M2 Probabilités et Modèles Aléatoires

CALCUL STOCHASTIQUE ET PROCESSUS DE DIFFUSION

 Table des matières

Chapitre 1. Construction du mouvement brownien 1

1.1. Rappels sur les variables gaussiennes 1

1.2. Construction du mouvement brownien 3

1.3. Régularisation des trajectoires 5

1.4. Processus canonique et mesure de Wiener 8

1.5. Indépendance 10

Chapitre 2. Mouvement brownien et propriété de Markov 13

2.1. Premières propriétés 13

2.2. Propriété de Markov simple 13

2.3. Semi-groupe du mouvement brownien 15

2.4. Propriété de Markov forte 16

2.5. Variation quadratique du mouvement brownien 19

2.6. Autres 21

Chapitre 3. Martingales à temps continu 23

3.1. Filtrations et conditions habituelles 23

3.2. Mesurabilité des processus 24

3.3. Temps d'arrêt 26

3.4. Rappels sur les martingales à temps discret 27

3.5. Martingales à temps continu 28

3.6. Mouvement brownien en tant que martingale 32

Chapitre 4. Semimartingales continues 35

4.1. Fonctions à variation nie 35

4.2. Processus à variation nie 38

4.3. Martingales locales (continues) 39

4.4. Variation quadratique d'une martingale locale 41

4.5. Semimartingales continues 49

1
2 Table des matières

Chapitre 5. Intégrale stochastique 51

5.1. Intégration par rapport aux martingales de carré intégrable 51

5.2. Variation quadratique d'une intégrale stochastique 54

5.3. Intégration stochastique par rapport aux martingales locales 57

5.4. Intégration stochastique par rapport aux semimartingales 58

Chapitre 6. Formule d'Itô et applications 61

6.1. Formule d'Itô 61

6.2. Semimartingales exponentielles 66

6.3. Caractérisation de Lévy du mouvement brownien 67

6.4. Théorème de Dubins-Schwarz 68

6.5. Inégalités de Burkholder-Davis-Gundy 69

6.6. Martingales browniennes 71

6.7. Théorème de Girsanov 74

6.8. Applications du théorème de Girsanov 77

Chapitre 7. Équations diérentielles stochastiques 81

7.1. Solutions faibles et fortes 81

7.2. Coecients lipschitziens 84

7.3. Propriété de Markov 87

7.4. Le problème de martingales 88

7.5. Liens avec des EDP linéaires 92

Chapitre 8. Appendice 97

Chapitre 9. Références bibliographiques 107

 Ce polycopié est issu des notes de cours de Jean-François Le Gall, publiées en 2013 dans

son livre Mouvement Brownien, Martingales et Calcul Stochastique. Il a nalement été assez
peu modié par les enseignants successifs.
 Chapitre 1

Construction du mouvement brownien

1.1. Rappels sur les variables gaussiennes

Soit ξ une variable gaussienne centrée réduite. On vérie facilement que la transformée

de Laplace complexe de ξ est donnée par

2
E ezξ = ez /2 ,
 
z ∈ C.
En particulier, la fonction caractéristique de ξ vaut
2
E eitξ = e−t /2 ,
 
t ∈ R.

Théorème 1.1.1 (Queue de distribution gaussienne). Si ξ suit la loi gaussienne centrée

réduite, alors pour tout x > 0,
 
1 1 1 2 /2 1 1 −x2 /2
√ − 3 e−x≤ P(ξ > x) ≤ √ e ,
2π x x 2π x
2
P(ξ > x) ≤ e−x /2 .

Preuve. Voir TD. □

Remarque 1.1.2. On a P(ξ > x) ∼ 2

√1 1 e−x /2
2π x
quand x → ∞.

Soient µ∈R et σ > 0. On dit qu'une variable aléatoire réelle Y suit la loi gaussienne

N (µ, σ ) 2
si elle admet pour densité

(y − µ)2
 
1
√ exp − , y ∈ R.
σ 2π 2σ 2
On dit que Y suit la loi N (µ, 0) si Y = µ p.s.
Il est clair que Y suit la loi gaussienne N (µ, σ 2 ) si et seulement si Y = σξ + µ, où ξ suit

la loi gaussienne centrée réduite N (0, 1).

Proposition 1.1.3 (Convergence de suite de variables gaussiennes). Soit (ξn ) une suite
de variables aléatoires gaussiennes, telle que ξn suive la loi N (µn , σn2 ).
(i) Si la suite (ξn ) converge en loi vers une variable aléatoire ξ , alors µ = limn→∞ µn et
σ = limn→∞ σn existent et ξ ∼ N (µ, σ 2 ).
1
2 1. CONSTRUCTION DU MOUVEMENT BROWNIEN

(ii) Si la suite (ξn ) converge en probabilité vers ξ , alors la convergence a lieu dans Lp ,
pour tout p ∈ [1, ∞[.
Preuve. Voir TD. □

Définition 1.1.4 (Vecteur aléatoire gaussien).Un vecteur aléatoire (ξ1 , · · · , ξn ) est dit
gaussien si toute combinaison linéaire de ses coordonnées (c'est-à-dire nj=1 λj ξj pour tout
P

(λ1 , · · · , λn ) ∈ Rn ) suit une loi gaussienne.

Remarque 1.1.5. Si (ξ1 , · · · , ξn ) est un vecteur gaussien, alors chaque coordonnée est

une variable gaussienne réelle. Attention, la réciproque est fausse : si ξ1 ∼ N (0, 1) est
indépendante de ϵ telle que P(ϵ = 1) = P(ϵ = −1) = 1/2, alors ξ2 = ϵξ1 ∼ N (0, 1), mais
(ξ1 , ξ2 ) n'est pas un vecteur gaussien, puisque ξ1 + ξ2 n'est pas gaussienne.

Proposition 1.1.6. Pour ξ = (ξ1 , · · · , ξn ) vecteur gaussien, on dénit m = E(ξ) et

Qk,ℓ = Cov(ξk , ξℓ ), k, ℓ = 1, . . . , n.
(1) La fonction caractéristique de ξ est donnée par
1
E[exp(i⟨ξ, u⟩)] = exp(i⟨m, u⟩ − ⟨Qu, u⟩), u ∈ Rn ,
2
où ⟨·, ·⟩ est le produit scalaire usuel (euclidien) de Rn .
(2) m et Q déterminent la loi de ξ . On écrit ξ ∼ N (m, Q).
(3) Si ξ1 , . . . , ξn sont i.i.d. N (0, 1), alors ξ ∼ N (0, In ).
(4) Si A ∈ Mp×n (R) et µ ∈ Rp , alors Aξ + µ ∼ N (Am + µ, AQAT ).
(5) Si det Q ̸= 0 alors la loi de ξ admet la densité
1 1
(1.1) N (m, Q)(dx) = p exp(− ⟨Q−1 (x − m), x − m⟩) dx, x ∈ Rn .
(2π)n det Q 2
(6) Pour que les variables aléatoires ξ1 , · · · , ξn soient indépendantes, il faut et il sut que
la matrice Q des covariances de ξ soit diagonale.
(7) Soit (η1 , · · · , ηN ) un vecteur gaussien et 0 = n1 < n2 < · · · < np = N . Pour que la
famille de vecteurs aléatoires (θ1 , · · · , θp−1 ), où θk = (ηnk +1 , . . . , ηnk+1 ), soit indépen-
dante, il faut et il sut que Cov(ηk , ηℓ ) = 0, ∀k, ℓ ≤ N tels que nq < k ≤ nq+1 et
nh < ℓ ≤ nh+1 pour q ̸= h.

Preuve rapide. (1) On sait que ⟨ξ, u⟩ =

Pn
1uk ξk suit une loi gaussienne, et sa moyenne
est E[⟨ξ, u⟩] = ⟨m, u⟩, et sa variance est Var (⟨ξ, u⟩) = ⟨Qu, u⟩, donc nalement ⟨ξ, u⟩ ∼
N (⟨m, u⟩, ⟨Qu, u⟩), et le résultat s'ensuit.
 1.2. CONSTRUCTION DU MOUVEMENT BROWNIEN 3

(2) découle de (1).

(3) vient du fait que le vecteur ξ = (ξ1 , . . . , ξn ) est clairement gaussien, de moyenne 0 et

de matrice de covariance In .
Pour (4), il sut de noter que Aξ+µ est gaussien, de calculer sa moyenne et sa covariance.
(5) On considère X ∼ N (0, In ), dont on connaît la densité par (3). Puis on introduit
ξ = m + Q1/2 X , qui a pour loi N (m, Q) par (4). Il sut alors de procéder à un changement
de variable.

(6) et (7) découlent de l'expression explicite de la fonction caractéritique, cf (1). □

Soit Q une matrice de covariance n×n (symétrique positive) et µ ∈ Rn . Si X ∼ N (0, In ),

alors Y = µ + Q1/2 X ∼ N (µ, Q). On remarque donc que si det Q = 0, alors X ∼ N (µ, Q)
1/2
appartient presque sûrement à F = {µ + x : x ∈ Im Q } qui est de mesure (de Lebesgue)

nulle dans R n
. La loi N (µ, Q) n'a donc pas de densité.

1.2. Construction du mouvement brownien

On se place dans un espace probabilisé (Ω, F , P). Soit T = R+ (ou R, ou N, ou Z).

Définition 1.2.1. Un processus est une famille X = (Xt , t ∈ T) de variables aléatoires

réelles dénies sur (Ω, F , P). Un processus X = (Xt , t ∈ T) est un processus gaussien si
pour tout n ≥ 1 et tout (t1 , · · · , tn ) ∈ Tn , (Xt1 , · · · , Xtn ) est un vecteur gaussien. On dit que
X est centré si pour tout t ∈ T, E(Xt ) = 0.

Définition 1.2.2. On dit que B = (Bt , t ≥ 0) est un mouvement brownien (réel, issu
de 0), si B est un processus gaussien centré de covariance
E(Bs Bt ) = min{s, t} = s ∧ t, s ≥ 0, t ≥ 0.

Proposition 1.2.3. Soit (Bt , t ≥ 0) un processus. (Bt , t ≥ 0) est un mouvement brow-

nien si et seulement si il vérie les conditions suivantes :
(i) B0 = 0, p.s.
(ii) Pour tout n ≥ 2, et tous 0 ≤ t1 ≤ t2 ≤ · · · ≤ tn , le vecteur aléatoire (Bt1 , Bt2 −
Bt1 , . . . , Btn − Btn−1 ) est une famille indépendante.
(iii) Pour tous t ≥ s ≥ 0, Bt − Bs suit la loi gaussienne N (0, t − s).

Remarque 1.2.4. On dira que le mouvement brownien est à accroissements indépendants

(propriété (ii)) et stationnaires (propriété (iii)). □

4 1. CONSTRUCTION DU MOUVEMENT BROWNIEN

Preuve de la Proposition 1.2.3. Si" : On suppose que B vérie (i)(iii). Soient 0 ≤ t1 ≤

t2 ≤ · · · ≤ tn . Par hypothèse, Btn − Btn−1 , · · · , Bt2 − Bt1 , Bt1 sont des variables gaus-

siennes indépendantes. Donc (Bt1 , Bt2 − Bt1 , · · · , Btn − Btn−1 ) est un vecteur gaussien, et

(Bt1 , Bt2 , · · · , Btn ) l'est aussi. On a donc démontré que B est un processus gaussien, qui est

évidemment centré d'après (iii) et (i).

Pour vérier que B est un mouvement brownien, il sut maintenant de déterminer sa

fonction de covariance. Soient t ≥ s ≥ 0. On a E(Bs Bt ) = E(Bs (Bt − Bs )) + E(Bs2 ). L'in-

dépendance entre Bs et Bt − Bs nous dit que E(Bs (Bt − Bs )) = 0, tandis que d'après (iii),
E(Bs2 ) = s. Donc E(Bs Bt ) = s. Évidemment, si (s, t) ∈ R2+ est quelconque, on a alors par
symétrie E(Bs Bt ) = s ∧ t. En conclusion, B est un mouvement brownien.

Seulement si" : Soit B un mouvement brownien. Alors E(B02 ) = 0, d'où (i). Soient

maintenant t ≥ s ≥ 0. La variable Bt − Bs suit une loi gaussienne centrée, de variance

E(Bt − Bs ) = E(Bt2 ) + E(Bs2 ) − 2E(Bs Bt ) = t + s − 2s = t − s. D'où (iii).

2

Il reste donc à prouver (ii). Soient 0 ≤ t1 ≤ t2 ≤ · · · ≤ tn . On sait que (Bt1 , . . . , Btn ) est

gaussien, donc (Btn − Btn−1 , · · · , Bt2 − Bt1 , Bt1 ) aussi. De plus, la matrice de covariance de

ce vecteur gaussien est diagonale, car pour j > i, E[(Btj − Btj−1 )(Bti − Bti−1 )] = E(Btj Bti ) −
E(Btj−1 Bti ) − E(Btj Bti−1 ) + E(Btj−1 Bti−1 ) = ti − ti − ti−1 + ti−1 = 0. D'après la Proposition

1.1.6, les composantes de ce vecteur gaussien sont indépendantes. □

Corollaire 1.2.5. Si B = (Bt , t ≥ 0) est un mouvement brownien alors pour tous

0 = t0 < t1 < t2 < · · · < tn , (Bt1 , . . . , Btn ) a pour densité dans Rn
n
!
1 1 X (xi − xi−1 )2
P((Bt1 , . . . , Btn ) ∈ dx) = p exp − dx,
(2π)n t1 (t2 − t1 ) · · · (tn − tn−1 ) 2 i=1 ti − ti−1
où x0 = 0.
Preuve. On applique la Proposition 1.1.6-(5) à ξ = (Bt1 , Bt2 , . . . , Btn ). □

Théorème 1.2.6. On peut construire au moins un mouvement brownien.

Preuve. Nous considérons l'espace mesuré (R+ , B, dx) où B sont les boréliens de R+ et dx
est la mesure de Lebesgue. L'espace H = L2 (R+ , B, dx) est hilbertien séparable et admet

donc une base hilbertienne (ek )k∈N (famille orthonormée telle que pour tout h ∈ H, h =
P
k∈N ⟨h, ek ⟩ek ). Nous considérons une suite i.i.d. (ξk )k∈N de variables réelles gaussiennes

standard et nous dénissons

n
ξk ⟨ek , 1[0,t] ⟩,
X
Btn = t ∈ R+ , n ∈ N,
k=0
 1.3. RÉGULARISATION DES TRAJECTOIRES 5

où ⟨·, ·⟩ est le produit scalaire canonique de H.

Alors pour m>n
m 2 i m
ξk ⟨ek , 1[0,t] ⟩ ⟨ek , 1[0,t] ⟩2
h X X
E((Btn − Btm )2 ) =E =
k=n+1 k=n+1

(Btn )n∈N L2 (P) 1[0,t] = 1[0,t] ⟩ek ,

P
et donc est une suite de Cauchy dans car, comme k≥0 ⟨ek ,

⟨ek , 1[0,t] ⟩2 = ∥1[0,t] ∥2L2 (R+ ) = t < +∞.

X

k∈N

Pour tout t ∈ R+ il existe donc une limite Bt dans L2 (P) de Btn quand n → +∞.
Il faut maintenant prouver que (Bt )t∈R+ a les propriétés souhaitées. D'abord, (Bt )t≥0
Pk
est gaussien centré par la proposition 1.1.3, car pour λ1 , . . . , λk et t1 , . . . , tk , 1 λj Btj est
Pk
la limite (dans L2 ) de 1 λj Btnj , qui suit une loi gaussienne centrée puisque combinaison

linéaire de (ξ1 , . . . , ξn ).
Il reste à calculer la fonction de covariance :
n
1[0,s] ⟩ ⟨ek , 1[0,t] ⟩
X
E(Bsn Btn ) = ⟨ek ,
k=0
2 n
et par la convergence dans L (P) de Bt vers
Bt nous obtenons
∞
⟨ek , 1[0,s] ⟩ ⟨ek , 1[0,t] ⟩ = ⟨1[0,s] , 1[0,t] ⟩ = s ∧ t.
X
E(Bs Bt ) =
k=0
Ceci conclut la preuve. □

1.3. Régularisation des trajectoires

Soit B = (Bt , t ≥ 0) un mouvement brownien. Les applications t 7→ Bt (ω) pour ω ∈ Ω,
sont appelées les trajectoires de B. Pour l'instant, on ne peut rien armer au sujet de ces

trajectoires : il n'est même pas clair que ces applications soient mesurables. Le but de ce

paragraphe est de montrer que, quitte à modier un peu" B, on peut faire en sorte que les

trajectoires soient continues.

Définition 1.3.1. Soient (Xt , t ≥ 0) et (Xet , t ≥ 0) deux processus aléatoires (c'est-à-

dire deux familles de variables aléatoires).
On dit que Xe est une modication de X pour tout t ≥ 0, p.s., Xt = Xet .
On dit que X et Xe sont indistinguables si p.s., pour tout t ≥ 0, Xt = Xet .
Si et (ω) = 1{t=U (ω)} avec U uniforme sur [0, 1], alors X
Xt (ω) = 0 et X e est une modication
de X , mais X et X e ne sont pas indistinguables. Noter que X est p.s. continu, alors que X e
est p.s. discontinu.
6 1. CONSTRUCTION DU MOUVEMENT BROWNIEN

Remarque 1.3.2. Si Xe est une modication de X , alors pour tout t1 , t2 , · · · , tn , le

vecteur aléatoire (Xet1 , · · · , Xetn ) a même loi que (Xt1 , · · · , Xtn ). En particulier, si X est un
mouvement brownien, alors Xe est aussi un mouvement brownien.

Remarque 1.3.3. Si X et Xe sont deux processus dont les trajectoires sont p.s. continues,
alors Xe est une modication de X si et seulement si X et Xe sont indistinguables.

En eet, si X
e est une modication de X, alors p.s. pour tout t ∈ Q+ , Xt = X
et . Par

continuité, p.s. pour tout t ∈ R+ , Xt = X

et , c'est-à-dire que X et X
e sont indistinguables.

Théorème 1.3.4 (Critère de Kolmogorov). Soit X = (Xt , t ≥ 0) un processus aléa-

toire, à valeurs dans un espace métrique complet (E, d). Supposons qu'il existe trois réels
strictement positifs p, ε et C tels que
E [ d(Xs , Xt )p ] ≤ C |t − s|1+ε , ∀ s, t ≥ 0.

Alors il existe une modication Xe de X dont les trajectoires sont localement höldériennes
d'exposant α, pour tout α ∈ ]0, pε [ , c'est-à-dire que pour tout T > 0, tout α ∈ ]0, pε [ , tout
ω ∈ Ω, il existe Cα (T, ω) tel que

d(X et (ω)) ≤ Cα (T, ω) |t − s|α ,

es (ω), X ∀ s, t ∈ [0, T ].

De plus, on peut choisir Cα (T, ω) tel que E[(Cα (T ))p ] < ∞.

Il existe donc une modication continue de X , qui est unique à indistinguabilité près.

Il faut vraiment que ϵ > 0 : le processus de Poisson (Nt )t∈[0,1] n'admet pas pas de

modication continue, et E[|Nt − Ns |] = |t − s| pour tout s, t ∈ [0, 1].

Plus simplement, Xt = 1{U ≤t} , avec U uniforme sur [0, 1] vérie E[|Xt − Xs |p ] = |t − s|
pour tout p > 0, 0 ≤ s, t ≤ 1 et n'admet pas de modication continue : toute modication

de (Xt )t∈[0,1] appartient p.s. à l'ensemble

n o
x : [0, 1] → R : x(0) = 0, x(1) = 1, et pour tout t ∈ Q ∩ [0, 1], x(t) ∈ {0, 1}

qui ne contient pas de fonction continue.

Preuve. L'unicité provient de la remarque avant l'énoncé du théorème. On démontre l'exis-

tence. On suppose par exemple que T = 1. On xe α ∈]0, ϵ/p[.

Etape 1. On pose
Kα = sup maxn 2nα d(Xi2−n , X(i+1)2−n ).
n≥0 i=0,...,2 −1
 1.3. RÉGULARISATION DES TRAJECTOIRES 7

On a
−1 n
X 2X
p
E[(Kα ) ] ≤ 2nαp E[d(Xi2−n , X(i+1)2−n )p ]
n≥0 i=0
−1 n
X 2X X
≤ C 2nαp (2−n )1+ϵ = C 2n(αp−ϵ) < ∞.
n≥0 i=0 n≥0

Etape 2. Pour t ∈ [0, 1] et n ∈ N, on pose tn = 2 ⌊2 t⌋ : tn est le nombre dyadique, avec

−n n

exactement n chires après la virgule (en base 2), les mêmes que ceux de t. Noter que pour

tout t ∈ [0, 1], pour tout n ∈ N,

d(Xtn , Xtn+1 ) ≤ Kα 2−(n+1)α ,

car tn = 2−(n+1) 2⌊2n t⌋, tn+1 = 2−(n+1) ⌊2n+1 t⌋ et car ⌊2n+1 t⌋ = 2⌊2n t⌋ ou 2⌊2n t⌋ + 1.

Etape 3. Soit A = {Kα < ∞} et x0 ∈ E quelconque xé. Pour t ∈ [0, 1] on pose

X̃t (ω) = lim Xtn (ω) si ω∈A et X̃t (ω) = x0 si ω ∈ Ac .

n

La limite existe (pour ω ∈ A) car la suite Xtn est de Cauchy : par l'étape 2, si m ≥ n,
m−1 m−1
X X Kα 2−(n+1)α
d(Xtn , Xtm ) ≤ d(Xtk , Xtk+1 ) ≤ Kα 2−(k+1)α ≤ .
k=n k=n
1 − 2−α

Etape 4. Pour tout ω , X̃(ω) est α-Hölder. Si ω ∈ Ac , c'est évident. Si ω ∈ A, pour

0 ≤ s < t ≤ 1, on considère n ≥ 0 l'entier tel que 2−(n+1) < t − s ≤ 2−n . On a alors tn = sn

−n −nα
ou sn + 2 , donc d(Xsn , Xtn ) ≤ Kα 2 , puis

d(X̃t , X̃s ) = lim d(XtN , XsN )

N →∞
 N
X −1 N
X −1 
≤ lim d(Xtn , Xsn ) + d(Xtk , Xtk+1 ) + d(Xsk , Xsk+1 )
N →∞
k=n k=n
∞
X ∞
X
= d(Xtn , Xsn ) + d(Xtk , Xtk+1 ) + d(Xsk , Xsk+1 )
k=n k=n
X∞ ∞
X
≤ Kα 2−nα + Kα 2−(k+1)α + Kα 2−(k+1)α
k=n k=n
−nα 1+α
2 2 Kα
≤ 2Kα −α
≤ |t − s|α
1−2 1 − 2−α
car 2−(n+1) < t − s, donc 2−n ≤ 2|t − s|.
Etape 5. Enn, X̃ est une modication de X, car pour t ∈ [0, 1],

E[d(Xt , X̃t )p ∧ 1] = lim E[d(Xt , Xtn )p ∧ 1] ≤ C lim |t − tn |1+ϵ = 0. □

n n
8 1. CONSTRUCTION DU MOUVEMENT BROWNIEN

Corollaire 1.3.5. Soit B = (Bt , t ≥ 0) un mouvement brownien. Le processus B admet

une modication dont les trajectoires sont localement höldériennes d'exposant α, pour tout
α ∈]0, 1/2[. En particulier, B admet une modication continue. Et cette modication est
encore un mouvement brownien.
Preuve. Ceci découle du critère de Kolmogorov : pour tout p > 2, pour tous t, s ≥ 0, on a
p p/2 p
E[ |Bt − Bs | ] = Cp (t − s) , où Cp = E[ |N (0, 1)| ] < ∞. Donc B admet une modication

localement höldérienne d'exposant α, pour tout α ∈]0, (p/2 − 1)/p[. Comme p peut être

choisi arbitrairement grand, les trajectoires sont en fait localement höldériennes d'exposant

α, pour tout α ∈]0, 1/2[. □

On adopte donc la dénition suivante, qui annule la précédente (Dénition 1.2.2).

Définition 1.3.6. On dit que B = (Bt , t ≥ 0) est un mouvement brownien (réel,

issu de 0), si B est un processus gaussien centré de covariance E(Bs Bt ) = min{s, t} = s ∧ t,
s, t ≥ 0 et si pour tout ω , t 7→ Bt (ω) est continue sur [0, ∞[.

On voit donc que B est automatiquement (localement) höldérien d'exposant α, pour tout
α ∈]0, 1/2[. Nous verrons que p.s., B n'est pas höldérien d'exposant 1/2.

1.4. Processus canonique et mesure de Wiener

On considère C(R+ , R) l'espace des fonctions réelles continues sur R+ , muni de la topo-

logie de convergence uniforme sur les compacts, qui peut être métrisée ainsi :
∞
X 1 δn (w, w′ )
d(w, w′ ) = n 1 + δ (w, w′ )
,
n=1
2 n

où δn (w, w′ ) = supt∈[0,n] |w(t) − w′ (t)|. Pour wk , w dans C(R+ , R), on a limk d(wk , w) = 0 si

et seulement si pour tout T > 0, limk supt∈[0,T ] |wk (t) − w(t)| = 0.

Rappel 1.4.1. (i) C(R+ , R), muni de la topologie ci-dessus, est séparable.
(ii) C(R+ , R), muni de la convergence uniforme (sur R+ ), n'est pas séparable.
(iii) Si E (muni d'une certaine métrique) est séparable, alors tout sous-ensemble F de
E , muni de la topologie induite, est séparable.

On note C (R+ , R) la tribu borélienne de C(R+ , R) (muni de la topologie ci-dessus).

Pour tout t ≥ 0, soit Xt : C(R+ , R) 7→ R déni par Xt (w) = w(t).

On dit que X = (Xt , t ≥ 0) est le processus canonique sur C(R+ , R). Noter que X est

l'application identité de C(R+ , R).

Lemme 1.4.2. On a σ(Xt , t ≥ 0) = C (R+ , R).

 1.4. PROCESSUS CANONIQUE ET MESURE DE WIENER 9

Preuve. Pour t ≥ 0, Xt : C(R+ , R) 7→ R est continu (si d(wn , w) → 0, alors Xt (wn ) → Xt (w))
et donc mesurable pour la tribu C (R+ , R) (et B(R)). Ainsi, σ(Xt , t ≥ 0) ⊂ C (R+ , R).
Pour l'autre inclusion, il sut de montrer que pour F un fermé de C(R+ , R), on a

F ∈ σ(Xt , t ≥ 0). Comme F est fermé, F = {w ∈ C(R+ , R) : d(w, F ) = 0}. Il sut donc

de vérier que w 7→ d(w, F ) est σ(Xt , t ≥ 0)-mesurable. On considère (wk )k≥1 une suite

dense de F (on rappelle que C(R+ , R) est séparable), on écrit d(w, F ) = inf k≥1 d(w, wk ),
et il sut de montrer que pour tout w0 ∈ C(R+ , R) xé, l'application w 7→ d(w, w0 ) est

σ(Xt , t ≥ 0)-mesurable. Par dénition de d, il sut de montrer que pour tout n ≥ 1, w 7→

δn (w, w0 ) est σ(Xt , t ≥ 0)-mesurable. Mais w →
7 δn (w, w0 ) = supt∈[0,n]∩Q |w(t) − w0 (t)| =
supt∈[0,n]∩Q |Xt (w) − Xt (w0 )| est bien sûr σ(Xs , s ≥ 0)-mesurable. □

Nous voyons ainsi que tout processus à trajectoires continues est en fait une v.a. à valeurs

dans (C(R+ , R), C (R+ , R)). Le résultat suivant est crucial.

Définition 1.4.3. et théoreme. Soit (Zt )t≥0 un processus (pour chaque t ≥ 0, Zt est
une variable aléatoire réelle), déni sur (Ω, F , P), à valeurs dans R et à trajectoires continues
(pour tout ω ∈ Ω, t 7→ Zt (ω) est continu sur R+ ). Alors l'application Z suivante :
Ω −→ C(R+ , R)
ω 7−→ Z(ω) = (t 7→ Zt (ω), t ≥ 0)

est une variable aléatoire à valeurs dans (C(R+ , R)), C (R+ , R)). On appelle loi de Z la
mesure probabilité µZ sur (C(R+ , R), C (R+ , R)), image de P par l'application Z . Autrement
dit, pour A ∈ C (R+ , R), µZ (A) = P((t 7→ Zt , t ≥ 0) ∈ A).
Preuve. Il s'agit de montrer que Z est (F , C (R+ , R))-mesurable. On considère donc U =
{A ∈ C (R+ , R) : {Z ∈ A} ∈ F }, qui est une tribu, et on veut que U = C (R+ , R). Pour tout
t ≥ 0 et tout Γ ∈ B(R), Xt−1 (Γ) ∈ U , car {Z ∈ Xt−1 (Γ)} = {Xt (Z) ∈ Γ} = {Zt ∈ Γ} ∈ F
puisque Zt est une v.a. Donc σ(Xt , t ≥ 0) ⊂ U , puis U = C (R+ , R) par le lemme. □

Théorème 1.4.4. Soit Z et Z̃ deux processus à valeurs dans R à trajectoires continues.

Alors µZ = µZ̃ si et seulement si pour tout t1 , . . . , tn ∈ R+ , les vecteurs (Zt1 , . . . , Ztn ) et
(Z̃t1 , . . . , Z̃tn ) ont même loi.

On dit que la loi d'un processus continu est caractérisée par ses lois ni-dimensionnelles.

En particulier, tous les mouvements browniens (continus) ont la même loi.

Preuve. On rappelle que si deux probabilités µ et ν sur un espace mesurable (E, E) coïncident
sur un pi-système P (P stable par intersection et E ∈ P) qui engendre E, alors µ = ν. Or
10 1. CONSTRUCTION DU MOUVEMENT BROWNIEN

l'ensemble P des parties de C(R+ , R) de la forme

{w ∈ C(R+ , R) : (Xt1 (w), . . . , Xtn (w)) ∈ A},

avec n ≥ 1, 0 ≤ t1 < · · · < tn etA ∈ B(Rn ) est un pi-système (facile) qui engendre C (R+ , R)
(facile par le lemme 1.4.2). Donc il sut de montrer que pour tout n ≥ 1, 0 ≤ t1 < · · · < tn

et A ∈ B(Rn ),

P(Z ∈ {w ∈ C(R+ , R) : (Xt1 (w), . . . , Xtn (w)) ∈ A})

= P(Z̃ ∈ {w ∈ C(R+ , R) : (Xt1 (w), . . . , Xtn (w)) ∈ A}).

Mais cela se réécrit P((Zt1 , . . . , Ztn ) ∈ A) = P((Z̃t1 , . . . , Z̃tn ) ∈ A). □

Définition 1.4.5. On appelle mesure de Wiener la loi du mouvement brownien. C'est

l'unique probabilité W sur (C(R+ , R), C (R+ , R)) telle que W({w : w(0) = 0}) = 1, et que
pour tout n ≥ 1, tout 0 = t0 < t1 < t2 < · · · < tn et tout A ∈ B(Rn ),
W({w : (w(t1 ), · · · , w(tn )) ∈ A})
n
!
1 X (xk − xk−1 )2
Z
1
= p exp − dx1 · · · dxn ,
A (2π)
n/2 t1 (t2 − t1 ) · · · (tn − tn−1 ) 2 k=1 tk − tk−1
avec la notation x0 = 0 et t0 = 0.
Remarque 1.4.6. Le processus canonique (Xt , t ≥ 0), déni sur l'espace de probabilités
(Ω, F , P) = (C(R+ , R), C (R+ , R), W) par Xt (w) = w(t), est un mouvement brownien.

1.5. Indépendance
Nous énonçons une fois pour toutes le résultat suivant.

Proposition 1.5.1. Soient (Xt )t≥0 et (Yt )t≥0 deux processus continus à valeurs dans R,
dénis sur un espace de probabilité (Ω, F , P) et soit G une sous-tribu de F .
(i) Si pour tout A ∈ G , tout n ≥ 1, tout 0 ≤ t1 < · · · < tn , le vecteur (Xt1 , . . . , Xtn ) est
indépendant de A, alors le processus (Xt )t≥0 est indépendant de G .
(ii) Si pour tout n ≥ 1, tout 0 ≤ t1 < · · · < tn , les vecteurs (Xt1 , . . . , Xtn ) et (Yt1 , . . . , Ytn )
sont indépendants, alors les processus (Xt )t≥0 et (Yt )t≥0 sont indépendants.
Preuve. On rappelle le résultat suivant, qui résulte du théorème des classes monotones. Soit

X une variable aléatoire à valeurs dans (E, E ) dénie sur (Ω, F , P), soit G une sous-tribu
de F et soit P ⊂E un pi-système engendrant E. Si on a P(X ∈ Γ, A) = P(X ∈ Γ)P(A)

pour tout Γ∈P et tout A ∈ G, alors X est indépendante de G.

 1.5. INDÉPENDANCE 11

Pour montrer (i), il sut d'appliquer ce résultat avec X = (Xt )t≥0 , qui est à valeurs dans
(C(R+ , R), C (R+ , R)), avec le pi-système P composé des parties de C(R+ , R) de la forme

{w ∈ C(R+ , R) : (wt1 , . . . , wtn ) ∈ Γ},

avec n ≥ 1, 0 ≤ t1 < · · · < tn et Γ ∈ B(Rn ).
La preuve de (ii) est similaire. □
 Chapitre 2

Mouvement brownien et propriété de Markov

Nous avons introduit le mouvement brownien dans le chapitre précédent comme un pro-

cessus gaussien et processus à accroissements indépendants et stationnaires. Ce chapitre est

consacré à l'étude du mouvement brownien en tant que processus de Markov.

2.1. Premières propriétés

Proposition 2.1.1. Si B est un mouvement brownien, alors les processus suivants sont
aussi des mouvements browniens (continus).
(i) Bet = −Bt (symétrie).
(ii) Bet = tB1/t , Be0 = 0 (inversion du temps).
(iii) a > 0 xé, Bet = √1a Bat (changement d'échelle).
(iv) T > 0 xé, Bet = BT − BT −t , t ∈ [0, T ] (retournement du temps).

Preuve. Il sut de vérier à chaque fois que Be est un processus gaussien centré de covariance
s ∧ t, à trajectoires p.s. continues. C'est très facile. La seule diculté consiste à montrer,

dans le cas (ii), la continuité p.s. en 0 de B

e . Mais nous savons que B
e admet une modication
e est continu sur ]0, ∞[, on en déduit que p.s., pour tout t > 0,
B̄ continue. Comme de plus, B
B̄t = B e0 = B̄0 = 0, on conclut que p.s., pour tout t ≥ 0, B̄t = B
et . Comme enn B et . Donc B
e
est p.s. continu sur [0, ∞[. □

Exercice 2.1.2 (Pont brownien). Soit B bt = Bt − tB1 ,

un mouvement brownien, et soit

t ∈ [0, 1]. Montrer que b est un processus gaussien centré de covariance (s∧t)−st. On dit que
b est un pont brownien (standard). Montrer que (bt )t∈[0,1] est indépendant de B1 (il sut que

(bt1 , . . . , btn ) soit indépendant de B1 pour tout (t1 , . . . , tn ), et on peut utiliser que le vecteur

(B1 , bt1 , . . . , btn ) est gaussien). Montrer que (b1−t , t ∈ [0, 1]) est aussi un pont brownien (qu'il
a même loi que (bt )t∈[0,1] ), et que (B et = (1 + t)bt/(1+t) , t ≥ 0) est un mouvement brownien. □

2.2. Propriété de Markov simple

Dans cette section, Ft = σ(Bs , 0 ≤ s ≤ t).
13
14 2. MOUVEMENT BROWNIEN ET PROPRIÉTÉ DE MARKOV

Soit s ≥ 0. Le processus (Bet = Bt+s − Bs , t ≥ 0) est

Théorème 2.2.1 (Markov simple).

un mouvement brownien, indépendant de Fs .

Preuve. On peut facilement vérier que B
e est un processus gaussien centré à trajectoires

p.s. continues, avec B

e0 = 0, p.s., dont la covariance vaut E(B et′ ) = t ∧ t′ ;
et B c'est donc un

mouvement brownien.

Pour démontrer l'indépendance, il sut de montrer que pour 0 ≤ t1 < · · · < tn et

0 ≤ s1 < · · · < sm ≤ s, les vecteurs (B

et1 , · · · , B
etn ) et (Bs1 , · · · , Bsm ) sont indépendants. Or,
Cov(Bet , Bs ) = E[(Bs+t − Bs )Bs ] = 0 (car s ≥ sj ) ; comme (B et1 , · · · , B
etn , Bs1 , · · · , Bsm )
i j i j

est un vecteur gaussien, on a l'indépendance entre et1 , · · · , B

(B etn ) et (Bs1 , · · · , Bsm ). □
La propriété de Markov du mouvement brownien peut être renforcée de la façon suivante.

Théorème 2.2.2. Soit s ≥ 0, et soit

\
Fs+ = Fu .
u>s

Le processus (Bet = Bt+s − Bs , t ≥ 0) est indépendant de Fs+ .

Preuve. Pour démontrer le théorème, il sut de vérier que, pour A ∈ Fs+ , 0 ≤ t1 < t2 <
n
· · · < tn et F : R → R continue et bornée,
E 1A F ( B
h i
(2.1) et1 , · · · , B
etn ) = P(A) E [F (Bt1 , · · · , Btn )] .

Soit ε > 0. D'après le Théorème 2.2.1, le processus t 7→ Bt+s+ε − Bs+ε est indépendant

de Fs+ε , et a fortiori de Fs+ . Donc

E [ 1A F (Bt1 +s+ε − Bs+ε , · · · , Btn +s+ε − Bs+ε )] = P(A) E [F (Bt1 , · · · , Btn )] .

En faisant ε → 0, et à l'aide de la continuité des trajectoires et du théorème de convergence

dominée, on obtient (2.1). □

Théorème 2.2.3 (loi 01 de Blumenthal). La tribu F0+ est triviale, au sens où ∀ A ∈
F0+ , P(A) = 0 ou 1.

Preuve. Par le Théorème 2.2.2, F0+ est indépendante de la tribu σ(Bt , t ≥ 0). Comme F0+
est contenue dans σ(Bt , t ≥ 0), on en déduit que F0+ est indépendante d'elle-même, donc

triviale. □

Exemple 2.2.4. On a p.s.

