Chapitre 4

Intégrale stochastique et formule d’Itô

On aborde maintenant la partie centrale du cours, à savoir l’intégrale stochastique. On

commence par définir intégrale stochastique, et introduit ensuite la formule-clé qui porte le
nom d’Itô.

1. Intégrale stochastique
Soit (Ω, F , (Ft ), P) un espace de probabilité filtré, et soit B = (Bt , t ≥ 0) un (Ft )-
!t
mouvement brownien standard. Nous allons donner un sens à 0 Hs dBs pour une classe
de processus adaptés H. Nous commençons par étudier les processus élémentaires.

Définition 1.1. Un processus H = (Ht , t ≥ 0) est élémentaire si

p−1
"
Ht (ω) = ϕi (ω) 1]ti, ti+1 ] (t),
i=0

où p ≥ 1, 0 = t0 < t1 < · · · < tp , et pour tout i, ϕi est une variable aléatoire bornée et
Fti -mesurable.

Si H est un processus élémentaire, on peut définir

# ∞ p−1
"
Hs dBs := ϕi (Bti+1 − Bti ).
0 i=0

!∞
Proposition 1.2. Soient H et K des processus élémentaires. Alors E( 0
Hs dBs ) = 0, et
!∞ !∞ !∞
E[( 0 Hs dBs )( 0 Ks dBs )] = E( 0 Hs Ks ds).
!∞ !∞
En particulier, E[( 0 Hs dBs )2 ] = E( 0 Hs2 ds).

27
28 Chapitre 4. Intégrale stochastique et formule d’Itô

Preuve. On écrit ∆i := Bti+1 − Bti . Pour chaque i, ϕi est Fti -mesurable, tandis que
!∞
E(∆i | Fti ) = E(∆i ) = 0, on a donc E(ϕi ∆i ) = 0. Par conséquent, E( 0 Hs dBs ) = 0.
!∞ !∞ !∞
Montrons maintenant E[( 0 Hs dBs )( 0 Ks dBs )] = E( 0 Hs Ks ds). Par la formule
1
ab = 4
[(a + b)2 − (a − b)2 ], il suffit de traiter le cas H = K. Par définition,
$# ∞ %2 p−1
" "
Hu dBu = ϕ2i ∆2i + 2 ϕi ϕj ∆i ∆j .
0 i=0 i<j

Si i < j, alors ti+1 ≤ tj et donc ∆i (ainsi que ϕi et ϕj , bien sûr) est Ftj -mesurable, tandis
que E(∆j | Ftj ) = 0. Donc $" %
E ϕi ϕj ∆i ∆j = 0.
i<j

D’autre part, ∆i étant indépendante de Fti , on a E(∆2i | Fti ) = E(∆2i ) = ti+1 − ti ; donc,
&$ # t %2 ' &"
p−1 ' &# ∞ '
2
E Hu dBu =E ϕi (ti+1 − ti ) = E Hs2 ds .
0 i=0 0

La proposition est prouvée. !

Considérons l’espace défini par1

& $# ∞ % '
H⊗ := H = (Ht , t ≥ 0) : H adapté, E Hs2 ds < ∞ ,
0
!∞
muni du produit scalaire ⟨H, K⟩ := E( 0
Hs Ks ds). On vérifie facilement que H⊗ est un
espace de Hilbert.
Soit E l’espace vectoriel des processus élémentaires, qui est un sous-espace de H⊗ .
!t
Comme H '→ ( 0 Hs dBs , t ≥ 0) est une application linéaire de E dans L2 (Ω, F , P) qui
conserve le produit scalaire (il s’agit d’une isométrie), elle admet un prolongement unique
à E qui conserve la propriété d’isométrie. Or, il est connu (et est admis ici) que E est un
!∞
sous-espace dense de H⊗ ; on peut donc définir 0 Hs dBs pour tout H ∈ H⊗ . D’où :
!∞
Théorème 1.3. L’application H →' 0
Hs dBs de H⊗ dans L2 (Ω, F , P) est linéaire telle
que, ∀H, K ∈ H⊗ ,
$# ∞ %
E Hs dBs = 0,
0
( ∞# # ∞ ) $# ∞ %
E ( Hs dBs )( Ks dBs ) = E Hs Ks ds .
0 0 0
1
Strictement parlant, il nous faut “un tout petit peu plus de mesurabilité” pour H dans H⊗ , comme
dans l’espace H plus tard.
§1 Intégrale stochastique 29

