà fait plusieurs fois dans les chapitres précédents, on renforce l’hy-
pothèse (H4 ) de la façon suivante :
R
Hypothèse LH4 : (H4 ) est vérifiée, de plus les processus bs , σs , R2 (1 ∧ |x|2 ) Fs (dx) et
∆Xs et ∆Ys sont uniformément bornés. 2
On supposera également pour le moment que tout les processus à croissance polyno-
miale le sont pour un processus Γ borné (voir la définition 4.1.1 partie A du chapitre 4
pour Γ).
Toutes les contantes seront appelées par K. f et g sont des fonctions de Ω × R+ × R
dans R, optionnelles.

90
 On commencera la preuve par quelques lemmes. Rappelons βin et β 0 ni définies dans
(5.1.4).

Lemme 5.3.1 Spuposons (LH4 ) vérifiée, que f et g vérifient (K(R)) et sont à croissance
polynomiale alors
[t/∆n ]
X © ¡ ¢ ª
∆n E f ((i − 1)∆n , βin ) g (i − 1)∆n , βi0n |F(i−1)∆n
i=1

converge u.c.p. vers le processus

Z t
¡ 1
¢ ¡ 2
¢
ρ f (s−, σs− .) ρ g(s−, σs− .) ds.
0

La preuve de ce lemme est identique à la preuve du lemme 4.4.1 du chapitre 4.

Lemme 5.3.2 Sous (LH4 ), si f et g sont à croissance polynomiale alors

[t/∆n ]
X £ n © n ª¤
∆n f ((i − 1)∆n , βin )g((i − 1)∆n , β 0 i ) − E f ((i − 1)∆n , βin )g((i − 1)∆n , β 0 i )|F(i−1)∆n
i=1

converge u.c.p. vers 0. quand n tend vers l’infini.

Preuve Posons
£ n © n ª¤
ζin = ∆n f ((i − 1)∆n , βin )g((i − 1)∆n , β 0 i ) − E f ((i − 1)∆n , βin )g((i − 1)∆n , β 0 i )|F(i−1)∆n .

Remarquons que
[t/∆n ]
X
E{ζin 2 |F(i−1)∆n } ≤ Kt∆n .
i=1
La preuve est alors juste une application du lemme 5-1 de [3]. 2

Lemme 5.3.3 Supposons que pour tout A, t > 0 positifs, on ait, avec la notation (5.1.2) :

E{Gf (ε, A)t } −→ 0, quand ε → 0.

On suppose également que f et g sont à croissance respectivement p et p0 -polynomiale. On

suppose de plus que (LH4 ) est vérifiée et que l’une des conditions suivantes est satisfaite
• p ∈ [0, 2[ et p0 ∈ [0, 2],
• X continu et p0 ∈ [0, 2],
• Y continu et p ∈ [0, 2[,
• X et Y continus.
Alors quand n tend vers l’infini,
[t/∆n ]
X µ ¶· µ ¶ ¸
∆ni+1 Y ∆ni X
∆n g i∆n , √ f (i − 1)∆n , √ − f ((i − 1)∆n , βi ) →u.c.p. 0.
n

i=1
∆n ∆n

91
 Preuve Posons
µ ¶· µ ¶ ¸
0n ∆ni+1 Y ∆ni X n
ζ i = g i∆n , √ f (i − 1)∆n , √ − f ((i − 1)∆n , βi ) .
∆n ∆n
Pour tout (ω, s, x) ∈ Ω × R+ × R on a
0
|f (ω, s, x)| ≤ K[1 + |x|p ] et |g(ω, s, x)| ≤ K[1 + |x|p ].

Vu que
½¯ µ ( " ¯ n ¯p0 # )
¯ ∆ n Y ¶¯¯ ¾
¯ ∆ X ¯
E ¯¯g i∆n , √i+1 ¯ |Fi∆n ≤ E K 1 + ¯ √i+1 ¯
¯ ¯ ∆ ¯ |Fi∆n ≤ K
∆ n n

et que sous (LH4 ), on a

E{||(Xt , Yt ) − (Xs , Ys )||2 } ≤ K|t − s|,

Il suit s’en suit que

½¯ µ ¶ ¯¾
n ¯ ∆ni X ¯
E{|ζ 0 i |} ¯
≤ K E ¯f (i − 1)∆n , √ n ¯
− f ((i − 1)∆n , βi )¯ . (5.3.1)
∆ n

Soit q un réel tel que : q > p si X est continu et q = 2 sinon. Pour tout B > 0, on
définit :
1 + |x|p
HB = K sup et LB = K[1 + B p ].
{|x|>B} |x|q
Il s’en suit que :
|f (ω,s,x)| 1+|x|p

sup{s∈R+ , |x|>B} |x|q ≤ K sup{|x|>B} |x|q = HB 
(5.3.2)

sup{s∈R+ , |x|≤B} |f (ω, s, x)| ≤ K[1 + B p ] = LB .

Il est clair que

|f (ω, s, x)| ≤ LB + HB |x|q et que lim HB = 0.

B→0

On en déduit que pour tout ε > 0 et A ≥ 0, on a

¯ µ ¶ ¯
¯ nX ¯
¯f (i − 1)∆n , ∆√i
− f ((i − 1)∆ , β n ¯
) ≤ Gf (ε, A)
¯ ∆n
n i ¯
à ! µ¯ n ¯q ¶
¯ ∆i X ¯
½¯
+ LB 1 ¯ ∆ni X n ¯ ¯ ¾ + 1{|βin |>A} + HB ¯ √ ¯ n ¯ n
− βi ¯ + |βi |q
¯√ ¯
¯ ∆n −βi ¯>ε ∆n

Il suit alors d’après (5.3.1) que

" Ã ( ¯ n ¯2 ) ½ n ¾! #
n ¯ ∆i X ¯ |β |
E{|ζ 0 i |} f
≤ K E{G (ε, A)} + LB ε −2
E 1 ∧ ¯¯ √ − βi ¯¯
n
+ E i
+ HB ,
∆n A

92
d’où
[t/∆n ]
X · ¸ [t/∆n ] ½
X ¾
n 1 ∆n X
∆n E{|ζ 0 i |} ≤ Kt E{Gf (ε, A)} + + HB + Kε−2 ∆n E 1 ∧ | √i − βin |2 .
A ∆n
i=1 i=1

En utilisant le lemme 4.1 de [8], on fait tendre successivement n vers l’infini, ε vers 0, A
puis B vers l’infini. 2

Lemme 5.3.4 Supposons (LH4 ) vérifiée

E {Gg (ε, A)t } −→ 0 quand ε → 0, ∀ A ≥ 0.

On suppose aussi que f est à croissance au plus polynomiale, g à croissance p-polynomiale

et que l’une des deux conditions suivantes soit satisfaite
• (LH4 ) vérifiée et p < 2,
• (LH4 ) vérfiée et Y continu.
Alors,
[t/∆n ]
X µ µ ¶ ¶
∆ni+1 Y 0n
∆n f ((i − 1)∆n , βin ) g i∆n , √ − g(i∆n , β i ) →u.c.p. 0
i=1
∆n

quand n → ∞.

La preuve de ce lemme est similaire à celle du lemme 5.3.3.

On va énoncer un dernier lemme dont la démonstration que nous omettons n’est pas
trés difficile. Rappelons la notation (5.1.3).

Lemme 5.3.5 Supposons (LH4 ) vérifiée. On suppose de plus que f et g sont à croissances
au plus polynomiales et que

E{K g (∆n , A)t } → 0, quand n → 0, ∀ A ≥ 0.

Alors
[t/∆n ]
X ¡ n n ¢
∆n f ((i − 1)∆n , βin ) g(i∆n , β 0 i ) − g((i − 1)∆n , β 0 i ) →u.c.p. 0,
i=1

quand n → ∞.