Bt Bt Bt Bt
lim sup √ = +∞, lim inf √ = −∞, lim sup √ = +∞, lim inf √ = −∞.
t→0 t t→0 t t→∞ t t→∞ t
 2.3. SEMI-GROUPE DU MOUVEMENT BROWNIEN 15

Par symétrie et inversion du temps, il sut de traiter la première limite. Fixons K > 0.
√
Soit An = { n B1/n > K}.
Alors lim sup An est F0+ -mesurable. En eet, pour tout k ≥ 1, on a lim sup An =
∩n≥0 ∪ℓ≥n Aℓ = ∩n≥k ∪ℓ≥n Aℓ qui appartient à F1/k . Donc lim sup An ∈ ∩k≥1 F1/k = F0+ .
De plus, P(lim sup An ) ≥ lim supN →∞ P(AN ) = P(B1 > K) > 0, on a, par la loi 01,

P(lim sup An ) = 1.
Bt Bt
A fortiori, lim supt→0 √
t
≥K p.s. puis, comme K est arbitraire, lim supt→0 √
t
= +∞ p.s.
On en déduit des propriétés intéressantes du brownien :
1
(a) p.s., les trajectoires de B ne sont pas höldériennes d'exposant
2
.

(b) p.s., il existe une suite tn (ω) strictement décroissante vers 0 telle que Btn > 0 pour

une innité de n et Btn < 0 pour une innité de n.

(c) p.s., pour tout a ∈ R, τa = inf{t ≥ 0 : Bt = a} < ∞.
(d) p.s., {t ≥ 0 : Bt = 0} est non borné. □

Exercice 2.2.5. Soit (tn )n≥1 une suite déterministe strictement décroissante vers 0. Alors
p.s. Btn > 0 pour une innité de n, et Btn < 0 pour une innité de n. □

2.3. Semi-groupe du mouvement brownien

On note Cb (R) = {f : R 7→ R continue bornée}, C0 = {f ∈ Cb (R) : lim|x|→∞ f (x) = 0},
2 2
et Cc = {f ∈ C (R) : f à support compact}. On note ∥f ∥∞ = supx∈R |f (x)|.
Pour (Bt , t ≥ 0) un mouvement Brownien standard issu de 0, t ≥ 0, f ∈ Cb (R) et x ∈ R,
on pose
(x − y)2
Z  
1
Pt f (x) = E[f (x + Bt )] = √ exp − f (y) dy.
R 2πt 2t
Proposition 2.3.1. 1. Pour f ∈ Cb (R), Pt f ∈ Cb (R) et ∥Pt f ∥∞ ≤ ∥f ∥∞ , et pour
tous s, t ≥ 0, Pt (Ps f ) = Pt+s f .
2. Propriété de Feller : Si f ∈ C0 , alors Pt f ∈ C0 et limt↓0 ∥Pt f − f ∥∞ = 0.
3. Générateur innitésimal : Si f ∈ Cc2 , alors limt↓0 Pt f (x)−f
t
(x)
= 12 f ′′ (x).
4. Lien avec l'équation de la chaleur : Si f ∈ Cb (R), alors u(t, x) = Pt f (x) est
continue sur [0, ∞[×R et C ∞ sur ]0, ∞[×R. De plus, u(0, x) = f (x) et
∂u 1 ∂ 2u
= , t > 0.
∂t 2 ∂x2
Preuve. 1. Il est évident que ||Pt f ||∞ ≤ ||f ||∞ et très facile que Pt f ∈ Cb (R). Ensuite,

comme Bt+s − Bt est indépendant de Bt et de même loi que Bs ,

Pt+s f (x) = E[f (x+Bt+s )] = E[E[f (x+Bt +(Bt+s −Bt ))|Bt ]] = E[Ps f (x+Bt )] = Pt (Ps f )(x).
16 2. MOUVEMENT BROWNIEN ET PROPRIÉTÉ DE MARKOV

2. Si f ∈ C0 (R), alors Pt f ∈ C0 (R), puisque lim|x|→∞ E[f (x + Bt )] = 0 par convergence

dominée. Montrons que ||Pt f − f ||∞ → 0 quand t → 0. Comme f ∈ C0 (R), f est unifor-

mément continue sur R. Donc ||Pt f − f ||∞ ≤ E[supx∈R |f (x + Bt ) − f (x)|] tend vers 0, par

convergence dominée et car Bt tend vers 0 p.s. quand t → 0.

2
3. Pour f ∈ Cc (R), il existe une constante K > 0 telle que pour tous x, z ∈ R, on a
f (x+z)−f (x)−zf ′ (x) ′ (x)
| z2
| ≤ K . De plus, limz→0 f (x+z)−fz(x)−zf
2 = 12 f ′′ (x). Du coup,
Pt f (x) − f (x)
= t−1 E[f (x + Bt ) − f (x)] = t−1 E[f (x + Bt ) − f (x) − f ′ (x)Bt ],
t
qu'on peut aussi écrire

Pt f (x) − f (x) h f (x + √tB ) − f (x) − f ′ (x)√tB i

1 1
=E ,
t t
1 ′′
tend vers
2
f (x) par convergence dominée quand t → 0 (la variable dans l'espérance est
2 1
bornée par KB1 ∈L ).

4. La fonction u(t, x) = E[f (x + Bt )] est continue sur [0, ∞[×R, car (x, t) 7→ f (x + Bt )
est p.s. continue et bornée sur [0, ∞[×R. Il est fastidieux mais sans surprise de montrer que

1
Z
1  (r − x)2 
u(t, x) = f (r) exp − dr
(2π)1/2 R t1/2 2t
est C∞ sur ]0, ∞[×R et qu'on peut dériver sous le signe intégrale. Ainsi, on trouve

(r − x)2   (r − x)2 
Z
∂u(t, x) 1  1
= f (r) − + exp − dr
∂t (2π)1/2 R 2t3/2 2t5/2 2t
et
∂ 2 u(t, x) 1 (r − x)2   (r − x)2 
Z
1 1 
2
= f (r) − + exp − dr.
∂x (2π)1/2 R t1/2 t t2 2t
∂u(t, x) 1 ∂ 2 u(t, x)
On constate alors que
∂t
= 2 ∂x2
. □

2.4. Propriété de Markov forte

Soit B un mouvement brownien, Ft = σ(Bs , 0 ≤ s ≤ t), et F∞ = σ(Bs , s ≥ 0).

Définition [Link] application τ : Ω → R+ ∪ {∞} est un temps d'arrêt si pour tout

t ≥ 0, {τ ≤ t} ∈ Ft . On pose alors

Fτ = {A ∈ F∞ : ∀ t ≥ 0, A ∩ {τ ≤ t} ∈ Ft } .

Exemple 2.4.2. Le temps constant τ ≡ t0 est un temps d'arrêt. Un autre exemple est

τ = τa , où τa = inf{t > 0 : Bt = a} (avec la convention habituelle inf ∅ = +∞). En eet,

pour a ≥ 0, {τa ≤ t} = {sups∈[0,t] Bs ≥ a} = {sups∈[0,t]∩Q Bs ≥ a} ∈ Ft . En revanche,

 2.4. PROPRIÉTÉ DE MARKOV FORTE 17

τ = sup{s ≤ 1 : Bs = 0} n'est pas un temps d'arrêt (cela découlera par l'absurde de la

propriété de Markov forte ci-dessous et de l'Exemple 2.2.4-(b)). □

Exercice 2.4.3. Montrer que Fτ est une tribu, que les v.a. τ et Bτ 1{τ <∞} sont Fτ -
mesurables.

Pour τ, il sut de remarquer que {τ ≤ u} ∩ {τ ≤ t} = {τ ≤ u ∧ t} ∈ Ft pour tous

u, t ≥ 0. Pour Bτ 1{τ <∞} , on voit que

∞ ∞
Bτ 1{τ <∞} = lim 1{i/2n <τ ≤(i+1)/2n } Bi/2n = n→+∞ 1{i/2n <τ } − 1{(i+1)/2n <τ } Bi/2n .
X X

lim
n→+∞
i=0 i=0
Or 1{s<τ } Bu est Fτ -mesurable si u ≤ s, puisque
{1{s<τ } Bu ≤ a} ∩ {τ ≤ t} = {Bu ≤ a, s < τ ≤ t} ∪ {0 ≤ a, τ ≤ s ∧ t} ∈ Ft .
□

Théorème 2.4.4 (Propriété de Markov forte). Soit τ un temps d'arrêt. Conditionnel-

lement à {τ < ∞}, le processus Be = (Bτ +t − Bτ , t ≥ 0) est un mouvement brownien
indépendant de Fτ .
Preuve. On va montrer que, pour A ∈ Fτ , 0 ≤ t1 < · · · < tn et F : Rn → R+ continue et

bornée,

I := E 1A∩{τ <∞} F (Bt1 , · · · , Btn ) = P(A ∩ {τ < ∞}) E [F (Bt1 , · · · , Btn )] =: J.

h i
e e

On pose τm = ⌈τ 2m ⌉/2m sur {τ < ∞}, où ⌈x⌉ = min{ℓ ∈ Z : ℓ ≥ x}. On note que, par

continuité et par convergence dominée, I = limm Im , où

1A∩{τ <∞} F (Bτm +t1 − Bτm , · · · , Bτm +tn − Bτm .

 
Im := E
Mais
" ∞
#
1A∩{(k−1)/2m <τ ≤k/2m } F (B(k/2m )+t1 − Bk/2m , · · · , B(k/2m )+tn − Bk/2m )
X
Im = E
k=0

Pour chaque k , A ∩ {(k − 1)/2m < τ ≤ k/2m } ∈ Fk/2m . Par la propriété de Markov simple,

1A∩{(k−1)/2m <τ ≤k/2m } F (B(k/2m )+t1 − Bk/2m , · · · , B(k/2m )+tn − Bk/2m ) =

 
E
= E 1A∩{(k−1)/2m <τ ≤k/2m } E [F (Bt1 , · · · , Btn )] .
 

Donc
∞
1A∩{(k−1)/2m <τ ≤k/2m } E [F (Bt1 , · · · , Btn )]
X  
Im = E
k=0
= P(A ∩ {τ < ∞})E [F (Bt1 , · · · , Btn )] = J.
Donc bien sûr, I = limm Im = J . □
18 2. MOUVEMENT BROWNIEN ET PROPRIÉTÉ DE MARKOV

Remarque 2.4.5. Il est important que τ soit un temps d'arrêt. Avec τ = sup{s ∈ [0, 1] :
Bs = 0}, il est clair que (Bτ +t − Bτ )t≥0 n'est pas un mouvement brownien, car ne s'annule
pas sur [0, 1 − τ [ (et car τ < 1 p.s., car B1 ̸= 0 p.s. et car B est continu).
Exemple 2.4.6. Soit τa = inf{t > 0 : Bt = a}. Par la propriété de Markov forte, le

processus (τa , a ≥ 0) est à accroissements indépendants et stationnaires. En eet, pour tout

0 < a < b, τb − τa a même loi que τb−a (car τb − τa = τ̃b−a où τ̃x = inf{s > 0 : B̃s = x}
avec B̃s = Bτa +s − Bτa ) et est indépendant de Fτa , et que pour tout α ∈ [0, a], τα est

Fτa -mesurable (car τα est Fτα -mesurable et car Fτα ⊂ Fτa ).

Il est de plus à trajectoires croissantes et pour tout c > 0, les processus (c−2 τca , a ≥ 0)
et (τa , a ≥ 0) ont la même loi car

(c−2 τca )a≥0 = (inf{c−2 t > 0 : Bt = ca})a≥0 = (inf{s > 0 : c−1 Bc2 s = a})a≥0
(d)
= (inf{s > 0 : Bs = a})a≥0 = (τa )a≥0 .
On dit que (τa , a ≥ 0) est un subordinateur (PAIS croissant) stable d'indice 1/2. □

Théorème 2.4.7 (Principe de réexion). Soit St = sup0≤s≤t Bs , t > 0. Alors

(2.2) P (St ≥ a, Bt ≤ b) = P (Bt ≥ 2a − b) , a ≥ 0, b ≤ a.
Pour tout t > 0 xé, St a la même loi que |Bt |.
Remarque 2.4.8. L'identité en loi entre St et |Bt | n'est vraie que pour t>0 xé. Les

processus (St , t ≥ 0) et (|Bt |, t ≥ 0) ont des comportements diérents. Par exemple, le

premier est monotone, ce qui n'est pas le cas du second : P(|B1 | < |B2 |) < 1 = P(S1 < S2 ).

Preuve du Théorème 4.7. Rappelons que τa < ∞ p.s. On a

 
P (St ≥ a, Bt ≤ b) = P (τa ≤ t, Bt ≤ b) = P τa ≤ t, B
et−τa ≤ b − a ,

où es = Bs+τa − Bτa = Bs+τa − a.

B Par la propriété de Markov forte, B
e est un mouvement

brownien indépendant de Fτ a . En particulier le couple (τa , B)

e est indépendant. Puisque

−B
e a même loi que e , nous obtenons que (τa , −B)
B e a même loi que (τa , B)
e . En utilisant la
fonction Ψ : R+ × C(R+ , R) → R+ × R dénie par Ψ(s, w) = (s, w(t − s)1{t>s} ), on conclut
et−τa 1{t>τa } ) a la même loi que (τa , −B
que (τa , B et−τa 1{t>τa } ). Ainsi,
   
P τa ≤ t, Bt−τa ≤ b − a = P τa ≤ t, −Bt−τa ≤ b − a
e e

= P (τa ≤ t, −Bt + a ≤ b − a)
= P (τa ≤ t, Bt ≥ 2a − b)
= P (Bt ≥ 2a − b) ,
 2.5. VARIATION QUADRATIQUE DU MOUVEMENT BROWNIEN 19

puisque Bt ≥ 2a − b ≥ a implique que τa ≤ t.

Pour compléter la preuve du théorème, il sut de noter que

P(St ≥ a) = P(St ≥ a, Bt ≥ a) + P(St ≥ a, Bt ≤ a) = 2P(Bt ≥ a) = P(|Bt | ≥ a). ⊓

⊔

Corollaire 2.4.9. La loi du couple (St , Bt ) a pour densité

(2a − b)2
 
2(2a − b)
f(St ,Bt ) (a, b) = √ exp − 1{a>0, b<a} .
2πt3 2t
Exemple 2.4.10. On s'intéresse à la loi de τa , pour a > 0. D'après le Théorème 2.4.7,

pour tout t > 0,

√ a2
 
P(τa ≤ t) = P(St ≥ a) = P(|Bt | ≥ a) = P( t |B1 | ≥ a) = P ≤t .
B12
Donc τa a même loi que a2 /B12 , et
 2
a a
fτa (t) = √ exp − 1{t>0} .
2πt3 2t
En particulier, E(τa ) = ∞. Bien sûr, si a < 0, τa a la même loi que τ|a| par symétrie. □

2.5. Variation quadratique du mouvement brownien

Proposition 2.5.1 (Lévy). Fixons t > 0. Soit ∆n = {0 = tn0 < tn1 < · · · < tnpn = t} une
subdivision de [0, t], pour chaque n ≥ 1. On suppose que le pas tend vers 0, c'est-à-dire que
supi=1,...,pn (tni − tni−1 ) → 0 quand n → ∞. Alors
pn
dans L2 (P).
X
lim (Btni − Btni−1 )2 = t,
n→∞
i=1

Avec la famille tni = it2 −n

(et pn = 2n ), la convergence a aussi lieu p.s.
Preuve. Soit
Yin = (Btni − Btni−1 )2 − (tni − tni−1 ), 1 ≤ i ≤ pn .
Les variables aléatoires (Yin , 1 ≤ i ≤ pn ) sont indépendantes et centrées. De plus, on a

l'identité Var Yin =Var (Btni − Btni−1 )2 = 2(tni − tni−1 )2 (car Var (N (0, 1))2 =2, avec abus de

notation). Donc
pn
h X 2 i pn
h X 2 i Xpn
2 n n
E (Bti − Bti−1 ) − t
n n = E Yi = Var(Yi )
i=1 i=1 i=1
pn
X
= 2 (tni − tni−1 )2
i=1
≤ 2t sup (tni − tni−1 ) → 0.
1≤i≤pn
20 2. MOUVEMENT BROWNIEN ET PROPRIÉTÉ DE MARKOV

On suppose ensuite que tni = it2−n , 0 ≤ i ≤ 2n = pn . On a vu que

pn
h X 2 i 2n
X
E Yin
=2 (tni − tni−1 )2 = 2t2 2−n .
i=1 i=1

Par l'inégalité de Tchebychev,

pn
 X 1
P Yin > ≤ 2t2 n2−n ,
i=1
n

qui est sommable en n ≥ 1. Par le lemme de Borel-Cantelli, p.s. il existe n0 ≥ 1 tel que

pn
X 1
Yin ≤ , ∀ n ≥ n0 .
i=1
n

D'où la convergence p.s. □

Corollaire 2.5.2. Le mouvement brownien a p.s. une variation innie sur tout inter-
valle, i.e.
p
( )
X
p.s., ∀0 ≤ a < b, |B|([a, b]) = sup |Bti − Bti−1 | = +∞,
i=1

où le supremum porte sur toutes les subdivisions a = t0 < t1 < · · · < tp = b de [a, b].

Preuve. On suppose pour commencer que a=0 et b = 1. On sait que p.s.,

2n
X
lim (Bi2−n − B(i−1)2−n )2 = 1.
n→∞
i=1

Nous avons

2 n
X
(Bi2−n − B(i−1)2−n )2 ≤ |B|([0, 1]) × sup |Bi2−n − B(i−1)2−n |.
i=1,...,2n
i=1

Comme B [0, 1], supi=1,...,2n |Bi2−n − B(i−1)2−n | → 0 p.s. quand n → ∞. Donc

est continu sur
Pn
{|B|([0, 1]) < ∞} ⊂ {limn→∞ 2i=1 (Bi2−n − B(i−1)2−n )2 = 0}, qui est de probabilité nulle.
On montre de même que pour tout 0 ≤ a < b, p.s., |B|([a, b]) = ∞. Donc p.s., pour

tout 0 ≤ a < b avec a, b ∈ Q, |B|([a, b]) = ∞, et on conclut aisément que p.s., pour tout
0 ≤ a < b, |B|([a, b]) = ∞ puisqu'on peut trouver a′ , b′ ∈ Q tels que a < a′ < b′ < b et donc
|B|([a, b]) ≥ |B|([a′ , b′ ]) = ∞. □
 2.6. AUTRES 21

2.6. Autres
Définition 2.6.1. Un processus (Bt )t≥0 = ((Bt1 , · · · , Btd ))t≥0 est un mouvement brownien
à valeurs dans Rd si B 1 , · · · , B d sont d mouvements browniens indépendants.
La propriété de Markov forte reste vraie en toute dimension, avec exactement la même

démonstration qu'en dimension 1.

Définition 2.6.2. Un processus (Bt )t≥0 est un mouvement brownien à valeurs dans Rd
issu de x ∈ Rd si (Bt − x)t≥0 est un mouvement brownien dans Rd .
 Chapitre 3

Martingales à temps continu

On présente les rudiments de la théorie des processus, au moins la partie qui nous sera

utile par la suite. On commence par introduire les notions de ltration, tribu, temps d'arrêt

et processus, pour étudier ensuite les martingales à temps continu.

3.1. Filtrations et conditions habituelles

Soit (Ω, F , P) un espace de probabilité. Une ltration (Ft )t≥0 sur cet espace est une

famille croissante de sous-tribus de F . On dit que (Ω, F , (Ft ), P) est un espace de probabilité
ltré. On pose F∞ = σ(∪t≥0 Ft ) = ∨t≥0 Ft .

Définition 3.1.1. Une application τ : Ω → R+ ∪ {+∞} est un temps d'arrêt si

∀ 0 ≤ t < ∞, {τ ≤ t} ∈ Ft . On dénit alors

Fτ = {A ∈ F∞ : ∀ t ≥ 0, A ∩ {τ ≤ t} ∈ Ft } .

Pour tout t ≥ 0, on pose

\
Ft+ = Fs .
s>t
La famille (Ft+ , t ≥ 0) est aussi une ltration.

Exemple 3.1.2. Si Z est une v.a. réelle, si Xt = Z 1t>1 et si Ft = σ(Xs , s ≤ t), on a

F1 = {∅, Ω} mais F1+ = σ(Z) : il peut y avoir une vraie diérence.

Exercice 3.1.3. σ : Ω 7→ R+ ∪ {+∞} est un (Ft+ )-temps d'arrêt ssi pour tout t ≥ 0
l'on a {σ < t} ∈ Ft .
(i) Si {σ < t} ∈ Ft pour t ≥ 0, alors pour tout n ∈ N
\
{σ ≤ t} = {σ < t + 1/k} ∈ Ft+1/n
k≥n

et donc {σ ≤ t} ∈ Ft+ .
(ii) Si {σ ≤ t} ∈ Ft+ pour tout t ≥ 0, alors
[
{σ < t} = {σ ≤ t − 1/n} ∈ Ft .
n
23
24 3. MARTINGALES À TEMPS CONTINU

Exemple 3.1.4. Soit (Bt , t ≥ 0) un mouvement brownien et (Ft ) sa ltration canonique.

Soit a∈R et

τa = inf{t ≥ 0 : Bt = a}.
C'est un (Ft )-temps d'arrêt car {τa ≤ t} = {sups∈[0,t] Bs ≥ a} = {sups∈[0,t]∩Q Bs ≥ a} ∈ Ft .
Or si a≥0 et

σa = inf{t ≥ 0 : Bt > a},

alors p.s.,τa = σa . En eet, τa ≤ σa est évident, et, en posant B̃t = Bτa +t − Bτa , on voit que
{τa < σa } ⊂ {∃ϵ > 0 : sups∈[0,ϵ] B̃s = 0}, qui est de probabilité nulle par l'exemple 2.2.4 et la
propriété de Markov forte.

D'autre part, σa est un (Ft+ )-temps d'arrêt (car {σa < t} = {sups∈[0,t] Bs > a} =
{sups∈[0,t]∩Q Bs > a} ∈ Ft ), mais pas un (Ft )-temps d'arrêt, car

{σa ≤ t} = {St > a} ∪ {St = Bt = a, inf{s > 0 : Bt+s > a} = 0} ∈ Ft+ \ Ft .

La propriété d'être un temps d'arrêt par rapport à la ltration canonique n'est donc pas

stable si on change la variable sur un ensemble de probabilité nulle.

Définition 3.1.5. On dit que la ltration (Ft , t ≥ 0) est continue à droite si Ft+ =
Ft , ∀ t ≥ 0. Si (Ft ) est une ltration et F0 (donc tout Ft ) contient tous les ensembles
P-négligeables, alors on dit que la ltration est complète.

Il est clair que pour toute ltration (Ft , t ≥ 0), la ltration (Ft+ , t ≥ 0) est continue à

droite (car Ft++ = Ft+ ).

Définition 3.1.6. (i) On dit que (Ft , t ≥ 0) satisfait les conditions habituelles si
elle est à la fois continue à droite et complète.
(ii) Étant donnée une ltration (Ft , t ≥ 0) quelconque, on peut construire une ltration
qui satisfait les conditions habituelles en posant F¯t = Ft+ ∨ N , où N est l'ensemble des
P-négligeables. On dit que (F¯t , t ≥ 0) est l'augmentation habituelle de (Ft , t ≥ 0).

On suppose dorénavant, sauf mention contraire, que nos ltrations satisfont les conditions

habituelles sans le répéter chaque fois.

3.2. Mesurabilité des processus

Un processus (Xt , t ≥ 0) est dit continu à droite (ou à gauche) si ses trajectoires sont

continues à droite (ou à gauche).

 3.2. MESURABILITÉ DES PROCESSUS 25

Définition 3.2.1. Un processus (Xt )t≥0 est dit

(i) mesurable si l'application (t, ω) 7−→ Xt (ω) est B(R+ ) ⊗ F -mesurable,
(ii) adapté (à la ltration (Ft )) si ∀ t ≥ 0, Xt est Ft -mesurable,
(iii) progressif ou progressivement mesurable (pour la ltration (Ft )) si ∀ t ≥ 0,
[0, t] × Ω ∋ (s, ω) 7−→ Xs (ω)
est B([0, t]) ⊗ Ft -mesurable.
Remarque 3.2.2. Un processus continu à droite (ou à gauche) est mesurable.
Preuve. Il sut d'observer que Xt (ω) est limite (pour tout (t, ω) ∈ R+ × Ω) de Xtn (ω) =
X(k+1)/n (ω)1t∈[k/n,(k+1)/n[ , qui est bien sûr B(R+ ) ⊗ F -mesurable (en
P
X(⌊nt⌋+1)/n (ω) = k≥0
particulier car pour tout t ≥ 0, Xt est F -mesurable). □
Exercice 3.2.3. Tout processus progressif est adapté et mesurable.
Proposition 3.2.4. Tout processus adapté et continu à droite (ou continu à gauche) à
valeurs dans un espace métrique est progressif.
Preuve. On suppose par exemple que (Xt ) est adapté et continu à droite. On xe t > 0. On
veut montrer que (s, ω) 7→ Xs (ω) est B([0, t]) ⊗ Ft -mesurable. Pour tout n ≥ 1, on introduit
X
Xsn = X ⌊ns⌋+1 ∧t = 1{s∈[(k/n)∧t,((k+1)/n)∧t[} X k+1 ∧t , s ∈ [0, t].
n n
k≥0

Alors (ω, s) 7→ Xsn (ω) est bien sûr B([0, t]) ⊗ Ft -mesurable. De plus, pour chaque s ∈ [0, t]
et chaque ω∈ Ω, Xsn (ω) tend vers Xs (ω) par continuité à droite. □
Définition 3.2.5. Une partie A ∈ B(R+ )⊗F est dite progressive si le processus Xt (ω) =
1A (t, ω) est progressif. L'ensemble P des parties progressives est une tribu sur R+ × Ω, que
l'on appelle la tribu progressive.
Remarque 3.2.6. Un processus (Xt )t≥0 est progressif si et seulement si (t, ω) 7→ Xt (ω)
est mesurable sur R+ × Ω muni de P .
Preuve. Soit X progressif. On désire que pour tout Γ ∈ B(R), {(t, ω) ∈ R+ × Ω : Xt (ω) ∈
Γ)} ∈ P , i.e. que le processus Zt (ω) = 1{Xt (ω)∈Γ} est progressif. Comme l'application 1Γ de

R dans R est mesurable, ça découle immédiatement du fait que X est progressif.

Soit maintenant X P -mesurable. On veut montrer que pour tout t ≥ 0, tout Γ ∈ B(R),
{(s, ω) ∈ [0, t] × Ω : Xs (ω) ∈ Γ)} ∈ B([0, t]) ⊗ Ft . Mais on sait que {(t, ω) ∈ R+ ×
Ω : Xt (ω) ∈ Γ)} ∈ P , i.e. que le processus Zt (ω) = 1{Xt (ω)∈Γ} est progressif. Donc en

particulier, {(s, ω) ∈ [0, t] × Ω : Zs (ω) = 1} ∈ B([0, t]) ⊗ Ft . Cela dit précisément que

{(s, ω) ∈ [0, t] × Ω : Xs (ω) ∈ Γ)} ∈ B([0, t]) ⊗ Ft . □

26 3. MARTINGALES À TEMPS CONTINU

Noter qu'un processus n'a pas besoin d'être continu à droite ou à gauche pour être

progressif. Par exemple, si Xt (ω) = φ(t), avec φ : R+ 7→ R mesurable, alors X est progressif.

3.3. Temps d'arrêt

Exercice 3.3.1. (i) Pour τ un temps d'arrêt, τ est Fτ -mesurable.
(ii) Si σ ≤ τ sont deux temps d'arrêt, alors Fσ ⊂ Fτ .

Proposition 3.3.2. Soit τ un temps d'arrêt, alors

⌈τ 2n ⌉
τn = (τn = ∞ si τ = ∞)
2n
est une suite de temps d'arrêt qui décroît vers τ .
Preuve. Il est clair que (τn ) décroît vers τ. τn est un temps
Il sut de montrer que chaque

d'arrêt. Or, τn est Fτ -mesurable, et comme τn ≥ τ , on a {τn ≤ t} = {τn ≤ t}∩{τ ≤ t} ∈ Ft ,

car {τn ≤ t} ∈ Fτ . □

Voici la principale raison pour laquelle on a introduit la notion de processus progressif.

Théorème 3.3.3. Si (Xt )t≥0 est un processus progressif (à valeurs dans Rd ), et si τ est
un temps d'arrêt, alors Xτ 1{τ <∞} est Fτ -mesurable.
Preuve. Il sut de montrer que pour t≥0 xé, Xτ ∧t est Ft -mesurable car alors, pour tout

Γ ∈ B(Rd ), {Xτ 1{τ <∞} ∈ Γ} ∈ Fτ , car pour tout t ≥ 0, {Xτ 1{τ <∞} ∈ Γ} ∩ {τ ≤ t} =
{Xτ ∧t ∈ Γ} ∩ {τ ≤ t}, qui appartient à Ft .
Mais Xτ ∧t est Ft -mesurable car Xτ (ω)∧t (ω) = Φ(Ψ(ω)), où
• Ψ(ω) = (τ (ω) ∧ t, ω) est (Ft , B([0, t]) ⊗ Ft )-mesurable car (i) ω → ω est (Ft , Ft )-
mesurable, (ii) ω → τ (ω) ∧ t est (Ft , B([0, t]))-mesurable car τ est un temps d'arrêt (donc

pour tout s ∈ [0, t], {τ ∧ t ≤ s} = {τ ≤ s} ∈ Fs ⊂ Ft ).

• Φ(s, ω) = Xs (ω) est mesurable de ([0, t] × Ω, B([0, t]) ⊗ Ft ) dans (Rd , B(Rd )). □

Exemple 3.3.4. Si (Xt )t≥0 est un processus adapté continu à valeurs dans un espace

métrique (E, d), alors pour tout ouvert G ⊂ E , τG = inf{t ≥ 0 : Xt ∈ G} est un (Ft+ )-
temps d'arrêt. En eet,
[
{τG < t} = {∃s ∈ [0, t[: Xs ∈ G} = {∃s ∈ [0, t[∩Q : Xs ∈ G} = {Xs ∈ G} ∈ Ft .
s∈[0,t[ ∩Q

La seconde égalité utilise que G est ouvert et que X est continu. □

 3.4. RAPPELS SUR LES MARTINGALES À TEMPS DISCRET 27

Exemple 3.3.5. Si (Xt )t≥0 est adapté et continu à valeurs dans un espace métrique

(E, d), alors pour tout fermé F ⊂ E,

τF = inf{t ≥ 0 : Xt ∈ F }
est un (Ft )-temps d'arrêt. En eet,

{τF ≤ t} = { inf d(Xs , F ) = 0} = { inf d(Xs , F ) = 0} ∈ Ft .

s∈[0,t] s∈[0,t]∩Q

La première égalité utilise que F est fermé, la seconde que X est continu. □

3.4. Rappels sur les martingales à temps discret

Soit (Mn )n≥0 un processus réel adapté déni sur l'espace ltré (Ω, F , (Fn ), P) tel que

E(|Mn |) < +∞ pour tout n ≥ 0. On dit que (Mn )n≥0 est

(i) une sous-martingale si E(Mm | Fn ) ≥ Mn p.s. pour tout m≥n≥0

(ii) une sur-martingale si E(Mm | Fn ) ≤ Mn p.s. pour tout m ≥ n ≥ 0
(iii) une martingale si E(Mm | Fn ) = Mn p.s. pour tout m ≥ n ≥ 0.
Si (Mn )n≥0 est une martingale et s'il existe M∞ ∈ L1 tel que p.s. Mn = E(M∞ | Fn ) pour
tout n, alors on dit que (Mn )n≥0 est fermée (par M∞ ).
Nous rappelons les résultats suivants (de Doob), avec des schémas de preuve.

(1) Si (Mn )n≥0 est une (sous-)martingale, τ un temps d'arrêt, alors (Mτ ∧n )n≥0 est une

(sous-)martingale.

Il sut décrire Mτ ∧(n+1) = Mn+1 1{τ >n} + Mk 1{τ =k} et de prendre l'espérance sa-
Pn
k=0
chant Fn , en remarquant que {τ > n} ∈ Fn .
(2) Si (Mn )n≥0 Sn = maxk=0,...,n |Mk |,
est une martingale et alors pour a > 0,
1
P(Sn > a) ≤ E[|Mn |1{Sn >a} ].
a
On pose τa = inf{k ≥ 0 : |Mk | ≥ a}. Pour k = 0, . . . , n on a
a1{τa =k} ≤ |Mk |1{τa =k} ≤ E[|Mn ||Fk ]1{τa =k} = E[|Mn |1{τa =k} |Fk ].
One somme sur k = 0, . . . , n, on prend l'espérance et on trouve aP(τa ≤ n) ≤ E[|Mn |1{τa ≤n} ].
1 1
(3) Pour (Mn )n≥0 une martingale et Sn = maxk=0,...,n |Mk |, si
p
+ q
= 1 (p > 1, q > 1),
alors pour tout k ≥ 0, h i
E max |Mn |p ≤ q p E[|Mk |p ].
0≤n≤k

En utilisant que x = p 1{a<x} ap−1 da, on trouve en utilisant Fubini puis (2) puis Fubini
p
R∞
0
Z ∞ Z ∞
p
E[Snp ] =p P(Sn > a)a p−1
da ≤ p E(|Mn |1{Sn >a} )ap−2 da = E(|Mn |Snp−1 ).
0 0 p−1
28 3. MARTINGALES À TEMPS CONTINU

Par Hölder, on conclut que E[Snp ] ≤ , puis que E[Snp ] p ≤ .

1 p−1 1 1
p p
p−1
E[|Mn |p ] p E[Snp ] p
p−1
E[|Mn |p ] p
(4) (Théorème d'arrêt) (Mn )n≥0 martingale fermée, σ et τ deux temps d'arrêt tels que

σ≤τ p.s. Alors p.s. E(Mτ | Fσ ) = Mσ .

Il sut de montrer que pour tout t.a. τ , on a E(M∞ | Fτ ) = Mτ , car on pourra alors
écrire E(Mτ | Fσ ) = E(E(M∞ | Fτ ) | Fσ ) = E(M∞ | Fσ ) = Mσ ).
Mais pour tout temps d'arrêt τ , toute v.a. intégrable Z et tout n ∈ N ∪ {∞}, on a
(exercice) E[Z|Fτ ]1{τ =n} = E[Z|Fn ]1{τ =n} . Donc
E[M∞ |Fτ ]1{τ =n} = E[M∞ |Fn ]1{τ =n}
X X
E[M∞ |Fτ ] =
n∈N∪{∞} n∈N∪{∞}

Mn 1{τ =n} = Mτ .
X
=
n∈N∪{∞}

3.5. Martingales à temps continu

Soit (Mt )t≥0 un processus aléatoire réel déni sur l'espace ltré (Ω, F , (Ft ), P).

Définition 3.5.1. On dit que (Mt )t≥0 est une martingale (resp. sur-martingale, resp.
sous-martingale) si
(i) (Mt )t≥0 est adapté ;
(ii) ∀ t ≥ 0, E(|Mt |) < ∞ ;
(iii) ∀ s < t, E(Mt | Fs ) = Ms , p.s. (resp. ≤ Ms , resp. ≥ Ms ).
Exemple 3.5.2. Soit (Bt , t ≥ 0) un mouvement brownien, et soit (Ft ) sa ltration

canonique. Alors

• Bt est une martingale.

• Bt2 − t est aussi une martingale, car pour t > s > 0, on a

E(Bt2 − t | Fs ) = E[(Bt − Bs + Bs )2 | Fs ] − t = Bs2 − s.

Il sut d'utiliser que Bt − Bs est centré, de variance t − s et indépendant de Fs .
θ2
• Soit θ∈R xé. Alors exp(θBt −
2
t) est une martingale. En eet, pour t > s > 0, on a

θ2 2 (t−s)/2 θ2 θ2
E[eθBt − 2 t | Fs ] = eθ eθBs − 2 t = eθBs − 2 s
Fs
2 (t−s)/2
car Bt − Bs est indépendant de et car E[eθ(Bt −Bs ) ] = eθ . □

Exercice 3.5.3. (i) Si (Mt )t≥0 est une martingale et si f est une fonction convexe telle
que E(|f (Mt )|) < ∞, ∀ t, alors (f (Mt ))t≥0 est une sous-martingale.
(ii) Si (Mt )t≥0 est une sous-martingale et si f est une fonction convexe et croissante telle
que E(|f (Mt )|) < ∞, alors (f (Mt ))t≥0 est une sous-martingale.
 3.5. MARTINGALES À TEMPS CONTINU 29

Théorème 3.5.4 (Inégalité de Doob). Soit (Ms )s≥0 une martingale continue à droite et
p > 1. Pour t ≥ 0, si Mt ∈ Lp , alors
h i
E sup |Ms | ≤ q p E[|Mt |p ],
p
s∈[0,t]

où p1 + 1q = 1.
Preuve. Pour n≥1 xé, on introduit Dn = {kt2−n , k ≥ 0}. On observe que Mkn = Mkt2−n
est une martingale (à temps discret) pour la ltration Fkn = Fkt2−n . Donc par Doob pour

les martingales à temps discret,

h i h i
E sup |Ms |p = E sup |Mkn |p ≤ q p E[|M2nn |p ] = q p E[|Mt |p ].
Dn ∩[0,t] k=0,...,2n

Comme supDn ∩[0,t] |Ms |p croît p.s. vers sups∈[0,t] |Ms |p par continuité à droite de M , on conclut
par convergence monotone. □

Théorème 3.5.5 (Théorème d'arrêt). Soit (Mt )t≥0 une martingale continue à droite et
fermée (il existe M∞ ∈ L1 t.q. pour tout t ≥ 0, Mt = E[M∞ |Ft ]). Soient σ, τ deux temps
d'arrêt tels que σ ≤ τ p.s. Alors p.s.
(3.1) E(Mτ | Fσ ) = Mσ .
Preuve. Mτ = E[M∞ |Fτ ], où on a supposé que M était fermée par
Il sut de montrer que

M∞ . On aura alors, comme Fσ ⊂ Fτ , E(Mτ | Fσ ) = E(E[M∞ |Fτ ]| Fσ ) = E(M∞ |Fσ ) = Mσ .

Pour n∈N xé, on considère la ltration Fkn = Fk2−n , la (Fkn )k≥0 -martingale Mkn =
Mk2−n , qui est fermée par M∞ , et le (Fkn )k≥0 -temps d'arrêt σn = ⌈2n τ ⌉ (pour k ≥ 0, on a

{σn ≤ k} = {⌈2n τ ⌉ ≤ k} = {2n τ ≤ k} = {τ ≤ k2−n } ∈ Fk2−n = Fkn ). Le théorème d'arrêt

. Donc pour tout A ∈ Fσ ,
n n −n n
discret nous dit que E(M∞ |Fσ ) = Mσ = Mτn , où τn = σn 2
n n n

on a E(M∞ 1A ) = E(Mτn 1A ).
Mais Fτ ⊂ Fσnn , car si A ∈ Fτ , alors pour tout t ≥ 0, on a A ∩ {τ ≤ t} ∈ Ft , donc en

particulier, avec t = k2−n , A ∩ {σn ≤ k} = A ∩ {τ ≤ k2−n } ∈ Fk2−n = Fkn .

