Cours de 3ème année

Processus et calcul stochastique

Sarah Lemler

École CentraleSupélec
2
Table des matières

1 Quelques rappels sur les processus 7

1.1 Notion de processus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Processus gaussiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1 Variables aléatoires gaussiennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.2 Vecteur gaussien : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.3 Processus gaussien : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Espérances conditionnelles de variables aléatoires réelles . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Filtration, temps d’arrêt et martingales indexés par N . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.1 Filtration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.2 Temps d’arrêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.3 Martingales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2 Le mouvement brownien 15
2.1 Définition, propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Propriétés asymptotiques du mouvement brownien standard . . . . . . . . . . . . . . . . . . . . . . 17
2.3 Mouvement brownien par rapport à une filtration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.1 Quelques définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.2 Ft − P−mouvement brownien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

3 Intégrales de processus gaussiens à trajectoires continues 23

3.1 Quelques résultats préliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2 Intégrales de processus gaussiens à trajectoires continues . . . . . . . . . . . . . . . . . . . . . . . . 24

4 Intégrale de Wiener 27
4.1 Quelques définitions et résultats préliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2 Intégrales des fonctions en escalier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.3 Approximation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.4 Première formule d’intégration par parties (Itô) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.5 Propriétés des intégrales de Wiener . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.6 Le processus d’Ornstein-Uhlenbeck . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

5 Intégrale stochastique d’Itô 37

5.1 Cas des processus étagés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.2 Temps d’arrêt. Martingales locales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.2.1 Temps d’arrêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.2.2 Théorème d’arrêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.2.3 Martingale locale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.3 Extension/généralisation de l’intégrale stochastique . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.4 Processus d’Itô . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.5 Cas multidimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

3
4 TABLE DES MATIÈRES

6 Equations différentielles stochastiques 59

6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.2 Résultats préliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.2.1 Processus à valeurs matricielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.2.2 Processus d’Itô vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.3 Existence et unicité de la solution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.3.1 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.3.2 Existence et unicité trajectorielles dans le cas lipschitzien . . . . . . . . . . . . . . . . . . . . 63
Introduction

Le calcul stochastique est l’étude de phénomènes aléatoires dépendant du temps. L’objectif de ce cours est
de donner des outils pour étudier des équations différentielles stochastiques (EDS), faisant intervenir à la fois
le facteur temps et le facteur aléatoire et qui sont très utilisés dans différents domaines d’application tels que
en biologie, en mathématiques financières, en mécanique quantique, en traitement du signal, en chimie, en
météorologie et même en musique.

5
6 TABLE DES MATIÈRES
Chapitre 1

Quelques rappels sur les processus

Dans ce cours, T désignera un ensemble d’indices, représentant le temps. Classiquement, nous prendrons
T = N, R+ , [a, b ]. On s’intéressera le plus souvent aux deux dernières situations, en s’appuyant sur des résultats
ou notions analogues à ceux abordés dans le cas T = N. On notera alors X = ( X t )t ∈T le processus aléatoire
indexé par les t dans T . Dans la suite, on se place sur l’espace de probabilités (Ω, F , P).

1.1 Notion de processus

Définition 1.1. On appelle processus d’espace d’états (E , E), toute famille de variables aléatoires ( X t )t ∈T définies
sur un même espace de probabilités (Ω, F , P) et à valeurs dans (E , E).

Définition 1.2. Soit (E , d ) un espace métrique et E sa tribu borélienne. Soit ( X t )t ≥0 un processus défini sur
(Ω, F , P) et à valeur dans E . On dit que ( X t )t ≥0 est continu (ou à trajectoires continues) si pour tout ω ∈ Ω, t ↦
X t (ω) est continue.

Rappel :
1. La tribu borélienne sur un espace topologique E est la plus petite tribu sur E contenant tous les en-
sembles ouverts.
2. On appelle tribu F sur E , un ensemble F de parties de E telles que :
(a) ∅ ∈ F
(b) si A ∈ F , A c ∈ F
(c) si ∀n ∈ N, A n ∈ F , alors ⋃n ∈N A n ∈ F

1.2 Processus gaussiens

1.2.1 Variables aléatoires gaussiennes
Une variable aléatoire X ∶ Ω → R est gaussienne si et seulement si sa loi a pour densité

1 (x − µ)2
f µ,σ2 (x ) = √ exp ( − ) ∀x ∈ R,
2πσ 2σ2

avec E( X ) = µ et Var( X ) = E[( X − µ)2 ] = σ2 .

Remarque 1.3. Une variable nulle P-p.s. est vue comme une variable aléatoire suivant une loi gaussienne centrée
de variance nulle.

7
8 CHAPITRE 1. QUELQUES RAPPELS SUR LES PROCESSUS

Proposition 1.4.
X −µ
1. X ∼ N (µ, σ2 ) ⇔ Y = σ
∼ N (0, 1).
2. Si X ∼ N (µ, σ2 ), sa fonction caractéristique (=transformée de Fourier de sa loi) est :
2 2
∀t ∈ R, Φ X (t ) = E[ei t X ] = exp {i t µ − σ 2t }. La fonction caractéristique caractérise la loi d’une variable
aléatoire.
3. Si X ∼ N (µ, σ2 ), la transformée de Laplace de sa loi est :
2 2
∀λ ∈ R, Ψ X (λ) = E[eλX ] = exp {λµ + σ 2λ }.

Preuve : en TD

1.2.2 Vecteur gaussien :

Définition 1.5. Soient X 1 , . . . , X n des variables aléatoires de (Ω, F , P) dans (R, B(R)). On dit que X = ( X 1 , . . . , X n )
est un vecteur gaussien si toute combinaison linéaire de ses composantes suit une loi gaussienne, i.e. si pour tout
(α1 , . . . , αn ) ∈ Rn , α1 X 1 + ⋅⋅⋅ + αn X n suit une loi gaussienne.

Un vecteur gaussien X = ( X 1 , . . . , X n ) est entièrement déterminé par sa moyenne µ = E( X ) = (E( X 1 ), . . . , E( X n ))

et sa matrice de covariance Σ = Cov( X ) = (Cov( X i , X j ))1≤i , j ≤n .