Si H ∈ H⊗ , alors pour tout t ≥ 0, H 1[0, t] := (Hu 1[0, t] (u), u ≥ 0) est également un

élément de H⊗ . On définit
# t # ∞
Hu dBu := Hu 1[0, t] (u) dBu , t ≥ 0,
0 0
# t # t # s
Hu dBu := Hu dBu − Hu dBu , t ≥ s ≥ 0.
s 0 0

On vérifie facilement comme dans la preuve de la Proposition 1.2 que si H ∈ E , alors

!t
( 0 Hu dBu , t ≥ 0) est une martingale continue. (Voir TD.) On admet dans le théorème
suivant que c’est encore le cas si H ∈ H⊗ .

!t
Théorème 1.4. Pour tout H ∈ H⊗ , ( 0
Hs dBs , t ≥ 0) est une martingale continue.

!t
On étend maintenant la définition de 0
Hu dBu lorsque H appartient à une famille de
processus plus riche que H⊗ . Soit
# t
H := {H = (Ht , t ≥ 0) : H adapté tel que ∀t > 0, Hs2 ds < ∞, p.s.}.
0
!t
Pour tout H ∈ H , on définit 0
Hu dBu de la façon suivante. Pour tout n ≥ 1, soit
& # t '
Tn := inf t ≥ 0 : Hs2 ds ≥ n , (inf ∅ := ∞).
0

(n)
Le processus Hs := Hs 1[0, Tn ] (s), s ≥ 0, est un élément de H⊗ , car il est adapté et
! ∞ (n) 2 ! Tn 2 (n)
0
(H s ) ds = 0
Hs ds ≤ n qui est bien intégrable. On peut donc définir It :=
! t (n) !t
0
Hs dBs = 0 Hs 1[0, Tn ] (s) dBs comme avant.
(n)
Pour chaque m ≥ 1, sur l’ensemble {Tm ≥ t}, la suite It , n ≥ m, est constante. Donc,
(n)
sur l’ensemble ∪∞
m=1 {Tm ≥ t}, qui est de probabilité 1 car Tm → ∞ p.s., la suite It converge
!t
lorsque n → ∞ vers une limite que l’on note 0 Hs dBs .
!t
Conclusion : Si H ∈ H , on peut définir ( 0 Hs dBs , t ≥ 0) comme ce que l’on vient
!t
de faire. Par définition, il s’agit d’un processus continu et adapté. On appelle 0 Hs dBs
l’intégrale stochastique, ou l’intégrale d’Itô, de H par rapport au mouvement brownien B.
!t
Récapitulatif. Si H est adapté tel que E( Hs2 ds) < ∞ pour tout t ≥ 0, alors
0
!t !t
( 0 Hs dBs , t ≥ 0) est une martingale continue de carré-intégrable, et E[( 0 Hs dBs )2 ] =
!t
E( 0 Hs2 ds). [Ceci est vrai car on peut travailler sur chacun des intervalles [0, t] au lieu de
R+ .]
30 Chapitre 4. Intégrale stochastique et formule d’Itô
!t !t
Si H ∈ H := { H adapté, ∀t > 0, 0
Hs2 ds < ∞, p.s.}, alors 0
Hs dBs est un processus
continu adapté, mais il n’est plus nécessairement une martingale. En général, on ignore
!t
même si 0 Hs dBs est intégrable.
Remarquons que tout processus continu adapté est un élément de H . !