93
Preuve du Théorème 5.1.2

Il suffit de prouver le théorème sous les hypothèses renforcées énoncées au début de la

section 5.3.1. On pose :
P[t/∆ ] 
U n (1)t = ∆n i=1 n E{f ((i − 1)∆n , βin )g((i − 1)∆n , β 0 ni )|F(i−1)∆n }, 



P 

n [t/∆n ] n
U (2)t = ∆n i=1 [f ((i − 1)∆n , βi )g((i − 1)∆n , β i ) 0 n 



© ª¤ 

n 0 n
−E f ((i − 1)∆n , βi )g((i − 1)∆n , β i )|F(i−1)∆n , 


P[t/∆ ] ³ ∆n Y
´ h ³ ´ i
∆n X
U n (3)t = ∆n i=1 n g i∆n , √i+1 f (i − 1)∆n , √i∆ − f ((i − 1)∆n , βin ) , 

∆n n 

P ³ ³ ´ ´ 

n [t/∆n ] n
n
∆i+1 Y 0 n 

U (4)t = ∆n i=1 f ((i − 1)∆n , βi ) g i∆n , √∆ − g(i∆n , β i ) , 

n 

P [t/∆ ] n n


n n n 0
U (5) = ∆n i=1 f ((i − 1)∆n , βi ) (g(i∆n , β i ) − g((i − 1)∆n , β i )) . 0

(5.3.3)
Il est clair que
5
X
Utn = Utn (j).
j=1

On a
U n (1) −→u.c.p. U,
d’après le lemme 5.3.1. Ensuite, U n (2), U n (3) et U n (4) convergent u.c.p. vers 0 respective-
ment d’après les lemmes 5.3.2, 5.3.3 et 5.3.4. Ce qui prouve la première partie du théorème
5.1.2.
Pour la deuxième partie, il suffit de remarquer que d’après le lemme 5.3.5, sous (5.1.6)
on a aussi
Utn (5) −→u.c.p. 0.

5.3.2 Preuve des T.C.L.

Préliminaires

Dans ce sous-paragraphe, nous renforçons cetaines hypothèses avant d’énoncer une

série de lemmes.
Hypothèse (LM3 ) : On a (M3 ) et de plus, les processus b, eb, σ, σ
e, vs sont uniformément
bornés, de même que le processus
Z µ ³ ´¶
(ω, t) → e
sup 1 ∧ ||δ(ω, s, x)||2
F (dx).
R s≤t

les fonctions γk = γ ne dépendent pas de k et vérifient :

Z
γ(x) ≤ K et γ(x) F (dx) < ∞.
R

94
2
Sous (LM3 ), les processus (X,Y) et σ peuvent s’écrire sous la forme
µ ¶ µ ¶ 
Xt X0 Rt 0 Rt RtR 
= + 0 bs ds + 0 σs− dWs + 0 R2 δ(s, x) µ(ds, dx), 
Yt Y0
Rt Rt Rt R Rt 

σt = σ0 + 0 be0 s ds + 0 σ es− dWs + 0 vs− dVs + R 0 δe ? (µ − ν)(ds, dx),
(5.3.4)
où
Z Z t Z Z t
0
b0s = bs − (2)
h (δ(ω, s, x))ν(ds, dx), be0 s = ebs + e s, x))ν(ds, dx).
h (2m) (δ(ω,
R 0 R 0

Fixons f et g deux fonctions de Ω × R+ × R dans R.

On supposera que les processus Γ qui interviennent dans la définition 4.1.1 et dans l’hy-
pothèse (F1 (p)) et le processus θ qui intervient dans l’hypothèse (Dif’) sont uniformément
bornés.
Rappelons les variables βin et β 0 ni définies dans (5.1.4) et l’hypothèse (LH4 ) introduite
dans la preuve du théorème 5.1.2.

Lemme 5.3.6 Supposons (LH4 ) vérifiée, que f soit à croissance p-polynomiale et que g
vérifie (F (p0 )) alors, les processus
[t/∆n ] µ ¶µ µ ¶ µ ¶¶
p X ∆ni X ∆ni+1 Y ∆ni+1 Y
Vtn (1)= ∆n f (i − 1)∆n , √ g i∆n , √ − g (i − 1)∆n , √
i=1
∆n ∆n ∆n
(5.3.5)
convergent u.c.p. vers 0 quand n → ∞ dans les cas suivants :
– X et Y sont continus,
– X continu et p0 ∈ [0, 2],
– p ∈ [0, 2], Y continu,
– p , p0 ∈ [0, 2].

La preuve de ce lemme est évidente.

Posons maintenant
p · µ ¶ µ ¶ ¸
∆ni X ∆ni+1 Y 0n
ζin = ∆n f (i − 1)∆n , √ g (i − 1)∆n , √ n
− f ((i − 1)∆n , βi )g((i − 1)∆n , β i )
∆n ∆n
et
[t/∆n ]
X £ ¤
Vtn (2) := ζin − E{ ζin | F(i−1)∆n } . (5.3.6)
i=1

Lemme 5.3.7 Supposons (LH4 ) vérifiée, que f et g soient optionnelles, localement équicontinues
(au sens de la définition 3.1.1). On suppose de plus que f et g sont à croissance respecti-
vement p et p0 -polynomiale et que l’une des conditions suivantes est satisfaite :

95
 – X et Y sont continus,
– X continue et p0 ∈ [0, 1[,
– p ∈ [0, 1[, Y continu,
– p , p0 ∈ [0, 1[.
Alors Vtn (2) converge u.c.p. vers 0 quand n → ∞.

00 n
Preuve Remarquons que ζin = ζi0 n + ζi où
p µ ¶µ µ ¶ ¶
0n ∆ni+1 Y ∆ni X n
ζi = ∆n g (i − 1)∆n , √ f (i − 1)∆n , √ − f ((i − 1)∆n , βi )
∆n ∆n
et
p µ µ ¶ ¶
00 n ∆ni+1 Y 0n
ζi = ∆n f ((i − 1)∆n , βin ) g (i − 1)∆n , √ − g((i − 1)∆n , βi ) .
∆n

D’après le lemme 5-1 de [3], il nous suffit de montrer que les sommes
[t/∆n ] n¡ ¢ o [t/∆n ] ½³ ´ ¾
X X 00 n 2
0n 2
E ζi |F(i−1)∆n et E ζi |F(i−1)∆n convergent u.c.p. vers 0.
i=1 i=1

Ceci se fait de façon similaire à ce qu’on a fait dans les preuves des lemmes 5.3.3 et 5.3.4.
2

Lemme 5.3.8 Supposons (LH5 ) vérifiée. Soit φ : Ω × R+ × R → R, une fonction option-

nelle, vérifiant (K(R)), γ un processus localement borné, làg et adapté. On a
[t/∆n ]
X Z t
∆n γ(i−1)∆n φ((i − 1)∆n , βin ) −→u.c.p. 1
γs− ρ(φ(s−, σs− .)) ds, quand n → ∞.
i=1 0

Preuve :
Il suffit d’appliquer le théorème 4.1.2 du chapitre 4 à la fonction f (ω, s, x) = γs (ω)φ(ω, s, x).
2

Lemme 5.3.9 On suppose que f et g sont optionnelles, vérifient (K(R)) et sont à crois-
sance au plus polynomiale. Alors
[t/∆n ]
p X £ n
Vtn (3) = ∆n f ((i − 1)∆n , βin )g((i − 1)∆n , β 0 i )
i=1
© n ª¤
− E f ((i − 1)∆n , βin )g((i − 1)∆n , β 0 i ) |F(i−1)∆n (5.3.7)
converge en loi stable vers le processus M0t défini dans (5.2.6).

96
 Preuve
Posons
p h i
γin := ∆n ρ(g((i − 1)∆n , σ(i−1)∆
2
n
.)) f ((i − 1)∆n , βi
n
) − ρ(f (i − 1)∆ n , σ 1
(i−1)∆n
.)

et
p h ³ ´
n
ζin := n
∆n f ((i − 2)∆n , βi−1 ) g((i − 2)∆n , β 0 i−1 ) − ρ(g((i − 2)∆n , σ(i−2)∆
2
n
.))
³ ´i
2 n 1
+ ρ(g((i − 1)∆n , σ(i−1)∆n
.)) f ((i − 1)∆ n , β i ) − ρ(f ((i − 1)∆n , σ (i−1)∆n .)) .