Remarque 1.6. Si X est un vecteur gaussien, alors pour tout i ∈ {1 . . . n }, X i est une variable aléatoire gaussienne.
La réciproque est fausse : il existe des variables aléatoires gaussiennes X 1 , . . . X n telles que X = ( X 1 , . . . , X n ) ne soit
pas un vecteur gaussien.

si ∣ X ∣ ≤ a X
Contre-exemple 1.7. Soient X ∼ N (0, 1) et a > 0, alors si on pose Y = { Y ∼ N (0, 1) (calculer
si ∣ X ∣ > a, −X
sa fonction caractéristique), mais X + Y = 2X 1∣ X ∣≤a n’est pas une variables aléatoire gaussienne, donc ( X , Y )
n’est pas gaussien.

Théorème 1.8. Soit X = ( X 1 , . . . , X n ) un vecteur aléatoire de moyenne µ et de matrice de covariance Σ. Le vecteur

est gaussien si et seulement si sa fonction caractéristique vaut :
∀t = (t 1 , . . . , t n ) ∈ Rn , Φ X (t ) = E[ei ⟨t ,X ⟩ ] = exp {i ⟨t , µ⟩ − 21 ⟨t , Σt ⟩}, avec ⟨t , m ⟩ = t T m.

Vecteurs gaussiens et indépendance :

Proposition 1.9. Soit X = ( X 1 , . . . , X n ) un vecteur gaussien. Les variables X 1 , . . . , X n sont indépendantes si et

seulement si la matrice de covariance est diagonale (⇔ orthogonalité) : Cov( X ) = diag(σ21 , . . . , σ2n ).

Preuve : ⇒ Il est évident que si les variables aléatoires X 1 , . . . , X n sont indépendantes, la matrice de covariance
(Cov( X j , X k )) j ,k =1,...,n est diagonale.
⇐ Supposons que la matrice de covariance est diagonale. Soit (e 1 , . . . , e n ) une BON dans Rn . La décomposition
de X dans cette base est X = ∑nj=1 X j e j . On a alors pour u 1 , . . . , u n ∈ R,

n n n
Var ( ∑ u j X j ) = ∑ u j u k Cov( X j , X k ) = ∑ u 2j Var( X j ).
j =1 j ,k =1 j =1
1.2. PROCESSUS GAUSSIENS 9

On en déduit que pour u = (u 1 , . . . , u n ),

n n n
1
Φ( X 1 ,...,X n ) (u ) = E[ei ⟨u,X ⟩ ] = E[ exp (i ∑ u j X j )] = exp (i ∑ u j E[ X j ] − Var ( ∑ u j X j ))
j =1 j =1 2 j =1
n n
1
= exp (i ∑ u j E[ X j ] − ∑ u j Var( X j ))
2

j =1 2 j =1
n u 2j
= ∏ exp (i u j E[ X j ] − Var( X j ))
j =1 2
n n
= ∏ E[exp(i u j X j )] = ∏ Φ X j (u j ).
j =1 j =1

On obtient donc l’indépendance (la fonction caractéristique de la combinaison linéaire des X i est le produit
des fonctions caractéristiques des X i ).

BL’hypothèse X vecteur gaussien est essentielle.

BLes vecteurs gaussiens ne sont pas toujours à densité, mais si Σ = Cov( X ) est inversible, la loi de X admet
la densité par rapport à la mesure de Lebesgue sur Rn suivante :

1 1
f µ,Σ (x ) = √ exp { − ⟨x − µ, Σ−1 (x − µ)⟩}
(2π)n /2 det Σ 2

1.2.3 Processus gaussien :

Définition 1.10. Un processus ( X t )t ∈T est gaussien si pour tout (t 1 , . . . , t n ) ∈ T n , ( X t1 , . . . , X tn ) est une vecteur
gaussien. On définit alors sa (fonction) moyenne µ par µ(t ) ∶= E( X t ) et sa (fonction de) covariance Σ par Σ(s, t ) ∶=
E[( X s − µ(s ))( X t − µ(t ))] = E( X s X t ) − µ(s )µ(t ).

Remarque 1.11. La loi d’un processus étant caractérisée par ses lois fini-dimensionnelles, on en déduit que la loi
d’un processus gaussien est caractérisée par sa fonction moyenne et sa fonction de covariance.

Proposition 1.12. Soient s, t ∈ T et Σ(s, t ) la fonction de covariance d’un processus gaussien X = ( X t )t ≥0 . Alors :
1. Σ(s, t ) est symétrique : Σ(s, t ) = Σ(t , s )
2. Σ(s, t ) est semi-définie positive : ∀α1 , . . . , αn ∈ R et ∀(t 1 , . . . , t n ) ∈ T n , ∑ni, j =1 αi Σ(t i , t j )α j ≥ 0

Preuve :
1. La symétrie est claire.
2
2. ∑ni, j =1 αi Σ(t i , t j )α j = ∑ni, j =1 αi α j E[( X ti − µ(t i ))( X t j − µ(t j ))] = E[( ∑ni=1 αi ( X ti − µ(i ))) ] ≥ 0.

Proposition 1.13. Soient µ ∶ T → R une fonction (quelconque) et Σ ∶ T × T → R une fonction symétrique, semi-
définie positive. Il existe un processus gaussien (unique en loi) de moyenne µ et de fonction de covariance Σ.

Preuve : [cf. polycopié Probabilités avancées, Erick Herbin] Appliquer le théorème de Kolmogorov.
La preuve de ce résultat repose sur le résultat analogue pour les vecteurs gaussiens. On montre le résultat
dans le cas où µ = 0. On montre ainsi l’existence d’un processus gaussien centré { X̃ t ; t ∈ T } de fonction de
covariance Σ. Le processus final est défini par X t = X̃ t + µ(t ) pour tout t ∈ T . Sans perte de généralité, on
10 CHAPITRE 1. QUELQUES RAPPELS SUR LES PROCESSUS

suppose dans la suite µ = 0. Pour tout sous-ensemble fini I = {t 1 , . . . , t n } de T , on considère la matrice ΣI de

taille n × n définie par
∀i , j ∈ {1, . . . , n }, ΣI (i , j ) = Σ(t i , t j ).
La matrice ΣI est symétrique et définie positive, donc on peut construire un vecteur gaussien Z I de taille
n suivant la loi N (0, ΣI ). En effet, soit (ε1 , . . . , εn ) une base orthonormée dans laquelle ΣI est diagonale :
Σ(εi , ε j ) = λi δi j , 1 ≤ i , j ≤ n. On définit alors Y t1 , . . . , Y tn des variables aléatoires gaussiennes centrées, indé-
pendantes et telles que Var(Y t j ) = λ j , 1 ≤ j ≤ n. On pose alors Z I = ∑nj=1 Y t j ε j qui est un vecteur gaussien
centré tel que ΣI (i , j ) = Σ(εi , ε j ) = λi δi j .
On considère alors la mesure de probabilité µI sur (Rn , B(Rn ))

∀ A ∈ B(Rn ), µI ( A ) = P Z I ( A ) = P ( Z I ∈ A ).