Ainsi, pour tout A ∈ Fτ , pour tout n ≥ 0, E(M∞ 1A ) = E(Mτn 1A ). Mais la famille
1
(Mτn )n est U.I. (car Mτn = E(M∞ |Fτn ) avec M∞ ∈ L ) et converge p.s. vers Mτ car M est

continue à droite. Donc E(M∞ 1A ) = E(Mτ 1A ) pour tout A ∈ Fτ . Comme nalement Mτ

est Fτ -mesurable, on conclut que Mτ = E(M∞ |Fτ ). □

Remarque 3.5.6. (i) Soit (Mt )t≥0 une martingale c-à-d et σ et τ deux temps d'arrêt

bornés par une constante (déterministe) K σ ≤ τ . On a alors E(Mτ | Fσ ) = Mσ . En

tels que

eet, il sut de noter que Mτ = Mτ ∧K , que Mσ = Mσ∧K , et d'appliquer le théorème d'arrêt

à la martingale (Mt∧K )t≥0 , qui est fermée (par MK ).
30 3. MARTINGALES À TEMPS CONTINU

(ii) Il faut faire attention en utilisant le théorème d'arrêt, dont la conclusion peut être

vraiment fausse si la martingale n'est pas U.I. Avec B un mouvement brownien et τ1 =

inf{t > 0 : Bt = 1}, qui est p.s. ni, on a

1 = E[Bτ1 | F0 ] ̸= B0 = 0.

Proposition 3.5.7. Soit (Mt )t≥0 une martingale continue à droite, et soit τ un temps
d'arrêt. Alors (Mτ ∧t )t≥0 est une (Ft )-martingale (et a fortiori, une (Fτ ∧t )-martingale, ce
qui découle immédiatement du théorème d'arrêt).
Preuve. (Mτ ∧t )t≥0 est bien sûr (Ft )-adapté. Soit 0 ≤ s ≤ t. On veut montrer que Mτ ∧t ∈ L1
et que E[Mτ ∧t |Fs ] = Mτ ∧s .
Comme dans la proposition précédente, on introduit Fkn = Fk2−n , la (Fkn )k≥0 -martingale
Mkn = Mk2−n , le (Fkn )k≥0 -temps d'arrêt σn = ⌈2n τ ⌉, τn = σn 2−n , et tn = 2−n ⌈2n t⌉ ≥ t et

sn = 2−n ⌈2n s⌉ ≥ s. En passant par le cas discret, on arrive à E(Mτn ∧tn | Fsn ) = Mτn ∧sn .
Donc pour tout A ∈ Fs ⊆ Fsn : E[1A Mτn ∧tn ] = E[1A Mτn ∧sn ].
Mais les familles (Mτn ∧tn )n et (Mτn ∧sn )n sont U.I. (par exemple, on a supn≥1 tn ≤ t + 1,
donc Mτn ∧tn = E[Mt+1 |Fτn ∧tn ] par la remarque 3.5.6). Comme de plus limn Mτn ∧tn = Mτ ∧t
p.s. par continuité à droite, on en déduit que Mτ ∧t ∈ L1 et on passe facilement à la limite dans
E[1A Mτn ∧tn ] = E[1A Mτn ∧sn ]. Ainsi, E[1A Mτ ∧t ] = E[1A Mτ ∧s ] pour tout A ∈ Fs . Comme

nalement Mτ ∧s est Fs -mesurable, on conclut qu'en eet, E[Mτ ∧t |Fs ] = Mτ ∧s . □

Théorème 3.5.8. Soit (Ms )s≥0 une martingale continue bornée dans L1 , i.e. telle que
supt≥0 E[|Mt |] < ∞. Alors M∞ = limt→∞ Mt existe p.s.

Preuve. Etape 0. Si (Mn )n≥0 est une martingale discrète bornée dans L2 , alors elle converge
dans L2 . On remarque que pour n > k ≥ 0, en conditionnant par Fn ,

E[(Mk+1 − Mk )(Mn+1 − Mn )] = 0

On en déduit que

h n+m−1
X 2 i n+m−1
X
2
∀ n+m > n ≥ 0, E[(Mn+m −Mn ) ] = E (Mk+1 −Mk ) = E[(Mk+1 −Mk )2 ].
n n

supn E[(Mn −M0 )2 ] < ∞ par hypothèse, on conclut que k≥0 E[(Mk+1 −Mk )2 ] < ∞,
P
Comme

supi,j≥n E[|Mi − Mj |2 ] = supi,j≥n ji+1 E[(Mk+1 − Mk )2 ] → 0 quand n → ∞ : la suite

P
d'où

(Mn )n≥0 est de Cauchy dans L2 .

Etape 1. Si (Mt )t≥0 est une martingale bornée dans L2 , alors elle converge dans L2 . En

eet, pour toute suite déterministe croissante tn → ∞, la martingale discrète Mtn converge
 3.5. MARTINGALES À TEMPS CONTINU 31

dans L2 . La limite ne dépend pas de la suite, car si on a deux suites tn → ∞ et t′n → ∞, on

considère la suite concaténée sn → ∞ et on a que Msn converge dans L2 .

Etape 2. Si (Mt )t≥0 est une martingale càd bornée dans L2 , alors elle converge p.s. En eet,
considérons ∆k = sups,t≥k |Mt − Ms |, qui est décroissante, donc converge p.s. En utilisant
2 2 2
Doob, on voit que E[∆k ] ≤ 4E[sups≥k |Ms − Mk | ] ≤ 16 sups≥k E[|Ms − Mk | ] qui tend

vers 0 par l'étape 1, donc ∆k → 0 p.s. Donc Mt converge p.s. (pour toute suite tn → ∞,
éventuellement aléatoire, Mtn est une suite de Cauchy, etc.).

Etape 3. Si (Mt )t≥0 est une martingale càd bornée dans L1 , alorsL = sup[0,∞[ |Mt | < ∞
p.s. En eet, par l'inégalité maximale de Doob pour la martingale discrète Mk2−n , on trouve

que Ln = supk≥0 |Mk2−n | vérie P(Ln > a) ≤ a−1 supk≥0 E[|Mk2−n |] ≤ Ca−1 . Comme notre
−1
martingale est càd, on en déduit que P(L > a) ≤ Ca .

Etape 4. Si (Mt )t≥0 est une martingale continue bornée dans L1 , alors elle converge p.s.

Pour A ∈ N, soit τA = inf{t > 0 : |Mt | > A}, alors Mt∧τA est bornée (on utilise ici que M
est continue). Par l'étape 2, p.s., pour tout A ∈ N, Mt∧τA converge vers une limite ZA . Mais

par l'étape 3, On a τA = ∞ p.s. pour tout A > L. Ainsi, Mt = MτL+1 ∧t converge p.s. (vers

ZL+1 ). □

Remarque 3.5.9. (i) On a utilisé que limt→∞ Xt = X∞ dans L2 si et seulement si

limn→∞ Xtn = X∞ dans L2 pour toute suite réelle (déterministe) tn → ∞.
(ii) C'est vrai dans tout espace topologique (E, O) : pour x une fonction de R+ dans E , (a)
limt→∞ x(t) = ℓ si et seulement si (b) pour toute suite réelle tn → ∞, on a limn→∞ x(tn ) = ℓ
si et seulement si (c) pour toute suite réelle tn → ∞, il existe une sous-suite tnk telle que
limn→∞ x(tnk ) = ℓ. En eet (a) implique (b) implique (c) est évident, et non (a) implique
non (c).
(iii) La convergence p.s. n'est pas une convergence au sens topologique : si Xt converge
en probabilité mais pas p.s. vers 0, alors on a (c) mais pas (a).
Théorème 3.5.10. Soit (Ms )s≥0 une martingale continue bornée dans L1 et soit M∞ sa
limite p.s. On a l'équivalence
(i) Mt converge dans L1 (vers M∞ ),
(ii) la famille (Mt , t ≥ 0) est U.I. (uniformément intégrable),
(iii) Mt est fermée (par M∞ ), i.e. Mt = E[M∞ |Ft ] pour tout t ≥ 0.
Preuve. La preuve est la même que dans le cas discret : pour (i) implique (iii), il sut de

passer à la limite s→∞ (dans L1 ) dans E[Mt+s |Ft ] = Mt , (iii) implique (ii) est évident

(car pour Z ∈ L1 , la famille {E[Z|G ] : G sous-tribu de F} est U.I.), et (ii) implique (i) par
32 3. MARTINGALES À TEMPS CONTINU

convergence dominée optimale (si Mt tend vers M∞ en probabilité et si (Mt , t ≥ 0) est U.I.,

alors Mt converge dans L1 vers M∞ ). □

3.6. Mouvement brownien en tant que martingale

Définition 3.6.1. Soit (Ω, F , (Ft ), P) un espace ltré. On dit que (Bt )t≥0 un (Ft )t≥0 -
mouvement brownien si
(i) (Bt )t≥0 est (Ft )-adapté ;
(ii) pour tout s > 0, (Bt+s − Bs )t≥0 est un mouvement brownien indépendant de Fs .

Un mouvement brownien est un mouvement brownien dans sa ltration canonique. C'est

aussi un mouvement brownien dans sa ltration canonique augmentée habituellement Ft ,

ainsi que dans F t ∨ Gt , pour toute ltration (Gt )t≥0 indépendante de (Ft )t≥0 .

Exercice 3.6.2. Montrer que la propriété de Markov forte est encore vraie dans ce cadre
(il sut de vérier que la preuve passe encore) : si (Bt )t≥0 un (Ft )t≥0 -mouvement brownien
et τ un (Ft )t≥0 -temps d'arrêt, alors sur {τ < ∞}, le processus (B̃t = Bτ +t − Bτ )t≥0 est un
mouvement brownien indépendant de Fτ .

Durant toute la section, (Bt )t≥0 est un (Ft )-mouvement brownien. On donne quelques

exemples d'applications des théorèmes d'arrêt.

Exemple 3.6.3. Soit τ1 = inf{t > 0 : Bt = 1}. Par l'exemple 2.2.4, ce temps d'arrêt est

p.s. ni mais, par l'exemple 2.4.10, E(τ1 ) = +∞. Puisque p.s. Bτ1 = 1,

1 = E[Bτ1 | F0 ] ̸= B0 = 0.

Donc (Bt )t≥0 n'est pas une martingale fermée, sinon le théorème d'arrêt s'appliquerait. □

Exemple 3.6.4 (Identités de Wald). Soit τ un temps d'arrêt tel que E(τ ) < ∞. Alors
2 2
Bτ ∈ L , E(Bτ ) = 0 et E(Bτ ) = E(τ ).
Observons d'abord que (Bt )t≥0 n'est pas une martingale fermée et τ n'est pas supposé

borné ; le théorème d'arrêt ne s'applique donc pas directement. Par la Proposition 3.5.7, Bt∧τ
2 2
et Bt∧τ −t∧τ sont des martingales et donc on a E(Bt∧τ ) = 0 et E(Bt∧τ − t ∧ τ ) = 0.
2 2
t ≥ 0, E(Bt∧τ
Ainsi, pour tout ) = E(t ∧ τ ) ≤ E(τ ), ce qui implique que supt≥0 E(Bt∧τ )≤
E(τ ) < ∞. Par conséquent, (Bt∧τ )t≥0 est une martingale (continue) bornée dans L2 donc U.I.
et donc fermée (par limt→∞ Bt∧τ = Bτ ). Par le théorème d'arrêt appliqué à la martingale

fermée Bt∧τ et au temps d'arrêt τ, on trouve E(Bτ ) = E(Bτ ∧τ ) = E(B0∧τ ) = 0.

 3.6. MOUVEMENT BROWNIEN EN TANT QUE MARTINGALE 33

Par l'inégalité de Doob, avec p = 2, pour la martingale Bt∧τ ,

 
2
 2 
E sup Bt∧τ ≤ 4 sup E Bt∧τ ≤ 4E(τ ) < ∞,
t≥0 t≥0
2
et donc (Bt∧τ , t ≥ 0) est U.I. Comme de plus (t ∧ τ, t ≥ 0) est U.I. (car borné par τ ∈
1 2
L ), la martingale (Bt∧τ − t ∧ τ, t ≥ 0) est U.I., donc fermée (par sa limite p.s., i.e. par
Bτ2 − τ . En appliquant le théorème d'arrêt à cette martingale et au temps d'arrêt τ , on
trouve E(Bτ2 − τ ) = 0. Autrement dit, E(Bτ2 ) = E(τ ). □

Exemple 3.6.5. Soit a > 0 et τa = inf{t ≥ 0 : Bt = a}. Soit θ > 0. On sait que
θBt −θ2 t/2 θBt∧τa −θ2 (τa ∧t)/2
(e )t≥0 est une martingale. Donc (e )t≥0 est aussi une martingale, qui

est de plus bornée par eθa , elle est donc U.I. et donc fermée par sa limite p.s., qui n'est autre
2τ
que eθa−θ a /2
τa < ∞ p.s.). Ainsi, par le théorème d'arrêt appliqué à cette
(rappelons que

martingale et au temps d'arrêt τa , on trouve

h i
θa−θ2 τa /2
E e = 1.
 −λτ  √
Autrement dit, pour tout λ > 0, E e a
= e−a 2λ . On peut vérier que ceci est en accord
avec la densité de τa donnée dans l'Exemple 2.4.10. □
 Chapitre 4

Semimartingales continues

De même que les mesures sont les objets mathématiques pour lesquels on peut construire

des intégrales déterministes, les semimartingales sont des processus aléatoires pour lesquels

on peut construire un calcul intégral. Une semimartingale se décompose en somme d'une

martingale locale et d'un processus à variation nie. Nous allons étudier séparément les deux

notions.

4.1. Fonctions à variation nie

Commençons par un rappel sur les fonctions (déterministes) croissantes.

Théorème 4.1.1. Soit F : [0, T ] → R+ une fonction croissante continue telle que
F (0) = 0. Il existe une unique mesure dF sur ([0, T ], B([0, T ])), appelée mesure de Stieltjes,
vériant :
∀ 0 ≤ s < t ≤ T, dF (]s, t]) = F (t) − F (s).

Noter que comme F est continue, dF n'a pas d'atome, car pour tout s ∈ [0, T ], dF ({s}) =
−1 −1
limn dF (]s − n , s]) = limn [F (s) − F (s − n )] = 0.
Preuve. L'unicité découle du théorème classique : deux mesures sur ([0, T ], B([0, T ])) qui

coïncident sur les intervalles sont égales. Pour l'existence, on introduit l'inverse généralisé

G(r) = inf{t ≥ 0 : F (t) > r} continu à droite, bien déni pour r ∈ [0, F (T )[ et on note que
si U suit la loi uniforme sur [0, F (T )[, alors la loi µ de G(U ) est une probabilité sur [0, T [

qui satisfait, pour tout 0 ≤ s < t ≤ T , µ(]s, t]) = P(s < G(U ) ≤ t) = P(F (s) < U ≤ F (t)) =
−1
(F (T )) (F (t) − F (s)), et il sut de poser dF = F (T )µ. □

Définition 4.1.2. (i) Une mesure signée sur un espace mesurable (E, E ) est la diérence
de deux mesures nies positives.
(ii) Une fonction a : [0, T ] → R continue avec a(0) = 0 est dite à variation nie s'il
existe une mesure signée, notée da, sur [0, T ] telle que a(t) = da([0, t]) pour tout t ∈ [0, T ].
Remarque 4.1.3. Ceci étend la notion de dérivée : si a est C 1 (et a(0) = 0), alors a est
à variation nie et da(dt) = a′ (t)dt.
35
36 4. SEMIMARTINGALES CONTINUES

La mesure da est unique (par unicité du prolongement des mesures). Par contre, la

décomposition de da = µ1 − µ2 comme diérence de deux mesures nies positives n'est pas

unique, mais elle le devient si l'on impose de plus que les mesures µ1 et µ2 soient étrangères

(c'est-à-dire qu'il existe un borélien E de [0, T ] tel que µ1 (E) = 0 = µ2 (E c )) :

Lemme 4.1.4. Si a est une fonction à variation nie alors il existe un unique couple
(da+ , da− ) de mesures positives nies sur [0, T ] étrangères tel que da = da+ − da− . On
notera alors D+ et D− deux boréliens de [0, T ] tels que da+ (D− ) = 0, da− (D+ ) = 0, et
D− = D+ c
.
Preuve. Pour l'existence, on part d'une décomposition quelconque da = µ1 − µ2 . La mesure

ν = µ1 + µ2 est positive nie, et on a µ1 ≪ ν et µ2 ≪ ν . Par le théorème de Radon-Nikodym

il existe deux fonctions boréliennes h1 ≥ 0 et h2 ≥ 0 sur [0, T ] telles que

dµi = hi dν, i = 1, 2.
Si on pose h = h1 − h2 alors da = h dν = h+ dν − h− dν =: da+ − da− , où comme d'habitude
h+ = max{h, 0} et h− = max{−h, 0}. Les deux mesures da+ et da− sont étrangères, car en

posant E = {t ∈ [0, T ] : h(t) ≥ 0}, da+ (E c ) = 0 = da− (E).

on a

L'unicité de la décomposition découle du fait que si da = µ1 −µ2 avec µ1 et µ2 positives et

étrangères (avec µ1 (E) = 0 = µ2 (E c ) pour un certain borélien E de [0, T ]), alors forcément,

pour tout A ∈ B([0, T ]),

µ1 (A) = sup{da(C) : C ∈ B([0, T ]), C ⊆ A},
car d'une part, pour tout borélien C inclus dans A,
da(C) = µ1 (C) − µ2 (C) ≤ µ1 (A)
et car, avec C = A ∩ E c, on a da(C) = da(A ∩ E c ) = µ1 (A ∩ E c ) − µ2 (A ∩ E c ) = µ1 (A). En
c c
eet, µ1 (A ∩ E ) = µ1 (A) − µ1 (A ∩ E) = µ1 (A) et µ2 (A ∩ E ) = 0. □

Remarque 4.1.5. On note alors |da| = da+ + da− , qui est une mesure nie positive
appelée variation totale de da. On a |da|(A) ≥ |da(A)| pour tout A ∈ B([0, T ]). La
densité de Radon-Nikodym de da par rapport à |da| est donnée par
1D+ − 1D− |da|,


(4.1) da =
où D+ = E et D− = E c , pour E un ensemble tel que da+ (E c ) = 0 = da− (E).
A ∈ B([0, T ]), on a A 1D+ − 1D− |da| = |da|(A ∩ D+ ) − |da|(A ∩ D− ) =
R

En eet, pour

da(A), car par exemple |da|(A ∩ D+ ) = da+ (A ∩ D+ ) + da− (A ∩ D+ ) = da+ (A).

On peut maintenant dénir l'intégrale par rapport à une fonction à variation nie.
 4.1. FONCTIONS À VARIATION FINIE 37

Remarque 4.1.6.(i) Si a : [0, T ] → R est (continue) à variation nie, et si f : [0, T ] →

R est une fonction mesurable telle que [0,T ] |f | |da| < ∞, on peut poser
R

Z T Z T Z T
f da = f (s) da+ (s) − f (s) da− (s),
0 0 0
Z T Z T Z T
f |da| = f (s) da+ (s) + f (s) da− (s).
0 0 0
(ii) Remarquons l'inégalité triangulaire
Z T Z T
f da ≤ |f | |da|.
0 0

(iii) De plus, g(t) = 0t f da = 0T f 1[0,t] da est aussi (continue) à variation nie, on a

R R

dg = f da et dg+ = f+ da+ + f− da− et dg− = f− da+ + f+ da− .

Lemme 4.1.7. Si a : [0, T ] → R est (continue) à variation nie, si f : [0, T ] → R est

continue et si 0 = tn0 < tn1 < · · · < tnpn = T est une suite de subdivisions de [0, T ] dont le pas
tend vers 0, alors
Z T pn
X
f (s) da(s) = lim f (tni−1 )(a(tni ) − a(tni−1 )).
0 n→∞
i=1

Preuve. Soit fn (s) = f (tni−1 )1{s∈ ]tni−1 ,tni ]} .

Ppn
i=1 Alors

pn Z T
X
f (tni−1 )(a(tni ) − a(tni−1 )) = fn (s) da(s),
i=1 0

et le résultat voulu en découle par convergence dominée, puisque fn est uniformément bornée,
| da| est une mesure nie, et fn tend vers f simplement. □
Une autre façon de présenter les fonctions à variation nie consiste à regarder la variation

de a le long des subdivisions de [0, T ] :

Proposition 4.1.8. Si a est à variation nie, alors pour tout t ∈ [0, T ]

p
( )
X
|da| ([0, t]) = sup |a(ti ) − a(ti−1 )| ,
i=1

où le supremum porte sur toutes les subdivisions 0 = t0 < t1 < · · · < tp = t de [0, t].
Preuve. La minoration est facile, car pour toute subdivision,
p p p
X X X
|a(ti ) − a(ti−1 )| = |da(]ti−1 , ti ])| ≤ |da| ( ]ti−1 , ti ]) = |da|([0, t]).
i=1 i=1 i=1
Pour la majoration, on suppose que t = 1 et on montre par un argument de martingales
P2n
que Sn = 1 |a(i/2n ) − a((i − 1)/2n )| → |da|([0, 1]).
38 4. SEMIMARTINGALES CONTINUES

|da|
On munit Ω = [0, 1] de la tribu F = B([0, 1]) et de la probabilité P= |da|([0,1])
. On pose

da
Y (s) = (s) = 1D+ (s) − 1D− (s), s ∈ [0, 1].
|da|
Alors Y est une variable aléatoire et |Y | = 1 p.s.

Pour chaque n, soit Bn = = 1, . . . , 2n ) ⊂ B([0, 1]), où Iin = ] i−1

σ(Iin , i 2n
, i
2n
]. C'est une
E[Y 1I n ]
Mn = E(Y | Bn ). On a Mn = 1 1Iin P(I n )i , donc
P2n
ltration. On considère
i

2n 2n
X Z 2n Z
1 1 Sn
|E[Y 1Iin ]| =
X X
E[|Mn |] = Y |da| = da = .
1
|da|([0, 1]) 1 Iin |da|([0, 1]) 1 Iin |da|([0, 1])

Mais Mn converge dans L1 vers E[Y |B∞ ] = Y (voir exercice ci-dessous), puisque B∞ =
B([0, 1]). Ainsi, E[|Mn |] → E[|Y |] = 1, d'où Sn → |da|([0, 1]). □

Exercice 4.1.9. Soit (Ω, F , P), muni d'une ltration (Fn )n≥0 , et F∞ = σ(∪n≥0 Fn ).
Montrer que si Y ∈ L1 (Ω, F , P), alors Mn = E[Y |Fn ] converge dans L1 vers E[Y |F∞ ].
(a) Comme Mn est une martingale fermée, on sait qu'elle converge dans L1 vers M∞ ,
qui est bien sûr F∞ -mesurable.
(b) Observer que pour tout A ∈ ∪n Fn , par exemple A ∈ Fn0 , alors pour tout n ≥ n0 ,
E[Y 1A ] = E[E[Y |Fn ]1A ] = E[Mn 1A ] → E[M∞ 1A ], donc E[Y 1A ] = E[M∞ 1A ].
(c) Conclure par un argument de classe monotone que M∞ = E[Y |F∞ ].

4.2. Processus à variation nie

Passons maintenant au cas aléatoire.

Définition 4.2.1. Un processus à variation nie A = (At )t≥0 est un processus adapté
dont les trajectoires sont p.s. (continues) à variation nie (sur [0, T ], pour tout T > 0), avec
A0 = 0. Le processus A est dit croissant si de plus ses trajectoires sont p.s. croissantes.

Proposition 4.2.2. Soit A un processus à variation nie, et soit H un processus pro-

gressif tel que pour tout t > 0,
Z t
|Hs | |dAs | < ∞ p.s.
0

Alors le processus H · A déni, pour chaque ω ∈ Ω (voir la Remarque 4.1.6), par

Z t
(H · A)t = Hs dAs
0

est aussi un processus à variation nie.

 4.3. MARTINGALES LOCALES (CONTINUES) 39

Preuve. Les trajectoires de H·A sont p.s. (continues) à variation nie par la Remarque

4.1.6. Vérions que H ·A est adapté. En écrivant H = H+ − H− (avec H+ = max{H, 0} et

+ − + −
H− = max{−H, 0}) et A = A − A (avec A = dA+ ([0, t]) et A = dA− ([0, t])), puis
Z t Z t Z t Z t Z t
−
Hs dAs = +
H+,s dAs − H+,s dAs − +
H−,s dAs + H−,s dA−
s,
0 0 0 0 0
on se ramène au cas où H est positif et où dA est une mesure positive, ce qu'on suppose

désormais. On xe t ≥ 0. On sait que (ω, s) 7→ Hs (ω) est B([0, t]) ⊗ Ft -mesurable.
• Pour tout ]u, v] ⊂ [0, t] et Γ ∈ Ft , (1]u,v] 1Γ · A)t = 1Γ (Av − Au ) est Ft -mesurable.
• Par classes monotones (avec le pi-système P = {Γ×]u, v] : Γ ∈ Ft , 0 ≤ u < v ≤ t} qui

engendre B([0, t]) ⊗ Ft ), (1G · A)t est Ft -mesurable pour tout G ∈ B([0, t]) ⊗ Ft .
• Comme H est progressif, H 1[0,t]
B([0, t]) ⊗ Ft -mesurable. On écrit donc H 1[0,t]
est

1 ai 1Gi , avec Gi ∈
n
Pn n n
comme limite croissante de fonctions étagées de la forme H = n

B([0, t]) ⊗ Ft et ani > 0. Par le point précédent, (H n · A)t est Ft -mesurable pour tout
n ≥ 1. On a de plus (H · A)t = limn (H n · A)t par convergence monotone (car dA est une

mesure positive), et enn, (H · A)t est Ft -mesurable. □

4.3. Martingales locales (continues)

On se place dans un espace de probabilité ltré (Ω, F , (Ft ), P) qui vérie les conditions

habituelles. Si τ est un temps d'arrêt, et si X = (Xt , t ≥ 0) est un processus continu, on

note Xτ le processus arrêté (Xtτ = Xt∧τ )t≥0 .

Définition 4.3.1. Un processus continu adapté M = (Mt )t≥0 est appelé une martingale
locale (continue) s'il existe une suite croissante (τn , n ≥ 1) de temps d'arrêt telle que τn ↑ ∞
p.s. et que pour tout n, M τn − M0 soit une martingale uniformément intégrable. On dit que
la suite de temps d'arrêt (τn ) réduit M .
Remarque 4.3.2. Si M est une martingale locale, la variable aléatoire Mt n'est pas

nécessairement intégrable. En particulier, on n'a aucune information a priori sur M0 , à

part qu'elle est F0 -mesurable. Si par exemple X est une v.a. F0 -mesurable et (Mt )t≥0 est

une martingale, alors (X + Mt )t≥0 et (XMt )t≥0 sont des martingales locales (introduire

τn = n1|X|≤n ). □

Voici une collection de propriétés élémentaires pour les martingales locales.

Exercice 4.3.3.

(1) Une martingale (continue) est une martingale locale (la suite τn = n réduisant M ).
40 4. SEMIMARTINGALES CONTINUES

(2) Dans la dénition d'une martingale locale, on peut remplacer martingale uniformé-

ment intégrable" par martingale" (il sut de remplacer τn par τn ∧ n).

(3) Si M est une martingale locale, alors pour tout temps d'arrêt τ, Mτ est une martingale

locale (réduite par la même famille de temps d'arrêt).

(4) Si (τn ) réduit M et si (σn ) est une suite croissante de temps d'arrêt telle que σn ↑ ∞,
alors la suite (σn ∧ τn ) réduit M.
(5) L'ensemble des martingales locales est un R-espace vectoriel.

On se gardera d'appliquer sans précaution aux martingales locales les résultats qu'on a

démontrés pour les martingales. Il est important de savoir si une martingale locale est une

vraie martingale. Nous allons prouver quelques premiers résultats dans ce sens.

Proposition 4.3.4. Soit M une martingale locale.

(1) Si M0 ∈ L1 et si M est positive, alors c'est une surmartingale.
(2) Si pour tout t ≥ 0, E(sups∈[0,t] |Ms |) < ∞, alors M est une martingale.
(3) La suite de temps d'arrêt τn = inf{t ≥ 0 : |Mt − M0 | = n} réduit M .
Preuve. On considère une suite (τn ) réduisant M . Comme M0 ∈ L1 , M τn est une martingale.

Donc pour s < t,

(4.2) E [Mt∧τn | Fs ] = Ms∧τn , p.s.

Par Fatou (conditionnel), comme limn Mt∧τn = Mt , on conclut que

E [Mt | Fs ] ≤ Ms , p.s.

En particulier (avec s = 0), Mt ∈ L1 . Par conséquent, M est une surmartingale, d'où (1).
1
Pour (2), on a aussi M0 ∈ L et donc (4.2). Comme Mt∧τn → Mt , p.s., et

|Mt∧τn | ≤ Yt = sup |Mu | ∈ L1 ,

u∈[0,t]

le théorème de convergence dominée nous donne E[Mt | Fs ] = Ms p.s.

τn
Enn, (3) découle de (2), car (M − M0 ) est une martingale locale bornée et donc une

vraie martingale, et car τn → ∞ p.s. par continuité de M. □

Remarque 4.3.5. Il est faux que toute martingale locale telle que (Ms , s ∈ [0, t]) soit

uniformément intégrable pour tout t ≥ 0 est une martingale. On verra un exemple d'une

martingale locale bornée dans L2 qui n'est pas une martingale.

 4.4. VARIATION QUADRATIQUE D'UNE MARTINGALE LOCALE 41

Théorème 4.3.6. Soit M une martingale locale à variation nie. Alors p.s., pour tout
t ≥ 0, Mt = M0 .

Preuve. Quitte à remplacer M par M − M0 , on peut supposer que p.s. M0 = 0.

Cas 1 : M est une vraie martingale bornée (issue de 0) dont la variation totale dM est

bornée, i.e. | dM ([0, ∞[)| ≤ K . Soit t > 0, et soit 0 = t0 < t1 < · · · < tp = t une subdivision

de [0, t]. On a
" p # p
X 2 X
2
E (Mti − Mti−1 )2
 
E[(Mt ) ] = E (Mti − Mti−1 ) =
i=1 i=1
p
" #  
X
≤ E sup |Mti − Mti−1 | |Mti − Mti−1 | ≤ KE sup |Mti − Mti−1 | ,
1≤i≤p 1≤i≤p
i=1
Pp
car i=1 |Mti − Mti−1 | ≤ | dM |([0, t]) ≤ K , voir la Proposition 4.1.8. On faisant tendre le

pas de la subdivision vers 0, on conclut par convergence dominée et par continuité de M que

E[Mt2 ] = 0. Enn, encore par continuité de M, p.s., pour tout t ≥ 0, Mt = 0.

Cas 2 : M est une martingale locale issue de 0 à variation nie. On pose
 Z t 
τn = inf t : |Mt | + |dMs | ≥ n ,
0
RT
qui croît p.s. vers l'inni quand n → ∞ (car 0
|dMs | < ∞ p.s. pour tout T > 0). Alors M τn
est une vraie martingale bornée de variation totale bornée, et donc p.s., pour tout t ≥ 0,
Mtτn =0 p.s., i.e. pour tout t ∈ [0, τn ], Mt = 0. □

4.4. Variation quadratique d'une martingale locale

On se place toujours dans un espace ltré (Ω, F , (Ft ), P) vériant les conditions habi-

tuelles. Le théorème suivant joue un rôle très important dans la suite du cours.

Théorème 4.4.1. Soit M une martingale locale (continue). Il existe un processus crois-
sant (continu adapté), noté (⟨M ⟩t )t≥0 , unique à indistinguabilité près, tel que Mt2 − ⟨M ⟩t
soit une martingale locale et ⟨M ⟩0 = 0.
De plus, pour tout t > 0, si 0 = tn0 < tn1 < · · · < tnpn = t est une suite de subdivisions
emboîtées de [0, t], de pas tendant vers 0, alors
pn
en probabilité.
X
lim (Mtni − Mtni−1 )2 = ⟨M ⟩t
n→∞
i=1

Remarque 4.4.2. (i) Le processus ⟨M ⟩ est appelé la variation quadratique ou cro-

chet de M . Il ne dépend que des accroissements de M , pas de sa donnée initiale M0 .
42 4. SEMIMARTINGALES CONTINUES

(ii) Quand M = B est un mouvement brownien, on a ⟨B⟩t = t, car Bt2 − t est une

martingale, avec bien sûr t processus croissant.

(iii) Soit (Mn )n≥0 une (vraie) martingale discrète et L2 . On montre facilement que

Fn−1 -mesurable
Pn
An = k=1 E[(Mk − Mk−1 )2 |Fk−1 ] est prévisible (An est pour tout n ≥ 1),
2
croissant, et que Mn − An est une martingale.

(i) Pour M une martingale et s, t ≥ 0, on a E[Mt |Fs ] = Ms∧t .

Exercice 4.4.3.

(i) Si M est une martingale et si 0 < a < b, alors Yt = Mt∧b − Mt∧a est une martingale.
(ii) Si M est une martingale L2 et 0 < a < b, alors Zt = Ma [Mt∧b − Mt∧a ] est une
martingale.
Lemme [Link] M est une martingale locale, si 0 < a < b et si H est Fa -mesurable,
alors Ut = H(Mt∧b − Mt∧a ) est une martingale locale.
Preuve. Étape 1. On suppose d'abord que M est une vraie martingale et que H est borné.

Clairement, Ut ∈ L1 et Ut est Ft -adapté (distinguer les cas t < a et t ≥ a). Fixons 0 ≤ s ≤ t.

• Sis ≤ t ≤ a, on a bien E[Ut |Fs ] = Us , car Ut = Us = 0.
• Si s ≤ a ≤ t, alors Us = 0 et E[Ut |Fs ] = E[HE[Mt∧b − Mt∧a |Fa ]|Fs ] = 0, car

E[Mt∧b |Fa ] = Ma = E[Mt∧a |Fa ].

• Si a ≤ s ≤ t, E[Ut |Fs ] = HE[Mt∧b − Mt∧a |Fs ] = H(Ms∧b − Ms∧a ) = Us .
Étape 2. Dans le cas général, on introduit τn = inf{t ≥ 0 : |Mt | > n ou |H|1{t≥a} > n}. On
a bien sûr limn τn = ∞ p.s., et τn est un temps d'arrêt car les processus M et (|H|1{t≥a} )t≥0

sont adaptés. Comme M n est une vraie martingale et comme H 1{|H|≤n} est borné, on a, par
τ

l'étape 1, que

Utn := H 1{|H|≤n} (Mt∧b

τn τn
− Mt∧a )
est une martingale. Mais Utτn = Utn (ce qui conclut la preuve), puisque

H 1{|H|≤n} (Mt∧b
τn τn
− Mt∧a τn
) = H(Mt∧b τn
− Mt∧a ).
τn τn
En eet, c'est évident si |H| ≤ n, et si |H| > n, on a τn ≤ a et donc Mt∧b − Mt∧a =
Mτn ∧t − Mτn ∧t = 0. □

Proposition 4.4.5. Si (Xtn )t∈[0,T ] est une suite de processus continus adaptés telle que
limn,m→∞ E[sup[0,T ] |Xtn − Xtm |p ] = 0, avec p ≥ 1, alors il existe un processus continu adapté
(Xt )t∈[0,T ] tel que limn→∞ E[sup[0,T ] |Xtn − Xt |p ] = 0.
Preuve. Soit nk → ∞ une suite d'indices telle que
n
E[sup[0,T ] |Xt k+1 − Xtnk |p ] ≤ 2−k . Alors
h X p i1/p X h p i1/p
nk+1 nk+1
nk nk
X
E sup |Xt − Xt | ≤ E sup |Xt − Xt | ≤ 2−k/p < ∞,
k≥0 [0,T ] k≥0 [0,T ] k≥0
 4.4. VARIATION QUADRATIQUE D'UNE MARTINGALE LOCALE 43

n
sup[0,T ] |Xt k+1 − Xtnk |
P
par Minkowski, donc la série k≥0 converge (normalement) p.s., et la
nk nk+1
n0
− Xtnk ))t∈[0,T ] ,
P
suite (Xt )t∈[0,T ] converge p.s. (uniformément) vers (Xt = Xt + k≥0 (Xt
qui est continu et adapté. De plus,
h i1/p X h p i1/p
n
X
E sup |Xt − Xtnk |p ≤ E sup |Xt ℓ+1 − Xtnℓ | ≤ 2−ℓ/p → 0.
[0,T ] ℓ≥k [0,T ] ℓ≥k

Enn,
h i h i
lim sup E sup |Xtn − Xt |p ≤ lim sup lim sup E sup |Xtn − Xtnk |p = 0
n→∞ [0,T ] n k [0,T ]

ce qui achève la preuve. □

Preuve du Théorème 4.4.1. Unicité. Si on a deux processus croissants A et A′ tels que

Mt2 − At et Mt2 − A′t soient deux martingales locales, alors At − A′t = (Mt2 − A′t ) − (Mt2 − At )
est une martingale locale et un processus à variation nie issu de 0, il est donc p.s. nul, et A
′
et A sont indistinguables.

Existence : partie 0. On se ramène au cas où M0 = 0, en posant ⟨M ⟩t = ⟨M − M0 ⟩t . En

eet, on a bien que M 2 − ⟨M − M0 ⟩ est une martingale locale, car

M 2 − ⟨M − M0 ⟩ = (M − M0 )2 − ⟨M − M0 ⟩ + {2M0 Mt − M02 },

et car le terme entre accolades est une martingale locale, voir le lemme 4.4.4. De plus, on a

bien, si on suppose le théorème vrai quand M0 = 0,

pn pn
X X
lim (Mtni − Mtni−1 )2 = lim ((Mtni − M0 ) − (Mtni−1 − M0 ))2 = ⟨M − M0 ⟩t = ⟨M ⟩t
n→∞ n→∞
i=1 i=1

Existence : partie 1. On suppose ici que M est bornée (et donc est une vraie martingale)

et on travaille sur [0, T ]. On considère une suite 0 = tn0 < · · · < tnpn = T de subdivisions
n
Pp n
emboîtées de [0, T ], et on introduit Xt = i=1 Mti−1 [Mti ∧t − Mti−1 ∧t ].
n n n

n
(a) Le processus X est une martingale (bornée), voir exercice 4.4.3.