On admettra la formule suivante qui est souvent utile, que l’on appellera par la propriété
d’arrêt de l’intégrale stochastique : si H ∈ H , et si T est un temps d’arrêt, alors
# t∧T # t
Hs dBs = Hs 1[0, T ] (s) dBs .
0 0
!t
[Le processus Ks := Hs 1[0, T ] (s), s ≥ 0, est adapté tel que ∀t, 0 Ks2 ds < ∞ p.s. ; donc
!
K ∈ H , et l’intégrale stochastique K dB est bien définie.] La formule se vérifie assez
facilement si H est élémentaire, et reste valable pour tout H ∈ H .

2. Formule d’Itô
Soit (Ω, F , (Ft ), P) un espace de probabilité filtré, et soit B = (Bt , t ≥ 0) un (Ft )-
mouvement brownien standard.

Définition 2.1. On appelle processus d’Itô tout processus (Xt , t ≥ 0) tel que
# t # t
Xt = X0 + Hs dBs + Vs ds,
0 0
!t
où X0 est F0 -mesurable, H un processus adapté tel que ∀t, 0 Hs2 ds < ∞ p.s. (c’est-à-dire
!t
que H ∈ H ), et V un processus adapté tel que ∀t, 0 |Vs | ds < ∞ p.s.
Étant donné un processus d’Itô X, on peut définir un processus continu adapté croissant
# t
⟨X⟩t := Hs2 ds, t ≥ 0.
0
!t !t
On peut montrer que si 0 Hs dBs = 0 Vs ds, pour un H ∈ H et pour un processus
!t
adapté V tel que ∀t, 0 |Vs | ds < ∞ p.s., alors H = V = 0. Donc l’écriture Xt = X0 +
!t !t
0
H s dBs + V ds pour un processus d’Itô est unique, que l’on appelle décomposition
0 s
canonique.

Remarque. Un processus d’Itô X est continu adapté. En particulier, si H est adapté tel
!t !t
que ∀t, 0 Hs2 ds < ∞ p.s., alors 0 Xs Hs dBs est bien défini. !

On énonce maintenant le théorème le plus important du cours.

§2 Formule d’Itô 31
!t !t
Théorème 2.2. (Formule d’Itô) Soit Xt = X0 + 0
Hs dBs + 0
Vs ds un processus d’Itô,
et soit f : R2 → R une fonction de classe C 2 . Alors
# t #
′ 1 t ′′
f (Xt ) = f (X0 ) + f (Xs ) dXs + f (Xs ) d⟨X⟩s ,
0 2 0

où # # #
t t t
′ ′
f (Xs ) dXs := f (Xs )Hs dBs + f ′ (Xs )Vs ds.
0 0 0

Plus généralement, si f : (t, x) ∈ R+ × R → f (t, x) ∈ R est de classe C 1,2 (continûment

différentiable en t et deux fois continûment différentiable en x), alors
# t # t # t
1
f (t, Xt ) = f (0, X0) + fs′ (s, Xs ) ds + fx′ (s, Xs ) dXs + ′′
fxx (s, Xs ) d⟨X⟩s .
0 0 2 0

Remarque. Si f est de classe C 1,2 , alors Yt := f (t, Xt ) est également un processus d’Itô,
!t !
avec sa décomposition canonique Yt = Y0 + 0 H * s dBs + t V*s ds, avec Y0 := f (0, X0), H
* t :=
0
ft′ (t, Xt )Ht et V*t := ft′ (t, Xt )Vt + 1 fxx
′′
(t, Xt )Ht2 .
2
!

Exemple 2.3. Si X est un processus d’Itô, alors d’après la formule d’Itô, on a Xt2 =
!t
X02 + 2 0 Xs dXs + ⟨X⟩t .
En particulier, # t
Bt2 =2 Bs dBs + t.
0

Donc # t
Bt2 −t= 2 Bs dBs .
0
!t !t !t
Comme pour tout t, E( 0 Bs2 ds) = 0 E(Bs2 ) ds = 0 s ds < ∞ (on a utilisé le théorème de
!t
Fubini pour la première identité), on sait que 0 Bs dBs est une martingale. Donc (Bt2 −t, t ≥
0) est une martingale, ce que l’on peut, bien sûr, directement vérifier. !