Par simple calcul, on montre que

[t/∆n ]+1
X
Vtn (3) = ζin + γ1n − γ[t/∆
n
n ]+1
.
i=2

De même, on montre que

sup {|γin | + |ζin | } → 0, en probabilité quand n → ∞.

i≤[t/∆n ]+1

Cela veut dire que pour trouver la limite de Vin (3), il suffit de trouver la limite de V 0 n (3)t :=
P[t/∆n ] n
i=1 ζi .
On a clairement que
E{ζin |F(i−1)∆n } = 0. (5.3.8)
Ensuite, par un usage répété de l’inégalité de Hölder et pour ε > 0, on a
[t/∆n ] [t/∆n ]
X X ¡ ¢1/2
E{ζin 2 1{|ζin |>ε} } ≤ ε−1/2 E{(ζin )4 } (E{|ζin |})1/2 ≤ Kt∆1/4
n ε
−1/2
.
i=1 i=1

Il suit alors que

[t/∆n ]
X
E{ζin 2 1{|ζin |>ε} } −→ 0, quand n → ∞. (5.3.9)
i=1

Soit N une martingale bornée et orthogonale à W . Posons Mtn = E{ζin |Ft } pour t ≥
(i−1)∆n . Conditionnellement à F(i−1)∆n , ζin dépend de Wt −W(i−1)∆n pour t ≥ (i−1)∆n .
Rt
n
Il suit par le théorème de representation des martingales que Mtn = M(i−1)∆ n
+ 0 ηsn dWs
n
pour un certain processus prévisible η n . On a alors que (Mtn − M(i−1)∆ n
)(Nt − N(i−1)∆n )
est une martingale d’où :

E{ζin ∆ni N |F(i−1)∆n } = E{Mi∆n ∆ni N |F(i−1)∆n } = 0. (5.3.10)

D’autre part, ∀ j ∈ {1, · · · , m}, on a

E{ζin ∆ni W j |F(i−1)∆n } = ∆n f ((i − 2)∆n , βi−1

n
)

97
   Pm ³ ´ ³ ´ 
2,k k k j j
 σ
k=1 (i−2)∆n W i∆n − W(i−1)∆n Wi∆n − W(i−1)∆n

×E g (i − 2)∆n , √  √ |F(i−1)∆n
 ∆n ∆n 

2
+ ∆n ρ(g((i − 1)∆n , σ(i−1)∆n
.))
  Pm ³ ´  ³ ´ 
1,k k k j j
 σ
k=1 (i−1)∆n W i∆n − W (i−1)∆n W i∆n − W(i−1)∆n

×E f (i − 1)∆n , √  √ |F(i−1)∆n .
 ∆n ∆n 

Rappelons que A(1) et A(2) sont définis en (5.2.5). En utilisant le lemme 5.3.8 et le lemme
4.4.1, on montre que
[t/∆n ]
X Z t
E{ζin ∆ni W j |F(i−1)∆n } −→ A(2)ju du. (5.3.11)
i=1 0

Ensuite, on a
³ ´
E{ζin 2 |F(i−1)∆n } = ∆n f 2 ((i−2)∆n , βi−1
n
) ρ(g 2 ((i − 2)∆n , σ(i−2)∆
2
n
.)) − ρ2
(g((i − 2)∆ , σ 2
n (i−2)∆n .))
³ ´
+ ∆n ρ2 (g((i−1)∆n , σ(i−1)∆
2
n
.)) ρ(f 2
((i − 1)∆ , σ 1
n (i−1)∆n .)) − ρ2
(f ((i − 1)∆ , σ 1
n (i−1)∆n .))
2 n
+ 2∆n ρ(g((i − 1)∆n , σ(i−1)∆ n
.))f ((i − 2)∆n , βi−1 )
³ ³ ´
1 2
× ρ f ((i − 1)∆n , σ(i−1)∆ n
.)g((i − 2)∆ n , σ (i−2)∆ n
.)
´
1 2
− ρ(f ((i − 1)∆n , σ(i−1)∆n
))ρ(g((i − 2)∆ , σ
n (i−2)∆n )) .

En utilisant une nouvelle fois le lemme 5.3.8 et le fait que f et g vérifient (K(R)), on
montre que
[t/∆n ]
X Z t
n2
E{ζi |F(i−1)∆n } −→ A(1)u du. (5.3.12)
i=1 0

Grâce aux relations (5.3.8), (5.3.9), (5.3.10), (5.3.11) et (5.3.12), on peut appliquer le
théorème 7.28 de [10] ce qui termine la preuve du lemme. 2

Lemme 5.3.10 On suppose que (LM3 ) est vérifiée, que f et g sont optionnelles, C 1 en
x, admettent des limites à gauche en s et que les processus f (ω, s, 0) et g(ω, s, 0) sont
localement bornés. On suppose aussi que f et g vérifient respectivement F1 (p) et F1 (p0 ).
Quant aux fonctions ∂f ∂g
∂x et ∂x , on suppose qu’elles sont à croissance polynomiale et qu’elles
sont localement équicontinues sur R (au sens de la définition 3.1.1).

98
 Alors

[t/∆n ]
1  X
V n (4)t = √ ∆n 1
ρ(f ((i − 1)∆n , σ(i−1)∆ 2
.))ρ(g((i − 1)∆n , σ(i−1)∆ .))
∆n i=1
n n

Z t ¸
1 2
− ρ(f (s−, σs− .))ρ(g(s−, σs− .)) ds −→u.c.p. 0, quand n → ∞.
0
(5.3.13)

Remarque 5.3.11 • Dans l’énoncé du lemme, on aurait pu se contenter de dire que

f et g sont optionnelles et vérifient l’hypothèse (Dif ).
• si g ≡ 1 on tombe sur le lemme 4.4.7 . Ce lemme peut donc être vue comme une
généralisation du lemme 4.4.7.

Preuve : Exceptionnellement dans cette preuve, x ∈ Rm signifie que x est un vecteur

ligne (et pas un vecteur colonnes) de dimension m à composantes réelles.
La fonction x → f (ω, s, x) étant C 1 et ∂f
∂x étant à croissance polynomiale, il en est de
même pour l’application y → ρ(f (u, y.)) sur Rm , de plus, on a
Z
∂ρ ∂f
j
(f (s, y.)) = z j (s, y t z)ρ(dz) ∀ j ∈ {1, · · · , m}.
∂y Rm ∂x
(rappelons que ρ désigne la loi gaussienne standard sur Rm ). Comme f et ∂f ∂x sont à
croissance au plus polynomiale, on déduit de ce qui précéde que pour tout compact K ⊂ Rm
et pour tout y, y 0 ∈ K, u ∈ R+ , on a :
Pm ¯¯ ∂ρ ¯
¯ )
|ρ(f (u, y.))| + j=1 ¯ ∂y j (f (u, y.))¯ ≤ K
(5.3.14)
|ρ(f (u, y.)) − ρ(f (u, y 0 .))| ≤ K||y − y 0 ||
Revenons à (5.3.13), on a
[t/∆n ] Z i∆n h
1 X
V n (4)t = √ 1
ρ(f ((i − 1)∆n , σ(i−1)∆ 2
.))ρ(g((i − 1)∆n , σ(i−1)∆ .))
∆n i=1 (i−1)∆n n n

Z t
1 2
¤ 1 1 2
− ρ(f (s−, σs− .))ρ(g(s−, σs− .)) ds + √ ρ(f (s−, σs− .))ρ(g(s−, σs− .)) ds.
∆n [t/∆n ]
Comme f et g sont à croissace polynomiale, il est évident que
Z t
1 ¯ ¯
√ ¯ρ(f (s−, σs−
1 2
.))ρ(g(s−, σs− .))¯ ds ≤ Kt∆1/2
n .
∆n [t/∆n ]∆n
Afin de démontrer le lemme, il nous suffit de consacrer notre attention à la suite de
processus :
[t/∆n ] Z i∆n h
1 X
0n 1 2
V (4)t = √ ρ(f ((i − 1)∆n , σ(i−1)∆ .))ρ(g((i − 1)∆n , σ(i−1)∆ .))
∆n i=1 (i−1)∆n n n

1 2
¤
− ρ(f (s−, σs− .))ρ(g(s−, σs− .)) ds.

99
Ce dernier peut s’écrire sous la forme
[t/∆n ] Z i∆n
1 X
0n
V (4)t = √ ζ n (s) ds,
∆n i=1 (i−1)∆n i

où
1
ζin := ρ(f ((i − 1)∆n , σ(i−1)∆n
2
.))ρ(g((i − 1)∆n , σ(i−1)∆n
1
.)) − ρ(f (s−, σs− 2
.))ρ(g(s−, σs− .)).

Posons
n
ζ 0 i (s) = ρ(f ((i−1)∆n , σ(i−1)∆
1
n
2
.))ρ(g((i−1)∆n , σ(i−1)∆n
1
.)) − ρ(f ((i−1)∆n , σs− 2
.))ρ(g((i−1)∆n , σs− .))

et
n
ζ 00 i = ρ(f ((i − 1)∆n , σs−
1 2
.))ρ(g((i − 1)∆n , σs− 2
.)) − ρ(g(s−, σs− 1
.))ρ(f (s−, σs− .)).