(b) Pour tout k = 1, . . . , pn , on a

k
X k
X k
X
Mt2nk − 2Xtnnk = 2 2
[Mtni − Mtni−1 ] − 2 Mtni−1 [Mtni − Mtni−1 ] = [Mtni − Mtni−1 ]2 .
i=1 i=1 i=1
n
(c) On a limn,m→∞ E[(XT − XTm )2 ] =0 : nous verrons cela à la n de la preuve.
n m
(d) Par Doob, comme X −X est une martingale continue, on déduit de (c) que

limn,m→∞ E[sup[0,T ] (Xtn − Xtm )2 ]= 0. Par la proposition 4.4.5, il existe un processus continu

adapté (Xt )t∈[0,T ] tel que limn→∞ E[sup[0,T ] (Xtn − Xt )2 ] = 0.

(e) At := Mt2 − 2Xt est croissant : il est continu adapté, et limite uniforme de Ant =
Mt2 − 2Xtn , qui est croissant le long de la subdivision 0 = tn0 < tn1 < · · · < tnpn = T par (b).
44 4. SEMIMARTINGALES CONTINUES

(f ) Mt2 − At = 2Xt est une martingale : pour 0 ≤ s ≤ t, on a E[Xtn |Fs ] = Xsn par (a), et

il sut de passer à la limite (dans L2 ).

Ppn
(g) Enn, AT = MT2 − 2XT = limn (MT2 − 2XTn ) = limn i=1 [Mti
n − Mtni−1 ]2 dans L2 , et

donc en probabilité. On a utilisé (d) puis (b).

Existence : partie 2. Si M est une martingale locale (issue de 0), elle peut être réduite

par τn = inf{t ≥ 0 : |Mt | ≥ n}. Comme M τn est une martingale bornée, on peut appliquer
n τ
la partie 1, soit donc At = ⟨M n ⟩t .
n m
Par unicité, on a At∧τ = At∧τ (à indistinguabilité près) pour tout m ≥ n. En eet,
n n
2 m 2
Mt∧τ m
− A t est une martingale, donc Mt∧τ n
− Am 2 m
t∧τn = Mt∧τm ∧τn − At∧τn est une martingale,
m n m n m
et donc At∧τ est bien le crochet de Mt∧τn , i.e. At = At∧τ , puis At∧τ = At∧τ .
n n n n

On peut donc constuire un processus continu adapté croissant A tel que pour tout n ≥ 1,
At∧τn = Ant∧τn : il sut Ant 1{t∈(τn−1 ,τn ]} = limn→∞ Ant p.s. (avec τ0 = 0).
P
de poser At = n≥1
2 2
Alors Mt − At est un martingale locale, puisque pour tout n ≥ 1, Mt∧τ − At∧τn =
n
2
Mt∧τ n
− Ant∧τn est une martingale, donc τn réduit Mt2 − At .
Ppn τk
Enn, on sait par la partie 1 que pour tout k ≥ 1, on a AkT = limn→∞ i=1 [Mtn
i
− Mtτni−1
k
]2
dans L2 . Puisque Ωk = {τk ≥ T } vérie limk P(Ωk ) = 1 et que

Ωk ⊂ {AkT = AT } ∩ {Mtτk = Mt ∀ t ∈ [0, T ]},

on conclut que, pour tout ϵ > 0, pour tout k ≥ 1,

 pn   pn 
X X τk τk 2
2 c k
P AT − [Mtni − Mtni−1 ] > ϵ ≤ P(Ωk ) + P AT − [Mtni − Mtni−1 ] > ϵ ,
i=1 i=1

Ppn
d'où lim supn P(|AT − i=1 [Mti
n − Mtni−1 ]2 | > ϵ) ≤ P(Ωck ) puis

 pn 
X
lim sup P AT − [Mtni − Mtni−1 ]2 > ϵ = 0.
n
i=1

Preuve du point (c). On xe n < m, on écrit

pm
X
XTm = Mtm
j−1
[Mtm
j
− Mtm
j−1
],
j=1
pn pm
X X
XTn = Mtni−1 [Mtni − Mtni−1 ] = Mtnin,m (j)−1 [Mtm
j
− Mtm
j−1
],
i=1 j=1
 4.4. VARIATION QUADRATIQUE D'UNE MARTINGALE LOCALE 45

où, pour chaque j = 0, . . . , pm − 1, l'indice in,m (j) est l'unique i ∈ {0, . . . , pn } tel que

]tm m n n
j−1 , tj ] ⊂]ti−1 , ti ]. Ainsi,

pm
X m,n m,n
XTn − XTm = Hj−1 [Mtm
j
− Mtm
j−1
], où Hj−1 = Mtnin,m (j)−1 − Mtm
j−1
.
j=1

En utilisant que E[Mtm

j
− Mtm
j−1
|Ftm
j−1
]=0 et que
m,n
Hj−1 est Ftm
j−1
-mesurable, on voit que

pm
hX i pm
hX i
m,n 2 m,n 2
E[(XTn − XTm )2 ] =E (Hj−1 ) [Mtm
j
− M m
tj−1 ] 2
≤ E ( H̄j−1 ) [M m
tj − M m
tj−1 ] 2
,
j=1 j=1

où H̄jm,n = maxk=0,...,j |Hkm,n |. Mais E[(Mtm

j
−Mtm
j−1
)2 |Ftm
j−1
] = E[(Mtm
j
)2−(Mtm
j−1
)2 |Ftm
j−1
], d'où
pm
hX i
m,n 2
E[(XTn − XTm )2 ] ≤ E (H̄j−1 ) [(Mtm
j
) 2
− (Mt
2
m ) ]
j−1
j=1
hX pm i
≤ E [(H̄jm,n Mtm
j
) 2
− (H̄ m,n
j−1 M m
tj−1 )2
]
j=1

= E[(H̄pm,n
m
Mtm
pm
)2 ].

Notre martingale M étant bornée (par K ), on conclut que E[(XTn − XTm )2 ] ≤ K 2 E[(H̄pm,n
m
)2 ],
qui tend vers 0 quand n, m → ∞ par convergence dominée, puisque (H̄pm,n
m
)2 ≤ 4K 2 et tend

vers 0 p.s. par continuité des trajectoires t 7→ Mt : en notant δn le pas de la subdivision, on

m,n
a H̄p
m
≤ max{|Mt − Ms |, s, t ∈ [0, T ], |t − s| ≤ δn }. □

Proposition 4.4.6. Pour M une martingale locale et τ un temps d'arrêt, ⟨M τ ⟩ = ⟨M ⟩τ .

Preuve. Mt2 − ⟨M ⟩t est une martingale locale, donc
2
Mt∧τ − ⟨M ⟩t∧τ aussi. □

Définition 4.4.7. Une martingale (continue) M est dite de carré intégrable (ou dans
L ) si
2
E(Mt2 ) < ∞ pour tout t ≥ 0.

Théorème 4.4.8. Soit M une martingale locale telle que p.s. M0 = 0. Alors E[⟨M ⟩t ] < ∞
pour tout t ≥ 0 si et seulement si M est une (vraie) martingale de carré intégrable. Dans ce
cas, Mt2 − ⟨M ⟩t est une (vraie) martingale.
Preuve. Soit donc M une martingale locale issue de 0 et τn = inf{t ≥ 0 : |Mt | + ⟨M ⟩t ≥ n}.
2
Alors τn croît p.s. vers l'inni, et Mt∧τ n
− ⟨M ⟩t∧τn est une martingale locale bornée, donc

une vraie martingale, et on a

2
E[Mt∧τ n
] = E[⟨M ⟩t∧τn ].
46 4. SEMIMARTINGALES CONTINUES

• Si M est une (vraie) martingale L2 , alors par Fatou, E[⟨M ⟩t ] ≤ lim inf n E[⟨M ⟩t∧τn ] =
2
lim inf n E[Mt∧τ n
] = E[Mt2 ] < ∞, par convergence dominée, puisque Mt∧τn → Mt p.s. et
2
puisque supn≥1 Mt∧τ
n
≤ sup[0,t] Ms2 qui est intégrable par Doob.
2
• Si maintenant E(⟨M ⟩t ) < ∞ pour tout t, alors supn E[Mt∧τ n
] ≤ E(⟨M ⟩t ) puis, par
Doob, comme (Mt∧τn )t≥0 est une martingale locale bornée donc une vraie martingale, on a
2
supn E[sup[0,t] Ms∧τ n
] ≤ 4E(⟨M ⟩t ). On conclut que E[sup[0,t] Ms2 ] ≤ 4E(⟨M ⟩t ) < ∞ pour tout

t≥0 par convergence monotone. Par la Proposition 4.3.4, M est une martingale L2 .
• Enn, sous ces conditions, on a E[sup[0,t] |Ms2 − ⟨M ⟩s |] < ∞, et Mt2 − ⟨M ⟩t est une

martingale par la Proposition 4.3.4. □

Remarque 4.4.9. Nous verrons en TD que si M une martingale locale telle que M0 = 0
et 1/2
E[⟨M ⟩t ] < ∞ pour tout t ≥ 0, alors M est une vraie martingale.

Corollaire 4.4.10. (a) Soit M une martingale dans L2 telle que p.s. M0 = 0. Alors
(4.3) E(Mt2 ) = E(⟨M ⟩t ), ∀ t ≥ 0.
(b) Si M est une martingale locale (continue) telle que ⟨M ⟩t = 0 p.s. pour tout t ≥ 0 et
M0 = 0, alors (Mt )t≥0 est indistinguable de 0.
Preuve. (a) découle du fait qu'alors M 2 − ⟨M ⟩ est une martingale issue de 0.
(b) Si ⟨M ⟩t = 0 p.s. pour tout t ≥ 0, alors M 2 = M 2 − ⟨M ⟩ est une (vraie) martingale
2
par le Théorème 4.4.8. Donc E(Mt ) =0 et M est indistinguable de 0 par continuité. □
On étend maintenant la notion de crochet aux couples de martingales locales.

Définition 4.4.11. Soient M et N deux martingales locales. On pose

1h i
⟨M, N ⟩t = ⟨M + N ⟩t − ⟨M ⟩t − ⟨N ⟩t .
2
En particulier, ⟨M, M ⟩ = ⟨M ⟩ (car, exercice, ⟨2M ⟩ = 4⟨M ⟩).
Proposition 4.4.12. Soient M et N deux martingales locales.
(1) ⟨M, N ⟩ est l'unique (à indistinguabilité près) processus à variation nie tel que Mt Nt −
⟨M, N ⟩t soit une martingale locale.
(2) L'application (M, N ) 7→ ⟨M, N ⟩ est bilinéaire et symétrique.
(3) Soit t > 0. Si 0 = tn0 < tn1 < · · · < tnpn = t est une suite de subdivisions emboîtées de
[0, t] de pas tendant vers 0, alors
pn
X
(4.4) lim (Mtni − Mtni−1 )(Ntni − Ntni−1 ) = ⟨M, N ⟩t en probabilité.
n→∞
i=1
 4.4. VARIATION QUADRATIQUE D'UNE MARTINGALE LOCALE 47

(4) Si τ est un temps d'arrêt, alors ⟨M τ , N τ ⟩ = ⟨M τ , N ⟩ = ⟨M, N ⟩τ .

Preuve. (1) Pour l'unicité, si MN − A et M N − A′ sont deux martingales locales, alors

A − A′ = (M N − A′ ) − (M N − A) est une martingale locale à variation nie, donc A = A′ .

D'autre part,

1 
M N − ⟨M, N ⟩ = (M + N )2 − ⟨M + N ⟩ − (M 2 − ⟨M ⟩) − (N 2 − ⟨N ⟩)
2
est une martingale locale.

De même, (3) découle du cas à une martingale locale par polarisation.

(2) découle de (3).

Pour (4), voir TD (utiliser (3) et observer qu'arrêter M ou N ou ⟨M, N ⟩ à τ revient à

sommer sur les i tels que tni−1 ≤ τ ). □

Définition 4.4.13. On dit que deux martingales locales M et N sont orthogonales si on

a ⟨M, N ⟩ = 0, ce qui équivaut à dire que le produit M N est une martingale locale.
Proposition 4.4.14. Deux martingales locales indépendantes sont orthogonales.
Preuve. Voir TD. □

Théorème 4.4.15 (Inégalité de Kunita-Watanabe). Soient M et N deux martingales

locales continues, et H et K deux processus mesurables. Alors pour tout T ≥ 0, p.s.,
s s
Z T Z T Z T
(4.5) |Hs | |Ks | |d⟨M, N ⟩s | ≤ Hs2 d⟨M ⟩s Ks2 d⟨N ⟩s .
0 0 0

Preuve. On peut bien sûr supposer que H et K sont à valeurs positives. Notons µ, ν et σ
| d⟨M, N ⟩|, d⟨M ⟩ et d⟨N ⟩ sur [0, T ].
les trois mesures (aléatoires) positives

Etape 1. On a p.s. |⟨M, N ⟩t − ⟨M, N ⟩s | ≤ ν(]s, t]) σ(]s, t]) pour tout 0 ≤ s < t ≤ T .
p p
′
On notera Ω (de probabilité 1) l'évènement correspondant.

En eet, soit s = tn0 < · · · < tnpn = t une suite de subdivisions emboîtées de ]s, t] de pas

tendant vers 0. Alors, on sait par la Proposition 4.4.12 que (la limite étant en probabilité)
pn
X
⟨M, N ⟩t − ⟨M, N ⟩s = lim (Mtni − Mtni−1 )(Ntni − Ntni−1 ).
n
i=1
En utilisant Cauchy-Schwarz puis le théorème 4.4.1, on conclut que
pn
X pn
1/2  X 1/2 p
2
p
|⟨M, N ⟩t −⟨M, N ⟩s | ≤ lim |Mtni −Mtni−1 | |Ntni −Ntni−1 |2 = ν(]s, t]) σ(]s, t]).
n
i=1 i=1
On a cette inégalité p.s. pour tous les couples de rationnels 0≤s<t≤T puis, par continuité

(les mesures ν et σ étant sans atomes), p.s. pour tous les couples 0 ≤ s < t ≤ T.
48 4. SEMIMARTINGALES CONTINUES

Etape 2. Pour tout ω ∈ Ω′ , tout 0 ≤ s < t ≤ T , µ(ω, ]s, t]) ≤

p p
ν(ω, ]s, t]) σ(ω, ]s, t]).
En eet, par la proposition 4.1.8, les suprema portant sur les subdivisions de ]s, t],
p
nX o p
nX o
p p
µ(]s, t]) = sup |⟨M, N ⟩ti − ⟨M, N ⟩ti−1 | ≤ sup ν(]ti−1 , ti ]) σ(]ti−1 , ti ])
1 1

par l'étape 1, puis, par Cauchy-Schwarz,

p
n X p
1/2  X 1/2 o p p
µ(]s, t]) ≤ sup ν(]ti−1 , ti ]) σ(]ti−1 , ti ]) ≤ ν(]s, t]) σ(]s, t]).
1 1

Etape 3. A ∈ B([0, T ]), µ(ω, A) ≤

′
p p
Pour tout ω ∈ Ω, tout ν(ω, A) σ(ω, A) : cela

découle de l'étape 3 et du Lemme 4.4.16 ci-dessous.

Etape 4. Supposons que H et K sont étagés positifs, on peut donc les écrire sous la
ai 1{(s,ω)∈Ai } i=1 bi 1{(s,ω)∈Ai } , avec ai , bi ∈ [0, ∞[ et Ai ∈
Pn Pn
forme Hs (ω) = i=1 et Ks (ω) =

B([0, T ]) ⊗ F . Alors (si ω ∈ Ω′ ),

Z T Xn
Hs (ω)Ks (ω)µ(ω, ds) = ai bi µ(ω, {s ∈ [0, T ] : (s, ω) ∈ Ai })
0 i=1
n
X p p
≤ ai b i ν(ω, {s ∈ [0, T ] : (s, ω) ∈ Ai }) σ(ω, {s ∈ [0, T ] : (s, ω) ∈ Ai })
i=1
n
X n
1/2  X 1/2
2 2
≤ ai ν(ω, {s ∈ [0, T ] : (s, ω) ∈ Ai }) bi σ(ω, {s ∈ [0, T ] : (s, ω) ∈ Ai })
i=1 i=1
Z T 1/2  Z T 1/2
2
= Hs (ω)ν(ω, ds) Ks2 (ω)σ(ω, ds)
0 0

Etape 5. Il n'y a plus qu'à écrire les processus mesurables (positifs) H et K comme limites
croissantes de fonctions étagées positives. □

Lemme 4.4.16. Soient µ, ν, σ trois mesures positives nies sur [0, T ] telles que µ(]s, t]) ≤

ν(]s, t])σ(]s, t]) pour tout 0 ≤ s < t ≤ T . Alors µ(A) ≤ ν(A)σ(A) pour tout A ∈
p p

B([0, T ]).
Preuve. Il semble impossible d'utiliser les classes monotones usuelles, mais on peut employer
https ://[Link]/wiki/Monotone_class_theorem#Monotone_class_theorem_for_sets.
On va procéder autrement. On introduit κ = µ + ν + σ et les densités de Radon-Nikodym
f = dµ/dκ, g = dν/dκ et h = dσ/dκ. On va montrer que
(4.6) f 2 ≤ gh κ-p.p.,
ce qui sura car on aura alors, pour tout A ∈ B([0, T ]),
Z Z p Z Z 1/2 p
µ(A) = f dκ ≤ gh dκ ≤ g dκ h dκ = ν(A)σ(A).
A A A A
 4.5. SEMIMARTINGALES CONTINUES 49

Pour avoir (4.6), il sut que

(4.7) pour κ-presque tout t ≥ 0, pour tout α ∈ Q, α2 g(t) + 2αf (t) + h(t) ≥ 0.
En eet, ça dira que pour κ-presque tout t ≥ 0, 4f 2 (t) − 4g(t)h(t) ≤ 0.
Pour α ∈ Q, la fonction
Z t
ℓα (t) = [α2 g(s) + 2αf (s) + h(s)]κ( ds) = α2 ν([0, t]) + 2αµ([0, t]) + σ([0, t])
0

est croissante : pour 0 ≤ s < t ≤ T , ℓ(t) − ℓ(s) = α2 ν(]s, t]) + 2αµ(]s, t]) + σ(]s, t]) ≥ 0 (car
4(µ(]s, t]))2 − 4ν(]s, t])σ(]s, t]) ≥ 0 par hypothèse).
Donc pour α ∈ Q, ( dℓα )− est la mesure nulle. Or ( dℓα )− = [α2 g + 2αf + h]− κ, d'où
κ({t ∈ [0, T ] : α2 2g(t) + 2αf (t) + h(t) < 0}) = 0.
Comme Q est dénombrable, on conclut que
κ({t ∈ [0, T ] : ∃q ∈ Q t.q. α2 2g(t) + 2αf (t) + h(t) < 0}) = 0,
soit (4.7). □

4.5. Semimartingales continues

Définition 4.5.1. Un processus X = (Xt , t ≥ 0) est appelé une semimartingale
(continue) s'il s'écrit sous la forme
Xt = X0 + Mt + Vt ,

où M est une martingale locale (continue), V est un processus à variation nie (continu
adapté), M0 = V0 = 0, et X0 est F0 -mesurable.

Remarque 4.5.2. D'après le Théorème 4.3.6, la décomposition Xt = X0 + Mt + Vt

pour une semimartingale continue est unique à indistinguabilité près. Elle est appelée la

décomposition canonique de la semimartingale X . □

Définition [Link] Xt = X0 + Mt + Vt et Xet = Xe0 + M

ft + Vet deux semimartingales
continues. On pose ⟨X⟩t = ⟨M ⟩t et ⟨X, X⟩
e t = ⟨M, M
f⟩t .

Noter qu'on a ici encore e = 1 [⟨X + X⟩

⟨X, X⟩ e t − ⟨X⟩t − ⟨X⟩
e t ].
2

Proposition 4.5.4. Soit 0 = tn0 < tn1 < · · · < tnpn = t une suite de subdivisions emboîtées
de [0, t] de pas tendant vers 0 quand n → +∞. Alors
pn
en probabilité.
X
lim (Xtni − Xtni−1 )(X
etn − X
i
etn ) = ⟨X, X⟩
i−1
e t
n→∞
i=1
50 4. SEMIMARTINGALES CONTINUES

Preuve. Par polarisation, il sut de traiter le cas où X = Xe . Alors

pn pn pn
X X X
(Xtni − Xtni−1 )2 = (Mtni − Mtni−1 ) + 2
(Vtni − Vtni−1 )2
i=1 i=1 i=1
pn
X
+2 (Mtni − Mtni−1 )(Vtni − Vtni−1 )
i=1
=: I1 (n) + I2 (n) + I3 (n),
Part le Théorème 4.4.1, I1 (n) → ⟨M ⟩t = ⟨X⟩t en probabilité. Par la Proposition 4.1.8,
 pn
X
I2 (n) + |I3 (n)| ≤ max |Vtni − Vtni−1 | + 2 max |Mtni − Mtni−1 | |Vtni − Vtni−1 |
1≤i≤pn 1≤i≤pn
i=1
  Z t
≤ max |Vtni − Vtni−1 | + 2 max |Mtni − Mtni−1 | |dVs |,
1≤i≤pn 1≤i≤pn 0
Rt
qui converge p.s. vers 0 par la continuité de s 7→ Vs et s 7→ Ms et car
0
|dVs | < ∞ p.s. □
 Chapitre 5

Intégrale stochastique

Nous construisons dans ce chapitre de l'objet principal du cours : l'intégrale stochastique

par rapport à une semimartingale (continue). Durant tout le chapitre, on se place dans un

espace de probabilité ltré (Ω, F , (Ft ), P) qui vérie les conditions habituelles.

5.1. Intégration par rapport aux martingales de carré intégrable

On construit ici l'intégrale stochastique par rapport à une martingale continue et dans
2
L sur [0, T ].

On note MT2 l'ensemble des martingales continues (Mt , t ∈ [0, T ]),

Définition 5.1.1.

dans L2 et telles que M0 = 0. On dénit le produit scalaire sur MT2

(M, N )MT2 = E[MT NT ] = E[⟨M, N ⟩T ].

Noter que par Doob, ∥M ∥2M 2 = (M, M )MT2 = 0 implique bien que le processus M est
T
2
indistinguable de 0 (sur [0, T ]), puisque E[sup[0,T ] Mt ] ≤ 4E[MT2 ] = 4∥M ∥2M 2 .
T

Proposition 5.1.2. MT2 , muni du produit scalaire (M, N )MT2 , est un espace de Hilbert.

Preuve. Il faut montrer que MT2 est complet pour la norme ∥M ∥MT2 . Soit donc (M n )n une

suite de Cauchy pour cette norme. Par Doob,

" #
sup (Mtn − Mtm )2 ≤ 4E (MTn − MTm )2 = 4∥M n − M m ∥MT2 → 0
 
E
t∈[0,T ]

quand n, m → ∞. Par la Proposition 4.4.5, il existe un processus (Mt )t∈[0,T ] continu, adapté,
2
L , tel que
" #
lim E sup (Mtn − Mt )2 = 0.
n→+∞ t∈[0,T ]

Reste à montrer que M est une martingale. Mais pour tout 0 ≤ s < t ≤ T , on a E[Mtn |Fs ] =
Msn , et il sut de faire tendre n → ∞ (dans L2 ). En eet, l'inégalité de Cauchy-Schwarz

assure que E[(E[Mtn |Fs ] − E[Mt |Fs ])2 ] ≤ E[(Mtn − Mt )2 ] → 0. □

51
52 5. INTÉGRALE STOCHASTIQUE

Définition 5.1.3. Pour M ∈ MT2 , on note L2T (M ) l'ensemble des processus progressifs
(Hs )s∈[0,T ] tels que
Z T 
E Hs2 d⟨M ⟩s < ∞.
0

Remarque 5.1.4. En notant P la tribu progressive sur R+ × Ω dénie à la n de la

1{(s,ω)∈A} d⟨M ⟩s P( dω).

R RT
section 3.1, on a L2T (M ) = L2 ([0, T ]×Ω, P, νM ), où νM (A) = Ω 0
2 2
RT
Comme tout espace L , LT (M ), muni du produit scalaire (H, K)L2T (M ) = E( 0 Hs Ks d⟨M ⟩s ),
est un espace de Hilbert □

Remarque 5.1.5. Dans le cas du mouvement brownien B , puisque p.s. ⟨B⟩t = t,

Z T Z T
(H, K)L2T (B) = E(Hs Ks ) ds, ∥H∥2L2 (B) = E(Hs2 ) ds. □
T
0 0

Définition 5.1.6. On dit que H : [0, +∞[×Ω 7→ R est élémentaire s'il s'écrit
p
H (i) (ω) 1]ti , ti+1 ] (s),
X
Hs (ω) = s ≥ 0,
i=0

où p ≥ 0 est un entier, 0 ≤ t0 ≤ t1 ≤ · · · ≤ tp+1 sont des réels, et H (i) est une variable
aléatoire réelle bornée et Fti -mesurable pour chaque 0 ≤ i ≤ p. Notons E l'espace (vectoriel)
des processus élémentaires et ET l'espace (vectoriel) des restrictions à [0, T ] des processus
élémentaires.

Lemme 5.1.7. ET ⊂ L2T (M ) est dense dans L2T (M ).

Preuve. Il est clair que ET ⊂ L2T (M ). Rappelons qu'un sous-espace vectoriel F d'un espace

de Hilbert H est dense si et seulement si F ⊥ = {0}. Soit donc K ∈ L2T (M ) orthogonal à ET .

RT
Il s'agit de prouver que K = 0 dans L2T (M ), i.e. que E[ 0 Ks2 d⟨M ⟩s ] = 0.
Rt
Soit Xt =
0
Ks d⟨M ⟩s , qui est à variation nie (et intégrable), puisque
hZ t i hZ t i hZ t i
2
E[|Xt |] ≤ E |Ks | d⟨M ⟩s ≤ E (1 + Ks ) d⟨M ⟩s ≤ E Ks2 d⟨M ⟩s + ⟨M ⟩t .
0 0 0

Pour 0 ≤ u < v ≤ T et A ∈ Fu , le processus Hs = 1A 1s∈]u,v] ∈ ET et donc (H, K)L2T (M ) = 0,

Hs Ks d⟨M ⟩s ] = E[1A (Xv − Xu )]. Ainsi, on a E[Xv − Xu |Fu ] = 0, et X
RT
soit encore 0 = E[
0
est une martingale.
Rt
Donc X=0 par le Théorème 4.3.6 et p.s., pour tout t ≥ 0, 0
Ks d⟨M ⟩s = 0. Ainsi, p.s.,
RT
Ks d⟨M ⟩s est la mesure nulle, puis 0 Ks2 d⟨M ⟩s = 0 p.s. □
 5.1. INTÉGRATION PAR RAPPORT AUX MARTINGALES DE CARRÉ INTÉGRABLE 53

Soit M ∈ MT2 et Hs (ω) = H (i) (ω) 1]ti , ti+1 ] (s) ∈ ET . On pose

Pp
Théorème 5.1.8. i=0
p
X
(H · M )t = H (i) (Mti+1 ∧t − Mti ∧t ), t ∈ [0, T ].
i=0

On note aussi 0t Hs dMs = (H · M )t .

R

(i) Alors ((H · M )t )t∈[0,T ] est élément de MT2 , et on a ⟨H · M ⟩t = 0t Hs2 d⟨M ⟩s

R

(ii) On a E[(H · M )2T ] = E[ 0T Hs2 d⟨M ⟩s ].

R

(iii) H 7→ H · M est une isométrie de ET (muni de ∥·∥L2T (M ) ) dans MT2 (muni de ∥·∥2MT2 ).

H (i) (ω) 1]ti , ti+1 ] (s) = i=0 K (ω) 1]si , si+1 ] (s), alors on a
Pp Pq (i)
Il faut vérier que si i=0
Pp Pq
bien i=0 H (i) (Mti+1 ∧t − Mti ∧t ) = i=0 K
(i)
(Msi+1 ∧t − Msi ∧t ) : on se ramène au cas où
{t0 , ..., tp } ⊂ {s0 , ..., sq } par concaténation, on écrit donc ti = ski , on montre que K (j) = H (i)
pour j = ki , ..., ki+1 − 1, et on conclut par téléscopage.

Preuve. Le point (iii) ne dit rien de plus que (ii), qui découle de (i) par le Corollaire 4.4.10.
Pp
Pour (i), on écrit (H · M )t = 0 Lit , où Lit = H (i) (Mti+1 ∧t − Mti ∧t ). Comme dans l'exercice

4.4.3, L est une martingale (continue et L ), donc H ·M ∈ MT . Reste à calculer son crochet.
i 2 2

• On a ⟨Li ⟩t = [H (i) ]2 [⟨M ⟩ti+1 ∧t − ⟨M ⟩ti ∧t ], car Zti = (Lit )2 − [H (i) ]2 [⟨M ⟩ti+1 ∧t − ⟨M ⟩ti ∧t ]
est une martingale. En eet,

Zti =[H (i) ]2 (Mt2i+1 ∧t + Mt2i ∧t − 2Mti+1 ∧t Mti ∧t − ⟨M ⟩ti+1 ∧t + ⟨M ⟩ti ∧t )

=[H (i) ]2 ({Mt2i+1 ∧t − ⟨M ⟩ti+1 ∧t } − {Mt2i ∧t − ⟨M ⟩ti ∧t }) − 2[H (i) ]2 Mti ∧t (Mti+1 ∧t − Mti ∧t ).

Le premier terme est une martingale locale (c.f. Lemme 4.4.4), et le second aussi (noter que

[H (i) ]2 Mti ∧t (Mti+1 ∧t − Mti ∧t ) = [H (i) ]2 Mti (Mti+1 ∧t − Mti ∧t )).

• On a ⟨Li , Lj ⟩t = 0 si i ̸= j . En eet, supposons i < j . En utilisant une famille de

subdivisions de [0, t], on voit que

⟨Li , Lj ⟩t = H (i) H (j) ⟨M ti+1 − M ti , M tj+1 − M tj ⟩t .

Mais ⟨M ti+1 − M ti , M tj+1 − M tj ⟩t = ⟨M ti+1 ⟩t − ⟨M ti+1 ⟩t − ⟨M ti ⟩t + ⟨M ti ⟩t = 0.

• Ainsi, en se rappelant que d⟨M ⟩(]a, b]) = ⟨M ⟩b − ⟨M ⟩a par dénition,

p p Z t
X X
(i) 2 (i) 2
⟨H·M ⟩t = [H ] (⟨M ⟩ti+1 ∧t −⟨M ⟩ti ∧t ) = [H ] d⟨M ⟩(]ti , ti+1 ]∩[0, t]) = Hs2 d⟨M ⟩s ,
i=0 0 0

ce qui achève la preuve □

Pour M ∈ MT2 xée, on a donc déni l'isométrie H 7→ (H · M ) de ET (muni de ∥ · ∥L2T (M ) )

dans MT2 (muni de ∥ · ∥2M 2 ). On a aussi montré que ET était dense dans L2T (M ).
T
54 5. INTÉGRALE STOCHASTIQUE

Définition 5.1.9. Soit M ∈ MT2 . Pour H ∈ L2T (M ), on dénit ((H ·M )t )t∈[0,T ] comme la
limite (dans MT2 ) de ((H n ·M )t )t∈[0,T ] , pour une suite H n ∈ ET telle que ∥H n −H∥L2T (M ) → 0.
La martingale continue (et L2 ) H · M est appelée intégrale stochastique de H par rapport
à M . On note aussi 0t Hs dMs = (H · M )t .
R

Remarque 5.1.10. (i) L'objet obtenu ne dépend pas de la suite approchante choisie,
car si ∥H n − H∥L2T (M ) → 0 et ∥K n − H∥L2T (M ) → 0, alors ∥(H n · M ) − (K n · M )∥MT2 =
∥H n − K n ∥L2T (M ) → 0.
(ii) H 7→ H · M est une isométrie de (L2T (M ), ∥ · ∥L2T (M ) ) dans (MT2 , ∥ · ∥2MT2 ), on a
E[(H · M )t ] = 0 et E[(H · M )2t ] = E[ 0 Hs2 d⟨M ⟩s ] pour tout t ∈ [0, T ].
Rt

Définition 5.1.11. On note M 2 l'ensemble des martingales continues (Mt , t ≥ 0) qui

appartiennent à MT2 pour tout T ≥ 0. Pour M ∈ M 2 on note L2 (M ) l'ensemble des processus
progressifs (Ht , t ≥ 0) qui appartiennent à L2T (M ) pour tout T ≥ 0, et on peut bien sûr
construire l'intégrale stochastique ((H · M )t )t≥0 = ( 0t Hs dMs )t≥0 ∈ M 2 . C'est un élément
R

de M 2 .
(a) Noter que 0t Hs dMs n'est pas une intégrale usuelle (de Stieljes) :
R
Remarque 5.1.12.

M n'est pas à variation nie, donc dM n'est pas une mesure signée.
(b) Si H est adapté, continu et borné, on construit 0t Hs dMs comme limite (dans L2 )
R

de 2i=0−1 Hit2−n (M(i+1)t2−n − Mit2−n ) (considérer Hsn = 20 −1 Hit2−n 1]it2−n ,(i+1)t2−n ] , vérier
Pn Pn

qu'il est élémentaire, et qu'il converge vers H dans L2t (M ) quand n → ∞). C'est assez
naturel, mais c'est vraiment une limite probabiliste, qui utilise les compensations. En général,
i=0 |Hit2−n (M(i+1)t2−n − Mit2−n )| tend vers l'inni (si par exemple H = 1 et M = B ).
P2n −1

(c) De plus, même si H est continu adapté (et borné, même s'il ne l'est pas dans l'exemple
qui suit), 0t Hs dMs n'est en général pas limite de 2i=0−1 H(i+1)t2−n (M(i+1)t2−n − Mit2−n ). En
R Pn

eet, avec H = M = B , on a, puisque limn i=0 (B(i+1)t2−n − Bit2−n )2 = ⟨B⟩t = t,

P2n −1
n −1
2X n −1
2X
lim B(i+1)t2−n (B(i+1)t2−n − Bit2−n ) = lim Bit2−n (B(i+1)t2−n − Bit2−n ) + t
n n
i=0 i=0

5.2. Variation quadratique d'une intégrale stochastique

Nous étudions maintenant la variation quadratique ⟨H · M ⟩ de H · M.

Théorème 5.2.1. Si M ∈ M 2 et H ∈ L2 (M ), H · M est l'unique élément de M 2 tel que

Z t
(5.1) ⟨H · M, N ⟩t = Hs d⟨M, N ⟩s ∀ N ∈ M 2.
0

Ceci se réécrit ⟨ 0· Hs dMs , N ⟩t = 0t Hs d⟨M, N ⟩s pour tout N ∈ M 2 .

R R
 5.2. VARIATION QUADRATIQUE D'UNE INTÉGRALE STOCHASTIQUE 55

Preuve. Commençons par l'unicité. Si L et L̃ sont deux éléments de M 2 tels que ⟨L− L̃, N ⟩ =
0 pour tout N ∈ M 2, alors en particulier avec N = L − L̃ on trouve ⟨L − L̃⟩ = 0 puis, par

le Corollaire 4.4.10, L=L

e (à indistinguabilité près).

• Montrons ensuite (5.1) lorsque H = pi=0 H (i) 1]ti , ti+1 ] ∈ E . On rappelle que (H · M )t =
P
Pp i i (i)
0 Lt , où Lt = H [Mti+1 ∧t − Mti ∧t ] est une martingale. Soit une suite de subdivisions
emboîtées 0 = sn0 < sn1 < · · · < snpn = t de pas tendant vers 0 : on a (en probabilité)

pn
X
i
⟨L , N ⟩t = lim (Lisnk − Lisnk−1 )(Nsnk − Nsnk−1 )
n
k=1
pn
X
=H (i) lim ([Mti+1 ∧snk − Mti+1 ∧snk−1 ] − [Mti ∧snk − Mti ∧snk−1 ])(Nsnk − Nsnk−1 )
n
k=1
(i) ti+1
=H [⟨M , N ⟩t − ⟨M ti , N ⟩t ]
=H (i) [⟨M, N ⟩ti+1 ∧t − ⟨M, N ⟩ti ∧t ]
=H (i) d⟨M, N ⟩([0, t]∩]ti , ti+1 ]),
Rt
⟨H · M, N ⟩t = p0 ⟨Li , N ⟩t = p0 H (i) d⟨M, N ⟩([0, t]∩]ti , ti+1 ]) = 0 Hs d⟨M, N ⟩s .
P P
d'où

• Montrons maintenant (5.1) dans le cas général. On considère une suite (H n )n d'éléments
de E telle que Hn → H dans L2T (M ) et on sait, par dénition de H · M , que H n · M → H · M
Rt n
dans MT2 . On sait aussi
n
que ⟨H · M, N ⟩t =
0
Hs d⟨M, N ⟩s pour chaque n. Il n'y a plus
qu'à faire tendre n→∞ en remarquant que d'une part, d'après KunitaWatanabe,
sZ sZ
Z t  h t t i
E (Hsn − Hs ) d⟨M, N ⟩s ≤E (Hsn − Hs )2 d⟨M ⟩s d⟨N ⟩s
0 0 0
n
≤∥H − H∥L2t (M ) ∥N ∥Mt2 → 0,
1/2 1/2
et d'autre part (pour toute paire de martingales, on a |⟨M, N ⟩t | ≤ ⟨M ⟩t ⟨N ⟩t )

1/2
E[|⟨H n · M − H · M, N ⟩t |] ≤ E[⟨H n · M − H · M ⟩t ]1/2 E[⟨N ⟩t ] → 0,

puisque E[⟨H n · M − H · M ⟩t ] = E[|(H n · M )t − (H · M )t |2 ] par le Corollaire 4.4.10. □

(a) Soit M ∈ M 2 et H ∈ L2 (M ). Alors ⟨H · M ⟩t = 0t Hs2 d⟨M ⟩s ,

R
Corollaire 5.2.2.

i.e. ⟨ 0 Hs dMs ⟩t = 0 Hs d⟨M ⟩s .

R· Rt 2

(b) Si M, N ∈ M 2 , H ∈ L2 (M ) et K ∈ L2 (N ) Alors ⟨H ·M, K ·N ⟩t = 0t Hs Ks d⟨M, N ⟩s ,

R

i.e. ⟨ 0· Hs dMs , 0· Ks dNs ⟩t = 0t Hs Ks d⟨M, N ⟩s .

R R R

Preuve.
Rt
Il sut de montrer (b). Par le Théorème 5.2.1 ⟨H · M, K · N ⟩t = Hs d⟨M, K · N ⟩s .
0
Rt
Mais, par le Théorème 5.2.1 encore, ⟨M, K · N ⟩t = Ks d⟨M, N ⟩s donc, par la Remarque
0
56 5. INTÉGRALE STOCHASTIQUE

4.1.6,d⟨M, K · N ⟩s = Ks d⟨M, N ⟩s (égalité entre mesures signées). On conclut qu'en eet,

Rt
⟨H · M, K · N ⟩t = 0 Hs Ks d⟨M, N ⟩s . □

Remarque 5.2.3. Si (Ft )-mouvement brownien et si H ∈ L2 (B) (i.e. si

(Bt )t≥0 est un
RT Rt
0
E [Hs2 ] ds < ∞ pour tout T ), alors (H · B)t = 0 Hs dBs est une martingale de crochet
Rt 2 Rt Rt 2
Rt
0
Hs ds . En particulier, E[
0
Hs dBs ] = 0 et E[(
0
H s dBs ) ] = 0
E[Hs2 ] ds.