µI est la loi de Z I . Supposons maintenant n > 1 et posons I 1 = {t 1 , t 2 , . . . , t n −1 }. On a I 1 ⊂ I et Z I 1 a la même loi

que les n − 1 premières coordonnées de Z I . Il s’ensuit que

∀ A 1 , . . . , A n −1 ∈ B(R), µI 1 ( A1 × ⋅⋅⋅ × A n −1 ) = µI ( A 1 × ⋅⋅⋅ × A n −1 × R).

La famille de mesures de probabilité (µI ; I ⊂ T fini) vérifie donc les conditions de compatibilité du théorème
d’extension de Kolmogorov. Il existe donc un processus { X t ; t ∈ T } dont les distributions fini-dimensionnelles
sont les (µI ; I ∈ T fini). X est un processus gaussien de moyenne nulle et de fonction de covariance Σ.

Rappel : Théorème d’extension de Kolmogorov

Supposons que E = RN muni de la tribu borélienne E = B(RN ).
Toute famille (µI )I ⊂T de probabilités sur (E I , E ⊗I ) indicée par les parties finies de T vérifiant la relation
de compatibilité suivante : si I est une partie finie de T et si t ∈ T / I , alors

∀ A ∈ E ⊗I ; µI ∪{t } ( A × E ) = µI ( A ),

est la famille des distributions fini-dimensionnelles d’une (unique) probabilité sur (E T , G).

Théorème 1.14. Soit X = ( X t )t ≥0 un processus gaussien. Il y a équivalence entre

i) le processus est stationnaire au sens strict ⇔ ∀t 1 , . . . , t n ∈ R+ , s ∈ R+ , X t1 , . . . , X tn a même loi que X t1 +s , . . . , X tn +s
ii) le processus est stationnaire à l’ordre 2 (ou au sens large) ⇔ µ(t ) ≡ µ, ∀t ≥ 0 et Σ(s, t ) = γ(t − s ), ∀0 ≤ s ≤ t ,
où γ est une fonction quelconque.

Preuve : i) ⇒ ii) toujours vrai.

ii) ⇒ i) les processus gaussiens sont déterminés par µ et Σ.

Définition 1.15. Soit X = ( X t )t ≥0 un processus réel quelconque. On dit qu’il est à accroissements indépendants
(PAI) si pour tout s, t tels que 0 ≤ s ≤ t , X t − X s est indépendant de σ( X u , 0 ≤ u ≤ s ).

Proposition 1.16. Soit X = ( X t )t ≥0 un PAI gaussien de moyenne µ(t ) et de covariance Σ(s, t ). Alors :
1. Σ(s, t ) = Σ(t ∧ s, t ∧ s ), ∀s, t ∈ R+ ,
2. Σ(t , t ) − Σ(s, s ) ≥ 0, ∀s ≤ t .

Preuve : Pour simplifier, on centre le processus (sans perte de généralité) : X t ↝ X t − µ(t ), ∀t ≥ 0. Soit t ≥ s ≥ 0,
1. Σ(s, t ) = E[ X s X t ] = E[ X s ( X t − X s + X s )] = E[ X s ( X t − X s )] + E[ X s2 ] = E( X s )E( X t − X s ) + Σ(s, s ) =
P AI X centré
Σ(s, s ), donc Σ(s, t ) = Σ(t ∧ s, t ∧ s ).
2. Σ(t , t ) − Σ(s, s ) = E[( X t − X s )2 ] ≥ 0.
1.3. ESPÉRANCES CONDITIONNELLES DE VARIABLES ALÉATOIRES RÉELLES 11

1.3 Espérances conditionnelles de variables aléatoires réelles

La plupart des preuves se trouvent dans le polycopié de 2ème année de probabilités avancées.

Définition 1.17. Dans l’espace de probabilité (Ω, F , P), soit X une variable aléatoire réelle dans L1 (Ω, F , P) et
soit G une sous-tribu de F . On appelle espérance conditionnelle de X sachant G , la variable aléatoire réelle Y
vérifiant les deux conditions suivantes :
(i) Y est dans L1 (Ω, G , P), i.e. Y est G−mesurable ;
(ii) Pour tout A ∈ G ,

∫ X dP = ∫ Y dP,
A A
⇔ E[ X 1 A ] = E[Y 1 A ],
⇔ E[ X Z ] = E[Y Z ], ∀ Z G − mesurable bornée.

L’espérance conditionnelle est unique presque sûrement et notée E[ X ∣G].

Définition 1.18. Soit X une variable aléatoire réelle dans L2 (Ω, F , P) et soit G une sous-tribu de F . L’espérance
conditionnelle de X sachant G est définie comme la variable aléatoire Y ∈ L2 (Ω, G , P) telle que

∀ Z ∈ L2 (Ω, G , P) E[ X Z ] = E[Y Z ].

L’espérance conditionnelle est unique (modulo égalité dans L2 (Ω, F , P)) et notée E[ X ∣G].

Remarque 1.19. Dans le cas particulier où X ∈ L2 (Ω, F , P), l’espérance conditionnelle E[ X ∣G] est la projection
orthogonale de X sur le sous-espace L2 (Ω, G , P).

Propriété 1.20. Soit X une variable aléatoire réelle dans L1 (Ω, F , P) (resp. L2 (Ω, F , P)) et soit G un sous-tribu
de F . Alors
1. L’application X ↦ E[ X ∣G] est linéaire dans L1 (Ω, F , P) (resp. L2 (Ω, F , P)).
2. Si X ≥ 0 p.s., alors E[ X ∣G] ≥ 0 p.s.
3. E[E( X ∣G)] = E( X ).
4. X G−mesurable ⇔ E[ X ∣G] = X p.s.
5. Si X est indépendante de G , alors E[ X ∣G] = E( X ).