Exemple 2.4. Si f : R → R est de classe C 2 , alors

# t #
′ 1 t ′′
f (Bt ) = f (0) + f (Bs ) dBs + f (Bs ) ds.
0 2 0

Si F : R+ × R → R est de classe C 1,2 , alors

# # t$
t
1 ′′ %
F (t, Bt ) = F (0, 0) + Fx′ (s, Bs ) dBs + Fs′ + Fxx (s, Bs ) ds.
0 0 2
32 Chapitre 4. Intégrale stochastique et formule d’Itô
!t
En particulier, si Ft′ + 12 Fxx
′′
= 0 et E[ 0 (Fx′ (s, Bs ))2 ds] < ∞ pour tout t, alors F (t, Bt )
est une martingale. Ceci est le cas par exemple pour F1 (t, x) := x, F2 (t, x) := x2 − t ou
2 d 2
F3 (t, x) := x3 − 3tx. Plus généralement, si Hn (x) := (−1)n ex /2 dx (e−x /2 ) et Hn (x, t) :=
x
tn/2 Hn ( t1/2 ) (polynômes d’Hermite “modifiés”), alors Hn (t, Bt ) est une martingale. !

On présente maintenant la version multi-dimensionnelle de la formule d’Itô. Un processus

B = (Bt , t ≥ 0) à valeurs dans Rd (avec d ≥ 1) est un (Ft )-mouvement brownien d-
dimensionnel si ses composantes sont des (Ft )-mouvements browniens indépendants (donc,
en particulier, B est adapté). Un processus réel X = (Xt , t ≥ 0) est un processus d’Itô si
d #
" t # t
Xt = X0 + Hs(k) dBs(k) + Vs ds,
k=1 0 0

où d ≥ 1, B = (B (1) , · · · , B (d) ) est un (Ft )-mouvement brownien d-dimensionnel, H (k) ∈ H

! t (k)
(donc adapté tel que ∀t, 0 (Hs )2 ds < ∞ p.s.), et V un processus adapté tel que ∀t,
!t
0
|Vs | ds < ∞ p.s.
+ ! t (k) (k) !t
Pour un couple quelconque de processus d’Itô Xt = X0 + dk=1 0 Hs dBs + 0 Vs ds
+ ! t (k) (k) !t
et Yt = Y0 + dk=1 0 Ks dBs + 0 Ws ds, on définit
d #
" t
⟨X, Y ⟩t := Hs(k) Ks(k) ds, t ≥ 0.
k=1 0

En particulier, on définit ⟨X⟩t := ⟨X, X⟩t . Il est clair que ⟨X, Y ⟩ est un processus continu
adapté à variation finie, et que ⟨X⟩ est un processus continu adapté croissant.

Théorème 2.5. (Formule d’Itô multi-dimensionnelle) Soient X (1) , · · · , X (n) des pro-
cessus d’Itô :
d #
" t # t
(i) (i)
Xt = X0 + Hs(i,k) dBs(k) + Vs(i) ds.
k=1 0 0

Soit f : R+ × Rn → R une fonction de classe C 1,2,2,··· ,2 . Alors

# t
(1) (n) (1) (n) ∂f
f (t, Xt , · · · Xt ) = f (0, X0 , · · · X0 ) + (s, Xs(1) , · · · Xs(n) ) ds
0 ∂s
" n # t
∂f
+ (s, Xs(1) , · · · Xs(n) ) dXs(i)
i=1 0
∂x i
n n #
1 " " t ∂2f
+ (s, Xs(1) , · · · Xs(n) ) d⟨X (i) , X (j) ⟩s ,
2 i=1 j=1 0 ∂xi ∂xj
§2 Formule d’Itô 33

où
# t d #
" t # t
Ks dXs(i) := Ks Hs(i,k) dBs(k) + Ks Vs(i) ds.
0 k=1 0 0

Remarque. Il n’est pas nécessaire que f soit de classe C 1,2 sur tout l’espace R+ × Rn . Si
(X (1) , · · · , X (n) ) est à valeurs dans un domain D ⊂ Rn ouvert convexe, alors il suffit que f
soit de classe C 1,2 sur R+ × D. !