Proposition 5.2.4 (Associativité). Si K∈L2 (M ) et H ∈ L2 (K·M ), alors HK∈L2 (M ) et

(HK) · M = H · (K · M ).
Rt Rt Rt
Cette égalité s'écrit
0
(Hs Ks ) dMs = 0
Hs dLs , où Lt = 0
Ks dMs .

Preuve. • Si H ∈ L2 (K · M ), alors HK ∈ L2 (M ) : d'après le Corollaire 5.2.2, ⟨K · M ⟩t =

Rt RT RT
0
Ks2 d⟨M ⟩s , d'où d⟨K · M ⟩s = Ks2 d⟨M ⟩s , puisHs2 Ks2 d⟨M ⟩s = 0 Hs2 d⟨K · M ⟩s .
0
Rt
• Montrons que pour tout N ∈ M 2, ⟨(HK) · M, N ⟩t = 0 Hs d⟨K · M, N ⟩s , ce qui

impliquera que(HK) · M = H · (K · M ) par le Théorème 5.2.1. Mais

Z t Z t Z s  Z t
⟨(HK)·M, N ⟩t = Hs Ks d⟨M, N ⟩s = Hs d Ku d⟨M, N ⟩u = Hs d⟨K·M, N ⟩s
0 0 0 0
On a utilisé deux fois le Théorème 5.2.1. □

La prochaine proposition est cruciale dans la construction de l'intégrale stochastique par

rapport à une martingale locale.

Proposition 5.2.5. Soit M ∈ M 2 et H ∈ L2 (M ). Si τ est un temps d'arrêt, alors

H · M τ = (H 1[0,τ ] ) · M = (H · M )τ .

1
Rt Rt R t∧τ
Autrement dit,
0
Hs dMsτ =
0
Hs {s∈[0,τ ]} dM s = 0
Hs dMs .

Preuve. (a) On a M τ = 1[0,τ ] · M , i.e. Mtτ = 0t 1{s∈[0,τ ]} dMs . En eet, par le Théorème
R

1 d⟨M, N ⟩s , ce qui est

Rt
5.2.1, il sut de montrer que pour tout N ∈ M , ⟨M , N ⟩t =
2 τ
0 [0,τ ]
τ
vrai car ⟨M , N ⟩t = ⟨M, N ⟩τ ∧t .

(b) On déduit de (a), par associativité, que (H · M τ ) = H · (1[0,τ ] · M ) = (H 1[0,τ ] ) · M .

(c) En appliquant (a) à H ·M (au lieu de M ), (H · M )τ = 1[0,τ ] · (H · M ) = (H 1[0,τ ] ) · M
par associativité. □

Exercice 5.2.6. Si M, N ∈ M 2 , H ∈ L2 (M ), K ∈ L2 (N ), et τ est un temps d'arrêt borné,

Z τ  Z τ Z τ  Z τ 
E Hs dMs = 0 et E Hs dMs Ks dNs =E Hs Ks d⟨M, N ⟩s .
0 0 0 0
 5.3. INTÉGRATION STOCHASTIQUE PAR RAPPORT AUX MARTINGALES LOCALES 57

5.3. Intégration stochastique par rapport aux martingales locales

Définition 5.3.1. Soit M une martingale locale nulle en 0. On note L2loc (M ) l'ensemble
des processus progressifs H tels que pour tout t ≥ 0,
Z t
Hs2 d⟨M ⟩s < ∞, p.s.
0

Théorème 5.3.2. (1) Soit M une martingale locale issue de 0. Pour tout H ∈ L2loc (M ),
il existe une unique martingale locale issue de 0, notée H · M ou 0· Hs dMs , telle que pour
R

toute martingale locale N ,

Z t Z ·  Z t
⟨H · M, N ⟩t = Hs d⟨M, N ⟩s , i.e. Hs dMs , N = Hs d⟨M, N ⟩s .
0 0 t 0

(2) Si M, N sont deux martingales locales, si H ∈ L2loc (M ) et K ∈ L2loc (N ), alors on a

⟨H · M, K · N ⟩t = 0 Hs Ks d⟨M, N ⟩s .
Rt

(3) Si M ∈ M 2 et H ∈ L2 (M ), cette dénition étend celle du Théorème 5.1.8, i.e. H · M

est une (vraie) martingale L2
(4) Si M est une martingale locale, si K ∈ L2loc (M ) et H ∈ L2loc (K · M ), alors HK ∈
L2loc (M ) et H · (K · M ) = (HK) · M .
(5) Si τ est un temps d'arrêt, M une martingale locale et H ∈ L2loc (M ), on a H · M τ =
(H 1[0,τ ] ) · M = (H · M )τ .
Preuve. (1) : unicité. Si on a deux martingales locales L, O telles que ⟨L, N ⟩ = ⟨O, N ⟩ pour

toute martingale locale N , alors en particulier (avec N = L − O) ⟨L − O, L − O⟩ = 0 et donc

L−O est indistinguable de 0.
Rt
(1) : existence. Soit τn = inf{t ≥ 0 : ⟨M ⟩t + 0 Hs2 d⟨M ⟩s ≥ n}. Noter que p.s., limn τn =
2
∞ puisque H ∈ Lloc (M ).
τ
(a) Nous avons ⟨M n ⟩t = ⟨M ⟩t∧τn ≤ n, et donc E(⟨M τn ⟩∞ ) < ∞. D'après le Théorème
R∞ 2 Rτ
4.4.8, M τn ∈ M 2 . D'autre part,
0
Hs d⟨M τn ⟩s = 0 n Hs2 d⟨M ⟩s ≤ n. Donc H ∈ L2 (M τn ),
et on peut dénir l'intégrale stochastique H · M τn .
(b) Pour m > n, on a (H · M τm )τn = (H · (M τm )τn ) = H · M τn par la Proposition 5.2.5

(et car τn ≤ τm ). Donc p.s., pour tout m > n, (H · M τm )s = (H · M τn )s sur s ∈ [0, τn ].

τn τn
(c) On déduit de (b) que Zt = limn (H · M )t existe p.s. et vérie Z = H · M τn pour

tout n ≥ 1. Ainsi, Z est un continu (car continu sur [0, τn ] pour tout n) et adapté. Comme
H · M τn est une martingale L2 , Z est une martingale locale issue de 0, réduite par (τn )n≥1 .
(d) Montrons que pour toute martingale locale N (qu'on peut supposer issue de 0), on
Rt
a ⟨Z, N ⟩t =
0
Hs d⟨M, N ⟩s . Soit σn = inf{t ≥ 0 : |Nt | ≥ n} et Sn = τn ∧ σn . Alors M Sn
S 2 S S
Rt
et N n sont des martingales L et on a donc ⟨H · M n , N n ⟩t =
0
Hs d⟨M Sn , N Sn ⟩s =
58 5. INTÉGRALE STOCHASTIQUE

R t∧Sn
0
Hs d⟨M, N ⟩s . Comme Z τn = (H · M τn ) et τn ≥ Sn , on conclut que ⟨Z, N ⟩Sn =
R ·∧S
⟨H · M τn , N Sn ⟩ = ⟨H · M Sn , N Sn ⟩ = 0 n Hs d⟨M, N ⟩s , et il n'y a plus qu'à faire tendre

n → ∞.
(2) La preuve est strictement identique à celle du Corollaire 5.2.2.

(3) SiM ∈ M 2 et H ∈ L2 (M ), alors H · M est une vraie martingale L2 car par (2),
Rt
⟨H · M ⟩t = 0 Hs2 d⟨M ⟩s , donc E(⟨H · M ⟩t ) < ∞ pour tout t ≥ 0, et donc que H ·M est une
2
(vraie) martingale L par le Théorème 4.4.8.

(4) et (5) Les preuves sont strictement identiques à celles des Propositions 5.2.4 et 5.2.5.

Exercice 5.3.3. Soit M une martingale locale issue de 0, H ∈ L2loc (M ) et τ un temps

Rτ 2
d'arrêt. Si E[⟨H · M ⟩τ ] < ∞ (i.e. si E[
0
Hs d⟨M ⟩s ] < ∞), alors
Z τ "Z 2 #
 τ Z τ 
E Hs dMs = 0, E Hs dMs =E Hs2 d⟨M ⟩s .
0 0 0

5.4. Intégration stochastique par rapport aux semimartingales

On étend maintenant l'intégrale stochastique à toutes les semimartingales continues.

Définition 5.4.1. On dit qu'un processus progressif H est localement borné si

p.s., ∀ t ≥ 0, sup |Hs | < ∞.
s∈[0,t]

Remarque 5.4.2. (a) Tout processus continu adapté est localement borné.
(b) Si H est localement borné, on peut dénir 0t Hs dVs et 0t Hs dMs pour tout processus
R R

V à variation nie et toute martingale locale M car

Z t Z t
p.s. ∀ t ≥ 0, |Hs | |dVs | < ∞ et Hs2 d⟨M ⟩s < ∞.
0 0

Définition 5.4.3. Soit X = X0 + M + V une semimartingale (continue), et soit H un

processus (progressif) localement borné. On dénit l'intégrale stochastique
Z t Z t Z t
Hs dXs = Hs dMs + Hs dVs .
0 0 0

Le processus obtenu est une semi-martingale (continue).

R·
Exercice 5.4.4. (1) L'application (H, X) 7→ 0 Hs dXs est bilinéaire.
Rt Rt Rt
(2) Si H, K sont localement bornés et si Yt = 0 Ks dXs , alors 0 Hs dYs = 0 Hs Ks dXs .
τ est un temps d'arrêt, alors 0 Hs dXs = 0 Hs 1{s∈[0,τ ]} dXs = 0 Hs dXsτ .
R t∧τ Rt Rt
(3) Si
 5.4. INTÉGRATION STOCHASTIQUE PAR RAPPORT AUX SEMIMARTINGALES 59

(4) Si X
est une martingale locale (resp. un processus à variation nie), alors il en va de
Rt
même pour
0
Hs dXs .
Fti -mesurable
Pp−1
(5) Si Hs (ω) = i=0 H i (ω) 1 ]ti ,ti+1 ] (s), où, pour chaque i, H i est (non

nécessairement bornée), alors H est (progressif ) localement borné et

Z t p−1
X
Hs dXs = H i (Xti+1 ∧t − Xti ∧t ).
0 i=0

Il sut, chaque fois, de décomposer les semimartingales, et d'utiliser ce qui est connu
pour les processus à variation nie et pour les martingales locales. Seul le point (5), dans
le cas où X est une martingale locale, est nouveau (sauf si les H i sont bornées). On pourra
observer que pour toute martingale locale N , on a
* p−1 + p−1
(utiliser des subdivisions)
X X
i
H (Xti+1 ∧· − Xti ∧· ), N = H i ⟨Xti+1 ∧· − Xti ∧· , N ⟩t
i=0 t i=0
p−1 Z t
X
i
= H (⟨X, N ⟩ti+1 ∧t − ⟨X, N ⟩ti ∧t ) = Hs d⟨X, N ⟩s .
i=0 0

Proposition 5.4.5. Soient X une semimartingale (continue) et H un processus continu

adapté. Alors pour tout t > 0 et toute suite 0 = tn0 < tn1 < · · · < tnpn = t de subdivisions
emboîtées de [0, t] de pas tendant vers 0,
pn −1 Z t
X
lim Htni (Xtni+1 − Xtni ) = Hs dXs en probabilité.
n→∞ 0
i=0

Preuve. On étudie séparément les parties martingale et à variation nie de X , cette dernière
étant déjà traitée par le Lemme 4.1.7. On suppose donc que X = M est une martingale locale
Ppn −1
issue de 0. Par l'exercice précedent (point 5), pour chaque n, on a i=0 Hti (Xti+1 − Xti ) =
n n n
Rt n
0
Hs dMs , où
Hsn = Htni 1{s∈]tni ,tni+1 ]} .
Pour m ≥ 1, τm = inf{s ≥ 0 : |Hs | + ⟨M ⟩s ≥ m}. Alors τm → ∞ p.s. quand m → ∞
soit et,
R t∧τm n
à m xé, comme
0
(Hs − Hs )2 d⟨M ⟩s ≤ 4tm3 ∈ L2 (Ω),
"Z 2 #
t∧τm Z t∧τm 
n n 2
E (Hs − Hs ) dMs =E (Hs − Hs ) d⟨M ⟩s
0 0

qui tend vers 0 quand n → ∞ par convergence dominée et continuité de H . Donc pour tout
R t∧τm n R t∧τ
m ≥ 1, limn 0 Hs dMs = 0 m Hs dMs en probabilité. Mais, pour ϵ > 0,
 Z t Z t   Z t∧τm Z t∧τm 
n n
P Hs dMs − Hs dMs > ϵ ≤ P(τm < t)+P Hs dMs − Hs dMs > ϵ ,
0 0 0 0
60 5. INTÉGRALE STOCHASTIQUE

Rt Rt
d'où lim supn P(| 0
Hsn dMs − 0
Hs dMs | > ϵ) ≤ P(τm < t) pour tout m ≥ 1. On conclut en

faisant tendre m → ∞. □
La formule d'intégration par parties suivante est un cas particulier de la formule d'Itô.

Proposition 5.4.6 (Intégration par parties). Soient X et Y deux semimartingales conti-

nues. On a p.s. pour tout t ≥ 0
Z t Z t
Xt Yt = X0 Y0 + Xs dYs + Ys dXs + ⟨X, Y ⟩t .
0 0

En particulier, Xt2 = X02 + 2 Xs dXs + ⟨X⟩t .

Rt
0

Lorsque X=M Zt = Mt2 −⟨M ⟩t est une

est une martingale locale (continue), on sait que
2
Rt
martingale locale. La formule d'intégration par parties nous dit que Zt = M0 + 2 Ms dMs .
0
On pourra relire ici la preuve de l'existence de la variation quadratique d'une martingale
2 2
Rt
locale, qui repose de manière anticipée sur la formule ⟨M ⟩t = Mt − M0 − 2 Ms dMs .
0

Preuve. Fixons t > 0. Soit 0 = tn0 < tn1 < · · · < tpnn = t une suite de subdivisions emboîtées

de [0, t] dont le pas tend vers 0. Par la proposition précédente, quand n → ∞, en probabilité,
pn −1 Z t
X
Xtni (Ytni+1 − Ytni ) → Xs dYs ,
i=0 0
pn −1 Z t
X
Ytni (Xtni+1 − Xtni ) → Ys dXs ,
i=0 0

tandis que la Proposition 4.5.4 nous dit que

pn −1
X
(Xtni+1 − Xtni ) (Ytni+1 − Ytni ) → ⟨X, Y ⟩t .
i=0
On somme les trois formules. Comme

Xtni (Ytni+1 − Ytni ) + Ytni (Xtni+1 − Xtni ) + (Xtni+1 − Xtni ) (Ytni+1 − Ytni ) = Xtni+1 Ytni+1 − Xtni Ytni ,
Ppn −1
et comme i=0 (Xti+1 Yti+1 − Xti Yti ) = Xt Yt − X0 Y0 , on obtient p.s.
n n n n

Z t Z t
Xs dYs + Ys dXs + ⟨X, Y ⟩t = Xt Yt − X0 Y0 .
0 0
Il sut d'utiliser la continuité de tous les processus pour voir que l'identité est vraie p.s.

pour tout t. □
 Chapitre 6

Formule d'Itô et applications

La formule d'Itô est l'outil de base du calcul stochastique. On démontre d'abord cette

formule, et on présente ensuite plusieurs applications.

6.1. Formule d'Itô

Si x : R+ → R est une fonction C1
F : R → R est aussi C 1 ,
et si alors
Z t
F (x(t)) = F (x(0)) + F ′ (x(s))x′ (s) ds.
0

Plus généralement, si x = (x1 , . . . , xd ) : R+ → Rd est C1 et si F : Rd → R est aussi C 1,

d Z t
X ∂F
F (x(t)) = F (x(0)) + (x(s))x′i (s) ds.
i=1 0 ∂xi
Dans le cas de semimartingales, un terme supplémentaire apparaît.

Théorème 6.1.1 (Formule d'Itô).

(i) (Cas unidimensionnel). Soit X une semimartingale continue et soit F : R → R une

fonction de classe C 2 . Presque sûrement, pour tout t ≥ 0,
Z t Z t
′ 1
F (Xt ) = F (X0 ) + F (Xs ) dXs + F ′′ (Xs ) d⟨X⟩s .
0 2 0

(ii) (Cas multidimensionnel). Soient X 1 , · · · , X d des semimartingales continues et soit

F : Rd → R une fonction de classe C 2 . Presque sûrement, pour tout t ≥ 0,
d Z t d Z
X ∂F i 1 X t ∂ 2F
F (Xt ) = F (X0 ) + (Xs ) dXs + (Xs ) d⟨X i , X j ⟩s ,
i=1 0 ∂xi 2 i,j=1 0 ∂xi ∂xj

où Xt = (Xt1 , · · · , Xtd ), ∀ t ≥ 0.
Preuve. (i) Fixons t > 0. Soit 0 = tn0 < tn1 < · · · < tnpn = t une suite de subdivisions

emboîtées de [0, t] dont le pas tend vers 0. On a

pn −1
X
F (Xt ) = F (X0 ) + [F (Xtni+1 ) − F (Xtni )].
i=0
61
62 6. FORMULE D'ITÔ ET APPLICATIONS

D'après la formule de Taylor,

1
F (Xtni+1 ) − F (Xtni ) = F ′ (Xtni ) (Xtni+1 − Xtni ) + fn,i (Xtni+1 − Xtni )2 ,
2
où fn,i , aléatoire, est tel que

(6.1) inf F ′′ (x) ≤ fn,i ≤ sup F ′′ (x),

x∈In,i x∈In,i

avec In,i = [Xtni ∧ Xtni+1 , Xtni ∨ Xtni+1 ]. La Proposition 5.4.5 nous dit que

pn −1 Z t
X
′
lim F (Xtni ) (Xtni+1 − Xtni ) = F ′ (Xs ) dXs en probabilité.
n→∞ 0
i=0

Supposons qu'on ait montré que

pn −1 Z t
X
(6.2) lim fn,i (Xtni+1 − Xtni ) = 2
F ′′ (Xs ) d⟨X⟩s en probabilité.
n→∞ 0
i=0
Rt Rt
Alors on aura, pour tout t, p.s., F (Xt ) = F (X0 ) + 0
F ′ (Xs ) dXs + 1
2 0
F ′′ (Xs ) d⟨X⟩s , et la

continuité des processus permettra de terminer la preuve de (i).

Ppn −1 Rt
Il reste donc à prouver que ∆n = | i=0 fn,i (Xtni+1 − Xtni )2 − 0
F ′′ (Xs ) d⟨X⟩s | → 0 en

probabilité. Pour m ∈ {1, . . . , n − 1}, on écrit ∆n ≤ ∆1n,m + ∆2n,m + ∆3m , où

pn −1 pm −1
X X X
∆1n,m = fn,i (Xtni+1 − Xtni ) − 2
F ′′ (Xtm
j
) (Xtni+1 − Xtni )2 ,
i=0 j=0 i: tm n m
j <ti ≤tj+1

pm −1 pm −1
X X X
∆2n,m = F ′′ (Xtm (Xtni+1 − Xtni )2 − F ′′ (Xtm
 
j
) j
) ⟨X⟩ tm
j+1
− ⟨X⟩tm
j
,
j=0 i: tm n m
j <ti ≤tj+1 j=0
pm −1 Z t
X
′′
∆3m F ′′ (Xs ) d⟨X⟩s .
 
= F (Xtm
j
) ⟨X⟩ tm
j+1
− ⟨X⟩tm −
j
j=0 0

A m xé, ∆2n,m → 0 en probabilité quand n→∞ : pour chaque j = 0, . . . , pm − 1, en

− Xtni )2 → ⟨X⟩tm
P
probabilité, i: tm n m (Xtn − ⟨X⟩tm par la Proposition 4.5.4.
j <ti ≤tj+1 i+1
1
Ppn −1 j+1 j

De plus, ∆n,m ≤ Zm,n Cn , où Cn = i=0 (Xti+1

n − Xtni )2 et

Zm,n = sup sup |fn,i − F ′′ (Xtm

j
)|.
j=0,...,pm −1 i: tm n m
j <ti ≤tj+1

Mais Cn → ⟨X⟩t en probabilité et limm→∞ lim supn→∞ Zm,n = 0 p.s. (car F ′′ est continue,

ainsi que les trajectoires de X, et par (6.1)), on conclut que limm→∞ lim supn→∞ ∆1n,m = 0
en probabilité.

Enn, on déduit du Lemme 4.1.7 que limm→∞ ∆3m = 0 p.s.

 6.1. FORMULE D'ITÔ 63

De tout ça il ressort que, pour tout m ≥ 1,

lim sup P(∆n > ϵ) ≤ lim sup P(∆1n,m > ϵ/3) + lim sup P(∆2n,m > ϵ/3) + P(∆3m > ϵ/3)
n→∞ n→∞ n→∞
= P(∆3m > ϵ/3),

et donc lim supn→∞ P(∆n > ϵ) = 0.

(ii) La formule de Taylor donne

d d
X ∂F k k 1 X k,ℓ k
F (Xtni+1 ) − F (Xtni ) = k
(X n
ti ) (X n
ti+1 − X n
ti ) + fn,i (Xtni+1 − Xtkni )(Xtℓni+1 − Xtℓni ),
k=1
∂x 2 k,ℓ=1
avec
∂ 2F k,ℓ ∂ 2F
inf (x) ≤ f n,i ≤ sup (x),
x∈Ii,n ∂xk ∂xℓ k
x∈Ii,n ∂x ∂x
ℓ

où Ii,n = [Xt1ni ∧ Xt1ni+1 , Xt1ni ∨ Xt1ni+1 ] × · · · × [Xtdni ∧ Xtdni+1 , Xtdni ∨ Xtdni+1 ]. La proposition 5.4.5 nous
donne le résultat cherché pour les termes faisant intervenir les dérivées premières. De plus,

par les mêmes arguments que dans la preuve de (6.2), on a, pour chaque 1 ≤ k, ℓ ≤ d,
t
∂ 2F
Z
k,ℓ
fn,i (Xtkni+1 − Xtkni )(Xtℓni+1 − Xtℓni ) → (Xs ) d⟨X k , X ℓ ⟩s
0 ∂xk ∂xℓ
en probabilité. □

Remarque 6.1.2. (i) En prenant d = 2 et F (x, y) = xy dans formule d'Itô, on

retrouve la formule d'intégration par parties.

(ii) Si (Xt = (Xt1 , · · · , Xtd ))t≥0 prend ses valeurs dans un domaine ouvert D ⊂ Rd , la
2
formule d'Itô est valable pour toute fonction F de classe C sur D.

Preuve de (ii). Pour n ≥ 1, on considère Fn : Rd → R, de classe C 2 , telle que Fn = F sur

Dn = {x ∈ Rd : d(x, Dc ) ≥ 1/n} (cf le lemme 8.1 dans l'appendice). On a donc

d Z t d Z
X ∂Fn i 1 X t ∂ 2 Fn
Fn (Xt ) = Fn (X0 ) + i
(Xs ) dXs + i ∂xj
(Xs ) d⟨X i , X j ⟩s .
i=1 0
∂x 2 i,j=1 0
∂x

On pose τn = inf{t > 0 : Xt ∈

/ Dn }. On a a Fn (Xt ) = F (Xt ) (et pareil avec les dérivées)

pour t ∈ [0, τn ], t ∈ [0, τn ],

donc pour tout

d Z t d Z
X ∂F i 1 X t ∂ 2F
F (Xt ) = F (X0 ) + i
(Xs ) dXs + i j
(Xs ) d⟨X i , X j ⟩s .
i=1 0
∂x 2 i,j=1 0 ∂x ∂x

Mais τn → ∞, car inf [0,T ] d(Xt , Dc ) > 0 pour tout T > 0 (X est continu donc t 7→ d(Xt , Dc )
c
est continue, et X est à valeurs dans D ouvert, donc d(Xt , D ) > 0 pour tout t ≥ 0). La

preuve est complète. □

64 6. FORMULE D'ITÔ ET APPLICATIONS

Exemple 6.1.3. (i) Soit (Bt )t≥0 un mouvemement brownien de dimension 1 issu de

B0 (une v.a. réelle F0 -mesurable). Alors pour toute F : R2 7→ R de classe C 2, en

appliquant la formule d'Itô avec d= 2, Xt1 = t et Xt2 = Bt , on trouve

t Z t
1 ∂ 2F
Z 
∂F ∂F
F (t, Bt ) = F (0, B0 ) + (s, Bs ) dBs + + (s, Bs ) ds.
0 ∂x 0 ∂t 2 ∂x2
∂F 2
Si
∂t
+ 12 ∂∂xF2 = 0, alors F (t, Bt ) est une martingale locale. C'est le cas pour F (t, x) = x,
F (t, x) = x2 − t ou F (t, x) = x3 − 3tx. Voir aussi les polynômes d'Hermite.
(ii) Soit maintenant (Bt = (Bt1 , · · · , Btd ))t≥0 un mouvemement brownien de dimension

d issu de B0 (une v.a. F0 -mesurable). Alors pour toute F : Rd 7→ R de classe C 2,

comme ⟨B i , B j ⟩ = 0 si i ̸= j (deux martingales locales M, N indépendantes sont

orthogonales),

d Z t Z t
X ∂F 1
F (Bt ) = F (B0 ) + i
(Bs ) dBsi + ∆F (Bs ) ds.
i=1 0 ∂x 2 0

Exemple 6.1.4. Soit B = (B 1 , · · · , B d ) un mouvement brownien à valeurs dans Rd

(d ≥ 2), issu de x ̸= 0. On cherche à calculer P(Tr < TR ), où 0 < r < ∥x∥ < R et

Ta = inf{t ≥ 0 : ∥Bt ∥ = a}.

L'idée : on cherche F telle que F (||Bt ||) soit une martingale, puis on applique le théorème

d'arrêt au temps Tr ∧ TR , et on conclut. Mais comme le F qu'on trouve n'est C

2
que sur R∗+ ,
c'est un peu plus compliqué.
Pd R t
Par Itô, ∥Bt ∥2 = ∥x∥2 + 2 Bsi dBsi + dt puis,
i=1 0

Xd Z t∧Tr ∧TR
2 2
∥Bt∧Tr ∧TR ∥ = ∥x∥ + 2 Bsi dBsi + d(t ∧ Tr ∧ TR ).
i=1 0

Si F : R∗+ → R est C 2,
d Z
X t∧Tr ∧TR
2
F (∥Bt∧Tr ∧TR ∥ ) =F (∥x∥ ) + 2 2
F ′ (∥Bs ∥2 )Bsi dBsi
i=1 0
Z t∧Tr ∧TR
dF ′ (∥Bs ∥2 ) + 2F ′′ (∥Bs ∥2 )∥Bs ∥2 ds.


+
0

Mais, en posant F (y) = log(y) si d=2 et F (y) = y 1−d/2 si d ≥ 3, on a dF ′ (y) + 2yF ′′ (y) =
0, et donc F (∥Bt∧Tr ∧TR ∥2 ) est une martingale locale bornée. C'est donc une martingale

U.I., et par le théorème d'arrêt, E[F (∥BTr ∧TR ∥2 )] = F (∥x∥2 ) (noter que TR < ∞ car

lim supt→∞ ∥Bt ∥ ≥ lim supt→∞ |Bt1 | = ∞ p.s.). Autrement dit,

F (∥x∥2 ) = F (r2 )P(Tr < TR ) + F (R2 )P(TR < Tr )
 6.1. FORMULE D'ITÔ 65

et nalement,
F (∥x∥2 ) − F (r2 )
P[TR < Tr ] = .
F (R2 ) − F (r2 )
Noter que si d = 2, on en déduit, en faisant tendre R → ∞, que P(Tr = ∞) = 0 pour tout

r ∈]0, ∥x∥[, tandis que si d ≥ 3, on trouve P(Tr = ∞) = (r2−d − ∥x∥2−d )/r2−d . □

Exercice 6.1.5. En utilisant l'exemple précédent, montrer que p.s., le mouvement Brow-
nien de dimension 2 issu de x ̸= 0 ne touche jamais 0.
En déduire que pour tout d ≥ 2, tout x ̸= y, p.s., le mouvement Brownien de dimension
d issu de x ne touche jamais y .

Exemple 6.1.6. Soit B un mouvement brownien à valeurs dans Rd , avec d ≥ 3. On

montre ici que limt→∞ ∥Bt ∥ = ∞ p.s., i.e. que B est transient.

Il sut d'étudier le cas d = 3, et on suppose sans perte de généralité que B0 = (1, 0, 0)

2
(sinon, on pose B̃t = Bt −B0 +(1, 0, 0)). Considérons la semimartingale continue Xt = ∥Bt ∥ .

Par la formule d'Itô,

3 Z
X t 3
Z tX Z t
Xt = X 0 + 2 Bsi dBsi + 3t, ⟨X⟩t = 4 (Bsi )2 ds = 4 Xs ds.
i=1 0 i=1 0 0
∗
Comme X est p.s. à valeurs dans R+ , on peut appliquer la formule d'Itô à la fonction

F : R∗+ → R dénie par F (x) = x−1/2 :

t
3 t 1
Z Z
1 1 1 1
√ =√ − 3/2
dXs + d⟨X⟩s
Xt X0 2 0 Xs 8 0 Xs5/2
3 t 1 3 t 1
Z Z
= martingale locale − ds + ds
2 0 Xs3/2 2 0 Xs3/2
= martingale locale.

Autrement dit, ∥B∥−1 est une martingale locale, positive, issue de 1. Par la Proposition

4.3.4, c'est une surmartingale positive, elle converge donc p.s. vers une v.a. ξ quand t → ∞.
−1 1 2 3
Et d'après Fatou, E(ξ) ≤ lim inf t→∞ E(∥Bt ∥ ). Or, si G = (G , G , G ) désigne une v.a.
gaussienne standard, pour t ≥ 1,

√ 1 2 √ 2 2 √ 3 2 −1/2
  h
−1

−1/2 i
E(∥Bt ∥ ) = E (1 + tG ) + ( tG ) + ( tG ) ≤ t−1/2 E (G2 )2 + (G3 )2 ,

qui tend vers 0 quand t → ∞ (en général, E(∥G∥−q ) < ∞ ⇔ q < d.) Donc ξ = 0 p.s.,

c'est-à-dire ∥Bt ∥ → ∞ p.s.

On notera que ∥B∥−1 est une martingale locale U.I. (car on a supt≥0 E(∥Bt ∥−1−ε ) < ∞
pour ε ∈ ]0, 1[ ), qui n'est pas une martingale (sinon, ce serait une martingale U.I, et on
−1
aurait ∥Bt ∥ = E[∥B∞ ∥−1 |Ft ] = 0, avec un petit abus de notation). □
66 6. FORMULE D'ITÔ ET APPLICATIONS

6.2. Semimartingales exponentielles

Une première application de la formule d'Itô est l'étude des semimartingales exponen-

tielles.

Théorème 6.2.1. Soit X une semimartingale continue. Il existe une unique semimar-
tingale Z telle que
Z t
X0
(6.3) Zt = e + Zs dXs ,
0
qu'on appelle exponentielle de X , qu'on note Z = E (X) et qui est donnée par
 
1
(6.4) E (X)t = exp Xt − ⟨X⟩t .
2
Noter que quand X est une martingale locale, E (X) aussi. Avec Xt = θBt , on a E (X)t =
exp(θBt − 21 θ2 t).
Preuve. Soit Z = E (X) déni dans (6.4). En appliquant la formule d'Itô avec F (x) = ex à
1
la semimartingale X − ⟨X⟩, dont le crochet vaut ⟨X⟩, on trouve que Z satisfait
2
Z t
1 t
Z Z t
X0 1 1 X0
Zt = e + Zs d(Xs − ⟨X⟩s ) + Zs d⟨X − ⟨X⟩⟩s = e + Zs dXs .
0 2 2 0 2 0
−x
Pour l'unicité, on commence par remarquer, en utilisant Itô avec F (x) = e , que Yt =

exp(−Xt + 12 ⟨X⟩t ) vérie

Z t Z t
−X0
Yt = e − Ys dXs + Ys d⟨X⟩s .
0 0

Donc, pour toute solution Z̃ de (6.3), par la formule d'intégration par parties,
Z t Z t
Yt Z̃t =Y0 Z̃0 + Ys dZ̃s + Z̃s dYs + ⟨Y, Z̃⟩t
0 0
Z t Z t Z t
=1 + Ys Z̃s dXs + Z̃s [−Ys dXs + Ys d⟨X⟩s ] − Ys Z̃s d⟨X⟩s ,
0 0 0

soit encore Yt Z̃t = 1. Ainsi, Z̃t = 1/Yt = E (X)t . □

On dit qu'un processus à valeurs dans C est une martingale locale (continue) si sa partie
réelle et sa partie imaginaire sont des martingales locales. On montre exactement comme

précédemment le résultat suivant.

Proposition 6.2.2. Si M est une martingale locale (réelle), et si λ ∈ C, alors

λ2
 
E (λM )t = exp λMt − ⟨M ⟩t ,
2
est une martingale locale et E (λM )t = eλM0 + 0t λE (λM )s dMs .
R
 6.3. CARACTÉRISATION DE LÉVY DU MOUVEMENT BROWNIEN 67

6.3. Caractérisation de Lévy du mouvement brownien

On sait que si (X 1 , · · · , X d ) est un (Ft )-mouvement brownien à valeurs dans Rd , alors
i j
⟨X , X ⟩t = δij t, où δij = 1{i=j} est le symbole de Kronecker. Le théorème suivant nous

dit que la réciproque est également vraie, ce qui fournit une caractérisation importante et

simple du mouvement brownien.

Théorème 6.3.1 (Lévy). Soient M 1 , · · · , M d des martingales locales (continues) issues

de 0 telles que ⟨M i , M j ⟩t = δij t. Alors (M 1 , · · · , M d ) est un (Ft )-mouvement brownien à
valeurs dans Rd .
En particulier, si M est une martingale locale telle que ⟨M ⟩t = t pour tout t ≥ 0, alors

M est un (Ft )-mouvement brownien.

Preuve.
Pd j
Fixons ξ = (ξ1 , · · · , ξd ) ∈ Rd , et soit Nt = ξ · Mt = j=1 ξj Mt . Il s'agit d'une
martingale locale de crochet

d X
X d d
X
j k
⟨N ⟩t = ξj ξk ⟨M , M ⟩t = ξj2 t = ∥ξ∥2 t.
j=1 k=1 j=1
2
D'après le Corollaire 6.2.2, E (iN )t = exp[i(ξ · Mt ) + ∥ξ∥ 2
t] est une martingale locale (com-
∥ξ∥2
plexe). Pour tout t > 0, sups∈[0,t] |E (iN )s | ≤ exp[ 2 t] qui est intégrable. Par la Proposition
4.3.4, E (iN ) est une (vraie) martingale, et pours < t, E[E (iN )t | Fs ] = E (iN )s , d'où

∥ξ∥2
h i  
E exp[i(ξ · (Mt − Ms )] Fs = exp − (t − s) .
2
Ainsi, (Mt − Ms ) a pour loi N (0, (t − s)I) et est indépendant de Fs , car pour tout A ∈ Fs ,
tout ξ ∈ R , E[exp[i(ξ · (Mt − Ms )]1A ] = E[exp[i(ξ · (Mt − Ms )]]P(A).
d
On conclut que M est

un (Ft )-mouvement brownien : il est continu, (Ft )-adapté, et pour 0 < s < t, (Mt − Ms )
est indépendant de Fs et de loi N (0, (t − s)I). □

Exemple 6.3.2. Soit (X, Y ) un mouvement brownien à valeurs dans R2 et, pour θ ∈ R,

Xtθ = Xt cos θ − Yt sin θ, Ytθ = Xt sin θ + Yt cos θ, t ≥ 0.

Alors (X θ , Y θ ) est de nouveau un mouvement brownien à valeurs dans R2 . En eet, Xθ et

Yθ sont des martingales continues, et ⟨X θ ⟩t = ⟨Y θ ⟩t = t, et ⟨X θ , Y θ ⟩t = 0. □

Rt
Exemple 6.3.3. Soit B un (Ft )-mouvement brownien, et soit βt = 0
sgn(Bs ) dBs , où

sgn(x) = 1{x>0} − 1{x≤0} (donc sgn(0) = −1). Comme sgn(Bs ) est un processus localement

borné (il est clair que ce processus est progressif, car composé du processus progressif (s, ω) 7→
68 6. FORMULE D'ITÔ ET APPLICATIONS

Bs (ω) et de l'application borélienne x 7→ sgn(x)), βt est bien déni, et est une martingale
Rt
locale continue. Comme ⟨β⟩t =
0
(sgn(Bs ))2 ds = t, β est un (Ft )-mouvement brownien. □

Ce dernier exemple n'est pas surprenant : si on considère une marche aléatoire simple
Pn Pn
symétrique Sn = 1 Xk (et S0 = 0), on montre facilement que Tn = 1 sgn(Sn−1 )Xn est
encore une marche aléatoire simple symétrique.

6.4. Théorème de Dubins-Schwarz

Le Théorème de Dubins-Schwarz arme que toute martingale locale continue peut s'écrire

comme un mouvement brownien changé de temps.

Théorème 6.4.1 (Dubins-Schwarz). Soit M une martingale locale continue telle que
M0 = 0 et ⟨M ⟩∞ = ∞ p.s. Il existe alors un mouvement brownien B tel que

Mt = B⟨M ⟩t .

Remarque 6.4.2.

(i) Dans le Théorème 6.4.1, le mouvement brownien B n'est pas adapté à la ltration

(Ft ), mais à une ltration changée de temps.

(ii) On admettra qu'on peut enlever l'hypothèse ⟨M ⟩∞ = ∞ (mais il faut alors éventuel-
lement grossir l'espace de probabilités).

(iii) La preuve est sensiblement plus simple si on suppose que t 7→ ⟨M ⟩t est p.s. stricte-

ment croissante.