Proposition 1.21 (Emboîtement de tribus). Soient G et H deux sous-tribus de F telles que G ⊂ H. Alors, pour
toute variable aléatoire X dans L 1 (Ω, F , P), on a

E(E[ X ∣H]∣G) = E[ X ∣G] p.s.

Remarque 1.22. Soit X une variable aléatoire réelle sur (Ω, F , P) et soit G la sous-tribu de F engendrée par
une variable aléatoire Y ∶ (Ω, F) → (E , E). Alors on note E[ X ∣Y ] à la place de E[ X ∣G] et il existe une application
borélienne h ∶ E → R telle que
E [ X ∣Y ] = h (Y ).

Preuve : Soit A ∈ G = σ(Y ). Par définition de la tribu engendrée, il existe B ∈ E tel que A = Y −1 (B ) = {ω ∈
Ω, Y (ω) ∈ B } et on en déduit que 1 A = 1B (Y ). Par linéarité, toute fonction étagée G−mesurable s’écrit comme
fonction étagée E−mesurable de Y . Par densité, si Z est une variable aléatoire réelle dans L 1 (Ω, G , P), Z s’écrit
Z = h (Y ) où h ∶ E → R application borélienne. En prenant Z = E[ X ∣Y ], on obtient le résultat.
12 CHAPITRE 1. QUELQUES RAPPELS SUR LES PROCESSUS

Théorème 1.23. Soit (Y1 , . . . , Yn , X ) un vecteur gaussien centré. Alors E( X ∣Y1 , . . . , Yn ) coïncide avec la projection
orthogonale de X sur l’espace vectoriel engendré par (Y1 , . . . , Yn ). Il existe λ1 , . . . , λn réels tels que E( X ∣Y1 , . . . , Yn ) =
∑ j =1 λ j Y j . De plus, pour toute fonction h ∶ R → R borélienne et y 1 , . . . , y n R
n

E [h ( X )∣(Y1 , . . . , Yn ) = ( y 1 , . . . , y n )] = ∫ h (x ) f (∑n λ j y j ,σ2 ) (x )dx,

R j =1

1 (x − µ)2
où σ2 = E[( X − ∑nj=1 λ j y j )2 ] et f (µ,σ2 ) (x ) = √ exp ( − ).
2πσ 2σ2
La loi conditionnelle de X sachant (Y1 , . . . , Yn ) = ( y 1 , . . . , y n ) est une loi gaussienne de moyenne
n
E[ X ∣(Y1 , . . . , Yn ) = ( y 1 , . . . , y n )] = ∑ λ j y j
j =1

et de variance
n
σ2 = E[( X − ∑ λ j y j )2 ].
j =1

Preuve : ● Prenons n = 1. Cherchons λ ∈ R, tel que Z = X − λY soit indépendant de Y . ( Z , Y ) est obtenu à partir
du couple gaussien centré ( X , Y ), il est donc gaussien centré, donc on a l’équivalence suivante :

Z ∐ Y ⇔ Cov( Z , Y ) = 0 ⇔ E[ Z Y ] = 0.

Or
E[ X Y ] Cov( X , Y )
E[ Z Y ] = E[ X Y ] − λE[Y 2 ] = 0 ⇒ λ = = ∈ R.
E[Y 2 ] Var(Y )
On a alors

E[ X ∣Y ] = E[ Z ∣Y ] + E[λY ∣Y ]
= E[ Z ] + λY car Z ∐ Y
= λY car E[ Z ] = 0.

● Montrons que E[ X ∣Y1 , . . . , Yn ] coïncide avec la projection orthogonale de X sur l’espace vectoriel engendré
par {Y1 , . . . , Yn }. Notons F = Vect{Y1 , . . . , Yn } et p F ( X ) la projection orthogonale de X sur F (pour le produit
scalaire associé à l’espérance). Alors E[( X − p F ( X )) Z ] = 0 pour tout Z ∈ F . ( X − p F ( X ), Y1 , . . . , Yn ) est gaussien
centré. On a

E[( X − p F ( X )) Z ] = 0 ⇒ Cov( X − p F ( X ), Z ) = 0 ∀ Z ∈ F
⇒ X − p F ( X ) ∐(Y1 , . . . , Yn ),

en prenant Z = Yi pour i ∈ {1, . . . , n }. Donc en posant Z = X − p F ( X ),

X = Z + p F ( X ) ⇒ E[ X ∣Y1 , . . . , Yn ] = E[ Z ] +p F ( X )
® ´¹¹ ¹ ¹ ¸ ¹ ¹ ¹ ¶ ±
∐F ∈F =0
⇒ E[ X ∣Y1 , . . . , Yn ] = p F ( X ).

● En pratique, E[ X ∣Y1 , . . . , Yn ] = ∑nj=1 λ j Y j où les λ j pour j = 1, . . . , n sont déterminés à partir de la condition

d’orthogonalité
n
∀ j E[( X − E[ X ∣Y1 , . . . , Yn ])Y j ] = 0 ⇔ E[( X − ∑ λ j Y j )Y j ] = 0.
j =1
1.4. FILTRATION, TEMPS D’ARRÊT ET MARTINGALES INDEXÉS PAR N 13

● Posons Z = X − ∑nj=1 λ j Y j , alors Z ∼ N (0, σ2 ) avec σ2 = Var( X − ∑nj=1 λ j Y j ). On a alors

n n
E[h ( X )∣(Y1 , . . . , Yn ) = ( y 1 , . . . , y n )] = ∫ h (z + ∑ λ j y j )µ Z ∣Y1 ,...,Yn (dz ) = ∫ h (z + ∑ λ j y j )µZ (dz )
R j =1 Z ∐(Y1 ,...,Yn ) R j =1
n 2
1 z
= ∫ h (z + ∑ λ j y j ) √ exp ( − )dz
R j =1 2πσ 2σ2

1 (u − ∑nj=1 λ j y j )2
=n ∫ h (u ) √ exp ( − )du.
u =z +∑ j =1 λ j y j R 2πσ 2σ2

On en déduit que X ∣(Y1 , . . . , Yn ) = ( y 1 , . . . , y n ) ∼ N (∑nj=1 λ j y j , σ2 ) avec σ2 = E[( X − ∑nj=1 λ j Y j )2 ].