De sorte que
n n
ζin := ζ 0 i + ζ 00 i .
En remarquant que
n £ ¤
ζ 00 i 1
= ρ(f ((i − 1)∆n , σs− 2
.)) ρ(g((i − 1)∆n , σs− 2
.)) − ρ(g(s−, σs− .))
2
£ 1 1
¤
+ ρ(g(s−, σs− .)) ρ(f ((i − 1)∆n , σs− .)) − ρ(f (s−, σs− .)) ,

il n’est pas difficile de voir, puisque f et g vérifient respectivement (F (p)) et (F (p0 )) que
[t/∆n ] Z i∆n
1 X n
√ |ζ 00 i (s)| ds −→ 0, quand n → ∞,
∆n i=1 (i−1)∆n

en probabilité.
D’autre part,
2
X
n n
−ζ 0 i = ζ 0 i (j)
j=1

où
h i
n
ζ 0 i (1) = ρ(f ((i − 1)∆n , σ(i−1)∆
1
n
.)) ρ(g((i − 1)∆n , σ 2
s− .)) − ρ(g((i − 1)∆n , σ 2
(i−1)∆n .)) ,
h i
n
ζ 0 i (2) = ρ(g((i − 1)∆n , σ(i−1)∆
2
n
.)) ρ(f ((i − 1)∆n , σ 1
s− .)) − ρ(f ((i − 1)∆n , σ 1
(i−1)∆n .)) .

Considérons l’expression ζ 0 (1). En utilisant (5.3.4),on fait une nouvelle décomposition

3
X
n n
ζ 0 i (1) = ζ 0 i (1, j)s
j=1

100
où
Pm h ∂ρ R s− i
e0 2,j du ,

ζ 0 ni (1, 1)s = ρ(f ((i − 1)∆n , σ(i−1)∆
1 .)) j=1 ∂y j
2
(g((i − 1)∆n , σ(i−1)∆ .)) b
(i−1)∆n u



n n


Pm h ∂ρ 


ζ 0 ni (1, 2)s = ρ(f ((i − 1)∆n , σ(i−1)∆
1 2
.)) j=1 ∂yj (g((i − 1)∆n , σ(i−1)∆ .)) 

³P n n 

m R s− R s− R 

× eu2,j,k dWuk + (i−1)∆n R δe2,j (u, x)(du, dx) + 

k=1 (i−1)∆n σ
Pl R s− ´i
2,j,k k 
+ k=1 (i−1)∆n uv dV u , 



h 

ζ 0 ni (1, 3)s = ρ(f ((i − 1)∆n , σ(i−1)∆
1 .)) 2 .)) − ρ(g((i − 1)∆ , σ 2
ρ(g((i − 1)∆n , σs− 

n (i−1)∆n .)) 

n
i 

Pm 

− 2,j 2,j ∂ρ 2 
j=1 (σs− − σ(i−1)∆n ) ∂y j (g((i − 1)∆n , σ(i−1)∆n .)) .
(5.3.15)
Puisque le processus (be0 s ) est borné, il est évident que
[t/∆n ] Z i∆n
1 X n
√ |ζ 0 (1, 1)s | ds ≤ Kt∆1/2
n .
∆n i=1 (i−1)∆n i

D’autre part,
[t/∆n ] Z i∆n
1 X n
√ ζ 0 i (1, 2)s ds
∆n i=1 (i−1)∆n
est une martingale pour la filtration (F[t/∆n ]∆n ) dont le crochet est plus petit que Kt∆n .
Par l’inégalité de Doob, on en déduit que
[t/∆n ] Z i∆n
1 X n
√ ζ 0 i (1, 2)s ds −→u.c.p. 0, quand n → ∞.
∆n i=1 (i−1)∆n

Considérons à présent l’expression

[t/∆n ] Z i∆n
1 X n
√ ζ 0 i (1, 3)s ds.
∆n i=1 (i−1)∆n

On montre que pour un certain p ≥ 0, on a pour tout ε > 0 et A > 0,

" 2 2
#
n
||σs− − σ(i−1)∆ || 1 ∂g
|ζ 0 i (1, 3)s | ≤ K n
+ + AG ∂x (εA, KA)t ||σs− − σ(i−1)∆n ||.
ε A

Il suit alors que

[t/∆n ] Z i∆n
" #
X 1/2
1 0n 1 ∂g
2 ∆n
√ E{|ζ i (1, 3)s |} ds ≤ Kt + AE{Gt∂x (εA, KA) } + ,
∆n i=1 (i−1)∆n A ε

faisant tendre successivement n vers l’infini, ε vers 0 et enfin A vers l’infini, on obtient que
n
ζ 0 i (1, 3) −→u.c.p. 0, quand n → ∞

101
et par suite que
n
ζ 0 i (1) −→u.c.p. 0, quand n → ∞.
Le processus ζ 0 ni (2) se traite pareillement que ζ 0 ni (1). D’après tout ce qui précède, on peut
dire que le lemme est démontré. 2
Dans les deux prochains lemmes, on estime la quantité
[t/∆n ] ½ µ ¶ µ ¶
p X ∆ni X ∆ni+1 Y
Vtn (5) := ∆n E f (i − 1)∆n , √ g (i − 1)∆n , √
i=1
∆n ∆n
n ª
− f ((i − 1)∆n , βin )g((i − 1)∆, β 0 i )|F(i−1)∆n , (5.3.16)
On étudiera de façon séparée, le cas continu et le cas discontinu. Commençons par le cas
continu. Rappelons que les processus b0 et σ e ont été définis en (5.3.4).

Lemme 5.3.12 Supposons (LM3 ) vérifiée et que X et Y soient continus. On suppose que
f et g sont optionnelles, à croissance au plus polynomiale et C 1 en x. On suppose ∂f∂x et
∂g
∂x sont à croissance au plus polynomiale et qu’elles sont localement équicontinues sur R
(au sens de la définition 3.1.1).
Side plus l’une des conditions suivantes est vérifiée :
1. les application x → f (ω, s, x) et x → g(ω, s, x) sont paires.
2. l’application x → f (ω, s, x) est paire et b2s = σ e2,j,k ≡ 0 pour j, k ∈ {1, · · · , m}.
3. 1
bs = σe 1,j,k =σ
e 2,j,k ≡ 0 pour j, k ∈ {1, · · · , m} et l’application x → g(ω, s, x) est
paire.
4. On a b1 = b2 = σ e1,j,k = σ
e2,j,k ≡ 0, pour j, k ∈ {1, · · · , m}.
5. l’application x → g(ω, s, x) est impaire et b2s = σ e2,j,k ≡ 0 pour j, k ∈ {1, · · · , m}.
Alors Vtn (5) converge u.c.p. vers 0 quand n → ∞

Preuve On pose
³ ´³ ³ ∆n Y
´ ´ 
∆n X
ζin (1) = f (i − 1)∆n , √i∆ g (i − 1)∆n , √i+1
∆n
− g((i − 1)∆, β 0n)
i , 

n
h ³ ´ i
∆n X 
ζin (2) = g((i − 1)∆, β 0 ni ) f (i − 1)∆n , √i∆ − f ((i − 1)∆n , βin ) . 
n
(5.3.17)
√ P[t/∆ ]
De sorte que Vtn (5) := ∆n i=1 n E{ζin (1) + ζin (2) |F(i−1)∆n }.
Etape 1 : On veut montrer ici que
[t/∆n ]
p X © ª
∆n E ζin (2) |F(i−1)∆n −→ 0. (5.3.18)
i=1

Faisons la décomposition
3
X
ζin (2) = ζin (2, j) (5.3.19)
j=1

102
où
h i³ n ´ 
∆ X
ζin (2, 1) = g((i − 1)∆n , β 0 ni ) ∂f
∂x ((i − 1)∆n , γ̄in ) − ∂f
∂x ((i − 1)∆n , βin ) √i∆ − βin 
n 

ζin (2, 2) = g((i − 1)∆n , β 0 ni ) ∂f n b 1,n
∂x ((i − 1)∆n , βi )ξi 



ζin (2, 3) = g((i − 1)∆n , β 0 ni ) ∂f
∂x ((i − 1)∆n , βin )ξei 1,n .
(5.3.20)
∆n X
où γ̄in est entre βin et √i
∆n
et où, comme dans (4.4.19) et pour q = 1, 2, on a
 ÃZ
Z i∆n m Z
X i∆n s
1 q,j
ξbi q,n = √  (bqs − bq(i−1)∆n ) ds + be0 u du
∆n (i−1)∆n j=1 (i−1)∆n (i−1)∆n

m Z
X s l Z
X s
q,j,k q,j,k
+ σuq,j,k − σ
(e e(i−1)∆ n
) dWuk + (vuq,j,k − v(i−1)∆n
) dVuk
k=1 (i−1)∆n k=1 (i−1)∆n