Lemme 6.4.3. Soit M une martingale locale telle que M0 = 0. Alors p.s. t 7→ Mt et
t 7→ ⟨M ⟩t ont les mêmes intervalles de constance : p.s., pour tout 0 ≤ a < b, Mt = Ma pour
tout t ∈ [a, b] si et seulement si ⟨M ⟩b = ⟨M ⟩a .
Preuve. Par continuité, il sut de montrer le résultat p.s. avec 0 ≤ a < b xés. Déjà, l'inclu-
sion {Mt = Ma ∀t ∈ [a, b]} ⊂ {⟨M ⟩b = ⟨M ⟩a } est évidente, par le résultat d'approximation

du Théorème 4.4.1.

Considérons ensuite le temps d'arrêt

τ = inf{t > a : ⟨M ⟩t ̸= ⟨M ⟩a }.

1
Rt
La martingale locale Nt =
a {s≤τ }
dMs (pour t ≥ a) a pour variation quadratique ⟨N ⟩t =
1
Rt
a {s≤τ }
d⟨M ⟩s = ⟨M ⟩t∧τ − ⟨M ⟩a∧τ = 0, donc Nt = 0 p.s. pour tout t ≥ 0, i.e. Mt∧τ = Ma∧τ
pour tout t ≥ a. Sur l'évenement {⟨M ⟩b = ⟨M ⟩a }, on a τ ≥b et donc Mt = Ma pour tout

t ∈ [a, b]. □
 6.5. INÉGALITÉS DE BURKHOLDER-DAVIS-GUNDY 69

Preuve du Théorème 6.4.1. Le point (a) est détaillé dans l'appendice, cf lemme 8.2.
(a) Pour tout r ≥ 0, on dénit le temps d'arrêt

τr = inf {t ≥ 0 : ⟨M ⟩t > r} .
L'hypothèse ⟨M ⟩∞ = ∞ assure que τr < ∞ pour tout r. De plus, la fonction r 7→ τr est

croissante et càd, avec, si r > 0, τr− = lims↑r τs = inf {t ≥ 0 : ⟨M ⟩t ≥ r} . On note que pour

tout r > 0, on a ⟨M ⟩τr − = r = ⟨M ⟩τr par continuité de t → ⟨M ⟩t .

(b) Pour chaque r ≥ 0, on pose Gr = Fτr . Bien sûr, (Gr )r≥0 est une ltration. On pose

Br = Mτr , qui est un processus (Gr )r≥0 -adapté. On a Mt = B⟨M ⟩t , i.e. Mt = Mτ⟨M ⟩t : il sut

de vérier que M est constante sur [t, τ⟨M ⟩t ], ce qui découle du lemme car ⟨M ⟩t = ⟨M ⟩τ⟨M ⟩t
(car ⟨M ⟩τr = r, cf (a), avec le choix r = ⟨M ⟩t ).
(c) B0 = Mτ0 = 0, car, comme dans (b), M0 = Mτ⟨M ⟩ , ce qui se réécrit 0 = Mτ0 . Puis
0

Br = Mτr est continu, car il est càdlàg (car M est continue et r 7→ τr est càdlàg) et car pour

tout r > 0, Br− = Br , i.e. Mτr− = Mτr , par le lemme et car ⟨M ⟩τr− = ⟨M ⟩τr , cf (a).
2
(d) On vérie ensuite que Br et Br − r sont des (vraies) martingales par rapport à la
τ
ltration (Gr )r≥0 . Soit r > 0 xé. Alors M r est une (Ft )t≥0 -martingale locale de crochet
τr
⟨M ⟩∞ = ⟨M ⟩τr = r borné, donc par le Théorème 4.4.8 (et un tout petit argument supplé-

mentaire), (Msτr )s≥0 et ((Msτr )2 − ⟨M τr ⟩s )s≥0 sont de vraies (Fs )s≥0 -martingales U.I. Par le

théorème d'arrêt, si 0 ≤ s ≤ r,
E [ Br | Gs ] = E Mττrr | Fτs = Mττsr = Bs ,
 

et

E Br2 − r | Gs = E (Mττrr )2 − ⟨M τr ⟩τr | Fτs = (Mττsr )2 − ⟨M τr ⟩τs = Bs2 − s.

   

(e) Ainsi, B est une (Gr )-martingale continue telle que ⟨B⟩t = t. D'après le Théorème de

Lévy, B est un (Gr )-mouvement brownien. □

6.5. Inégalités de Burkholder-Davis-Gundy

Les inégalités suivantes relient une martingale locale avec sa variation quadratique. Pour

toute martingale locale continue M, on note Mt∗ = sups∈[0,t] |Ms |.

Théorème 6.5.1 (Burkholder-Davis-Gundy). Pour tout p > 0, il existe des constantes

0 < cp < Cp telles que, pour toute martingale locale (Mt )t≥0 issue de 0,
p/2 ∗ p
) ] ≤ Cp E ⟨M ⟩p/2
   
cp E ⟨M ⟩∞ ≤ E [(M∞ ∞ .

Si τ est un temps d'arrêt, en remplaçant M par la martingale locale Mτ, on obtient

cp E ⟨M ⟩p/2 ≤ E [(Mτ∗ )p ] ≤ Cp E ⟨M ⟩p/2

   
τ τ .
70 6. FORMULE D'ITÔ ET APPLICATIONS

Le cas p=2 est évident, c'est le Corollaire 4.4.10 (et Doob).

Preuve. Quitte à remplacer M par M τn , où τn = inf{t ≥ 0 : |Mt | + ⟨M ⟩t ≥ n}, on peut

supposer que M et ⟨M ⟩ sont bornés : une fois montré le résultat pour M τn , il sut de faire

tendre n → ∞ par convergence monotone.

Etape 1. Pour p ≥ 2, il existe une constante Cp1 telle que
∗ p
E[(M∞ ) ] ≤ Cp1 E[⟨M ⟩∞ ].
p/2

La fonction φ(x) = |x|p est de classe C 2 et par la formule d'Itô

Z t
1 t
Z
p p−1
|Mt | = p|Ms | sgn(Ms ) dMs + p(p − 1)|Ms |p−2 d⟨M ⟩s .
0 2 0
L'intégrale stochastique est de crochet borné, c'est donc une vraie martingale. Ainsi,
Z t 
p p(p − 1) p−2 p(p − 1)  ∗ p−2 
E [|Mt | ] = E |Ms | d⟨M ⟩s ≤ E (Mt ) ⟨M ⟩t
2 0 2
p(p − 1) h
p/2
i 2/p
≤ E [(Mt∗ )p ](p−2)/p E ⟨M ⟩t ,
2
par l'inégalité de Hölder. Par Doob
 p  p
p p p(p − 1) h
p/2
i2/p
E [(Mt∗ )p ] ≤ p
E [|Mt | ] ≤ E [(Mt∗ )p ](p−2)/p E ⟨M ⟩t .
p−1 p−1 2
On conclut en divisant les deux côtés par E[(Mt∗ )p ](p−2)/p et en faisant tendre t → +∞ par
1 p p2 /2 p(p−1) p/2
convergence monotone, avec Cp = ( p−1 ) ( 2 ) .
Etape 2. Pour p ≥ 4, il existe une constante Cp2 telle que
p/2 ∗ p
E[⟨M ⟩∞ ] ≤ Cp2 E[(M∞ ) ].
Rt
On écrit ⟨M ⟩t = Mt2 + Lt , où Lt = −2 0
Ms dMs puis, en utilisant l'inégalité (a + b)p/2 ≤
2p/2−1 (ap/2 + bp/2 ),
   
p/2 p/4
E[⟨M ⟩t ] ≤2 p/2−1
E[(Mt∗ )p ] + E[|Lt | p/2
] ≤2 p/2−1
E[(Mt∗ )p ] + 1
Cp/2 E[⟨L⟩t ]
par l'étape 1 (licite, car p/2 ≥ 2). Mais
h Z t h p/4 i i
p/4 p/4
p/2−1
2 1
Cp/2 E[⟨L⟩t ] = 2 p−1 1
Cp/2 E 1
E (Mt∗ )p/2 ⟨M ⟩t
Ms2 d⟨M ⟩s
≤ 2p−1 Cp/2
0
1 h p/2
i 1 h i
≤ E ⟨M ⟩t + 22p−2 (Cp/2
1
)2 E (Mt∗ )p ,
2 2
1 2 1 2
on a nalement utilisé l'inégalité ab ≤ a + b . Enn,
2 2
1 p/2 p/2−1 ∗ p 1 2p−2 1 2 h ∗ p i
E[⟨M ⟩t ] ≤ 2 E[(Mt ) ] + 2 (Cp/2 ) E (Mt ) .
2 2
2 p/2
On conclut en faisant tendre t → ∞ par convergence monotone, avec Cp = 2 +22p−2 (Cp/2
1
)2 .
Etape 3. Soient A et B deux processus croissants (continus, adaptés, issus de 0) tels que

E[Aτ ] ≤ E[Bτ ] pour tout temps d'arrêt τ. Alors pour tout x > 0,
1
P(A∞ > x, B∞ ≤ x) ≤ E[B∞ ∧ x].
x
 6.6. MARTINGALES BROWNIENNES 71

On introduit σ = inf{t ≥ 0 : At > x} et τ = inf{t ≥ 0 : Bt > x}, et on écrit

P(A∞ > x, B∞ ≤ x) = P(σ < ∞, τ = ∞) = P(Aσ∧τ ≥ x, σ < ∞, τ = ∞)

1 1 1
≤ E[Aσ∧τ ] ≤ E[Bσ∧τ ] ≤ E[B∞ ∧ x].
x x x
Etape 4. Sous les mêmes conditions qu'à l'étape 3, E[A∞ ] ≤ 2−q
q
1−q
E[B∞q
] pour tout q ∈]0, 1[ :
Z ∞
E[Aq∞ ] = q P[A∞ > x]xq−1 dx
Z0 ∞  i
≤ q P[A∞ > x, B∞ ≤ x) + P(B∞ > x) xq−1 dx
Z0 ∞ 
1 i
≤ q E[B∞ ∧ x] + P(B∞ > x) xq−1 dx
x
Z0 ∞ 
1
E[B∞ 1{x≥B∞ } ] + 2P(B∞ > x) xq−1 dx
i
= q
0 x
q q q 2−q q
= E[B∞ ] + 2E[B∞ ]= E[B∞ ].
1−q 1−q
Etape 5. Pour p ∈]0, 2[, il existe une constante Cp3 telle que
∗ p
E[(M∞
p/2
) ] ≤ Cp3 E[⟨M ⟩∞ ].
On introduit At = (Mt∗ )2 et Bt = C21 ⟨M ⟩t , qui sont deux processus croissants. Pour tout

temps d'arrêt τ , on a E[Aτ ] ≤ E[Bτ ] : appliquer l'étape 1, avec p = 2, à la martingale arrêtée

τ
M . Par l'étape 4 avec q = p/2 ∈]0, 1[, on conclut que

∗ p 2−q 2−q 1 q
E[(M∞ ) ] = E[Aq∞ ] ≤ E[B∞ q
]= (C ) E[⟨M ⟩p/2
∞ ],
1−q 1−q 2
4−p
d'où le résultat avec Cp3 = 2−p
(C21 )p/2 .
Etape 6. Pour p ∈]0, 4[, il existe une constante Cp4 telle que
p/2 ∗ p
E[⟨M ⟩∞ ] ≤ Cp4 E[(M∞ ) ].
On introduit At = ⟨M ⟩2t et Bt = C42 (Mt∗ )4 , qui sont deux processus croissants. Pour tout

temps d'arrêt τ , on a E[Aτ ] ≤ E[Bτ ] : appliquer l'étape 2, avec p = 4, à la martingale arrêtée

τ
M . Par l'étape 4 avec q = p/4 ∈]0, 1[, on conclut que

p/2 2−q 2−q 2 q ∗ p

E[⟨M ⟩∞ ] = E[Aq∞ ] ≤ q
E[B∞ ]= (C4 ) E[(M∞ ) ],
1−q 1−q
8−p
d'où le résultat avec Cp4 = 4−p
(C42 )p/4 . □

6.6. Martingales browniennes

Durant toute cette section, B est un mouvement brownien issu de 0 et

(∗) (Ft )t≥0 = B.

augmentation habituelle de la ltration canonique de

2
R ∞
On note L∞ (B) l'ensemble des processus progressifs H tels que E[ H 2 ds] < ∞, et L2loc (B)
R t0 2 s
l'ensemble des processus progressifs H tels que pour tout t ≥ 0, Hs ds < ∞ p.s.
0
72 6. FORMULE D'ITÔ ET APPLICATIONS

Théorème 6.6.1. Sous l'hypothèse (∗), pour toute martingale locale M , il existe un
unique processus H ∈ L2loc (B) et une constante c ∈ R tels que Mt = c + 0t Hs dBs . Si de plus
R

M est une martingale (continue) bornée dans L2 , alors H ∈ L2∞ (B).

Lemme 6.6.2. Sous l'hypothèse (∗), l'espace vectoriel engendré par les v.a. (complexes)
 Xn 
exp i λj (Btj − Btj−1 ) ,
j=1

avec n ≥ 0, 0 = t0 < t1 < · · · < tn et (λ1 , · · · , λn ) ∈ Rn , est dense dans L2C (Ω, F∞ ).
Preuve. Notons F cet espace vectoriel. Il s'agit de montrer que l'orthogonal de F dans

H= L2C (Ω, F∞ ) est réduit à 0, c'est à dire que si Z∈ L2C (Ω, F∞ ) est tel que
h  n
X i
E Z exp i λj (Btj − Btj−1 ) = 0,
j=1

pour tous n ≥ 0, 0 = t0 < t1 < · · · < tn et (λ1 , · · · , λn ) ∈ Rn , alors Z = 0. On va juste

montrer que Y = Re Z est p.s. nul, la partie imaginaire se traite de la même manière.

(1) Pour tout 0 = t0 < ... < tn xés, tout A ∈ σ(Bt1 , ..., Btn ), on a E[Y 1A ] = 0 :

(a) Il sut que, avec X = (Bt1 , ..., Btn − Btn−1 ), pour tout Γ ∈ B(R ), E[Y 1{X∈Γ} ] = 0 n

n iλ·X
(b) Par hypothèse, pour tout λ ∈ R , E[Ze ] = 0. Donc pour tout λ ∈ Rn
2E[Y eiλ·X ] = E[Zeiλ·X ] + E[Z̄eiλ·X ] = E[Zeiλ·X ] + E[Ze−iλ·X ] = 0 + 0 = 0.
(c) Puis pour tout λ ∈ Rn , E[Y+ eiλ·X ] = E[Y− eiλ·X ], c'est à dire que les mesure nies

µ+ et µ− sur Rn dénies par µ+ (Γ) = E[Y+ 1{X∈Γ} ] et µ− (Γ) = E[Y+ 1{X∈Γ} ] ont la même

transformée de Fourier, donc µ+ = µ− et on a bien E[Y 1{X∈Γ} ] = 0 pour tout Γ ∈ B(Rn ).

(2) Par classes monotones, on conclut que pour tout A ∈ σ(Bt , t ≥ 0), E[Y 1A ] = 0 :

utiliser la classe monotone C = {A ∈ σ(Bt , t ≥ 0) : E[Y 1A ] = 0} et le pi-système P =

{{(Bt1 , . . . , Btn ) ∈ Γ} : 0 ≤ t1 < ... < tn , Γ ∈ B(Rn )}.
(3) Pour tout A ∈ F∞ , E[Y 1A ] = 0 : il sut de se rappeler que pour A ∈ F∞ , il existe

B ∈ σ(Bt , t ≥ 0) tel que B ⊂ A et P(A \ B) = 0, d'où E[Y 1A ] = E[Y 1B ] = 0 par (2).

(4) Comme Y est F∞ -mesurable, en appliquant (3) avec A = {Y ≥ 0} puis A = {Y ≤ 0},
on conclut que E[Y+ ] = 0 et E[Y− ] = 0, puis Y =0 p.s. □

Lemme 6.6.3. Sous l'hypothèse (∗), pour toute variable aléatoire ξ ∈ L2 (Ω, F∞ ), il existe
un unique processus H ∈ L2∞ (B) tel que ξ = E(ξ) + 0∞ Hs dBs .
R

Preuve. Pour l'unicité, supposons que ξ = E(ξ) +

R∞R∞
Hs dBs = E(ξ) + 0 H̃s dBs .
0
Alors
Z ∞ "Z 2 #
 ∞ Z ∞
E e s )2 ds = E
(Hs − H Hs dBs − H
e s dBs = 0,
0 0 0
 6.6. MARTINGALES BROWNIENNES 73

c'est-à-dire H=H
e (dans L2∞ (B)).
Soit ensuite Hl'espace vectoriel des variables aléatoires ξ ∈ L2 (Ω, F∞ ) pour lesquelles
R∞
il existe H∈ L2∞ (B) tel qu'on ait ξ = E[ξ] + 0 Hs dBs .
H est fermé : on considère une suite (ξn ) d'éléments de H qui converge dans L2 (Ω, F∞ )
vers ξ . On note H n ∈ L2∞ (B) le processus associé à ξn . Pour m > n,
R∞ R∞
E[ 0 (Hsn − Hsm )2 ds] = E[( 0 (Hsn − Hsm ) dBs )2 ] =E[((ξn − E[ξn ]) − (ξm − E[ξm ]))2 ]
≤E[(ξn − ξm )2 ].

Donc (H n ) 2 2
est de Cauchy dans L∞ (B), converge vers un certain H ∈ L∞ (B). On passe à la
R∞ n R∞
limite dans ξn = E(ξn ) +
0
Hs dBs , on trouve ξ = E(ξ) + 0 Hs dBs , et ξ ∈ H .
H est dense : par le Lemme 6.6.2, il sut de montrer que pour 0 = t0 < t1 < · · · < tn
X = exp(i j=1 λj (Btj − Btj−1 )) appartient à H .
n
Pn
et (λ1 , · · · , λn ) ∈ R , la partie réelle de
Rt
2
On va montrer que pour f ∈ L (R+ ), en posant Mt =
0
f (s) dBs , on a ℜ[exp(iMt )] ∈ H
Pn
pour tout t ≥ 0. On conclura en utilisant f (s) = j=1 λj 1{s∈]tj−1 ,tj ]} et t = tn (ce qui donne
X = eiMt ).
Par Itô, voir la Proposition 6.2.2,
Z t Z t
 1 
exp iMt + ⟨M ⟩t = E (iM )t = 1 + iE (iM )s dMs = 1 + Ks dBs ,
2 0 0
Rt
où Ks = if (s) exp(iMs + 21 ⟨M ⟩s ). Comme ⟨M ⟩t = 0
f 2 (s) ds est déterministe et comme

E[E (iM )t ] = 1, E[exp(iMt )] =

on a exp(− 21 ⟨M ⟩t ). Donc, avec
t ≥ 0 xé,
 1 h Z t i Z ∞
exp(iMt ) = exp − ⟨M ⟩t 1 + Ks dBs = E[exp(iMt )] + Ls dBs ,
2 0 0

où Ls = exp(− 12 ⟨M ⟩t )Ks 1{s∈[0,t]} = if (s) exp(iMs + 21 ⟨M ⟩s − 21 ⟨M ⟩t )1{s∈[0,t]} . Ainsi,

Z ∞
ℜ[exp(iMt )] = E[ℜ[exp(iMt )]] + ℜ[Ls ] dBs .
0

Reste à voir que ℜ[L] ∈ L2∞ (B), ce qui découle du fait que |ℜ[Ls ]| ≤ |Ls | ≤ |f (s)| . □

Preuve du Théorème 6.6.1. Supposons d'abord que M est une martingale continue, bornée

dans L2 . Comme M∞ ∈ L2 (Ω, F∞ ), le Lemme 6.6.3 nous dit qu'il existe H ∈ L2∞ (B) tel que
Z ∞ Z ∞
M∞ = E(M∞ ) + Hs dBs = E(M0 ) + Hs dBs .
0 0
Rt
Il en découle que Mt = E[M∞ | Ft ] = E(M0 ) + 0
Hs dBs .
Soit maintenant M une martingale locale continue. On a M0 = c ∈ R, car la tribu F0
(même augmentée) est triviale, voir le Théorème 2.2.3. Soit Tn = inf{t ≥ 0 : |Mt | ≥ n}.
74 6. FORMULE D'ITÔ ET APPLICATIONS

Comme M Tn est une martingale continue bornée (parn ∨ |c|), il existe H n ∈ L2∞ (B) tel que
Z t Z t∧Tn
MtTn =c+ n
Hs dBs = c + Hsn dBs .
0 0
n m
Pour la dernière égalité, distinguer les cas t < Tn et t ≥ Tn . Si alors Hs∧T = Hs∧T
n < m, n n
R t∧Tn R t∧T
(dans L2∞ (B), i.e. p.s. pour presque tout s) : on a 0 Hsn dBs = 0 n Hsm dBs , puis
R t∧Tn R t∧T
0
(Hsn − Hsm ) dBs = 0, donc E[ 0 n (Hsn − Hsm )2 ds] = 0.
Ainsi, Hs = limn Hsn ∈ L2loc (B) n 2
vérie, pour tout n, Hs∧Tn = Hs∧T (dans L∞ (B)). Du
n
Tn
R t∧T R t
coup, pour tout t ≥ 0, tout n ≥ 1, Mt = c + 0 n Hs dBs , et donc Mt = c + 0 Hs dBs .
Rt Rt
Pour l'unicité, on voit que si Mt = c +
0
Hs dBs = c + 0 H̃s dBs pour tout t ≥ 0, alors
Rt
le crochet de
0
(Hs − H̃s ) dBs est nul, i.e. H = H̃ dans L2loc (B). □

Exercice 6.6.4. On considère une v.a. X0 indépendante d'un mouvement brownien

(Bt )t≥0 , et on introduit Ft = σ(X0 , Bs , s ∈ [0, T ]) ∨ N , où N est l'ensemble dans négli-

geables. Montrer que pour toute martingale locale M, il existe un unique processus H ∈
Il s'agit de reprendre toute la preuve. Comme premier
Rt
L2loc (B) tel que Mt = M0 + 0 Hs dBs .
lemme, montrer que l'ensemble des v.a. de la forme exp(iλ0 X0 + i nj=1 λj (Btj − Btj−1 )) est
P

dense dans L2C (Ω, F∞ ). Comme second lemme, montrer que pour toute v.a. ξ ∈ L2 (Ω, F∞ ),
il existe H ∈ L2∞ (B) tel que ξ = E[ξ|F0 ] + 0∞ Hs dBs .
R

6.7. Théorème de Girsanov

Les changements de probabilités sont très utilisés, en particulier en statistique. En sta-

tistique des processus, ça repose sur le théorème de Girsanov.

Exercice 6.7.1. (1) Si X a pour loi Exp(1) sur (Ω, F , P), alors X a pour loi Exp(λ)
sur (Ω, F , Q), où Q( dω) = λ exp((1 − λ)X(ω))P( dω) (est-ce bien une probabilité ?).
(2) Soient f et g deux densités de probabilité sur R, telles que {g > 0} ⊂ {f > 0}. Si
X a pour loi f (x) dx sur (Ω, F , P), alors X a pour loi g(x) dx sur (Ω, F , Q), où Q( dω) =
g(X(ω))
f (X(ω))
P( dω), avec la convention 00 = 0 (est-ce bien une probabilité ?).
(3) Si X a pour loi Ber(p) sur (Ω, F , P), alors X a pour loi Ber(q) sur (Ω, F , Q), où
1−q
Q( dω) = ( 1−p 1{X(ω)=0} + pq 1{X(ω)=1} )P( dω) (est-ce bien une probabilité ?).
Si on a deux probabilités P et Q sur un espace ltré (Ω, F , (Ft )), on note E l'espérance

sous P et EQ l'espérance sous Q.

Théorème 6.7.2. Soit (Bt )t≥0 un (Ft )t≥0 -mouvement brownien. On considère une mar-
tingale locale (Lt )t≥0 issue de 0 et on suppose que ⟨L⟩∞ < ∞ p.s., que E (E)∞ = limt→∞ E (Lt )
existe p.s. et que E[E (L)∞ ] = 1 (voir le critère de Novikov en n de section). Alors Q =
 6.7. THÉORÈME DE GIRSANOV 75

E (L)∞ · P est une probabilité équivalente à P sur (Ω, F∞ ) et (B̃t = Bt − ⟨B, L⟩t )t≥0 est un
(Ft )t≥0 -mouvement brownien sous Q.

On montre de même le cas à horizon ni.

Théorème 6.7.3. Soit T > 0 et (Bt )t∈[0,T ] un (Ft )t∈[0,T ] -mouvement brownien. On consi-
dère une martingale locale (Lt )t∈[0,T ] issue de 0 et on suppose que E[E (L)T ] = 1 (voir le critère
de Novikov en n de section). Alors Q = E (L)T · P est une probabilité équivalente à P sur
(Ω, FT ) et (B̃t = Bt − ⟨B, L⟩t )t∈[0,T ] est un (Ft )t∈[0,T ] -mouvement brownien sous Q.
Rt
Démonstration. On pose Dt = E (L)t , et on rappelle que Dt = 1 + 0
Ds dLs .

Etape 1. Q = D∞ · P est une probabilité sur (Ω, F∞ ), car E[D∞ ] = 1. De plus, Q ∼ P,

car Q << P par dénition de Q et car P << Q puisque P(D∞ > 0) = 1 (donc si A ∈ F∞
vérie Q(A) = E[D∞ 1A ] = 0, alors P(A) = 0). En eet, on invoque Dubins-Schwarz pour

écrire Lt sous la forme B⟨L⟩t et on voit que D∞ = exp(B⟨L⟩∞ − 21 ⟨L⟩∞ ) > 0 p.s.

Etape 2. Vérions que (Dt )t≥0 D∞ . C'est une

est une (vraie) martingale fermée par

martingale locale positive, donc pour s ≥ 0, E[D∞ |Fs ] ≤ Ds (utiliser que E[Dτn |Fs ] = Ds∧τn

puis Fatou). De même, E[Ds ] ≤ E[D0 ] = 1 Donc la v.a. Ds − E[D∞ |Fs ] est p.s. positive et

d'espérance E[Ds ] − E[D∞ ] ≤ 1 − 1 = 0, elle est donc p.s. nulle.

Etape 3. On montre que si τ est un temps d'arrêt, et si X un processus continu adapté

issu de 0 tel que (XD)τ soit une P-martingale, alors Xτ est une Q-martingale (continue).

Déjà, EQ [|Xτ ∧t |] = E[|Xτ ∧t |D∞ ] = E[|Xτ ∧t |Dτ ∧t ] < ∞ pour tout t. Soient ensuite s<t
et A ∈ Fs . Il s'agit de montrer que EQ [Xτ ∧t 1A ] = EQ [Xτ ∧s 1A ]. Mais

EQ [Xτ ∧t 1A ] =EQ [Xτ ∧t 1A∩{τ >s} ] + EQ [Xτ 1A∩{τ ≤s} ]

=E[D∞ Xτ ∧t 1A∩{τ >s} ] + EQ [Xτ 1A∩{τ ≤s} ]
=E[Xτ ∧t Dτ ∧t 1A∩{τ >s} ] + EQ [Xτ 1A∩{τ ≤s} ]

car A ∩ {τ > s} ∈ Fs ∩ Fτ = Fs∧τ ⊂ Ft∧τ . Puis, comme (XD)τ est une P-martingale et

comme A ∩ {τ > s} ∈ Fs ,

EQ [Xτ ∧t 1A ] =E[Xτ ∧s Dτ ∧s 1A∩{τ >s} ] + EQ [Xτ 1A∩{τ ≤s} ]

=EQ [Xτ ∧s 1A∩{τ >s} ] + EQ [Xτ 1A∩{τ ≤s} ] = EQ [Xτ ∧s 1A ].

Etape 4 : Si X est un processus continu adapté tel que XD soit une P-martingale locale,

alors X est une Q-martingale locale. En eet, on considère τn qui réduit XD, et on déduit
τ
de l'étape 3 que X n est une Q-martingale. Donc X est une Q-martingale locale.
76 6. FORMULE D'ITÔ ET APPLICATIONS

Etape 5 : Montrons que B̃D est une P-martingale locale. Comme B̃t = Bt − ⟨B, L⟩t et
Rt
Dt = 1 + 0
Ds dLs , une IPP montre que
Z t Z t
B̃t Dt = B̃s dDs + Ds dB̃s + ⟨B̃, D⟩t
0 0
Z t Z t Z t
= B̃s dDs + Ds d(Bs − ⟨B, L⟩s ) + Ds d⟨B, L⟩s
0 0 0
Z t Z t
= B̃s dDs + Ds dBs .
0 0

Etape 6 : Par les étapes 4 et 5, B̃ est une Q-martingale locale. De plus, ⟨B̃⟩t = ⟨B⟩t = t :
utiliser des subdivisions et que si Zn → Z en probabilité pour P, alors Zn → Z en probabilité

pour Q car Q(|Zn − Z| > ϵ) = E[D∞ 1{|Zn −Z|>ϵ} ] → 0 par convergence dominée. On conclut

en invoquant le théorème de Lévy. □

Voici un critère qui assure que, pour L une martingale locale issue de 0, E[E (L)∞ ] = 1,
ce qui permet d'appliquer Girsanov. En compliquant un peu la preuve, cf le théorème 8.3

dans l'appendice, on peut aller jusqu'à θ = 1/2.

Théorème 6.7.4. (Novikov)

(i) Soit (Lt )t≥0 une martingale locale issue de 0 telle que E[exp(θ⟨L⟩∞ )] < ∞ pour un
θ > 1/2. Alors (E (L)t )t≥0 est une vraie martingale U.I. et donc E[E (L)∞ ] = E[E (L)0 ] = 1.
(ii) Soit (Lt )t∈[0,T ] une martingale locale issue de 0 telle que E[exp(θ⟨L⟩T )] < ∞ pour un
θ > 1/2. Alors (E (L)t )t∈[0,T ] est une vraie martingale U.I. et donc E[E (L)T ] = E[E (L)0 ] = 1.

Preuve. Il sut de montrer (i) (pour (ii), appliquer (i) à L̃t = LT ∧t ).

(a) Rappelons qu'une martingale locale M est une vraie martingale U.I. si et seulement

si la famille {Mτ , τ temps d'arrêt ni} est U.I. On va montrer qu'il existe a>1 et C >0
a
tels que pour tout temps d'arrêt ni, E[E (L)τ ] ≤ C, ce qui sura.

(b) Notons déjà que E[E (L)τ ] ≤ 1 pour tout t.a. τ τn = inf{t ≥ 0 : E (L)t ≥ n},
: avec

on a que E (L)t∧τn est une martingale, donc E[E (L)τ ∧τn ] = E[E (L)0 ] = 1, et on conclut avec
Fatou.

(c) Pour a>1>r à choisir ultérieurement, on écrit

a  
E (L)aτ = exp aLτ − ⟨L⟩τ
2
h a a2 ir h a2 a i 
= exp Lτ − 2 ⟨L⟩τ exp − ⟨L⟩τ
r 2r 2r 2
h  a  ir h a2 a i 
= E L exp − ⟨L⟩τ .
r τ 2r 2
 6.8. APPLICATIONS DU THÉORÈME DE GIRSANOV 77

Par Hölder avec p = 1/r et q = 1/(1 − r),

 h  a  ir  h  1 h a2 a i i1−r
E[E (L)aτ ] ≤ E E L E exp − ⟨L⟩τ
r τ 1 − r 2r 2
 h  i1−r
≤ E exp ρ(a, r)⟨L⟩∞ .

1 a 2
par le point (b) et car ⟨L⟩τ ≤ ⟨L⟩∞ , où ρ(a, r) = 1−r [ 2r − a2 ] = 2(1−r)
a
[ ar − 1].
(d) Reste à montrer qu'on peut choisir a > 1 > r tels que ρ(a, r) < θ . Comme θ > 1/2,

ça découle du fait que

1 h1 i 1
lim lim ρ(a, r) = lim −1 = .
r↗1 a↘1 r↗1 2(1 − r) r 2
□

6.8. Applications du théorème de Girsanov

Anticipons légèrement sur le chapitre suivant. C'est une application typique de Girsanov.

Proposition 6.8.1. Soit b : R+ × R 7→ R mesurable et bornée. Alors on peut construire,

sur un espace de probabilité (Ω, F , Ft , Q), un (Ft )t≥0 -mouvement Brownien B et un pro-
cessus continu et adapté X tels que p.s. pour tout t ≥ 0,
Z t
Xt = Bt + b(s, Xs ) ds.
0

Noter qu'on ne suppose aucune régularité de la fonction b. C'est un résultat profondément

probabiliste. Sans le mouvement brownien, il n'y a en général pas de solution. Par exemple,

1 1
Rt
avec b(t, x) = {x=0} , supposons qu'il existe une solution (x(t))t≥0 à x(t) = ds.
0 {x(s)=0}
Alors x est continue et croissante. Soit τ = inf{t ≥ 0 : x(t) > 0}. Si τ = ∞, alors pour
Rt
tout t ≥ 0, on a x(t) = 0, donc x(t) = 0 ds = t, contradiction. Si maintenant τ < ∞,
alors x(τ ) = 0 par continuité, et x(τ + s) > 0 pour tout s > 0. Donc x(τ + t) = x(τ ) +
1{x(s)=0} ds = 0 + 0 = 0, contradiction.
R τ +t
τ

Preuve. On xe T >0 (déterministe) et on travaille sur [0, T ]. On part d'un mouvement

brownien X sur un espace de probabilité (Ω, F , Ft , P). On introduit la martingale locale

Rt
Lt = 0 b(s, Xs ) dXs . Comme ⟨L⟩T ≤ T ∥b∥∞ le critère de Novikov nous assure qu'on peut
appliquer Girsanov avec Q = E (L)T · P : Bt = Xt − ⟨X, L⟩t est un Q-mouvement brownien.
Rt Rt
Or ⟨X, L⟩t = b(s, Xs ) ds, donc on a Xt = Bt + 0 b(s, Xs ) ds. □
0
78 6. FORMULE D'ITÔ ET APPLICATIONS

Proposition 6.8.2 (Cameron-Martin). Soit B un mouvement brownien et soit h ∈

L2 ([0, T ], dt). Pour toute fonction mesurable (positive ou bornée) Φ : C([0, T ], R) 7→ R,
Z t Z T Z T
h   i h   1 2
i
E Φ Bt + h(s) ds = E Φ (Bt )t∈[0,T ] · exp h(s) dBs − h (s) ds .
0 t∈[0,T ] 0 2 0

Preuve. On part d'un mouvement brownien B sur un espace de probabilité (Ω, F , Ft , P).
Rt Rt 1 t 2
ainsi que E (L)t = exp(
R
On introduit Lt =
0
h(s) dBs 0
h(s) dBs − 2 0
h (s) ds). Comme
RT 2
⟨L⟩T = 0 h (s) ds < ∞, le critère de Novikov nous assure qu'on peut utiliser Girsanov
Rt
(à horizon ni) avec Q = E (L)T · P. Ainsi, B̃t = Bt − ⟨B, L⟩t = Bt − h(s) ds est un
0
Q-mouvement brownien. Donc pour Ψ : C([0, T ], R) 7→ R mesurable (positive ou bornée),
h  i h  Z t  i
E Ψ (Bt )t∈[0,T ] =EQ Ψ Bt − h(s) ds
0 t∈[0,T ]
Z t Z T 1 T 2
h    Z i
=E Ψ Bt − h(s) ds · exp h(s) dBs − h (s) ds .
0 t∈[0,T ] 0 2 0
Rt
Pour trouver la formule désirée, choisir Ψ((xt )t∈[0,T ] ) = Φ((xt + h(s) ds)t∈[0,T ] ). □
0

Exemple 6.8.3. Cherchons la loi de X = sup[0,1] (Bt + γt), où B est un mouvement

brownien et où γ ∈ R∗ . Par Cameron-Martin (avec h ≡ γ ), pour tout x > 0,

Z 1 1 1 2 i
Z
P(X < x) = E 1{supt∈[0,1] Bt <x} exp γ ds = E 1{S1 <x} exp(γB1 − γ /2) ,
h h i
2
γ dBs −
0 2 0
où S1 = supt∈[0,1] Bt . Comme on connaît la densité jointe de (S1 , B1 ) (voir le Corollaire 2.4.9),
on peut pousser le calcul.

Exercice 6.8.4. Soit B un mouvement brownien et h ∈ L2 (R+ , dt). On pose at =

h(s) ds. Pour 0 < tn1 < · · · < tnpn = t, on introduit les vecteurs Xn = (Btn1 , . . . , Btnpn ) et
Rt
0
Yn = (Btn1 + atn1 , . . . , Btnpn + atnpn ).

(i) Montrer que si fn et gn sont les densités de Xn et Yn , on a

pn pn 2
gn (x1 , . . . , xn ) 1 X [xi − xi−1 ]2 1 X [(xi − xi−1 ) − (atni − atni−1 )] 
= exp − ,
fn (x1 , . . . , xn ) 2 i=1 tni − tni−1 2 i=1 tni − tni−1

avec la convention tn0 = 0.

(ii) Montrer que Xn sous Qn = Dn · P a même loi que Yn sous P, où Dn = gn (Xn )
fn (Xn )
.
(iii) Montrer que quand n → ∞, Dn tend vers exp( 0t h(s) dBs − 12 h2 (s) ds) en proba-
R Rt
0
bilité, dans le cas où h est continue.
 6.8. APPLICATIONS DU THÉORÈME DE GIRSANOV 79

Remarque 6.8.5. Pour γ ̸= 0, on voit donc que les lois de (Bt )t∈[0,T ] et (Bt +γt)t∈[0,T ] sont
équivalentes pour tout T > 0. Par contre, les lois de (Bt )t≥0 et (Bt + γt)t≥0 sont étrangères,
puisque P(limt→∞ Btt = 0) = 1 et P(limt→∞ Bt +γt
t
= 0) = 0.

Exercice 6.8.6. On a vu que pour tout T > 0, pour tout ϵ > 0, P(sup[0,T ] |Bt | < ϵ) > 0.
(i) Montrer que pour f ∈ C 1 ([0, T ])telle que f (0) = 0, P(sup[0,T ] |Bt − f (t)| < ϵ) > 0
ϵ > 0. On pourra considérer .
Rt
pour tout Lt = − 0 f ′ (s) dBs
(ii) Montrer que c'est encore vrai pour f ∈ C([0, T ]) telle que f (0) = 0. Il existe fϵ ∈
C ([0, T ]) telle que fϵ (0) = 0 et sup[0,T ] |f (t) − fϵ (t)| < ϵ/2.
1
 Chapitre 7

Équations diérentielles stochastiques

Les équations diérentielles stochastiques sont des équations diérentielles dans lesquelles

interviennent des intégrales stochastiques par rapport à un mouvement brownien. Elles ont

été d'abord étudiées par Itô, dans le but de construire des diusions (c'est-à-dire des processus

continus et fortement markoviens dont les générateurs sont des opérateurs diérentiels du

second ordre). C'est dans ce but qu'il a introduit le calcul stochastique.