1.4 Filtration, temps d’arrêt et martingales indexés par N

Dans ce paragraphe, nous considérons le cas où T = N.

1.4.1 Filtration
Définition 1.24. On appelle filtration de l’espace de probabilité (Ω, F , P) une suite croissante (Fn )n ∈N de sous-
tribus de F . On dit que (Ω, F , (Fn )n ∈N , P) est un espace de probabilité filtré.

Définition 1.25. Un processus { X n , n ∈ N} est dit adapté à la filtration (Fn )n ∈N si pour tout n ∈ N, X n est mesu-
rable par rapport à la tribu Fn .

Définition 1.26. Un processus { X n , n ∈ N} est dit prévisible pour la filtration (Fn )n ∈N si pour tout n ≥ 1, X n est
mesurable par rapport à la tribu Fn −1 .

Exemple 1.27. Si X = { X n , n ∈ N} est un processus aléatoire, alors on peut définir pour tout n ∈ N, la tribu

FnX = σ( X 0 , X 1 , . . . , X n ).

C’est la plus petite sous-tribu de F qui rende X mesurable. La collection (FnX )n ∈N est alors une filtration, appelée
filtration naturelle de X . X est adapté à sa filtration naturelle.

1.4.2 Temps d’arrêt

Définition 1.28. Une variable aléatoire T ∶ Ω → N ∪ {+∞} est appelée temps d’arrêt pour la filtration (Fn )n ∈N si

∀n ∈ N, {T = n } ∈ Fn ,

ou de manière équivalente si
∀n ∈ N, {T ≤ n } ∈ Fn .
Exemple 1.29. Soit X = { X n , n ∈ N} un processus discret à valeurs dans R. On définit le temps aléatoire T par

T (ω) = inf{n ∈ N ∶ X n (ω) ≥ 1}.

T est un temps d’arrêt pour la filtration naturelle de X , car il ne dépend que des valeurs des X n pour n ≤ T . De
manière rigoureuse, on peut écrire
{T ≤ n } = ⋃ { X k ≥ 1} ∈ Fn
0≤k ≤n ´¹¹ ¹ ¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¹ ¹ ¶
∈Fk ⊂Fn

En revanche, le temps aléatoire S = sup{n ∶ X n ≥ 1} n’est pas un temps d’arrêt pour la filtration naturelle de
X . Il est nécessaire de connaître l’ensemble des réalisations des X n pour définir la valeur de S.
14 CHAPITRE 1. QUELQUES RAPPELS SUR LES PROCESSUS

Définition 1.30. Soit (Fn )n ∈N une filtration sur l’espace (Ω, F , P), et soit T un temps d’arrêt. La collection

FT = { A ∈ F ∶ ∀n ∈ N, A ∩ {T ≤ n } ∈ Fn }

est une tribu appelée tribu du temps d’arrêt T .

1.4.3 Martingales
Définition 1.31. On appelle martingale (resp. sous-martingale, surmartingale) le processus X = { X n , n ∈ N}
muni d’une filtration (Fn )n ∈N vérifiant les trois conditions suivantes :
(i) mesurabilité : X est adapté, i.e. X n est Fn −mesurable pour tout n ∈ N ;
(ii) intégrabilité : pour tout n ∈ N, X n ∈ L1 (Ω, F , P) ;
(iii) relation de martingale :
∀n ∈ N, X n = E[ X n +1 ∣Fn ] p.s.
(resp. X n ≤ E[ X n +1 ∣Fn ] p.s., X n ≥ E[ X m ∣Fn ] p.s.).

Remarque 1.32. La 3ème condition est équivalente à

∀n, m ∈ N tels que n ≤ m, X n = E[ X m ∣Fn ] p.s.

Chapitre 2

Le mouvement brownien

Le mouvement brownien est associé à l’analyse de mouvements qui évoluent au cours du temps de manière
si désordonnée qu’il semble difficile de prévoir leurs évolutions, même dans un intervalle de temps très court.
Il joue un rôle central dans la théorie des processus stochastiques car dans de nombreux problèmes théoriques
ou appliqués, le mouvement brownien ou les diffusions qui lui sont associées fournissent des modèles simples
sur lesquels de nombreux calculs peuvent être faits.
Le mouvement brownien a été introduit en 1827 par le botaniste écossais Robert Brown (1773-1858) pour
décrire le mouvement de fines particules organiques en suspension dans un gaz ou un fluide. En 1905, Albert
Einstein construit un modèle probabiliste pour décrire le mouvement d’une particule qui diffuse : il trouve
que la loi de la position à l’instant t de la particule sachant que l’état initial est x admet une densité qui vé-
rifie l’équation de la chaleur et de ce fait est gaussienne. En 1923, Norbert Wiener construit rigoureusement
la fonction aléatoire du mouvement brownien. Il établit que les trajectoires sont continues. Le français Paul
Lévy découvre ensuite avec d’autres mathématiciens de nombreuses propriétés du mouvement brownien et
introduit une première forme des équations différentielles stochastiques (EDS) dont l’étude sera ensuite systé-
matisée par le japonais Kiyoshi Itô.

2.1 Définition, propriétés

Définition 2.1. On appelle mouvement brownien tout processus gaussien B = (B t )t ≥0 de fonction moyenne nulle
et de fonction de covariance
Σ(s, t ) = s ∧ t , ∀s, t ≥ 0. (2.1)
Si le processus est de plus continu, on parle de mouvement brownien standard.

Remarque 2.2. L’existence d’un mouvement brownien est assurée par la Proposition 1.13. En effet, la fonction de
covariance (2.1) est symétrique : on remarque que Σ(s, t ) = λ([0, s ] ∩ [0, t ]), où λ désigne la mesure de Lebesgue.

Remarque 2.3. Si (B t )t ≥0 est un mouvement brownien, E(B 0 ) = 0 = Var(B 0 ), d’où E(B 02 ) = 0 et B 0 = 0 P-p.s.

Définition 2.4. On dit que (Y t )t ≥0 est un mouvement brownien issu de x ∈ R si pour tout t ≥ 0, Y t = B t + x
avec (B t )t ≥0 un mouvement de brownien (issu de 0). De façon équivalente, (Y t )t ≥0 est un processus gaussien de
fonction de covariance Σ(s, t ) = s ∧ t et de moyenne x.