Z Z ! #
s
+ (δeq,j (u−, x) − δeq,j ((i − 1)∆n , x)) (µ − ν)(du, dx) dWsj (5.3.21)
(i−1)∆n R

et
m Z
" m
p 1 X i∆n X
ξei q,n = ∆n bq(i−1)∆n +√ σ q,j,k
e(i−1)∆ (Wsk − W(i−1)∆
k
)
∆n j=1 (i−1)∆n k=1
n n

l Z Z #
X s
+ q,j,k
v(i−1)∆n
(Vsk k
− V(i−1)∆n
)+ δeq,j ((i − 1)∆n , x)(µ − ν)(du, dx) dWsj .
k=1 (i−1)∆n R

(5.3.22)

Soit L0 ni le processus définit dans (4.4.14). Comme g est à croissance au plus poly-
nomiale, on a E{|g((i − 1)∆n , β 0 ni )| |Fi∆n } ≤ K d’où, en utilisant (4.4.17) et par suite
(4.4.18), on a p p n
∆n E{|ζin (2, 1)|} ≤ ∆n E{|L0 i |} −→u.c.p. 0, (5.3.23)
∂f
quand n → ∞. Notons que dans le lemme 4.4.4, on a supposé que ½ ∂x est localement
¾
∂f
équicontinue, ce qui est plus fort que notre hypothèse actuelle à savoir : E GT (ε, A)
∂x 2 → 0
quand ε → 0. celle-ci, au vu de (4.4.17) est suffisant pour obtenir (5.3.23). De même, et
exactement comme pour (4.4.21), on a
p
∆n E{|ζin (2, 2)|} −→u.c.p. 0. (5.3.24)

Remarquons que
½ ¾
n ∂f
E{ζin (2, 3) |F(i−1)∆n } = E g((i − 1)∆n , β 0 i ) ((i − 1)∆n , βin )ξein |F(i−1)∆n
∂x

103
 ½ ¯ ¾
∂f ¯
= ρ(g((i − 2
1)∆n , σs− .)) ×E ((i − 1)∆n , βin )ξei1,n ¯ F(i−1)∆ .
¯ n
∂x
(5.3.25)

Il suit ( comme on l’a un peu fait dans (4.4.21)) que :

© ª
E ζin (2, 3) |F(i−1)∆n = 0, (5.3.26)

• si l’application x → g(ω, s, x) est impaire (car dans ce cas, ρ(g((i−1)∆n , σs− 2 .)) = 0),

• si f est paire car la quantité à droite du produit dans (5.3.25) s’annule.

• si b1 = σ
e1,j,k = 0, pour j, k ∈ 1, · · · , m car dans ce cas également (5.3.25) s’annule.
D’après (5.3.19), (5.3.23), (5.3.24) et (5.3.26), on a bien (5.3.18).
Etape 2 : Le but de cette étape est de montrer que :
[t/∆n ]
p X © ª
∆n E ζin (1) |F(i−1)∆n −→ 0. (5.3.27)
i=1

∆n Y
On commence par faire une décomposition de √i+1∆n
− β 0 ni . Rappelons (5.3.21) et (5.3.22).
On a
∆ni+1 Y n n n
√ − β 0 i = ξei+1
2,n
+ ξe0 i + ξbi+1 2,n
+ ξb0 i , (5.3.28)
∆n
où
m
"Z m Z i∆n
n X ∆ni+1 W j i∆n
2,j X
ξb0 i = √ be0 u du + σu2,j,k − σ
(e 2,j,k
e(i−1)∆ ) dWuk
j=1
∆ n (i−1)∆n k=1 (i−1)∆n
n

l Z
X i∆n
2,j,k
+ (vu2,j,k − v(i−1)∆ n
) dVuk
k=1 (i−1)∆n

Z Z #
i∆n
+ (δe2,j (u−, x) − δe2,j ((i − 1)∆n , x)) (µ − ν)(du, dx)
(i−1)∆n R

et où,
m
" m l
n X ∆ni+1 W j X X
ξe0 i = √ σ 2,j,k
e(i−1)∆ ∆ni W k + 2,j,k
v(i−1)∆ ∆ni V k
j=1
∆n k=1
n
k=1
n

Z Z #
i∆n
+ δe2,j ((i − 1)∆n , x)(µ − ν)(du, dx) .
(i−1)∆n R

104
 P
On décompose alors ζin (1) de la façon suivante : ζin (1) = 4j=1 ζin (1, j) où
³ ´³ ¡ ¢ ∂g ´ h ∆n Y i 
∆n X ∂g 0n) 0n
ζin (1, 1) = f (i − 1)∆n , √i∆ (i − 1)∆ , γ̄
n i+1
n − ((i − 1)∆ n , β i
√i+1
− β i 

n ∂x ∂x ∆n 

³ ´ h i 

n
∆ X ∂g n 

ζin (1, 2) = f (i − 1)∆n , √i∆ ∂x ((i − 1)∆n , β 0 ni ) ξbi+12,n
+ ξb0 i , 
n
³ ³ ´ ´ h i
∆n X n 
ζin (1, 3) = f (i − 1)∆n , √i∆ − f ((i − 1)∆n , βin ) ∂x ∂g
((i − 1)∆n , β 0 ni ) ξei+12,n
+ ξe0 i 


n
h i 

n 

∂g
ζin (1, 4) = f ((i − 1)∆n , βin ) ∂x ((i − 1)∆n , β 0 ni ) ξei+12,n
+ ξe0 i . 
(5.3.29)
Exactement comme dans (5.3.23) et (4.4.18), on montre que
p
∆n E{|ζin (1, 1)|} −→u.c.p. 0, quand n → ∞ (5.3.30)
et que p
∆n E{|ζin (1, 3)|} −→u.c.p. 0, quand n → ∞ (5.3.31)
½¯ ¯ ¾
¯ 2,n e0 n ¯2
(on utilise dans ce dernier cas le fait que E ¯ξei+1 +ξ i¯ ≤ K∆n ). Ensuite, comme
dans (4.4.21)et (5.3.24) on montre que :
p
∆n E{|ζin (1, 2)|} −→u.c.p. 0, quand n → ∞. (5.3.32)
Pour terminer l’étape et par suite la démonstration du lemme, il nous reste à montrer que
p
∆n E{ζin (1, 4) |F(i−1)∆n } −→u.c.p. 0, quand n → ∞.
On montre que
½ h ¯ i ¾
© ª ∂g ¡ n¢ ¯ n
E ζin (1, 4) |F(i−1)∆n = E f ((i − 1)∆n , βin ) (i − 1)∆n , β 0 i ξei+1
2,n
+ ξe0 i
¯
¯ F(i−1)∆n = 0,
∂x
(5.3.33)
car comme on l’a fait dans (4.4.21), si on applique l’espérence condionnelle suivant F(i−1)∆n
à l’expression,
∂g ¡ h i
n¢ n
f ((i − 1)∆n , βin ) (i − 1)∆n , β 0 i ξei+1
2,n
+ ξe0 i ,
∂x
les termes relatifs aux martingales autres que W s’annulent et pour les termes restant,
(comme on l’a fait dans (5.3.26)) on joue sur la parité, l’imparité des applications x →
f (ω, s, x) et x → g(ω, s, x) où la nullité des coefficients. On a par exemple (5.3.33) si les
applications x → f (ω, s, x) et x → g(ω, s, x) sont paires, ou si b2 = σ e2,j,k = 0, pour j, k ∈
{1, · · · , m}. En énumérant ainsi toutes les conditions nécessaires pour avoir (5.3.33), et en
faisant un ”croisement” de ces conditions avec celles de l’étape 1 et qui sont nécessaires
pour avoir (5.3.26), on achève la démonstration du lemme. 2
On va maintenant passer au cas discontinu. Rappelons le prosessus σ
e, voir (5.3.4) et
rappelons Z
bb1 = b1 − h(δ 1 (s−, x)) F (dx)
R
et Z
bb2 = b2 − h(δ 2 (s−, x)) F (dx).
R

105
Lemme 5.3.13 Supposons (LM3 ) vérifiée, que f et g soient optionnelles, C 1 en x que
f, ∂f ∂g ∂f ∂g
∂x , g, ∂x soient à croissance polynomiale. On suppose que ∂x et ∂x soient localement
équicontinues.
On suppose de plus que l’une des conditions suivantes soit satisfaite :
1. Les application x → f (ω, s, x) et x → g(ω, s, x) sont paires,
2. l’application x → f (ω, s, x) est paire et bb2 = σ e2,j,k ≡ 0
3. bb = σ
1 e 1,j,k =σ e 2,j,k ≡ 0, l’application x → g(ω, s, x) est paire.
b 1 b
4. On a b = b = σ 2 e 1,j,k =σ e2,j,k ≡ 0.
b2
5. g impaire et b = σ e 2,j,k ≡ 0.
On suppose également que l’une des hypothèses suivantes soit réalisée :
• X et Y sont continus.
• Y continu et f et ∂f ∂x sont bornées,
∂g
• X continu, g et ∂x sont bornées,
• f, g, ∂f ∂g
∂x , ∂x sont bornées.
Alors
Vtn (5) −→u.c.p. 0, quand n → ∞.