′
On considère une équation diérentielle de la forme yt = b(t, yt ), qu'on écrit sous forme
Rt
diérentielle dyt = b(t, yt ) dt ou intégrale yt = y0 + b(s, ys ) ds. On la perturbe en ajoutant
0
un bruit de la forme σB , où B est un mouvement brownien, et σ>0 est une constante (qui

représente l'intensité du bruit). On obtient l'EDS dyt = b(t, yt ) dt+σ dBt . Plus généralement,
on peut autoriser σ à dépendre du temps et de l'espace, et l'EDS devient
Z t Z t
dyt = b(t, yt ) dt + σ(t, yt ) dBt soit encore yt = y0 + b(s, ys ) du + σ(s, ys ) dBs .
0 0

7.1. Solutions faibles et fortes

Définition 7.1.1. Soient d ≥ 1 et m ≥ 1 des entiers, σ = (σij )1≤i≤d, 1≤j≤m : R+ × Rd 7→
Rd×m et b = (bi )1≤i≤d : R+ × Rd 7→ Rd mesurables et localement bornées. On considère l'EDS
suivante, qu'on appelle E(σ, b) :
dXt = σ(t, Xt ) dBt + b(t, Xt ) dt, t ≥ 0.
On dit que E(σ, b) admet une solution X (ou plus précisément (Ω, F , (Ft )t≥0 , P, B, X)) s'il
existe :
• un espace probabilisé ltré (Ω, F , (Ft ), P) vériant les conditions habituelles ;
• un (Ft )-mouvement brownien B = (B 1 , · · · , B m ) ;
• un processus X = (X 1 , · · · , X d ) qui est (Ft )-adapté et continu, tel que
Z t Z t
X t = X0 + σ(s, Xs ) dBs + b(s, Xs ) ds,
0 0
c'est-à-dire pour tout 1 ≤ i ≤ d,
m Z
X t Z t
Xti = X0i + σij (s, Xs ) dBsj + bi (s, Xs ) ds.
j=1 0 0

81
82 7. ÉQUATIONS DIFFÉRENTIELLES STOCHASTIQUES

Si de plus X0 = x p.s. on dit que X (ou (Ω, F , (Ft )t≥0 , P, B, X)) est solution de Ex (σ, b).
Définition 7.1.2. (i) On dit qu'il y a existence faible pour Ex (σ, b) s'il existe une
solution de Ex (σ, b) (sur un certain espace de probabilités, avec un certain mouvement brow-
nien).
(ii) On dit qu'il y a unicité faible (ou unicité en loi) pour Ex (σ, b) si pour toute paire
de solutions (Ω, F , (Ft )t≥0 , P, B, X) et (Ω̃, F˜ , (F˜t )t≥0 , P̃, B̃, X̃) de Ex (σ, b), les processus X
et X̃ ont la même loi.
(iii) On dit qu'il y a unicité trajectorielle pour Ex (σ, b) si, l'espace (Ω, F , (Ft )t≥0 , P)
et le brownien B étant xés, deux solutions sont indistinguables.
(iv) Enn, une solution (Ω, F , (Ft )t≥0 , P, B, X) à Ex (σ, b) est dite forte si X est adapté
à la ltration canonique (augmentée usuellement) de B .
Exemple 7.1.3. On s'intéresse à l'EDS dXt = sgn(Xt ) dBt partant de 0, avec la conven-
tion sgn(u) = 1 si u ≥ 0 et sgn(u) = −1 (si on choisissait sgn(0) = 0, X ≡ 0 serait solution).

(a) Il y a unicité en loi : d'après le théorème de Lévy, toute solution est un mouvement

brownien.
Rt
(b) Il n'y a pas unicité trajectorielle, puisque si Xt = sgn(Xs ) dBs , alors −Xt =
0
1 1
Rt Rt Rt
sgn(−Xs ) dBs (car dBs = 0, car c'est une martingale de crochet 0 {Xs =0} ds,
0 0 {Xs =0}
qui vaut 0 puisque X est un brownien).

(c) Il y a existence (faible) : soit X un mouvement brownien, sur un espace (Ω, F , P),
Rt X
et soit Bt = sgn(Xs ) dXs , qui est un (Ft = σ(Xs , s ∈ [0, t]))t≥0 -mouvement brownien
0
Rt Rt
d'après le théorème de Lévy. Par associativité, on a sgn(Xs ) dBs = dXs = Xt , et X
0 0
est solution, sur (Ω, F , (FtX )t≥0 , P), avec le mouvement brownien B.
|X|
(d) La solution construite au (c) n'est pas forte, car on a FtB ⊂ Ft , qui est bien
|X|
sûr strictement incluse dans FtX (par exemple, {X1 > 0} ∈ F1X \ F1 ). En eet, soit
φϵ (x) = (ϵ + x2 )1/2 . Par la formule d'Itô,
Z t Z t
1
φϵ (Xt ) = ϵ + Btϵ + φ′′ϵ (Xs ) ds, où Btϵ = φ′ϵ (Xs ) dXs .
2 0 0
|X|
Comme φϵ et φϵ sont paires, Bt est Ft -mesurable. Et on montre aisément, comme φϵ
′′ ϵ ′

ϵ 2
est uniformémement bornée et converge vers sgn (sauf en 0), que Bt converge dans L vers
Rt |X|
Bt = 0 sgn(Xs ) dXs , qui est donc lui aussi Ft -mesurable. □

Exemple 7.1.4 (Méthode de Girsanov). (a) Nous avons vu à la Proposition 6.8.1 que

pour tout b : R+ × R 7→ R mesurable borné, avec σ ≡1 (et m = d = 1), il y a existence

faible pour E0 (σ, b).

 7.1. SOLUTIONS FAIBLES ET FORTES 83

(b) Fixons ensuite x ∈ R, et introduisons la fonction b̄(t, y) = b(t, x + y). Par (a), il
Rt
existe une solution Y à E0 (σ, b̄), et Xt = x + Yt vérie Xt = x + Bt + 0 b̄(s, Ys ) ds =
Rt
x + Bt + 0 b(s, Xs ) ds. Il y a donc existence faible pour Ex (σ, b).

Exemple 7.1.5 (Carré de Bessel). Soit B = (B 1 , · · · , B d ) un mouvement brownien à

d d 2
valeurs dans R (d ≥ 2), x ∈ R avec ∥x∥ = a. Par Itô,
issu de

d Z t
X Z t
2 i i
∥Bt ∥ = a + 2 Bs dBs + dt = a + 2 ∥Bs ∥ dβs + dt,
i=1 0 0

où
d Z t
X Bui
βt = dBui .
i=1 0 ∥Bu ∥
Mais β est une martingale locale continue avec ⟨β⟩t = t, donc β est un mouvement brownien
Rt√
réel. Nous avons donc construit une solution (faible) de Xt = a + 2 0 Xs dBs + dt. □

Exemple 7.1.6 (Méthode du changement de temps). Considérons l'EDS de dimension 1

dXt = σ(Xt ) dBt ,

où σ : R → R∗+ est mesurable et telle que 0 < σ0 ≤ σ(x) ≤ σ1 < ∞ pour tout x ∈ R.
On se donne un espace ltré (Ω, F , (Ft ), P) (vériant les conditions habituelles) et un
Rt
(Ft )-mouvement brownien B . On pose At = 0 σ −2 (Bs ) ds, qui est p.s. continu, strictement
croissant, A0 = 0, et A∞ = ∞.
On note τt son inverse (τAt = t, Aτt = t), qui vérie τt = inf{s > 0 : As > t}. C'est donc

un temps d'arrêt pour chaque t ≥ 0, et on introduit la ltration Gt = F τt .

On pose Xt = Bτt . Alors Xt est une Gt -martingale de crochet τt : on montre que Xt et

Xt2 − τt sont des Gt -martingales en utilisant le théorème d'arrêt (pour lesFt -martingales Bt
2 2
et Bt − t, avec le temps d'arrêt τt ). Noter que τt est borné par σ0 t car pour tout s ≥ 0,

As ≥ s/σ02 .
Rt
On introduit ensuite Wt = 0
σ −1 (Xs ) dXs . C'est une Gt -martingale locale de crochet
Rt Rt
⟨W ⟩t = 0 σ −2 (Xs ) d⟨X⟩s = 0
−2
σ (Bτs ) dτs = t, car dτs = σ 2 (Bτs ) ds (voir le lemme 8.4

de l'appendice, en gros, comme A τt = t, on a τt′ A′τt = 1, et dτs = τs′ ds = [1/A′τs ] ds =

σ 2 (Bτs ) ds).
Donc W est un Gt -mouvement brownien.
Rt Rt Rt
On a
0
σ(Xs ) dWs = 0 σ(Xs )σ −1 (Xs ) dXs = 0 dXs = Xt .
On a donc construit une solution à E0 (σ, 0) (dans la ltration (Gt )t≥0 avec le brownien W ).
On peut en déduire, comme dans la méthode de Girsanov, l'existence faible pour Ex (σ, 0).
84 7. ÉQUATIONS DIFFÉRENTIELLES STOCHASTIQUES

Exercice [Link] appliquant la méthode du changement de temps puis la méthode de

Girsanov, montrer que si d = 1, il y a existence faible pour Ex (σ, b), avec σ, b mesurables,
ne dépendant pas du temps, avec b borné, et σ à valeurs dans [σ0 , σ1 ] avec σ1 > σ0 > 0.

Mentionnons le résultat suivant.

Théorème 7.1.8 (Yamada-Watanabe). Supposons que

• pour tout x ∈ Rd , il y a existence faible pour Ex (σ, b),
• pour toute paire de solution (Ω, F , (Ft )t≥0 , B, X) et (Ω, F , (Ft )t≥0 , B, X ′ ) avec X0 =
X0′ , on a X = X ′ (à indistinguabilité près).
Alors pour tout x ∈ R2 , il y a unicité en loi pour Ex (σ, b) (pour tout x ∈ R), et il y a
existence, pour tout espace (Ω, F , (Ft ), P), tout (Ft )-mouvement brownien B , d'une solution
forte de Ex (σ, b).

Idée de preuve d'unicité en loi. Soient deux solutions (Ωi , F i , (Fti )t≥0 , Pi , B i , X i ), i = 1, 2,
de l'EDS Ex (σ, b). Notons Qi la loi du couple (B i , X i ) (c'est une probabilité sur C 2, où C=
C(R+ , Rd )) et désintégrons Qi ( dw, dx) = W( dw)Ri (w, dx). Pour chaque w ∈ C , Ri (w, dx)
est une probabilité sur C. X i sachant B i = w. Soit
On dit que c'est la loi conditionnelle de

maintenant B un mouvement brownien sur un espace de probabilité (Ω, F , (Ft )t≥0 , P). Pour

i = 1, 2, tirons Yi de loi Ri (B, dx). Alors le couple (B, Y i ) a la même loi que (B, X i ) (pour

i = 1, 2). Donc X 1
et X 2
sont solutions de Ex (σ, b) sur (Ω, F , (Ft )t≥0 , P), avec le même
1 2 1
mouvement brownien B. Par unicité trajectorielle, Y =Y , en particulier Y et Y2 ont la
i i 1 2
même loi. Comme X a la même loi que Y , on en déduit que X et X ont la même loi.

7.2. Coecients lipschitziens

On utilisera le fameux Lemme de Gronwall.

Lemme 7.2.1. Soit h : [0, T ] → R+ mesurable bornée. On suppose qu'il existe a, b ∈ R+

tels que pour tout t ∈ [0, T ], h(t) ≤ a + b 0t h(s) ds. Alors pour tout t ∈ [0, T ], h(t) ≤ aebt .
R

Preuve.
Rt
On introduit g(t) = a+b 0
h(s) ds, qui est continue, et on a h(t) ≤ g(t), et donc
Rt
g(t) ≤ a + b 0 g(s) ds.
Rt
On introduit ensuite f (t) = a + b 0
g(s) ds, qui est C 1, et on a g(t) ≤ f (t), et f ′ (t) =
bg(t) ≤ bf (t), d'où, comme f (0) = a, f (t) ≤ aebt .
Ainsi, h(t) ≤ g(t) ≤ f (t) ≤ aebt . □
 7.2. COEFFICIENTS LIPSCHITZIENS 85

Hypothèse 7.2.2. Les fonctions σ : R+ ×Rd 7→ Rd×n et b : R+ ×Rd 7→ Rd sont continues

et il existe une constante L telle que pour tout t ≥ 0, x, y ∈ Rd ,
|σ(t, x) − σ(t, y)| + |b(t, x) − b(t, y)| ≤ L|x − y|.

Cette hypothèse implique que pour tout T > 0, pour tout x ∈ Rd , tout t ∈ [0, T ],
|σ(t, x)| + |b(t, x)| ≤ sup (|σ(t, 0)| + |b(t, 0)|) + L|x| = CT + L|x|.
t∈[0,T ]

Théorème 7.2.3. Soit x0 ∈ Rd . Sous l'hypothèse 7.2.2, il y a unicités faible et trajecto-

rielle pour Ex0 (σ, b). De plus, pour tout espace ltré (Ω, F , (Ft ), P) et tout (Ft )-mouvement
brownien B , il existe pour chaque x ∈ Rd une (unique) solution forte de Ex0 (σ, b).
Pour simplier l'écriture, on ne traite que le cas où d = m = 1. La preuve du cas général

est exactement la même. Par contre, on démontrera à la main l'unicité faible, sans utiliser

Yamada-Watanabe.

Preuve. Unicité trajectorielle. Considérons deux solutions X et X̃ , dénies sur le même

espace de probabilité, conduites par le même mouvement brownien B. Pour k > 0, on

introduit τk = inf{t ≥ 0 : |Xt | ≥ k ou |X̃t | ≥ k}.

Comme X et X̃ sont p.s. continus, τk
R t∧τk R t∧τk
croît p.s. vers l'inni avec k . On a alors Xt∧τk = x0 + σ(s, Xs ) dBs + b(s, Xs ) ds et
0 0
R t∧τk R t∧τk
X̃t∧τk = x0 + 0 σ(s, X̃s ) dBs + 0 b(s, X̃s ) ds, d'où, comme (x + y) ≤ 2x + 2y 2 ,
2 2

E[(Xt∧τk − X̃t∧τk )2 ]
h Z t∧τk 2 i h Z t∧τk 2 i
≤2E (σ(s, Xs ) − σ(s, X̃s )) dBs + 2E (b(s, Xs ) − b(s, X̃s )) ds
0 0
h Z t∧τk i h Z t∧τk i
2
≤2E (σ(s, Xs ) − σ(s, X̃s )) ds + 2E (t ∧ τk ) (b(s, Xs ) − b(s, X̃s ))2 ds
0 0
h Z t∧τk i
≤2L2 (1 + t)E |Xs − X̃s |2 ds
0
Z t
≤2L2 (1 + t) E[|Xs∧τk − X̃s∧τk |2 ] ds
0

Donc pour tout T > 0, la fonction hk (t) = E[(Xt∧τk − X̃t∧τk )2 ] est bornée sur [0, T ], positive,
2
Rt
et vériehk (t) ≤ 2L (1 + T ) 0 hk (s) ds pour toutt ∈ [0, T ]. Le Lemme de Gronwall nous
assure que hk = 0 sur [0, T ], et donc sur [0, ∞[ puisque T est arbitraire. Ainsi, Xt∧τk = X̃t∧τk

p.s. pour tout t et donc, en faisant tendre k → ∞, Xt = X̃t p.s. La continuité des trajectoires

permet de conclure que X et X̃ sont indistinguables.

Existence. On xe T > 0, un espace de probabilité ltré, un mouvement brownien B,

et x ∈ R. On utilise la méthode d'approximation de Picard an de construire un solution à
86 7. ÉQUATIONS DIFFÉRENTIELLES STOCHASTIQUES

Ex (σ, b) sur [0, T ], ce qui sura puisque T est arbitraire. On introduit le processus constant

Xt0 = x puis, par récurrence, pour n ≥ 0,

Z t Z t
Xtn+1 = x0 + n
σ(s, Xs ) dBs + b(s, Xsn ) ds.
0 0
Les intégrales sont bien dénies puisque, par récurrence, Xn est continu et adapté à la
n n
ltration (augmentée) de B , ainsi que s 7→ σ(s, Xs ) et s 7→ b(s, Xs ).
n n−1 2
(a) On introduit gn (t) = E[sup[0,t] |Xs − Xs | ] et on montre qu'il existe une constante
Rt
C telle que gn+1 (t) ≤ C 0 gn (s) ds, pour tout n ≥ 1 et tout t ∈ [0, T ]. On a
Z t Z t
Xtn+1 − Xtn = [σ(s, Xsn ) − σ(s, Xsn−1 )] dBs + [b(s, Xsn ) − b(s, Xsn−1 )] ds.
0 0
A l'aide de Burkholder-Davies-Gundy et de l'Hypothèse 7.2.2,
h Z t 2 i h Z t 2 i
n n−1
gn+1 (t) ≤8E [σ(s, Xs ) − σ(s, Xs )] dBs + 2E |b(s, Xsn ) − b(s, Xsn−1 )| ds
0 0
Z t Z t
≤8 E[(σ(s, Xsn ) − σ(s, Xsn−1 ))2 ] ds + 2T E[(b(s, Xsn ) − b(s, Xsn−1 ))2 ] ds
0 0
Z t
2
≤(8 + 2T )L E[(Xsn − Xsn−1 )2 ] ds.
0
Rt Rt
1
(b) Comme Xt − Xt =
0
0
σ(s, x) dBs + 0
b(s, x) ds, on a clairement g1 (t) ≤ C ′ , où
T T
C ′ = 8 0 σ 2 (s, x) ds + ( 0 |b(s, x)| ds)2 .
R R

(c) On déduit de (a) et (b) que pour tout n ≥ 1, tout t ∈ [0, T ], gn (t) ≤ C ′ (Ct)n−1 /(n−1)!.
Donc, par Minkowski,
h X 2 i1/2 X h 2 i1/2 X
E sup |Xtn+1 − Xtn | ≤ E sup |Xtn+1 − Xtn | = (gn+1 (T ))1/2 < ∞.
n≥0 [0,T ] n≥0 [0,T ] n≥0

sup[0,T ] |Xtn+1 − Xtn | < ∞ Xn

P
Donc n≥0 p.s. et la suite de fonctions admet une limite

(uniforme) p.s. X, continue, adaptée (à la ltration canonique augmentée de B ), et

h 2 i1/2 h X 2 i1/2 X
E sup |Xt − Xtn | ≤E sup |Xtk+1 − Xtk | ≤ (gk+1 (T ))1/2 → 0,
[0,T ] k≥n [0,T ] k≥n

d'où on déduit aisément que

Z t Z t Z t Z t
σ(s, Xs ) dBs = lim σ(s, Xsn ) dBs et b(s, Xs ) ds = lim b(s, Xsn ) ds
0 0 n 0 0 n
2
dans L , en utilisant une fois de plus l'Hypothèse 7.2.2. En passant à la limite dans l'égalité
Rt Rt Rt
Xtn+1 = x + 0 σ(s, Xsn ) dBs + 0 b(s, Xsn ) ds, on conclut que Xt = x + 0 σ(s, Xs ) dBs +
Rt
0
b(s, Xs ) ds. Et cette solution est forte.
Unicité faible. (a) La loi de la solution construite ci-dessus dépend, par construction, de
x0 , σ , et b, mais pas de l'espace de probabilité ni du mouvement brownien considéré.
 7.3. PROPRIÉTÉ DE MARKOV 87

(b) Considérons ensuite une solution faible X à Ex0 (σ, b), associée à un mouvement brow-
nien B , sur un certain espace de probabilité. Sur cet espace, et avec ce mouvement brownien,
construisons la solution X̃ comme dans la preuve d'existence. Par unicité trajectorielle, X
et X̃ sont indistinguables, et ont donc la même loi. □

Exemple 7.2.4. Soit B un mouvement brownien standard, et soit Xt = sh(Bt + t), où

x −x
sh(x) = (e − e )/2. D'après la formule d'Itô,

1
dXt = ch(Bt
+ t) d(Bt + t) + sh(Bt + t) dt
p 2 
p
2 2 1
= 1 + Xt dBt + 1 + Xt + Xt dt.
2
Il y a unicité trajectorielle pour cette EDS, puisque les coecients
√ √ x
σ(t, x) = 1 + x2 et b(t, x) = 1 + x2 +
2
satisfont l'Hypothèse 7.2.2.

Exemple 7.2.5. Considérons l'EDS sur R :

dXt = αXt dBt + βXt dt,

avec X 0 = x. Le Théorème 7.2.3 nous garantit l'unicité trajectorielle de l'EDS. On vérie
α2
facilement, par Itô, que l'unique solution est donnée par Xt = x exp(αBt + (β − 2
)t), qui
n'est autre que xE (αBt + βt)t .

7.3. Propriété de Markov

Théorème 7.3.1. Supposons σ(t, x) = σ(x) et b(t, x) = b(x) localement bornés, et que
(a) pour tout x ∈ Rd , on a existence et unicité faible pour Ex (σ, b). On note Qx la loi de
la solution (c'est une probabilité sur C(R+ , Rd )).
(b) Pour toute solution X à E(σ, b), la loi conditionnelle de (Xt )t≥0 sachant F0 est QX0 .
Considérons une solution (Ω, F , (Ft )t≥0 , P, B, X) à E(σ, b) et τ un (Ft )t≥0 -temps d'ar-
rêt. Alors sur {τ < ∞}, la loi conditionnelle de (Xτ +t )t≥0 sachant Fτ est QXτ . Autrement
dit, pour tout Φ : C([0, ∞), Rd ) 7→ R mesurable bornée,
Z
1{τ <∞} E[Φ((Xτ +t )t≥0 )|Fτ ] = 1{τ <∞} Φ(w)QXτ ( dw).
C([0,∞),Rd )

En fait, la condition (a) sut (elle implique la condition (b)), voir Karatzas-Shreve

Section 5-4-C, mais c'est dicile et repose en particulier sur l'existence de lois conditionnelles.

Dans le cas où b et σ sont lipschitziens, les hypothèses (a) et (b) sont satisfaites, cf le lemme

8.6 (dicile mais bien plus direct que la référence ci-dessus) dans l'appendice.
88 7. ÉQUATIONS DIFFÉRENTIELLES STOCHASTIQUES

Preuve. Supposons d'abord que τ < ∞ p.s. On écrit

Z τ +t Z τ +t Z τ +t Z τ +t
Xτ +t =x+ σ(Xs ) dBs + b(Xs ) ds = Xτ + σ(Xs ) dBs + b(Xs ) ds.
0 0 τ τ

En posant Btτ = Bτ +t − Bτ , on a (cf le lemme 8.5 dans l'appendice)

Z t Z t
Xτ +t = Xτ + σ(Xτ +s ) dBsτ + b(Xτ +s ) ds,
0 0

et (Ω, F , (Fτ +t )t≥0 , P, B τ , (Xτ +t )t≥0 ) est solution de E(σ, B). D'après l'hypothèse (b), la loi

conditonnelle de (Xτ +t )t≥0 sachant Fτ est donc QXτ .

Dans le cas général, on applique le résultat à τ ∧ n. On trouve que pour tout A ∈ Fτ ∧n ,
tout Φ : C → R+ mesurable bornée,

h Z
E[1A Φ((Xτ ∧n+t )t≥0 )] = E 1A
i
Φ(w)QXτ ∧n ( dw) .
C([0,∞),Rd )

Mais pour B ∈ Fτ , B ∩ {τ ≤ n} ∈ Fτ ∧ Fn = Fτ ∧n , donc

on a
Z
E[1B∩{τ ≤n} Φ((Xτ ∧n+t )t≥0 )] = E 1B∩{τ ≤n}
h i
Φ(w)QXτ ∧n ( dw) ,
C([0,∞),Rd )
Z
E[1B∩{τ ≤n} Φ((Xτ +t )t≥0 )] = E 1B∩{τ ≤n}
h i
i.e. Φ(w)QXτ ( dw) .
C([0,∞),Rd )

Il n'y a plus qu'à faire tendre n → ∞. □

7.4. Le problème de martingales

Dans cette section on suppose que σ et b sont des fonctions boréliennes et localement

bornées indépendantes de t (i.e. σ(t, x) = σ(x) et b(t, x) = b(x)). On note Cck (Rd ) l'espace
d
des fonctions de R dans R, de classe C k et à support compact.

Théorème 7.4.1. Soit, pour f ∈ C2 (Rd ) et x ∈ Rd ,

d d d
1 XX ∂ 2f X ∂f
(7.1) L f (x) = (σσ ∗ )ij (x) (x) + bi (x) (x),
2 i=1 j=1 ∂xi ∂xj i=1
∂x i

où σ∗ désigne la transposée de la matrice σ. Si X est une solution de E(σ, b), alors pour
toute f ∈ C2c (Rd ),
Z t
f (Xt ) − f (X0 ) − L f (Xs ) ds
0
est une martingale.
 7.4. LE PROBLÈME DE MARTINGALES 89

Preuve. Par la formule d'Itô,

d Z t d d t
∂ 2f
Z
X ∂f 1 XX
f (Xt ) =f (X0 ) + (Xs ) dXsi + (Xs ) d⟨X i , X j ⟩s
i=1 0 ∂xi 2 i=1 j=1 0 ∂xi ∂xj
Z tX d d d Z m
∂f 1 X X t ∂ 2f X
=Mt + (Xs )bi (Xs ) ds + (Xs ) σik (Xs )σjk (Xs ) ds
0 i=1 ∂xi 2 i=1 j=1 0 ∂xi ∂xj k=1
Z t
=Mt + L f (Xs ) ds,
0
R t ∂f
Mt = f (X0 ) + di=1 m k
P P
où k=1 0 ∂xi (Xs )σik (Xs ) dBs est une martingale (car c'est une mar-
2
tingale locale et ⟨M ⟩t ≤ ∥σ∇f ∥∞ t). □

Définition 7.4.2 (Problème de martingales). On considère le processus canonique X

déni par Xt (w) = wt sur l'espace canonique (C(R+ , Rd ), C (R+ , Rd )). Une probabilité Px
sur C(R+ , Rd ) est une solution du problème de martingales (σ, b), issu de x ∈ Rd , si
(i) Px (X0 = x) = 1 ;
(ii) pour toute f ∈ Cc2 (Rd ),
Z t
Mtf = f (Xt ) − f (X0 ) − L f (Xs ) ds
0
est une Px -martingale par rapport à la ltration canonique de X , où
d d d
1 XX ∂ 2f X ∂f
L f (x) = (σσ ∗ )ij (x) (x) + bi (x) (x).
2 i=1 j=1 ∂xi ∂xj i=1
∂xi

Il y a équivalence entre existence faible/unicité faible de Ex (σ, b) et existence/unicité

pour le problème de martingales (σ, b).

Théorème 7.4.3. On suppose toujours σ et b mesurables, localement bornés, et ne dé-

pendant pas du temps.
(i) Si Y est solution (faible) de Ex (σ, b), alors sa loi Px est solution du problème de
martingales (σ, b) issu de x.
(ii) Si Px est solution du problème de martingales (σ, b) issu de x, le processus canonique
X , sur l'espace canonique ltré (éventuellement grossi) muni de la probabilité Px , est solution
de Ex (σ, b).
On va tricher pour le point (ii) en supposant que m=d et que σ est bien inversible ou

que m = d = 1. On note C = C(R+ , Rd ).

Preuve. (i) Soit Y Ex (σ, b), sur un certain espace ltré, et soit Px sa loi. Avec A =
solution de

{X0 = x} = {w ∈ C : w0 = x}, on a Px (X0 = x) = Px (A) = P(Y ∈ A) = P(Y0 = x) = 1. De

90 7. ÉQUATIONS DIFFÉRENTIELLES STOCHASTIQUES

Rt
plus, pour tout f ∈ Cc2 (Rd ), Mtf,Y = f (Yt ) − f (x) − 0
L f (Ys ) ds est une (Ft )t≥0 -martingale.
Donc, avec Φ:C→R de la forme
Z t
1{wt1 ∈A1 ,...,wtn ∈An } ,
h i
Φ(w) = f (wt ) − f (wu ) − L f (ws ) ds
u

avec 0 ≤ t1 < · · · < tn ≤ u ≤ t et A1 , . . . , An ∈ B(Rd ), le processus canonique ayant sous

Px la même loi que Y,

EPx [Φ(X)] = E[Φ(Y )] = E[(Mtf,Y − Muf,Y )1{Yt1 ∈A1 ,...,Ytn ∈An } ] = 0.
Mais Φ(X) = (Mtf − Muf )1{Xt1 ∈A1 ,...,Xtn ∈An } , donc

EPx [(Mtf − Muf )1{Xt1 ∈A1 ,...,Xtn ∈An } ] = 0.

On en déduit, par classes monotones, que EPx [(Mtf − Muf )1Γ ] = 0 pour tout Γ ∈ FuX , et
f X
donc que M est une (Ft )t≥0 -martingale.

(ii) On se place ici sur l'espace canonique ltré, muni de la probabilité Px , et on note X
le processus canonique.

(a) On pose, pour n ≥ 1, Tn = inf{t ≥ 0 : |Xt | ≥ n}. En appliquant le problème

de martingales à une fonction f ∈ Cc2 (Rd ) telle que f (x) = x i

pour tout x ∈ B(0, n) (la

boule centrée en 0 de rayon n), on voit que L f (x) = bi (x) sur B(0, n), et donc le processus
i
R t∧T
Xt∧T n
− xi − 0 n bi (Xs ) ds est une martingale. Donc
Z t
i i i
Mt = Xt − x − bi (Xs ) ds
0
i i
Rt
est une martingale locale. On écrit Xt = x + b (Xs ) ds + Mti puis, par la formule d'inté-
0 i
gration par parties,
Z t Z t
Xti Xtj =xx + i j
[Xsi bj (Xs ) + Xsj bi (Xs )] ds + [Xsi dMsj + Xsj dMsi ] + ⟨M i , M j ⟩t .
0 0

(b) Par le problème de martingales avec une fonction f ∈ Cc2 (Rd ) telle que f (x) = xi xj
pour tout x ∈ B(0, n), L f (x) = bi (x)xj + bj (x)xi + (σσ ∗ )ij (x) sur B(0, n),
on a et donc
Z t∧Tn
j
i
Xt∧Tn
Xt∧T n
i j
−xx − [bi (Xs )Xsj + bj (Xs )Xsi + (σσ ∗ )ij (Xs )] ds
0
ij Rt
est une martingale. Donc Mt = Xti Xtj − xi xj − 0
[(σσ ∗ )ij (Xs ) + bi (Xs )Xsj + bj (Xs )Xsi ] ds est
une martingale locale. En se rappelant (a) (et en écrivant Xti Xtj de deux manières diérentes),
Z t Z t
[Xsi dMsj + Xsj dMsi ] + ⟨M i , M j ⟩t = (σσ ∗ )ij (Xs ) ds + Mtij .
0 0
i j
Rt ∗
Donc ⟨M , M ⟩t − (σσ )ij (Xs ) ds
est une martingale locale à variation nie, et est donc
0
Rt
i j
indistinguable de 0. Ainsi, ⟨M , M ⟩t =
0
(σσ ∗ )ij (Xs ) ds.
 7.4. LE PROBLÈME DE MARTINGALES 91

(c) Ici, on suppose que m = d, que σ(x) est inversible pour tout x ∈ Rd , et que x 7→
Θ(x) = [σ(x)]−1 est localement bornée. Pour le cas général, voir Karatzas-Shreve, Thm 3.4.2

page 170.
Rt Pd Rt
On pose Bt = 0
Θ(Xs ) dMs , i.e., pour i = 1, . . . , d, Bti = ℓ=1 0
Θiℓ (Xs ) dMsℓ . Alors
i
pour chaque i = 1, . . . , d, B est une martingale locale et, pour i, j = 1, . . . , d, on a
X d Z t Xd Z t
i j
⟨B , B ⟩t = k ℓ
Θik (Xs )Θjℓ (Xs ) d⟨M , M ⟩s = Θik (Xs )Θjℓ (Xs )(σσ ∗ )kℓ (Xs ) ds.
k,ℓ=1 0 k,ℓ=1 0

x ∈ Rd , dk,l=1 Θik (x)Θjl (x)(σσ ∗ )kl (x) = [Θ(x)(σσ ∗ )(x)Θ∗ (x)]ij = δij par déni-
P
Mais pour

tion de Θ. Ainsi, ⟨B i , B j ⟩t = δij t, et on conclut que B est un mouvement brownien (dans la

ltration canonique).

Enn, on a dBt = Θ(Xt ) dMt , soit encore dMt = σ(Xt ) dBt , ou

d Z
X t
∀ i ∈ {1, . . . , d}, Mti = σik (Xs ) dBsk .
k=1 0

En eet,

d Z
X t d Z
X t d Z
X t
σik (Xs ) dBsk = σik (Xs )Θkℓ (Xs ) dMsℓ = (σΘ)iℓ (Xs ) dMsℓ = Mti ,
k=1 0 k,ℓ=1 0 ℓ=1 0

car σΘ = I . En se rappelant (a), on conclut que

Z t d Z
X t
∀ i ∈ {1, . . . , d}, Xti =x +i
bi (Xs ) ds + σik (Xs ) dBsk .
0 k=1 0

(c') Si m = d = 1 mais qu'on ne suppose pas σ(x) inversible pour tout x ∈ R, on

procède ainsi. On considère (en grossissant l'espace de probabilité) un mouvement brownien

B′ indépendant de M. On pose
Z t Z t
Bt = 1{σ(Xs )̸=0} σ (Xs ) dMs +
−1
1{σ(Xs )=0} dBs′ ,
0 0

1
R t −1
bien déni puisque (seul le premier terme pose problème)
0
[σ (Xs ) {σ(Xs )̸=0} ]2 d⟨M ⟩s =
1
Rt
0 {σ(Xs )̸=0}
ds < ∞. Et B est un mouvement brownien (dans la ltration grossie) car c'est
1 1
Rt −2
Rt
une martingale locale et ⟨B⟩t = {σ(X σ (X ) d⟨M ⟩ + ds = t.
0 s )̸ = 0} s s 0 {σ(Xs )=0}
1
Rt Rt −1
On observe ensuite que
0
σ(Xs ) dBs = 0 σ(Xs ) {σ(Xs )̸=0} σ (Xs ) dMs +0 = Mt , puisque
1 1
Rt Rt
Mt = 0 {σ(Xs )̸=0} dMs . En eet, la martingale locale Nt = 0 {σ(Xs )=0} dMs , ayant pour
1 1
Rt Rt
crochet ⟨N ⟩t =
0 {σ(Xs )=0}
d⟨M ⟩s = 0 {σ(Xs )=0} σ 2 (Xs ) ds = 0, est indistinguable de 0.
Rt Rt Rt
En se rappelant (a), Xt = x + b(X s ) ds + M t = x + b(X s ) ds + σ(Xs ) dBs . □
0 0 0
92 7. ÉQUATIONS DIFFÉRENTIELLES STOCHASTIQUES

L'ouvrage de Stroock et Varadhan est consacré aux problèmes de martingales pour les

diusions dans Rd . Une application relativement simple est la suivante : on peut montrer,

par compacité, l'existence faible pour E(σ, b) quand σ et b sont continus et bornés, voir le

théorème 8.7 dans l'appendice.

7.5. Liens avec des EDP linéaires

Nous supposons dans cette section que σ et b sont continus, indépendants du temps

et bornés (par exemple). Soit L l'opérateur diérentiel déni par (7.1). On note Cbk (Rd )
l'ensemble des fonctions de Rd dans R, de classe Ck, bornées avec leurs dérivées jusqu'à

l'ordre k.

7.5.1. Equation de Fokker-Planck (ou Kolmogorov progressive).

Remarque 7.5.1. Si X est solution de E(σ, b) (avec condition initiale éventuellement

aléatoire) et si on note, pour chaque t ≥ 0, ft ∈ P(Rd ) la loi de Xt , alors pour tout
φ ∈ Cc2 (Rd ), tout t ≥ 0, on a
Z Z Z tZ
φ(x)ft ( dx) = φ(x)f0 ( dx) + L φ(x)fs ( dx) ds.
Rd Rd 0 Rd

On dit que (ft )t≥0 est solution faible de l'équation

∂t ft = L ∗ ft

où, pour f ∈ C 2 (Rd ),

d d d
1 X X ∂2 X ∂
L f (x) =
∗
[(σσ ∗ )ij f ](x) − [bi f ](x).
2 i=1 j=1 ∂xi xj i=1
∂xi

Noter que pour tout f ∈ C 2 (Rd ) et φ ∈ Cc2 (Rd ), on a, par intégrations par parties,
Z Z
f (x)L φ(x) dx = φ(x)L ∗ f (x) dx.
Rd Rd

Donc si une solution faible (ft )t≥0 est susemment régulière, on a

Z Z Z
d
[∂t ft (x) − L ft (x)]φ(x) dx =
∗
ft (x)φ(x) dx + ft (x)L φ(x) dx = 0
Rd dt Rd Rd

pour tout φ ∈ Cc2 (Rd ), et donc ∂t ft (x) − L ∗ ft (x) = 0 pour tout x ∈ Rd .

 7.5. LIENS AVEC DES EDP LINÉAIRES 93

7.5.2. La formule de Feynman-Kac. Soit ensuite V : Rd 7→ R continue et bornée

inférieurement (inf x∈Rd V (x) > −∞) et f ∈ Cb (Rd ). On s'intéresse à l'EDP d'inconnue
d
u : R+ × R → R
 ∂t u(t, x) = L u(t, x) − V (x)u(t, x),

t > 0, x ∈ Rd
(7.2)
u(0, x) = f (x), x ∈ Rd


Proposition [Link] u ∈ Cb2 ([0, ∞[×Rd ) satisfait , alors pour x ∈ Rd , si (Xt )t≥0
(7.2)

est une solution de Ex (σ, b),

  Z t 
(7.3) u(t, x) = E f (Xt ) exp − V (Xs ) ds , t ≥ 0.
0

Preuve.
Rt
Si φ ∈ C 2 ([0, ∞[×Rd ), par Itô (appliqué aux trois semi-martingales
0
V (Xs ) ds, t
et Xt ), on voit que

Rt
Z t R h i
− 0s V (Xr ) dr
e − 0 V (Xs ) ds
φ(t, Xt ) =φ(0, x)+ e ∂t φ(s, Xs ) + L φ(s, Xs ) − V (Xs )φ(s, Xs ) ds
0
d m
XXZ t Rs
+ e− 0 V (Xr ) dr
∂xi φ(s, Xs )σij (Xs ) dBsj .
i=1 j=1 0

En xant t0 ≥ 0 et en appliquant la formule précédente avec φ(t, x) = u(t0 − t, x) (en

supposant t ∈ [0, t0 ]), on trouve

Rt
e− 0 V (Xs ) ds
u(t0 − t, Xt ) = u(t0 , x)
Z t h i
− 0s V (Xr ) dr
R
+ e − ∂t u(t0 − s, Xs ) + L u(t0 − s, Xs ) − V (Xs )u(t0 − s, Xs ) ds + Mt
0

où M est une martingale (car son crochet est borné, puisque σ et ∇x u le sont et que V est

minorée). Donc en prenant l'espérance, on trouve, pour tout t ∈ [0, t0 ],

h Rt i
E e− 0 V (Xs ) ds u(t0 − t, Xt ) = u(t0 , x).