!t !t
Exemple 2.6. (Intégration par parties). Soient Xt = X0 + 0 Hs dBs + 0 Vs ds et
!t !t
Yt = Y0 + 0 Ks dBs + 0 Ws ds deux processus d’Itô. Alors d’après la formule d’Itô multi-
dimensionnelle,
# t # t
Xt Y t = X0 Y 0 + Xs dYs + Ys dXs + ⟨X, Y ⟩t .
0 0

Cette identité porte le nom de la formule d’intégration par parties. !

!t !t
Exemple 2.7. Soit Xt = X0 + 0
Hs dBs + 0
Vs ds un processus d’Itô. Alors il existe un
unique processus d’Itô Z tel que
# t
X0
Zt = e + Zs dXs .
0

Cet unique processus d’Itô est

$ 1 %
Zt = exp Xt − ⟨X⟩t .
2

En effet, soit Ut := exp(Xt − 21 ⟨X⟩t ). Par la formule d’Itô,

# t # t # t # t
1 1 X0
Ut = U0 + Us dXs − Us d⟨X⟩s + Us d⟨X⟩s = e + Us dXs .
0 2 0 2 0 0

On voit que U est bien une solution de notre équation.

Pour montrer l’unicité, on pose Yt := exp(−Xt + 21 ⟨X⟩t ). Par la formule d’Itô (multi-
dimensionnelle), Y est un processus d’Itô tel que
# t # #
1 t 1 t
Yt = Y0 − Ys dXs + Ys d⟨X⟩s + Ys d⟨X⟩s
0 2 0 2 0
# t # t
−X0
= e − Ys dXs + Ys d⟨X⟩s .
0 0
34 Chapitre 4. Intégrale stochastique et formule d’Itô

D’autre part, soit Z un processus d’Itô vérifiant l’équation, alors par la formule d’intégration
par parties (qui est en fait un cas spécial de la formule d’Itô),
# t # t
Y t Zt = Y 0 Z0 + Ys dZs + Zs dYs + ⟨Y, Z⟩t
0 0
# t # t # t # t
= 1+ Ys Zs dXs − Zs Ys dXs + Zs Ys d⟨X⟩s − Ys Zs d⟨X⟩s
0 0 0 0
= 1.
1
Autrement dit, Zt = Yt
= exp(Xt − 21 ⟨X⟩t ). !

3. Applications de la formule d’Itô

On présente dans cette section, sans preuve, quelques applications importantes de la formule
d’Itô.

3.1. Représentation des martingales browniennes

Soit (Ω, F , P) un espace de probabilité, et soit (Bt , t ≥ 0) un mouvement brownien. Soit
(Ft ) la filtration naturelle de B, c’est-à-dire

Ft := σ(Bs , s ∈ [0, t]), t ≥ 0.

!t !t
On a vu que si H est un processus adapté tel que ∀t, E( 0 Hs2 ds) < ∞, alors ( 0 Hs dBs , t ≥
0) est une martingale continue issue de 0, de carré-intégrable.
Le théorème suivant nous dit que toutes les martingales par rapport à (Ft ) peuvent se
représenter comme intégrale par rapport à B.

Théorème 3.1. Soit (Ft ) la filtration naturelle de B, et soit (Mt , t ≥ 0) une martingale
!t
continue. Alors il existe un processus adapté H avec ∀t, 0 Hs2 ds < ∞ p.s., tel que
# t
Mt = M0 + Hs dBs , t ≥ 0.
0
!t
Si, en plus, M est de carré-intégrable, alors E( 0
Hs2 ds) < ∞ pour tout t ≥ 0.