Preuve
On peut écrire
n n
V n (5)t = V 0 (5)t + V 00 (5)t (5.3.34)
où
[t/∆n ]
n
p X
V 0 t (5) = ∆n ζin (1)
i=1
et
[t/∆n ]
n
p X
V 00 t (5) = ∆n ζin (2),
i=1
où on a utilisé les notations (5.3.17). Remarquons que,
[t/∆n ]
p X ¡
00 n n
V t (5) = ∆n E{g((i − 1)∆, β 0 i )|F(i−1)∆n }
i=1
½ µ ¶ ¾¶
∆ni X n
E f (i − 1)∆n , √ − f ((i − 1)∆n , βi )|F(i−1)∆n , (5.3.35)
∆n
il suit que
[t/∆n ] ¯ ½ µ ¶ ¾¯
p X ¯ ∆ni X ¯
00 n ¯
V t (5)
≤ K ∆n ¯E f (i − 1)∆n , √∆ − f ((i − 1)∆n , βi )|F(i−1)∆n ¯¯ .
n

i=1 n
(5.3.36)
Dans les preuves des lemmes 5.3.12 et 4.4.5, il est montré que
[t/∆n ] ¯ ½ µ ¶ ¯ ¾¯
p X ¯ ∆ni X ¯ ¯
∆n ¯ E f (i − 1)∆ , √ − f ((i − 1)∆ , β n ¯
) F ¯ −→u.c.p. 0,
¯ n
∆
n i ¯ (i−1)∆n ¯
i=1 n
(5.3.37)

106
 ∂f
il suit d’après (5.3.36), sous les hypothèses X continu où X discontinue et f, ∂x bornés,
que
n
V 00 t (5) −→u.c.p. 0. (5.3.38)
Afin de démontrer le lemme, il nous faudra donc montrer que
n
V 00 t (5) −→u.c.p. 0, (5.3.39)
dans les cas suivants (le cas où X et Y sont continus étant déjà vu dans le lemme 5.3.12) :
– X continu et Y discontinu,
– X discontinu et Y continu
– X et Y discotinus.
On montre (5.3.39) de façon similaire à ce qui a été fait dans les preuves des lemmes 4.4.5
et 5.3.12.

Preuve proprement dite du théorème

Posons
 
[t/∆n ]
X µ n
¶ µ n X¶ Z t
1  ∆ X ∆
Vtn := √ ∆n f (i − 1)∆n , √i g i∆n , √i+1 − ρ(f (u−, σu− .))ρ(g(u−, σu− .)) ds .
∆n i=1
∆n ∆n 0

Rappelons 5.3.5, 5.3.6, 5.3.7, 5.3.13, 5.3.16. On a

5
X
Vtn := Vtn (j).
j=1

D’après le lemme 5.3.9, Vtn (3) converge en loi stable vers la limite M0 t alors que Les
processus Vtn (1), Vtn (2), Vtn (4) et Vtn (5) convergent u.c.p. vers 0 d’après les lemmes 5.3.6,
5.3.7, 5.3.10 et 5.2.6.

5.3.3 Preuves des théorèmes 5.1.4 et 5.2.2

Preuve du théorème 5.1.4

Commençons par le lemme suivant.

Lemme 5.3.14 Supposons que Z soit une semimartingale continue (quelconque) où que
Z vérifie (N4 ). Soit f et g deux fonctions de Rd+1 dans R. On suppose que la fonction g
est continue sur Rd+1 et que f et g vérifient :
pour tout compact K ⊂ Rd , il existe une constante CK et un réel positif p tels que
sup (|f (z, x)| + |g(z, x)|) ≤ CK [1 + |x|p ].
{z∈K}

Alors
[t/∆n ]
X £ n n ¤
∆n f (Z(i−1)∆n , βin ) g(Zi∆n , β 0 i ) − g(Z(i−1)∆n , β 0 i )
i=1
converge u.c.p. vers 0 quand n → ∞.

107
Preuve Fixons un compact K assez large de Rd et supposons que Z ∈ K Posons
¡ n n ¢
ζin = ∆n f (Z(i−1)∆n , βin ) g(Z(i−1)∆n , β 0 i ) − g(Zi∆n , β 0 i ) .

Pour A, ε > 0, on a
³ ´
n
|ζin | ≤ ∆n CK [1+|βin |p ] 2CK [1 + |β 0 i |p ]1{|β 0 ni |>A} + 2CK [1 + Ap ]1{||Zi∆n −Z(i−1)∆n ||>ε} + Gg (ε, A) ,

où
GgK (ε, A) = sup |g(z, x) − g(z 0 , x)|.
{z, z 0 ∈K, ||z−z 0 ||<ε; |x|≤A}

d’où
 1/2
[t/∆n ]
X · ¸ [t/∆n ]
X
1 © ª
E{|ζin |} ≤ Ct + GgK (ε, A) + C(A)ε−1  ∆n E 1 ∧ ||Zi∆n − Z(i−1)∆n ||2 
i=1
A1/2 i=1

où C est une constante assez grand et où C(A) est une constante qui dépend de A. En
utilisant le lemme 4.1 de [8], on fait tendre n → ∞, ε → 0 et A → ∞ ce qui donne le
résultat dans le cas où Z ∈ K. Le cas général s’obtient par une procédure classique de
délocalisation.
Preuve du théorème 5.1.4 : Le théorème 5.1.4 résulte du cas 1.a du théorème 5.1.2 et du
lemme 5.3.14.

Preuve du théorème 5.2.4

0
Soit f : R+ × Rd → R, et g : R+ × Rd → R des fonctions boréliennes. On commence
par renforcer l’hypothèse (N4 ) de la façon suivante :
Hypothèse (LN4 ) : On a (N4 ) et les processus Z, Z 0 , b0 , eb, σ 0 , σ
e, v sont uniformément
bornés de même que le processus
 
Z 2+d ³
X ´ n o
0
(ω, t) →  b s, x)||2  F (dx).
1 ∧ δ j (ω, t, x)2 + sup 1 ∧ ||δ(ω,
R j=3 s≤t

de plus, les fonctions γk = γ et φk = φ ne dépendent pas de k et vérifient

Z
¡ ¢
γ(x) + φ(x) ≤ C et γ(x) + φ(x)2 F (dx) < ∞.
R

Sous l’hypothèse (LN4 ), on a

   
Xt X0
Z t Z t Z tZ
 Yt   Y0 
   + 00 0
δ 0 (s−, x) (µ − ν)(ds, dx), (5.3.40)
 Zt  =  Z0 
bs ds + σs− dWs +
0 0 0 R
Zt0 Z00

108
 R 0 (2+d+d0 )
où b00s = b0s + Rh (δ 0 (s−, x)) F (dx) et

   
0
σt1,1 , · · · , σt1,m
0 0 0
σ01,1 , · · · , σ01,m Z t Z t
  =  + ebs ds + σ
es− dWs
0 0 0 0
σt1,2 , · · · , σt2,m σ02,1 , · · · , σ02,m 0 0

Z t Z Z t
+ vs− dVs + e
δ(s−, x) (µ − ν)(ds, dx), (5.3.41)
0 R 0
R
où be0 s = ebs + e
0 (2×m)
Rh δ(s−, x)) F (dx).
On rappelle les notations de (5.1.4) :
m
X m
X
0 1,j ∆ni W j n 0 2,j ∆ni+1 W j
βin := σ(i−1)∆ √ , et β 0 i := σ(i−1)∆ √ .
j=1
n
∆ n j=1
n
∆ n

Lemme 5.3.15 Supposons (N4 ) vérifiée. On suppose également que pour j = 1, · · · , d0 ,

∂g
les fonctions ∂z d0 +1 . On suppose que f est borélienne et
0 j existent et sont continues sur R

que pour tout compact K ∈ Rd , il existe une constante CK et un réel p ≥ 0 tel qu’on ait
 
X d ¯ ¯
¯ ∂g ¯
sup |f (z, x)| ≤ CK , sup  ¯ ¯  ≤ CK [1 + |x|p ].
0
¯ ∂z j (z, x)¯
z∈K z ∈K j=1

On suppose que p est quelconque si Y est continu et appartient à [0, 2[ sinon.