On conclut en choisissant t = t0 . □

Remarque 7.5.3. Par la proposition 7.5.2, l' existence pour Ex (σ, b) (pour tout x) im-

plique l' unicité de la solution u ∈ Cb2 ([0, ∞[×Rd ) de (7.2).

Remarque 7.5.4. Si on ne sait pas qu'il existe une solution u ∈ Cb2 ([0, ∞[×Rd ), ou si

on aaiblit les hypothèses sur f et V, on peut dénir u par la formule (7.3) (qui a du sens

dès que f est mesurable bornée et que V est mesurable et minorée). Normalement, on peut

toujours se débrouiller pour trouver un sens faible dans lequel u est solution de (7.2).
94 7. ÉQUATIONS DIFFÉRENTIELLES STOCHASTIQUES

7.5.3. Equations elliptiques. Nous nous intéressons à l'EDP d'inconnue u : Rd → R

(7.4) λu(x) − L u(x) = f (x), x ∈ Rd
où f ∈ Cb (Rd ) et λ > 0.

Théorème 7.5.5. Si u ∈ C 2 (Rd ) est bornée et satisfait (7.4) , si x ∈ Rd et si (Xt )t≥0 est
une solution de Ex (σ, b), alors
Z ∞
(7.5) u(x) = e−λt E [f (Xt )] dt.
0
Preuve. Par la formule d'Itô (appliqué aux deux semi-martingales t et Xt ),
Z t d X
X m Z t
e−λt
u(Xt ) = u(x) + e −λs
[−λu(Xs ) + L u(Xs )] ds + e−λs ∂xi u(Xs )σij (Xs ) dBsj .
0 i=1 j=1 0

Comme −λu(Xs ) + L u(Xs ) = −f (Xs ), en prenant l'espérance,

Z t
−λt
e E[u(Xt )] = u(x) − e−λs E[f (Xs )] ds.
0
Il n'y a plus qu'à faire tendre t → ∞, en utilisant que u et f sont bornées. □
Considérons un ouvert régulier borné O ⊂ Rd et l'EDP d'inconnue u : Ō → R
x∈O

 −L u(x) = f (x),
(7.6)
 u(x) = g(x), x ∈ ∂O
où f ∈ Cb (O) et g ∈ Cb2 (∂O).

Proposition 7.5.6. Soit u ∈ Cb2 (O) satisfaisant (7.6), soit x ∈ O et soit (Xt )t≥0 une
solution de Ex (σ, b). Supposons que τ = inf{u > 0 : Xu ∈/ O} soit ni et intégrable. Alors
Z τ 
(7.7) u(x) = E [g(Xτ )] + E f (Xs ) ds .
0

Preuve. On considère U ∈ Cb2 (Rd ) U (y) = u(y) pour tout y ∈ O .

telle que Par Itô,
Z t
U (Xt ) = U (x) + L U (Xs ) ds + Mt ,
0
où M est une martingale de crochet borné (car ∇U et σ sont bornés). Donc, comme U (y) =
u(y) pour y ∈ O et comme L u(y) = −f (y) pour y ∈ O ,
Z t∧τ
u(Xt∧τ ) = u(x) − f (Xs ) ds + Mt∧τ .
0
En prenant l'espérance, on trouve
h Z t∧τ i
u(x) = E u(Xt∧τ ) + f (Xs ) ds
0
 7.5. LIENS AVEC DES EDP LINÉAIRES 95

et en faisant tendre t → +∞ (par convergence dominée, en utilisant que u et f sont bornées

et que τ est intégrable)

Z τ 
u(x) = E [g(Xτ )] + E f (Xs ) ds
0
comme annoncé. □

7.5.4. Problème de Dirichlet. Considérons un ouvert régulier borné O ⊂ Rd et l'EDP

d'inconnue u : R+ × Ō → R
∂t u(t, x) = L u(t, x), t > 0, x ∈ O






(7.8) u(t, x) = g(x), t > 0, x ∈ ∂O



x∈O

 u(0, x) = f (x),

où f ∈ Cb (O) et g ∈ Cb2 (∂O) sont telles que f =g sur ∂O .

Proposition 7.5.7. Si u ∈ Cb2 ([0, ∞[×O) satisfait (7.8) , si x ∈ O et si (Xt )t≥0 est une
solution de Ex (σ, b), alors pour tout t ≥ 0,
(7.9) u(t, x) = Ex [1{t<τ } f (Xt )] + Ex [1{t≥τ } g(Xτ )], où τ = inf{u > 0 : Xu ∈/ O}.
Preuve. On considère une fonction U ∈ Cb2 ([0, ∞[×Rd ) telle que U (t, y) = u(t, y) pour tout

y ∈ O. On xe t0 > 0 et on applique Itô, pour trouver

Z th i
U (t0 − t, Xt ) = U (t0 , x) + − ∂t U (t0 − s, Xs ) + L U (t0 − s, Xs ) ds + Mt ,
0
où M est une martingale de crochet borné (car U est Cb2 et car σ est borné). Donc
Z t∧τ h i
U (t0 − t ∧ τ, Xt∧τ ) = U (t0 , x) + − ∂t U (t0 − s, Xs ) + L U (t0 − s, Xs ) ds + Mt∧τ ,
0

soit encore, comme U (t, y) = u(t, y) pour y∈O et comme u est solution de (7.8),

u(t0 − t ∧ τ, Xt∧τ ) = u(t0 , x) + Mt∧τ .

En prenant l'espérance, on trouve

E[u(t0 − t ∧ τ, Xt∧τ )] = u(t0 , x)

puis, avec t = t0 ,
u(t0 , x) = E[u(t0 − t0 ∧ τ, Xt0 ∧τ )] = E[1{t0 <τ } u(0, Xt0 )] + E[1{t0 ≥τ } u(t0 − τ, Xτ )],
soit enn u(t0 , x) = E[1{t0 <τ } f (Xt0 )] + E[1{t0 ≥τ } g(Xτ )]. □
 Chapitre 8

Appendice

Précisons comment construire la fonction utilisée dans la preuve de la remarque 6.1.2.

Lemme 8.1. Soit D un ouvert de Rd et, pour ϵ ∈ (0, 1), Dϵ = {x ∈ Rd : d(x, Dc ) ≥ ϵ}.
Soit F ∈ C 2 (D). Il existe Fϵ ∈ C 2 (Rd ) telle que Fϵ (x) = F (x) pour tout x ∈ Dϵ .
Preuve. Il sut de poser F ϵ = F Φϵ , où Φϵ ∈ C 2 (Rd ) vérie Φϵ (x) = 1 sur Dϵ et Φϵ (x) = 0
c
sur Dϵ/3 . Mais il faut construire Φϵ .
d 2
R
Soit ρ : R → R+ , de classe C , telle que ρ(x) dx = 1 et Supp ρ ⊂ B(0, 1). On pose
Rd
ρϵ (x) = ϵ−d ρ(ϵ−1 x), qui vérie Rd ρϵ (x) dx = 1 et Supp ρϵ ⊂ B(0, ϵ).
R

Considérons Φϵ = ρϵ/3 ⋆ 1D2ϵ/3 , i.e.

Z
Φϵ (x) = ρϵ/3 (x − y)1{y∈D2ϵ/3 } dy,
Rd

qui est de classe C2 sur Rd par les théorèmes classiques de dérivation sous le signe intégral,
2
puisque ρ est C et à support compact.

De plus, si x ∈ Dϵ , on a ρϵ/3 (x − y)1{y∈D2ϵ/3 } = ρϵ/3 (x − y) pour tout y ∈ Rd , car si

c c
ρϵ/3 (x − y) ̸= 0, |x − y| < ϵ/3, donc d(y, D ) ≥ d(x, D ) − d(x, y) > ϵ − ϵ/3 = 2ϵ/3, et
alors
R
donc y ∈ D2ϵ/3 . Ainsi, Φϵ (x) = ρ (x − y) dy = 1.
Rd ϵ/3
/ Dϵ/3 , alors ρϵ/3 (x − y)1{y∈D2ϵ/3 } = 0 pour tout y , et donc Φϵ (x) = 0. En eet,
Enn, si x ∈

si ρϵ/3 (x−y) ̸= 0, alors |x−y| < ϵ/3, et donc d(y, Dc ) ≤ d(x, Dc )+d(x, y) < ϵ/3+ϵ/3 = 2ϵ/3,
et donc y∈
/ D2ϵ/3 . □

Expliquons ensuite les propriétés usuelles des changements de temps inverses, utilisés en

particulier dans la preuve du théorème 6.4.1 de Dubins-Schwarz.

Lemme 8.2. Soit at une fonction continue croissante de R+ dans R+ telle que a0 = 0 et
a∞ = ∞. Pour r ≥ 0, on pose τr = inf{t > 0 : at > r}. Alors τ est croissant et continu à
droite. De plus, pour tout r > 0, τr− = inf{t > 0 : at ≥ r} et aτr− = aτr = r.
Preuve. Il est clair que τr ≤ τs si r ≤ s, car {t > 0 : at > s} ⊂ {t > 0 : at > r}.
Pour r ≥ 0, montrons que τr+ = τr . Sinon, soit t tel que τr < t < τr+ . Comme t > τr , on

a at > r . Et pour tout s > r, on a t < τs , donc at ≤ s, d'où at ≤ r. Contradiction.

97
98 8. APPENDICE

Pour r > 0, montrons que τr− = inf{t > 0 : at ≥ r}. Déjà, τr− ≤ inf{t > 0 : at ≥ r},
car pour tout s < r, τs = inf{t > 0 : at > s} ≤ inf{t > 0 : at ≥ r}. De plus, τr− ≥
inf{t > 0 : at ≥ r}, car sinon, il existe s tel que τr− < s < inf{t > 0 : at ≥ r}. Comme

s < inf{t > 0 : at ≥ r}, on a as < r. Et comme τr− < s, il existe ϵ > 0 tel que pour tout

u < r, τu < s − ϵ, i.e. as−ϵ > u, et donc as ≥ as−ϵ > u. Donc as ≥ r.

Comme a est continue et comme τr− ≤ inf{t > 0 : at ≥ r}, on a clairement aτr− = r :

pour tout t > τr− , on a at ≥ r , donc aτr− ≥ r par continuité ; pour tout t < τr− , on a at < r ,
donc aτr− ≤ r par continuité.

On en déduit par croissance que aτr ≥ aτr− = r, et que pour tout s > r, aτr ≤ aτs− = s,
donc aτ r ≤ r . □

Dans le critère de Novikov (théorème 6.7.4), on peut en fait supposer que θ = 1/2.

Théorème 8.3. (Novikov) Soit L une martingale locale issue de 0. Alors on a les im-
plications (i) ⇒ (ii) ⇒ (iii), où
(i) E[exp( 21 ⟨L⟩∞ )] < ∞ ;
(ii) L est une martingale U.I. (donc L∞ , ⟨L⟩∞ puis E (L)∞ existent) et E[exp( 12 L∞ )] < ∞ ;
(iii) E[E (L)∞ ] = 1.

Preuve. Notons déjà que E[E (L)τ ] ≤ 1 pour tout temps d'arrêt τ : comme E (L) est une

surmartingale, on a E[E (L)τ ∧t ] ≤ E[E (L)0 ] = 1, et on conclut avec Fatou.

(i) ⇒ (ii) Si E[exp( 21 ⟨L⟩∞ )] < ∞, alors E[⟨L⟩∞ ] < ∞ et L est une (vraie) martingale
q
bornée dans L2 . On écrit exp( 12 L∞ ) = E (L)∞ exp( 12 ⟨L⟩∞ ), puis
h 1 i r h ir h 1 i r h 1 i
E exp L∞ ≤ E E (L)∞ E exp ⟨L⟩∞ ≤ E exp ⟨L⟩∞ .
2 2 2
(ii) ⇒ (iii) On suppose donc que L est une martingale U.I. telle que E[exp( 12 L∞ )] < ∞.
1
(a) La famille {e 2 Lτ , τ temps d'arrêt} est U.I. En eet, on a Lτ = E[L∞ | Fτ ] puis, par

Jensen, exp( 12 Lτ ) ≤ E[exp( 12 L∞ )|Fτ ].

(b) Pour a ∈ ]0, 1[ ,
a2 2 L − a2 ⟨L⟩ 2
E (aL)t = eaLt − 2 ⟨L⟩t = ea t 2 t
ea(1−a)Lt = [E (L)t ]a ea(1−a)Lt

et donc, si τ est un temps d'arrêt et si A ∈ F∞ , par Hölder (avec p = 1/a2 et q = 1/(1 − a2 ))

 h a
i1−a2 1
a2 2
(8.10) E [1A E (aL)τ ] ≤ (E [E (L)τ ]) E 1A e 1+a
Lt
≤ (E [E (L)τ ])a (E[1A e 2 Lt ])2a(1−a)

par Hölder encore, car a/(1 + a) < 1/2. Donc E[1A E (aL)τ ] ≤ (E[1A exp( 21 Lτ )])2a(1−a) .
 8. APPENDICE 99

(c) En combinant (a) et (b) et en se rappelant qu'une famille (Xi , i ∈ I) est U.I. si et

seulement si pour tout ϵ > 0, il existe η>0 tel que pour tout A∈F avec P(A) ≤ η , on a

E[|Xi |1A ] ≤ ϵ pour tout i ∈ I, on conclut que la famille {E (aL)τ : τ temps d'arrêt} est U.I.

(d) Mais si M est une martingale locale continue telle que {Mτ : τ temps d'arrêt} soit
uniformément intégrable, alors M est une vraie martingale (réduire M avec Tn et passer

à la limite dans E[MTn ∧t |Fs ] = MTn ∧s ). Donc par (c), E (aL) est une martingale U.I. En

particulier, E[E (aL)∞ ] = E[E (aL)0 ] = 1. Donc par (8.10) avec τ = ∞ et A = Ω, on a

1 1
a2 L
1 = E[E (aL)∞ ] ≤ (E[E (L)∞ ]) (E[e 2 ∞ ])2a(1−a) pour tout a ∈]0, 1[. Par hypothèse, E[e 2 L∞ ]
est nie. En faisant tendre a → 1, on trouve E[E (L)∞ ] ≥ 1, comme désiré. □
Précisons maintenant comment calculer la dérivée de l'inverse d'un changement de

temps pas forcément dérivable. C'est utile dans l'exemple 7.1.6.

Soit 0 < α0 < α1 et a(t) = 0t α(s) ds, où α : R+ → [α0 , α1 ] est mesurable.

R
Lemme 8.4.

Alors a(0) = 0, a est continue, strictement croissante, et a(∞) = ∞. La fonction a admet

donc une fonction réciproque b : R+ → R+ continue et croissante. On a b(t) = 0t α(b(s))
ds
.
R

C'est évident si α est continue, car alors a est C 1 , ainsi que sa fonction réciproque b, pour
laquelle b′ (t) = 1/α(b(t)).

Preuve.
R a(t) ds
L'objectif est de montrer que
0 α(b(s))
= t pour tout t ≥ 0 : ça dira bien que
R· ds
0 α(b(s))
est la réciproque de a.
On considère les mesures µ et ν sur R+ dénies par
Z ∞ Z ∞
µ(A) = 1{b(s)∈A} ds et ν(A) = 1{u∈A} α(u) du.
0 0

Ces deux mesures coïncident, car pour tout r ≥ 0,

Z ∞ Z ∞
µ([0, r]) = 1{b(s)∈[0,r]} ds = 1{s≤a(r)} ds = a(r),
0 0
Z ∞ Z r
ν([0, r]) = 1{u∈[0,r]} α(u) du = α(u) du = a(r).
0 0

ϕ(s) = 1{s≤t} /α(s), on a donc 0 ϕ dµ = 0 ϕ dν . Mais

R∞ R∞
Avec

1{b(s)≤t} 1{s≤t}
Z ∞ Z ∞ Z a(t) Z ∞ Z ∞
ds
ϕ dµ = ds = et ϕ dν = α(s) ds = t.
0 0 α(b(s)) 0 α(b(s)) 0 0 α(s)
R a(t) ds
Ainsi, on a
0 α(b(s))
= t comme convenu. □

Le résultat suivant est utilisé dans la preuve de Markov forte pour les EDS.
100 8. APPENDICE

Lemme 8.5. Soit B un (Ft )t≥0 -mouvement brownien et τ un (Ft )t≥0 -temps d'arrêt ni
p.s. On pose Btτ = Bτ +t − Bτ . Si (Ht )t≥0 ∈ L2loc (B), alors (Hτ +t )t≥0 ∈ L2loc (B τ ) et p.s., pour
tout t ≥ 0, ττ +t Hs dBs = 0t Hτ +s dBsτ .
R R

Preuve. t ≥ 0, τ + t est un (Ft )t≥0 -temps d'arrêt. On peut donc poser Gt =

(1) Pour tout

Fτ +t . On montre facilement que B τ est un (Gt )t≥0 -mouvement brownien : c'est un brownien
τ
par Markov forte, il est (Gt )t≥0 -adapté, et pour t + s ≥ t ≥ 0, Bt+s − Btτ = Bτ +t+s − Bτ +t
est indépendant de Fτ +t = Gt par Markov forte.

1
(2) Montrons le résultat si Ht = X {t∈]a,b]} avec b ≥ a ≥ 0 et X Fa -mesurable et bornée.
R τ +t Rt
(a) Ot :=
τ
Hs dBs = Mτ +t − Mτ par dénition, où Mt = 0 Hs dBs = X[Bt∧b − Bt∧a ].
Donc Ot = X[B(τ +t)∧b − B(τ +t)∧a − Bτ ∧b + Bτ ∧a ].
(Hτ +t )t≥0 ∈ L2loc (B τ ), car il est (Gt )t≥0 -progressif (car càd et adapté) et car pour tout
(b)

t ≥ 0, 0 Hτ +s ds = X 2 0 1{τ +s∈]a,b]} ds < ∞ p.s.

Rt 2 Rt
Rt
(c) Montrons que Nt =
0
Hτ +s dBsτ = X[B(b−τ τ τ
)+ ∧t − B(a−τ )+ ∧t ]. On observe que Hτ +t =
X 1{t∈](a−τ )+ ,(b−τ )+ ]} . De plus, les v.a. (a − τ )+ et (b − τ )+ sont Fτ -mesurable, i.e. G0 -
mesurables, ce sont donc des (Gt )t≥0 -temps d'arrêt. La conclusion s'ensuit, puisque pour

1
Rt
M une martingale locale issue de 0 σ
et un temps d'arrêt, on a
0 {s∈[0,σ]}
dMs = Mσ∧t .
τ τ
(d) Il reste à montrer que B(τ +t)∧b − B(τ +t)∧a − Bτ ∧b + Bτ ∧a = B(b−τ )+ ∧t − B(a−τ )+ ∧t , ce

qui est vrai : distinguer les cas a ≤ b < τ, a ≤ τ ≤ b et τ ≤ a ≤ b.

R∞ 2
(3) Montrons le résultat si (Ht )t≥0 ∈ L2∞ (B)
(i.e. progressif et E[ Hs ds < ∞]). On
R ∞ n0
sait qu'il existe une suite de processus élémentaires tels que E[
0
(Hs − Hs )2 ds]. Par (2),
R t R τ +t
(Hτn+t )t≥0 est (Gt )t≥0 -progressif et Ntn = Otn , où Ntn = 0 Hτn+s dBsτ et Otn = τ Hsn dBs .
2 τ
R∞ 2 R∞
Donc (Hτ +t )t≥0 ∈ L∞ (B ) (car E[
0
Hτ +s ds] ≤ E[ 0 Hs2 ds] < ∞). De plus, Ntn → Nt :=
Rt τ 2
R∞ n 2 n
R τ +t
Hτ +s dB dans L (car E[ (H − H τ +s ) ds] → 0), et O → Ot := Hs dBs dans
0
Rs∞ n 0 τ +s t τ
2 2
1
L , car E[ 0 (Hs − Hs ) {s∈]τ,τ +t]} ds] → 0.
2
Rt 2
(4) Si enn (Ht )t≥0 ∈ Lloc (B), posons σk = inf{t ≥ 0 :
0
Hs ds ≥ k} et Htk =
1
Ht {t∈[0,σk ]} . Alors (Htk )t≥0 ∈ L2∞ (B). Donc par (3), (Hτk+t )t≥0 ∈ L2∞ (B τ ) et Ntk = Otk ,
k
Rt k τ k
R τ +t k
où Nt = H τ +s dB s et Ot = Hs dBs . Mais
0 τ
Z t Z t∧(σk −τ )+
Ntk = 1
Hτ +s {s≤σk −τ } dBsτ = Hτ +s dBsτ ,
0 0
Rt
qui tend p.s. vers Nt := 0
Hτ +s dBsτ . Noter que (σk − τ )+ est un (Gt )t≥0 -temps d'arrêt, car

{(σk − τ )+ ≤ u} = {σk ≤ τ + u} ∈ Fτ +u = Gu . Enn,

Z (τ +t)∧σk Z τ ∧σk Z τ +t Z τ Z τ +t
k
Ot = Hs dBs − Hs dBs → Hs dBs − Hs dBs = Hs dBs .
0 0 0 0 τ

Donc Nt = Ot p.s. □
 8. APPENDICE 101

Le lemme suivant est utile pour montrer, sans passer par l'existence de lois conditionnelles

régulières, la propriété de Markov forte dans le cas lipschitz. On suppose que σ(t, x) = σ(x)
et b(t, x) = b(x) sont lipschitziennes, et que d = m = 1 pour simplier. On note C =
C([0, ∞[, R), l'ensemble des fonctions continues de [0, ∞[ dans R, qu'on munit de la topologie
de la convergence uniforme sur les compacts, et C = C ([0, ∞[, R) sa tribu borélienne. On

note enn CW = C ∨ N , où N est l'ensemble des W-négligeables de C([0, ∞[, R), où W

est la mesure de Wiener.

Lemme 8.6. On peut construire, pour chaque x ∈ R, une application (C W , C )-mesurable

Λx : C 7→ C , de sorte que
(1) pour tout w ∈ C , x 7→ Λx (w) est continue (de R dans C ),
(2) pour tout t ≥ 0 et tout x ∈ R, w 7→ (Λx (w))t est mesurable pour les tribus Gt =
σ((w 7→ w(s)) : s ∈ [0, t]) ∨ N et B(R),
(3) pour tout espace ltré (Ω, F , (Ft )t≥0 , P) vériant les conditions habituelles et tout
(Ft )-mouvement brownien B , pour tout x ∈ R, Λx (B) est solution de Ex (σ, b),
(4) pour tout espace ltré (Ω, F , (Ft )t≥0 , P) vériant les conditions habituelles et tout
(Ft )-mouvement brownien B , pour toute v.a. réelle F0 -mesurable Y , ΛY (B) est solution de
E(σ, b) et (ΛY (B))0 = Y p.s.,
(5) pour toute solution (Ω, F , (Ft )t≥0 , P, B, X) de E(σ, b), on a X = ΛX0 (B).

Preuve. Noter que (5) découle de (4) par unicité trajectorielle.

(a) Sur l'espace canonique (complété) (C, C W , W), on considère le mouvement brownien
β = (βt )t≥0 déni par βt (w) = wt , la ltration canonique Gt = σ(βs , s ≤ t) ∨ N (on rappelle

que G∞ = C W ) et on note, pour chaque x ∈ R, X x = (Xtx )t≥0 l'unique solution (sur cet

espace, avec ce mouvement brownien) de Ex (σ, b).

(b) On montre ensuite que pour tout T > 0, il existe une constante KT telle que pour

tous x, y ∈ R, E[sup[0,T ] |Xtx − Xty |2 ] ≤ KT (x − y) 2

. On part de

Z t Z t
Xtx − Xty =x−y+ [b(Xsx ) − b(Xsy )] ds + [σ(Xsx ) − σ(Xsy )] dβs .
0 0
102 8. APPENDICE

On utilise ensuite Doob, Cauchy-Schwarz, et l'hypothèse de lipschitzianité pour écrire

h i
E sup |Xsx − Xsy |2
[0,t]
h Z t 2 i h Z t 2 i
2 x y
≤3(x − y) + 3E |b(Xs ) − b(Xs )| ds + 3E sup [σ(Xsx ) − σ(Xsy )] dβs
0 [0,t] 0
hZ t i hZ t i
2 x y 2
≤3(x − y) + 3T E |b(Xs ) − b(Xs )| ds + 12E |σ(Xsx ) − σ(Xsy )|2 ds
0 0
Z t
≤3(x − y)2 + (3T + 12)L2 E[|Xsx − Xsy |2 ] ds
0

Comme on sait de plus, par la preuve d'existence du Théorème 7.2.3, que pour tout
h i x ∈ R,
E[sup[0,T ] |Xtx |2 ] x y 2
< ∞, on conclut que la fonction h(t) = E sup[0,t] |Xs − Xs | est bornée
2 t
2
R
sur [0, T ] et satisfait h(t) ≤ 3(x − y) + (3T + 12)L h(s) ds pour tout s ∈ [0, T ]. Par le
0
lemme de Gronwall, on a donc h(T ) ≤ 3(x − y)2 exp((3T + 12)L2 T ).
(c) On construit donc facilement une distance d sur C qui corresponde à la convergence

uniforme sur les compacts et telle que pour tous x, y ∈ R, E[d2 (X x − X y )] ≤ (x − y)2 . Par
x x
le critère de Kolmogorov, il existe une modication continue X̃ de X : pour tout w ∈ C ,

x 7→ X̃ x (w) est continue de R dans C et pour tout x ∈ R, X̃ x est indistinguable de X x, et

est donc encore solution de Ex (σ, b).

Λx (w) = X̃ x (w) pour tout x ∈ R, tout w ∈ CT . Le point (1) (continuité
(d) On pose alors

en x) est vérié. De plus, Λx est (C , C )-mesurable, car, comme on l'a vu dans sous-section
W

1.4, on a le résultat suivant : considérons une famille (Zt , t ≥ 0) de variables aléatoires

réelles dénies sur un espace de probabilité complet (Ω, F , P), telle que pour presque tout ω,
t 7→ Zt (ω) soit continu sur R. Alors Z est une v.a. à valeurs dans C , i.e. ω 7→ Z(ω) est
(F , C )-mesurable.
(e) Le point (2) est facile, car X̃ x est (Gt )-adapté, donc pour t ∈ [0, T ], w 7→ (Λx (w))t est

(Gt , B(R))-mesurable, avec Gt = σ(βs , s ≤ t) ∨ N .

(f ) Pour le point (3), xons (Ω, F , (Ft ), P) et le (Ft )-mouvement brownien B , ainsi que
x ∈ R. Il s'agit de montrer que Λx (B) est solution de Ex (σ, b). Déjà, Λx (B) est bien sûr

continu par nature, et il est adapté (à σ(Bs , s ∈ [0, T ]) ⊂ Ft , complétion sous-entendue) par
(2). On xe maintenant t≥0 et on doit vérier que p.s.,

Z t Z t
(Λx (B))t = x + σ((Λx (B))s ) dBs + b((Λx (B))s ) ds.
0 0
 8. APPENDICE 103

On sait que, pour W-presque w ∈ C, tout

Z t Z t
(Λx (w))t =x + σ((Λx (w))s ) dβs (w) + b((Λx (w))s ) ds
0 0
nk h
 X t i
= lim x + σ((Λx (w))it/nk )(β(i+1)t/nk (w) − βit/nk (w)) + b((Λx (w))it/nk ) ,
k→∞
i=0
nk

pour une certaine suite d'indices nk → ∞, par la Proposition 5.4.5 (la convergence y est

énoncée en probabilité, mais on a pris soin d'extraire une sous-suite).

Comme les lois de w 7→ (Λx (w), β(w)) sur (C, C , W) et de ω 7→ (Λx (B(ω)), B(ω)) sur

(Ω, F , P) coïncident, on conclut que P-p.s.,

nk h
 X t i
(Λx (B))t = lim x + σ((Λx (B))it/nk )(B(i+1)t/nk − Bit/nk ) + b((Λx (B))it/nk )
k→∞
i=0
nk
Z t Z t
(8.11) =x + σ((Λx (B))s ) dBs + b((Λx (B))s ) ds,
0 0

par la Proposition 5.4.5 à nouveau.

(g) Considérons les mêmes objets que dans (f ) avec, en plus, une variable aléatoire réelle

F0 -mesurable Y , et donc indépendante du mouvement brownien B . Alors, comme (x, w) 7→

Λx (w) est (B(R) ⊗ C W , C )-mesurable (utiliser la continuité en x), ΛY (B) est bien une v.a.

à valeurs dans C, donc continue, et elle est adaptée, pour les mêmes raisons qu'au point (f )

et car Y est F0 -mesurable.

Reste à voir que, à t≥0 xé, p.s.,
Z t Z t
(ΛY (B))t = Y + σ((ΛY (B))s ) dBs + b((ΛY (B))s ) ds.
0 0

On applique (8.11) avec x = Y , mais ce n'est pas si simple, en particulier, il faut vérier
Rt Rt
que si ∆(x) = σ((Λx (B))s ) dBs , alors on a bien ∆(Y ) = 0 σ((ΛY (B))s ) dBs p.s. Par
0
la Proposition 5.4.5, ∆(x) = Γ(x, B) (et ∆(Y ) = Γ(Y, B)), où Γ(x, w) est la limite en

probabilité (sous W)
n
X
Γn (x, w) = σ((Λx (w))it/n )(w(i+1)t/n − wit/n ).
i=0

Il n'y a plus qu'à vérier que limn Γn (Y, B) = Γ(Y, B), ce qui découle de l'exercice suivant :

considérons deux espaces mesurables (E1 , E1 ) et (E2 , E2 ) et une famille d' applications me-
surables Hn : E1 × E2 7→ R. Soit X1 et X2 deux v.a. indépendantes, l'une à valeurs dans E1
et l'autre à valeurs dans E2 . Si pour tout x1 ∈ E1 , Hn (x1 , X2 ) converge en probabilité vers
H∞ (x1 , X2 ), alors Hn (X1 , X2 ) converge en probabilité vers H∞ (X1 , X2 ). □
104 8. APPENDICE

Voici enn un résultat d'existence faible pour des EDS à coecients continus bornés,

indépendants du temps pour simplier (mais ça ne change presque rien). C'est une bonne

illustration de l'utilité des problèmes de martingales.

Théorème 8.7. Supposons que σ(t, x) = σ(x) : Rd → Rd×m et b(t, x) = b(x) : Rd → Rd

sont continus et bornés. Pour tout x0 ∈ Rd , il y a existence faible pour Ex0 (σ, b).
Preuve. On suppose d=m=1 pour simplier l'écriture et on montre l'existence sur [0, T ].
(1) Pour n ≥ 1, on pose σn = σ ⋆ g1/n et bn = b ⋆ g1/n , où g1/n est la densité de N (0, 1/n).
Autrement dit, avec G ∼ N (0, 1),
r Z r Z
n −n|y|2 /2 n 2
σn (x) = E[σ(x + G/n)] = σ(x + y)e dy = σ(z)e−n|x−z| /2 dz.
2π R 2π R
On montre facilement que σn (et bn ) est C 1 à dérivée bornée (non uniformément en n) et donc
lipschitzienne (en utilisant la dernière expression), que σn (et bn ) sont bornés uniformément

en n (en utilisant la première expression), et que pour tout M > 0,

(8.12) lim sup [|σn (x) − σ(x)| + |bn (x) − b(x)|] = 0
n x∈[−M,M ]

(en utilisant la première expression et que σ et b sont continus, donc uniformément continus

sur les compacts).

(2) Comme σn et bn sont lipschitziennes, il existe une solution (Xtn )t≥0 à Ex0 (σn , bn ).
(3) Comme σn etbn sont bornés uniformément en n, pour tout p ≥ 2, il existe Cp,T < ∞
tel que pour tout 0 ≤ s ≤ t ≤ T , pour tout n ≥ 1, E[|Xtn − Xsn |p ] ≤ Cp,T (t − s)p/2 =
Cp,T (t − s)1+(p/2−1) : il sut d'écrire
Z t Z t
Xtn − Xsn = σn (Xun ) dBu + bn (Xun ) du,
s s
puis d'utiliser BDG et Hölder.

(4) Par le critère de Kolmogorov (et sa preuve), en utilisant (3) avec p = 3, et avec
1 p/2−1
α= 10
< p
, on voit que à modication près,

h  |X n − X n | 3 i
′ t s
Cp,T := sup E sup 1/10
< ∞.
n≥1 0≤s<t≤T (t − s)
(5) Pour A > 0, soit
n |wt − ws | o
KA = w ∈ C([0, T ], R) : w0 = x0 , sup ≤ A .
0≤s<t≤T (t − s)1/10
Par (4) et comme X0n = x0 p.s., on conclut par l'inégalité de Markov que
 |Xtn − Xsn |  C′
p,T
sup P[(Xtn )t∈[0,T ] / KA ] ≤ sup P
∈ sup 1/10
≥A ≤ 3 →0
n≥1 n≥1 0≤s<t≤T (t − s) A
 8. APPENDICE 105

quand A → ∞.
(6) Comme KA est compact dans C([0, T ], R) par Ascoli, on déduit de (5) que la famille

((Xtn )t∈[0,T ] , n ≥ 1) est tendue. Donc si on appelle Pnx0 la loi de (Xtn )t∈[0,T ] , il existe une

sous-suite nk → ∞ et P x0 une probabilité sur C([0, T ], R) telles que Pnx0k → Px0 , au sens où

pour toute fonction Φ : C([0, T ], R) → R continue bornée,

Z Z
nk
lim Φ(w)Px0 ( dw) = Φ(w)Px0 ( dw).
k C([0,T ],R) C([0,T ],R)

En notant X le processus canonique de C([0, T ], R), ça se réécrit

lim E[Φ(X nk )] = EPx0 [Φ(X)].

k

(7) On va montrer que P x0 est solution du problème de martingales associé à Ex0 (σ, b),
ce qui conclura par le théorème 7.4.3.

On a Px0 (X0 = x0 ) = 1, car pour tout n ≥ 1, P(X0n = x0 ) = 1. Plus précisément,

on considère gϵ (x) = (1 − x/ϵ)+ , qui est continue bornée de R+ dans R+ , et on introduit

Φϵ (w) = gϵ (|w0 − x0 |), qui est continue bornée de C([0, T ], R) dans R. On a EPx0 [Φϵ (X)] =
limk E[Φϵ (X )] = nk
limk E[gϵ (|X0nk −x0 |)] = limk gϵ (0) = 1, i.e. EPx0 [gϵ (|X0 −x0 |)] = 1. Comme
gϵ (|x − x0 |) → 1{x=x0 } quand ϵ → 0, on conclut que Px0 (X0 = x0 ) = 1.
2 f
Soit ensuite f : R → R de classe Cc , on veut montrer que sous Px0 , Mt = f (Xt ) −
Rt
f (x0 ) − 0 L f (Xu ) du est une martingale, où
1
L f (x) = b(x)f ′ (x) + σ 2 (x)f ′′ (x).
2
Il sut que pour tout 0 ≤ t1 ≤ · · · ≤ tℓ ≤ s < t, pour tout φ1 , . . . , φℓ continues bornées de

R dans R, on ait
h Z t i
EPx0 [Φ(X)] = 0, où Φ(w) = f (wt ) − f (ws ) − L f (wu ) du φ1 (wt1 ) × · · · × φℓ (wtℓ ).
s
Rt
On en déduira, par classes monotones, que EPx0 [f (Xt ) − f (Xs ) − s
L f (Xu ) du|FsX ] = 0,
i.e que EPx0 [Mtf − Msf |FsX ] = 0.
Mais comme Xn est solution de Ex0 (σn , bn ), on sait que
h Z t i
n
E[Φn (X )] = 0, où Φn (w) = f (wt ) − f (ws ) − Ln f (wu ) du φ1 (wt1 ) × · · · × φℓ (wtℓ ),
s
avec
1
Ln f (x) = bn (x)f ′ (x) + σn2 (x)f ′′ (x).
2
Mais pour tout w ∈ C([0, T ], R)

|Φn (w) − Φ(w)| ≤ C sup (|σn2 (x) − σ 2 (x)| + |bn (x) − b(x)|) =: ϵn ,
x∈Suppf
106 8. APPENDICE

Qℓ
où C = (t − s) i=1 ||φi ||∞ et on sait que limn ϵn = 0 par (1).

Comme Φ est continue bornée de C([0, T ], R) dans R, on sait par (6) que

EPx0 [Φ(X)] = lim E[Φ(X nk )] = lim E[Φ(X nk ) − Φnk (X nk )]

k k
nk
car E[Φnk (X )] = 0. Enn, |E[Φ(X ) − Φnk (X )]| ≤ E[|Φ(X nk ) − Φnk (X nk )|] ≤ ϵnk → 0.
nk nk

Donc EPx0 [Φ(X)] = 0 comme voulu. □

 Chapitre 9

Références bibliographiques

M. Briane et G. Pagès : Théorie de l'intégration, 5e édition, Vuibert 2012.

Chung, K.L. et Williams, R.J. : Introduction to Stochastic Integration ; 2e édition.
Birkhäuser, 1990.

Comets, F. et Meyre, T. : Calcul Stochastique et Modèles de Diusions, Cours et

Exercices. Dunod, 2006.
Dellacherie, C. et Meyer, P.-A. : Probabilités et Potentiel, Vol. II, Théorie des Mar-
tingales. Hermann, 1980.
Durrett, R. : Brownian Motion and Martingales in Analysis. Wadsworth, 1984.
Ikeda, N. et Watanabe, S. : Stochastic Dierential Equations and Diusion Processes ;
2e édition. North Holland, 1988.
Le Gall, J.-F. : Mouvement Brownien, Martingales et Calcul Stochastique. Springer,
2013.

Karatzas, I. et Shreve, S. : Brownian Motion and Stochastic Calculus ; 2e édition

corrigée. Springer, 1994.
Mörters, P. et Peres, Y. : Brownian Motion. Cambridge University Press, 2010.
Revuz, D. et Yor, M. : Continuous Martingales and Brownian Motion, 3e édition.
Springer, 1999.

Rogers, L.C.G. et Williams, D. : Diusions, Markov Processes and Martingales, Vol.

II, Itô Calculus. Wiley, 1987.
D.W. Stroock, S.R.S. Varadhan, Multidimensional diusion processes. Springer Ver-
lag, second ed, 1997.

107