Proposition 2.5. Soit (B t )t ≥0 un mouvement brownien. Alors

i) Les accroissements de (B t )t ≥0 sont indépendants, i.e. pour tous 0 ≤ t 0 < ⋅⋅⋅ < t n , les variables (B tk +1 − B tk )0≤k ≤n
sont indépendantes.
ii) Les accroissements de (B t )t ≥0 sont stationnaires, i.e. pour tout u > 0, les variables (B u +t − B t )t ≥0 ont la
même loi, à savoir N (0, u ).

15
16 CHAPITRE 2. LE MOUVEMENT BROWNIEN

Preuve :
i) Le processus (B tk +1 − B tk )0≤k ≤n est un processus gaussien. Il suffit donc de vérifier que pour tous 0 ≤ t l <
t l +1 < t k < t k +1 , E[(B tk +1 − B tk )(B tl +1 − B tl )] = 0.
ii) Immédiat. (B u +t − B t est une variables aléatoire gaussienne et Var(B u +t − B t ) = u + t − 2Σ(u + t , t ) + t =
u + t − 2t + t = u)

Remarque 2.6. La propriété i) est équivalente au fait que pour tout u > 0, les variables (B u +t − B u )t ≥0 est indé-
pendant de la tribu σ{B s , 0 ≤ s ≤ u }. De plus, le processus (B u +t − B u )t ≥0 est un mouvement brownien.

Remarque 2.7. Le mouvement brownien standard admet donc deux caractérisations. Le processus (B t )t ≥0 un
mouvement brownien standard si
i) ses trajectoires sont continues : ω ∈ Ω, t ↦ B t (ω) est continue
ii) B 0 = 0
iii) PAI tel que B t − B s ∼ N (0, t − s ) iii’) processus gaussien centré de covariance Σ(s, t ) = s ∧ t

Exercice 2.8.
1. Quelle est la loi de B t − B s , 0 ≤ s ≤ t ? Donner sa densité.
2. Que vaut E[(B t − B s )∣σ(B u , 0 ≤ u ≤ s )] ?
3. Calculer E(B t ∣B s ), ∀0 ≤ s ≤ t .

Proposition 2.9. Soit B = (B t )t ≥0 un mouvement brownien standard. Les processus suivants sont également des
mouvements browniens standards :
i) X t1 = −B t , t ≥ 0 (propriété de symétrie)
ii) ∀γ > 0, X t2 = γ1 B γ2 t , t ≥ 0 (propriété d’auto-similarité)
iii) X 03 = 0 et X t3 = t B 1 , t > 0.
t

Preuve : À faire en exercice.

Proposition 2.10. On a
X t3 Ð→ 0.
t →0

Preuve : Le processus ( X t3 )t ≥0 est clairement continu sur ]0, +∞[. Il suffit alors de montrer que limt →0,t ∈Q+ X t3 =
0 P−p.s. Ce dernier point découle de l’égalité en loi des processus (B t )t ∈Q+ et ( X t3 )t ∈Q+ . En effet, on a

{ω ∈ Ω ∶ lim X t3 (ω) = 0} = ⋂ ⋃ ⋂ {ω ∈ Ω ∶ ∣ X t (ω)∣ ≤ 1/n },

t →0,t ∈Q+ n ≥1 m ≥1 t ∈Q+ ,t ≤1/m

et une identité analogue pour (B t )t ≥0 . Par monotonie (en m et n) des suites d’ensembles ci-dessus et en notant
Q+m,` l’ensemble des rationnels positifs inférieurs à 1/m et de dénominateur inférieur à `, on obtient

P({ω ∈ Ω ∶ lim X t3 (ω) = 0}) = lim ( lim ( lim P(∩t ∈Q+ {∣ X t3 ∣ ≤ 1/n })))
t →0,t ∈Q+ n →+∞ m →+∞ `→+∞ m,`

= lim ( lim ( lim P(∩t ∈Q+ {∣B t ∣ ≤ 1/n })))

n →+∞ m →+∞ `→+∞ m,`

= P({ω ∈ Ω ∶ lim B t (ω) = 0}) = 1.

t →0,t ∈Q+

√
Remarque 2.11. Un mouvement brownien n’a pas de limite en +∞, son comportement est en t (Var(B t ) = t ).
2.2. PROPRIÉTÉS ASYMPTOTIQUES DU MOUVEMENT BROWNIEN STANDARD 17

2.2 Propriétés asymptotiques du mouvement brownien standard

Rappel : Soit (u t )t ≥0 une suite réelle, u ∶ R+ → R,

lim sup u t = lim ↘ sup u s

t →+∞ t →+∞ s ≥t
lim inf u t = lim ↗ inf u s
t →+∞ t →+∞ s ≥t

−∞ ≤ lim inf u t ≤ lim sup u t ≤ +∞.

t →+∞ t →+∞

La lim sup et la lim inf sont respectivement la plus grande et la plus petite des valeurs d’adhérence.

Nous commençons par énoncer un résultat préliminaire.

Théorème 2.12 (Loi du 0 − 1 de Blumenthal). Soit (B t )t ≥0 un mouvement brownien et Ft ∶= σ{B s ∶ s ≤ t } pour

tout t > 0. On pose F0+ ∶= ⋂t >0 Ft . Alors, pour tout A ∈ F0+ , P( A ) ∈ {0, 1}.

Preuve :
Soient 0 < t 1 < ⋅⋅⋅ < t k , g ∶ Rk → R une fonction continue bornée et A ∈ F0+ . Par continuité (des trajectoires
de B et sous le signe intégral), on a

E[1 A g (B t1 , . . . , B tk )] = lim E[1 A g (B t1 − B ε , . . . , B tk − B ε )].

ε→0

Dès lors que ε < t 1 , alors les variables B t1 −B ε , . . . , B tk −B ε sont indépendantes de Fε (car B est un PAI), et comme
F0+ ⊂ Fε , elles sont aussi indépendantes de F0+ . On peut donc écrire

E[1 A g (B t1 , . . . , B tk )] = lim P( A )E[g (B t1 − B ε , . . . , B tk − B ε )]

ε→0
= P( A )E[g (B t1 , . . . , B tk )],

et donc F0+ est indépendante de σ(B t1 , . . . , B tk ). Ceci étant vrai pour toute famille finie {t 1 , . . . , t k }, on en dé-
duit que F0+ est indépendante de σ(B t , t > 0). Par continuité de B en 0, (limB t = B 0 ), on a donc σ(B t , t > 0) =
t →0
σ(B t , t ≥ 0) et comme F0+ ⊂ σ(B t , t ≥ 0), on en déduit que F0+ est indépendante d’elle-même. Cela entraîne
que pour tout A ∈ F0+ , P( A ∩ A ) = P( A )2 et comme P( A ∩ A ) = P( A ), on en déduit que P( A ) ∈ {0, 1}.