En pratique, on utilise souvent la version “à horizon fini” de ce théorème. Fixons un réel
r > 0. Si (Mt , t ∈ [0, r]) est une martingale continue par rapport à la filtration (Ft )t∈[0, r]
!r
de B. Alors il existe un processus adapté (Ht , t ∈ [0, r]) avec 0 Hs2 ds < ∞ p.s., tel que
# t
Mt = M0 + Hs dBs , t ∈ [0, r].
0
§3 Applications de la formule d’Itô 35
!r
Si, en plus, M est de carré-intégrable, alors E( 0
Hs2 ds) < ∞.

Exemple 3.2. Soit (Ft )t∈[0, 1] la filtration naturelle de B, et soit ξ une variable aléatoire
F1 -mesurable telle que E(|ξ|) < ∞.
Soit Mt := E(ξ | Ft ), t ∈ [0, 1], qui est une martingale. On admet qu’elle est continue.
Le théorème nous dit alors que
# 1
ξ = E(ξ) + Hs dBs ,
0
!1
où (Ht , t ∈ [0, 1]) est un processus adapté tel que 0
Hs2 ds < ∞. Si en plus E(ξ 2 ) < ∞,
!1
alors E( 0 Hs2 ds) < ∞. !

3.2. Théorème de Girsanov

Soit (Ω, F , (Ft ), P) un espace de probabilité filtré, et soit B un (Ft )-mouvement brownien.
Le théorème de Girsanov est un théorème très important qui nous permet d’effectuer des
changements de probabilités.

Théorème 3.3. (Théorème de Girsanov–Cameron–Martin) Soit (Ht , t ≥ 0) un pro-

!t
cessus adapté tel que E[exp( 12 0 Hs2 ds)] < ∞, ∀t ≥ 0. Alors, le processus
# t
Bt − Hs ds, t ≥ 0,
0

est un (Ft )-mouvement brownien sous la probabilité Q sur F∞ , où, pour tout A ∈ Ft ,
& $# t #
1 t 2 % '
Q(A) := E exp Hs dBs − H ds 1A .
0 2 0 s
!t
La condition “E[exp( 12 0 Hs2 ds)] < ∞, ∀t” a pour but d’assurer l’existence de la proba-
bilité Q sur F∞ (théorème de Novikov dans la littérature, que l’on admet).
Il existe une version “à l’horizon fini” du théorème de Girsanov–Cameron–Martin : Soit
!r
r > 0 un réel fixé, et soit (Ht , t ∈ [0, r]) un processus adapté tel que E[exp( 21 0 Hs2 ds)] < ∞,
!t
alors (Bt − 0 Hs ds, t ∈ [0, r]) est un (Ft )-mouvement brownien sous Q, la probabilité Q
!t !t
sur Fr définie par Q(A) := E{exp( 0 Hs dBs − 21 0 Hs2 ds) 1A } pour tout t ∈ [0, r] et tout
A ∈ Ft .
On écrira que
$# t
1
# t %
Q |Ft := exp Hs dBs − Hs2 ds • P |Ft .
0 2 0
36 Chapitre 4. Intégrale stochastique et formule d’Itô

Le théorème de Girsanov sert, en pratique, à enlever le “drift” d’un mouvement brownien.