Si de plus, l’une des conditions suivantes est satisfaite :
• l’application x → f (z, x) est paire ;
• l’application x → g(z 0 , x) est impaire ;
0
• σ j,k ≡ 0 pour 3 ≤ j ≤ 2 + d; 1 ≤ k ≤ m.
Alors,

p µ[t/∆n ]
X ¶· µ ¶ µ ¶¸
∆n X ∆ni+1 Y ∆ni+1 Y
Utn (1) = ∆n Z(i−1)∆n , √i
f 0
g Z(i−1)∆ , √ − g Z 0
i∆n , √
i=1
∆n n
∆n ∆n
(5.3.42)
converge u.c.p. vers 0 quand n tend vers l’infini.

Preuve : Soit (εn ), une suite tendant vers 0. On a la décomposition suivante où les
δin (k)sont définis comme ci-dessus avec les vecteurs aléatoires Z 0 ni entre Z(i−1)∆
0
n
0
et Zi∆n
et (εn ) une suite destinée à tendre vers 0. On a alors
[t/∆n ] 5
X X
Utn = δin (k) (5.3.43)
i=1 k=1

109
et (rappelons que φ = φk intervient dans (N4 )) :
√ ³ ´ ³ ´ hR
∆n X Pd0 ∂g
n
0 n , ∆√i+1 Y i∆n 00 2+d+j
δin (1) = ∆n f Z(i−1)∆n , √i∆ j=1 ∂z
0j Z i ∆n (i−1)∆n bs ds
n
R i∆n R 0
+ (i−1)∆n {φ(x)≤εn } δ 2+d+j (s, z)(µ − ν)(ds, dx)
R i∆n R
+ (i−1)∆ n {φ(x)>εn }
δ 0 2+d+j (s, x)µ(ds, dx)
R i∆n R i
− (i−1)∆ δ 0 2+d+j (s, z) F (dx)ds .
n {φ(x)>εn }

√ ³ ´ ³ ´
∆n X Pd0 ∂g
n
0 n , ∆√i+1 Y
δin (2) = ∆n f Z(i−1)∆n , √i∆ j=1 ∂z
0j Z i ∆n
n
Pm R i∆n 0 2+d+j,k 0 2+d+j,k
× k=1 (i−1)∆n (σs − σ(i−1)∆n ) dWsk
√ ³ ³ ´ ¡ ¢´ Pd0 ∂g ³ 0 n ∆ni+1 Y ´
∆n X
δin (3) = ∆n f Z(i−1)∆n , √i∆ − f Z(i−1)∆n , βin j=1 ∂z 0 j Z i ,
√
∆n
n
Pm 0 2+d+j,k
× k=1 σ(i−1)∆n ∆ni W k
√ ¡ ¢ Pd0 ³ ∂g ³ n ∆ni+1 Y ´ ∂g ¡ 0n
¢´
δin (4) = ∆n f Z(i−1)∆n , βin j=1 ∂z 0 j Zi ,
√
∆n
− ∂z
0 j Z(i−1)∆n , β i

Pm0 2+d+j,k n k
× k=1 σ(i−1)∆n ∆i W
√ ¡ ¢ Pd0 ∂g ¡ 0n
¢ Pm 0 2+d+j,k n
δin (5) = ∆n f Z(i−1)∆n , βin j=1 ∂z 0 j Z(i−1)∆n , β i
k
k=1 σ (i−1)∆n ∆i W .
R
Posons θ(εn ) = {φ(z)≤εn } φ2 (x)F (dx). Il n’est pas difficile de voir que
[t/∆n ] h i
X
E{|δin (1)|} ≤ Kt ∆1/2
n + θ(εn )1/2
+ ε−1 1/2
n ∆n . (5.3.44)
i=1
1/4
En remarquant que θ(εn ) → 0 quand ε → 0 et en choisissant εn = ∆n , on déduit que :
[t/∆n ]
X
δin (1) −→u.c.p. 0, quand n → ∞.
i=1
Par ailleurs, on a
ÃZ ½¯ !1/2
[t/∆n ]
X d0 X
X m [t/∆n ]∆n ¯ ¾
0 2+d+j,l ¯2
¯ 0 2+d+j,l
E{|δin (2)|} ≤ Kt1/2 E ¯σs − σ[s/∆n ]∆n ¯ ds .
i=1 j=1 k=1 0
(5.3.45)
Il suit par le théorème de Lebesgue et la propriété de continuité de σ 0 que
[t/∆n ]
X
δin (2) −→u.c.p. 0 quand n → ∞.
i=1
Pour tout A et ε strictement positifs, posons
n
Gf (ε, A) = sup |f (z1 , x + y) − f (z2 , x)|, (z1 , x + y), (z2 , x) ∈ Rd+1 ;
||z1 ||, ||z2 || ≤ K; |x| ≤ A, ||(z1 , x + y) − (z2 , x)|| ≤ ε } .

110
Remarquons alors que :
m
" #µ ¯ n ¯p ¶
X ∆ni W k ¯ ∆i+1 Y 0n¯ 0n p
|δin (3)| ≤ K∆n √ f ½¯
G (ε, A) + 1{|βin |>A} + 1 ¯ ∆ni X n ¯ ¯ ¾ 1 + ¯¯ √ − βi ¯¯ + |βi | .
k=1
∆ n ¯√
¯ ∆ n
−βi ¯¯>ε ∆ n

Il suit alors que

 ( 
[t/∆n ]
X · ¸ [t/∆n ]
X ¯ n ¯2 ) 1/2
1 ¯ ∆ X ¯
E{|δin (3)|} ≤ Kt Gf (ε, A) + +Kt1/2 ε−1 ∆n E 1 ∧ ¯¯ √i − βin ¯¯  ,
A ∆n
i=1 i=1

en utilisant le lemme 4.1 de [8] et en faisant tendre n → ∞, ε → 0, A → ∞ on a

[t/∆n ]
X
δin (3) −→u.c.p. 0, quand n → ∞.
i=1

De façon similaire, on montre que

[t/∆n ]
X
δin (4) −→u.c.p. 0, quand n → ∞.
i=1

Remarquons à présent que sous les hypothèses du lemme, on a : E{δin (5) |F(i−1)∆n } = 0. il
P[t/∆ ]
suit que i=1 n δin (5) est une martingale par rapport à la filtration (F[t/∆n ]∆n ). De plus, il
n’est pas difficile de voir que son crochet prévisible est plus petit que Kt∆n . On en déduit
par l’inégalité de Doob que
[t/∆n ]
X
δin (5) −→u.c.p. 0, quand n → ∞.
i=1

D’après tout ce qui précède et d’après (5.3.43), on a bien que

Utn −→u.c.p. 0, quand n → ∞,

ce qui finit la preuve. 2

Le prochain lemme est une version du lemme 5.3.10. En d’autres termes, on essaiera
d’estimer la quantité Utn (2) définie par

[t/∆n ]
1 X 01 02
n
Ut (2) = √  ∆n ρ(f (Z(i−1)∆n , σ(i−1)∆ 0
.))ρ(g(Z(i−1)∆ , σ(i−1)∆ .))
∆n i=1
n n n

Z t ¸
01 0
− ρ(f (Zs , σs .))ρ(g(Zs0 , σs2 .)) ds . (5.3.46)
0

111
Lemme 5.3.16 On suppose (N4 ) vérifié, que f et g soient C 1 respectivement sur Rd+1 et
0 0
Rd +1 . On suppose que pour tous compacts K ⊂ Rd et K0 ⊂ Rd , il existe des réels positifs
p(K) et K(K0 ) tels que
³¯ ¯ Pd ¯¯ ∂f ¯´
¯ ∂f ¯ ¯
supz∈K ¯ ∂x (z, x)¯ + ¯
j=1 ∂z j (z, x) ¯ ≤ C ( 1 + |x|p )
³¯ ¯ ¯
Pd ¯ ∂g 0 ¯ ¯ ´
¯ ∂g 0 ¯
supz 0 ∈K0 ¯ ∂x (z , y)¯ + j=1 ¯ ∂z 0 j (z , y)¯ ≤ C ( 1 + |y|p ).

Alors
Utn (2) −→u.c.p. 0, quand n → ∞.