Rappel : Classe monotone

On appelle classe monotone, un sous-ensemble C des parties d’un ensemble Ω tel que :
i) Ω ∈ C
ii) ∀ A, B ∈ C , A ⊂ B ⇒ B / A ∈ C
iii) Si ( A n )n ∈N une suite croissante d’éléments de C , ⋃n ∈N A n ∈ C
Lemme de classe monotone : Soit une classe I ⊂ P(Ω) stable par intersection finie. La plus petite classe mono-
tone contenant I (que l’on notera C ) est la plus petite tribu engendrée par I (notée F ).

Remarque 2.13. Il n’est a priori pas évident que sup0≤s ≤ε B s soit mesurable : c’est le supremum non dénombrable
de fonctions mesurables. Les trajectoires de B étant continues, on peut se restreindre aux valeurs rationnelles de
s ∈ [0, ε] et on obtient un supremum dénombrable de variables aléatoires. C’est ce que nous utiliserons implicite-
ment dans la suite.

Proposition 2.14. Soit (B t )t ≥0 un mouvement brownien standard. Pour tout ε > 0 et presque tout ω ∈ Ω, on a :
i) sup B s (ω) > 0 et inf B s (ω) < 0
0≤s ≤ε 0≤s ≤ε
18 CHAPITRE 2. LE MOUVEMENT BROWNIEN

ii) lim sup B t = +∞ et lim inf B t = −∞ p.s.

t →+∞ t →+∞

Preuve :
i) Soit (εn )n ≥1 une suite décroissante de limite nulle. L’événement A ∶= ∩n ≥1 {supm ≥n B εm > 0} est claire-
ment F0+ -mesurable, donc P( A ) ∈ {0, 1}. Par ailleurs, P( A ) = limn →+∞ P(supm ≥n B εm > 0) et P(supm ≥n B εm >
0) ≥ P(B εn > 0) = 1/2. D’où P( A ) = 1 et le premier point est prouvé.
ii) D’après ce qui précède,
lim P( sup B t > 1/p ) = 1.
p →+∞ 0≤t ≤1,t ∈Q

D’après la proposition [Link]), (B p 2 t /p )t ≥0 est un mouvement brownien. Donc

P( sup B t > 1 / p ) = P( sup B p 2 t /p > 1/p ) = P( sup B t > 1).

0≤t ≤1,t ∈Q 0≤t ≤1,t ∈Q 0≤t ≤p 2 ,t ∈Q

En faisant tendre p vers +∞, il vient P( supt ∈Q+ B t > 1) = 1. Une nouvelle application de la proposition
[Link]) donne P( supt ∈Q+ B t > m ) = 1, pour tout m ∈ N.

Proposition 2.15. Soit (B t )t ≥0 un mouvement brownien standard. On a

Bt Bt
i) lim sup √ = +∞, lim inf √ = −∞ p.s.
t →+∞ t t →+∞ t
Bt
ii) lim = 0 p.s.
t →+∞ t
Bt Bt
iii) lim sup √ = +∞, lim inf √ = −∞ p.s.
t →0 t t →0 t

Preuve : [Preuve de ii)] On peut écrire pour tout t ≥ 0,

Bt B [t ] [ t ] B t − B [t ]
= + .
t [t ] t t

D’après la loi des grands nombres, on a

B [t ] [t ]
1
= ∑ (B k − B k −1 ) Ð→ 0.
[t ] [ t ] k =1 t →+∞

On pose pour n ∈ N, ξn = sup ∣B s − B [t ] ∣. Comme les variables ξn , n ∈ N sont i.i.d. et intégrables (appliquer
s ∈[n,n +1]
les inégalités maximales pour les martingales à B t ), d’après la loi des grands nombres, on a

ξn
lim = 0 p.s.
n →+∞ n
On conclue en remarquant que pour tout t ≥ 0,

B t − B [t ] ξ[ t ]
∣ ∣≤ .
t [t ]

Corollaire 2.16. Presque sûrement, le mouvement brownien standard change une infinité de fois de signe sur
[0, t ], t > 0.
2.3. MOUVEMENT BROWNIEN PAR RAPPORT À UNE FILTRATION 19

Preuve : D’après la Proposition 2.14i), on peut construire une suite (s n (ω))n ∈N∗ strictement décroissante, de
limite 0 telle que ∀k ∈ N∗ , B s2k −1 (ω) (ω) > 0 et B s2k (ω) (ω) < 0.

Corollaire 2.17.
i) P− p.s., le mouvement brownien (B t )t ≥0 passe une infinité de fois par tout point.
ii) Le mouvement brownien (B t )t ≥0 n’est dérivable ni à droite, ni à gauche en tout point s > 0. Il est non
dérivable à droite en s = 0.

Preuve :
i) Raisonner par l’absurde, utiliser le fait que les trajectoires sont continues et la proposition [Link]).
ii) Si
B t − B0
Ð→ ` (dérivabilité à droite en 0)
t t →0+

alors
Bt Bt √
√ = t Ð→ 0,
t t t →0

ce qui est contradictoire.

Bt − Bs
Exercice 2.18. Le faire en tout point : .
t −s
Remarque 2.19. En finance, on appelle mouvement brownien réel issu de x ∈ R de dérive θ ∈ R et de variabilité
σ > 0, le processus X t = x + θt + σB t , où (B t )t ≥0 est le mouvement brownien standard.

Exercice 2.20. Montrer que ( X t )t ≥0 est un processus gaussien. Calculer sa moyenne et sa fonction de covariance.

2.3 Mouvement brownien par rapport à une filtration

Soit (Ω, F , P) un espace probabilisé.

2.3.1 Quelques définitions

Définition 2.21. On appelle filtration toute famille croissante (Ft )t ≥0 de sous-tribus de F .

Remarque 2.22. Ft ="événements qui peuvent arriver avant t ".

On note (Ω, F , (Ft )t ≥0 , P) l’espace de probabilité filtré.