Si B est un mouvement brownien et γ ∈ R est un réel, le processus (Bt + γt, t ≥ 0) est un
mouvement brownien avec dérive ; on parlera, en bon français, du “mouvement brownien
avec drift”.
!t
Exemple 3.4. Soit h : R+ → R une fonction mesurable telle que ∀ t, 0 h2 (s) ds < ∞.
!t
D’après le Théorème de Girsanov, Bt − 0 Hs ds, t ≥ 0, est un Q-mouvement brownien, où
Q est une probabilité sur F∞ tel que pour tout t,
$# t #
1 t 2 %
Q |Ft := exp h(s) dBs − h (s) ds • P |Ft .
0 2 0
γ2
En particulier, si h(t) = γ ∈ R, alors Q = eγBt − 2 t • P sur Ft . Le processus (Bt − γt, t ≥
0) est un Q-mouvement brownien, et B sous Q est un mouvement brownien avec drift γ.
(γ)
On s’intéresse à Ta := inf{t ≥ 0 : Bt = a} quand h(t) = γ. Écrivons Ta := inf{t ≥ 0 :
(γ)
Bt + γt = a}. Alors Ta sous P a la même loi que Ta sous Q.
Pour tout t > 0,
( γ2
)
P{Ta(γ) ≤ t} = Q{Ta ≤ t} = EP 1{Ta ≤t} eγBt − 2 t .

γ2
Comme (eγBs − 2
s
, s ≥ 0) est une P-martingale, le théorème d’arrêt (pour les temps d’arrêt
bornés) nous dit que $ 2 , %
γBt − γ2 t , γ2
EP e , FTa ∧t = eγBTa ∧t − 2 (Ta ∧t) .
Puisque {Ta ≤ t} ∈ FTa ∧t , on obtient :
( γ2
)
P{Ta(γ) ≤ t} = E 1{Ta ≤t} eγBTa ∧t − 2 (Ta ∧t)
( 2 )
γa− γ2 Ta
= E 1{Ta ≤t} e
# t
γ2
= eγa− 2 s P{Ta ∈ ds}.
0

a2 |a| 2
Or, Ta sous P a la même loi que B12
, et a pour densité fTa (s) = √
2πs3
exp(− a2s ) 1{s>0} ; on a
donc # $
t
|a| γ 2 s a2 %
P{Ta(γ) ≤ t} = √ exp γa − − ds.
0 2πs3 2 2s
(γ)
Autrement dit, Ta a pour densité
$ % |a| $ (a − γt)2 %
P Ta(γ) ∈ dt = √ exp 1{t>0} dt.
2πt3 2t
§3 Applications de la formule d’Itô 37

En faisant t → ∞, on a
( γ2
)
P{Ta(γ) < ∞} = E eγa− 2 Ta = eγa−|γa| ,

où la dernière identité provient de la transformée de Laplace de Ta . Par conséquent, le

mouvement brownien avec drift Bt + γt (γ ̸= 0) atteint le niveau a (a ̸= 0) avec probabilité 1
si et seulement si a et γ sont de même signe. Dans le cas contraire, la probabilité en question
vaut e2γa .
(γ)
Si γa > 0, la loi de Ta porte dans la littérature le nom de la loi gaussienne inverse.

3.3. Formule de Feynman–Kac

La formule de Feynman révèle une relation étroite entre le mouvement brownien et les
équations aux dérivées partielles.
Soit B = (Bt , t ≥ 0) un mouvement brownien à valeurs dans Rd (d ≥ 1). On se donne
des fonctions f : Rd → R et v : Rd → R telles que f est continue bornée et que v est continue
avec inf x∈Rd v(x) > −∞.

Théorème 3.5. (Formule de Feynman–Kac). Soit u : R+ × Rd → R une fonction, de

classe C 1,2 sur ]0, ∞[ ×Rd , bornée sur [0, t] × Rd pour tout t > 0, telle que
-
∂u
∂t
= 12 ∆u − vu, (t, x) ∈ ]0, ∞[ ×Rd ,
(3.1)
u(0, ·) = f.

Alors on a
& $ # t %'
u(t, x) = E f (Bt + x) exp − v(Bs + x) ds , (t, x) ∈ R+ × Rd .
0

En particulier, une telle solution est unique.

Cela fait partie de l’énoncé de la formule de Feynman–Kac que si l’on définit la fonction
!t
u(t, x) := E{f (Bt + x) exp[− 0 v(Bs + x) ds]} sur R+ × Rd , alors elle satisfait (3.1).