Preuve : On a
[t/∆n ] Z i∆n Z t
1 X
0n 0 0
Utn (2) =√ n
(ηi (s) + η i (s)) ds + ρ(f (Zs , σs1 .))ρ(g(Zs0 , σs2 .)) ds,
∆n i=1 (i−1)∆n [t/∆n ]∆n

où
0 0 0 0
ηin (s) := ρ(f (Z(i−1)∆n , σs−
1 0
.))ρ(g(Z(i−1)∆n
2
, σs− 1
.)) − ρ(f (Zs− , σs− 0
.))ρ(g(Zs− 2
, σs− )).
et
n 0 0
η0i 1
:= ρ(f (Z(i−1)∆n , σ(i−1)∆ n
0
.))ρ(g(Z(i−1)∆n
2
, σ(i−1)∆n
.))
1 0 2 0
− ρ(f (Z(i−1)∆n , σs− .))ρ(g(Z(i−1)∆n , σs− .)).
On a vu dans la preuve du lemme 5.3.10 que d’une part
Z t ¯ ¯
¯ 01 0 02 ¯
¯ρ(f (Z ,
s sσ .))ρ(g(Zs s, σ .))¯ ds −→ 0, quand n → ∞
[t/∆n ]∆n

et que d’autre part,

[t/∆n ] Z i∆n
1 X n
√ η 0 i (s) ds −→u.c.p. 0, quand n → ∞.
∆n i=1 (i−1)∆n

Il nous suffira donc ici de prouver que

[t/∆n ] Z i∆n
1 X
√ η n (s) ds −→u.c.p. 0, quand n → ∞. (5.3.47)
∆n i=1 (i−1)∆n i

0
Pour tout quadriplet (x, y, z, z 0 ) ∈ Rm × Rm × Rd × Rd , on définit
G(z, z 0 , x, y) = ρ(f (z, x.))ρ(g(z 0 , y.)). (5.3.48)
0
Comme f et g sont C 1 respectivement sur Rd+1 et Rd +1 , il en est de même pour G sur
0 0
R2m+d+d . De plus vu nos hypothèses sur f et g, pour tout compact K de R2m+d+d , on a :
n Pd ¯¯ ∂G ¯ Pd0 ¯¯ ∂G ¯
¯
sup(z,z 0 ,x,y)∈K 0 0 ¯ 0
|G(z, z , x, y)| + j=1 ∂xj (z, z , x, y) + j=1 ¯ ∂yj (z, z , x, y)¯
P ¯ ∂G ¯ Pd0 ¯¯ ∂G ¯o
0 , x, y)¯
+ dj=1 ¯ ∂z j (z, z 0 , x, y)¯ +
¯
j=1 ∂z 0 j (z, z ¯ ≤ K.

112
D’après ce qui précède,
³ 01 02
´ ³ 01 02
´
ηin (s) = G Z(i−1)∆n , Z(i−1)∆
0
n
, σ s− , σ s− − G Z s− , Z 0
s− , σs− , σ s− .
µ ³ 0 ´t ³ 0 ´t ¶
01 02
Vu que σ et σ sont des vecteurs lignes, on devrait noter G Z, Z , σ 1 , σ 2
0 à la
³ 0 0
´
place de G Z, Z 0 , σ 1 , σ 2 . Cette dernière nous permet d’allger la notation.
On a
ηin (s) = − (ηin (1)(s) + ηin (2)(s)) ,
où
³ ´ ³ ´
0 , σ01 , σ02
ηin (1)(s) = G Zs− , Zs− − G Z(i−1)∆n , Z(i−1)∆ 0 , σ
01
, σ
02
s− s− n s− s−
Pd ³ ´
j j ∂G 0 01 02
− j=1 (Zs− − Z )
(i−1)∆n ∂z j Z(i−1)∆n , Z (i−1)∆n , σ (i−1)∆n , σ (i−1)∆n
Pd0 ³ ´
− (Z 0j − Z 0j ) ∂G
Z , Z 0 , σ
0 1 , σ
02
j=1 s− (i−1)∆n ∂z 0 j (i−1)∆ n (i−1)∆n (i−1)∆n (i−1)∆n
(5.3.49)
et
Pd ³ ´ ³ ´
j j ∂G 01 02
ηin (2)(s) = j=1 Zs− − Z(i−1)∆n
Z(i−1)∆n
∂z j
, Z 0
(i−1)∆n , σ(i−1)∆n , σ (i−1)∆n
Pd0 ³ 0 j 0j
´
∂G
³
0 0 1 02
´
j=1 Z s− − Z (i−1)∆n ∂z 0 j Z (i−1)∆n , Z (i−1)∆n , σ (i−1)∆n , σ (i−1)∆n .
(5.3.50)
Revenons à la démonstration du lemme 5.3.10, comme pour les termes ζ 0 ni (1, 1)(s), ζ 0 ni (1, 2)(s)
et ζ 0 ni (1, 3)(s) de (5.3.15)( où Z et Z 0 jouent ici tour à tour le rôle de σ 2 ), on montre d’une
part que
[t/∆n ] Z i∆n
1 X
√ ηin (1)(s) ds −→u.c.p. 0, quand n → ∞,
∆n i=1 (i−1)∆n
d’autre part que
[t/∆n ] Z i∆n
1 X
√ η n (2)(s) ds −→u.c.p. 0, quand n → ∞,
∆n i=1 (i−1)∆n i

d’où (5.3.47) et la preuve du lemme.

Preuve des Théorèmes : Le théorème 5.2.4 se démontre comme le théorème 5.2.2 sauf
que l’on utilise les lemmes 5.3.15 et 5.3.16 à la place des lemmes 5.3.6 et 5.3.10.

113
Bibliographie

[1] Barndorff-Nielsen O., Shephard N. (2003) : Realized power variation and stochastic
volatility models. Bernoulli, 9 (2), 243-265.
[2] Barndorff-Nielsen O., Shephard N. (2004) : Power and bipower variation with sto-
chastic volatility and jumps, Journal of Financial Econometrics, 2 1-48.
[3] Barndorff-Nielsen O., Graversen S., Jacod J., Podolskij M., Shephard N. (2006) :A
central limit theorem for realised bipower variation of continuous semimartingales, in :
Yu. Kabanov, R. Liptser, J. Stoyanov (Eds), From stochastic calculus to mathematical
finance, The Shiryaev festschrift, Springer Verlag, Berlin pp. 33-69.
[4] Becker, E.(1998) : Théorèmes Limites pour des processus discrétisées. Thèse, Univ.
Paris 6.
[5] Blumenthal R.M., Getoor R.K. (1960) : Some theorems on stable processes. Trans.
Amer. Math. Soc. 95, 263-273.
[6] Blumenthal R.M., Getoor R.K. (1961) : Sample functions of stochastic processes with
stationary independants increments. J. Math. Mech. 10, 493-516.
[7] Bretagnolle, J. (1972) : P -variation de fonctions aléatoires. Sém. Proba. IV, Lecture
Notes in Math. 258. Berlin-Heidelberg-New York : Springer.
[8] Jacod, J. (2008) : Asymptotic properties of realized power variations and related
functionals of semimartingales. Stochastic processes and their Applications,118, 517–
559.
[9] Jacod, J.(2007) Asymtotic properties of power variation of levy [Link]
Probab. Stat., 11, 173–196.
[10] Jacod, J. and A. Shiryaev (2003) : Limit Theorems for Stochastic Processes, 2nd ed.,
Springer-Verlag : Berlin.
[11] Jacod J., A. Jakubowski, J. Mémin (2003) : On asymptotic error in discretization of
processes. Annals Probab., 31, 592–608.
[12] Jacod, J. and Protter, P. (1998) : Asymptotic error distributions for the Euler method
for stochastic differential equations. Ann. Probab., 26, 267-307.
[13] Jacod, J. (2001) : Inference for stochastic processes. Prépublication.
[14] Lépingle, D. (1976) : La variation d’ordre p des semimartingales. Z. für Wahr. Th.,
36, 285–316.
[15] Lévy, P. (1940) : Le mouvement brownien plan. Amer. J. Math. 62, 487-550.

114
[16] Mancini, C. (2007) : Estimating the integrated volatility in stochastic volatility models
with Lévy type jumps. Technical report, Univ. Firenze.
[17] Monroe, I. (1972) : On the γ-variation of processes with stationary independants
increments. Ann. Math. Statist. 43, 1213-1220.
[18] Protter, P. (2004) : Stochastic Integration and Differental Equations. Springer.
[19] Tukey, J.W. (1939) On the distribution of the fractional part of a statistical variable.
Mat Sb. (N.S.) 4 561-562
[20] Woerner, J. (2006) Power and multipower variation : Inference for high frequency
data, in A. N. Shiryaev, M. do Rosário Grosshino, P. Oliviera, M. Esquivel (Eds.),
Stochastic Finance, Springer, pp. 343-354.

115