Définition 2.23. On dit que le processus X = ( X t )t ≥0 est Ft −adapté si ∀t ≥ 0, X t est Ft −mesurable :

∀t ≥ 0 ∀B ∈ B(R), X t−1 (B ) ∈ Ft

Exemple 2.24 (Filtration "canonique", "naturelle", "propre" d’un processus). Soit X = ( X t )t ≥0 un processus, sa
filtration canonique (naturelle ou propre) est définie par

FtX = σ{ X s ∶ 0 ≤ s ≤ t }.

Proposition 2.25. Un processus est toujours adapté à sa filtration canonique.

Définition 2.26. Soient (Ω, F , (Ft )t ≥0 , P) un espace de probabilité filtré et X = ( X t )t ≥0 un processus. On dit que
X est
1. une Ft − P−martingale si :
20 CHAPITRE 2. LE MOUVEMENT BROWNIEN

(a) X t est Ft -mesurable (⇔ X est Ft −adapté)

(b) E[∣ X t ∣] < +∞ ∀t ≥ 0 (⇔ X ∈ L1 (Ω, F , P), intégrabilité)
(c) E[ X t ∣Fs ] = X s , ∀t ≥ s,
2. une Ft − P−sous-martingale si : (a), (b) et (c’) E[ X t ∣Fs ] ≥ X s , ∀t ≥ s,
3. une Ft − P−sur-martingale si : (a), (b) et (c”) E[ X t ∣Fs ] ≤ X s , ∀t ≥ s.

Exemple 2.27. Le mouvement brownien standard B = (B t )t ≥0 est une Ft − P−martingale pour sa filtration
propre, FtB = σ{B u , 0 ≤ u ≤ t } :
1. Ok (un processus est toujours mesurable par rapport à sa filtration propre),
√
2√
2. E[∣B t ∣] = t,
π
3. E[B t ∣FsB ] − B s = E[(B t − B s )∣FsB ] = E(B t − B s ) = 0.

2.3.2 Ft − P−mouvement brownien

Définition 2.28. Soit (Ω, F , (Ft )t ≥0 , P) un espace de probabilité filtré. Soit B = (B t )t ≥0 un processus réel adapté
à (Ft )t ≥0 . Alors B = (B t )t ≥0 est un Ft − P−mouvement brownien réel standard si :
1. B 0 = 0,
2. les trajectoires sont p.s. continues,
3. ∀0 ≤ s ≤ t , B t − B s est indépendant de Fs et B t − B s ∼ N (0, t − s ).

Remarque 2.29. Ft n’est pas forcément la filtration propre de B .

Proposition 2.30. Un Ft −mouvement brownien est un mouvement brownien pour sa filtration propre.

Proposition 2.31. Soit X = ( X t )t ≥0 un processus réel adapté à la filtration (Ft )t ≥0 , nul en 0 et à trajectoires
continues. Alors

X est un Ft − P − mouvement brownien standard

1
⇔∀a ∈ R, Z ta = exp (i a X t + a 2 t ) est une Ft − P − martingale.
2

Preuve : ⇒ Soit X un Ft − P−mouvement brownien. Soit

1
Z ta = exp (i a X t + a 2 t ), ∀a ∈ R.
2
Montrons que c’est une Ft − P−martingale.
1. Z ta est Ft −mesurable car l’image par l’application continue exp(i a.) exp ( 12 a 2 t ) d’un processus mesu-
rable est mesurable,
1 a2
2. E[∣ Z ta ∣] = E[∣ exp (i a X t + a 2 t )∣] = e 2 t < +∞,
2
3. Montrons que E[( Z ta − Z sa )∣Fs ] = 0, ∀0 ≤ s ≤ t .

a2 t a2 s
Z ta − Z sa = exp (i a X t + ) − exp (i a X s + )
2 2
a2 s a2
= exp (i a X s + )[ exp (i a ( X t − X s ) + (t − s )) − 1]
2 2
2.3. MOUVEMENT BROWNIEN PAR RAPPORT À UNE FILTRATION 21

a2 s a2
E[( Z ta − Z sa )∣Fs ] = E[ exp (i a X s + )[ exp (i a ( X t − X s ) + (t − s )) − 1]∣Fs ]
2 2
a2
= Z sa E[ exp (i a ( X t − X s ) + (t − s )) − 1∣Fs ]
2
a2
= ZSa (E[ exp (i a ( X t − X s ) + (t − s ))] − 1)
X t − X s ∐ Fs 2

E[exp(i a ( X t − X s ))] est la fonction caractéristique de X t − X s et X t − X s ∼ N (0, t − s ), on a donc

a2
E[exp(i a ( X t − X s ))] = e− 2 (t −s )
.

On obtient donc finalement

E[( Z ta − Z sa )∣Fs ] = 0.

⇐ Supposons que ∀a ∈ R, Z ta est une Ft − P−martingale. On a donc :

a2
E[exp(i a ( X t − X s ))∣Fs ] = e− 2 (t −s )

et en passant à l’espérance, on obtient

a2
E[exp(i a ( X t − X s ))] = e− 2 (t −s )
,

donc X t − X s ∼ N (0, t −s ) (car on reconnaît la fonction caractéristique d’une loi N (0, 1)). Soit enfin a, b ∈ R
et Y une variable aléatoire Fs −mesurable alors d’après la propriété martingale, on en déduit que

−a 2 (t −s )
E[exp(i a ( X t − X s ) + i bY )∣Fs ] = e 2 ei bY

en prenant l’espérance, on obtient

Φ( X t − X s ,Y ) (a, b ) = E[exp(i a ( X t − X s ) + i bY )] = E[ei a ( X t − X s ) ]E[ei bY ].

On en déduit que pour toute variable aléatoire Y Fs −mesurable, X t − X s est indépendante de Y donc
X t − X s est indépendante de Fs . X vérifie les trois caractérisations d’un Ft − P− mouvement brownien
standard, c’est donc un Ft − P−mouvement brownien standard.

Proposition 2.32. Soit B = (B t )t ≥0 un Ft − P−mouvement brownien standard. Alors

1. B t2 est une Ft − P−sous-martingale,
2. B t2 − t est une Ft − P−martingale.

Preuve :
1. La fonction x ↦ x 2 est convexe. On peut donc appliquer l’inégalité de Jensen :

E[B t2 ∣Fs ] ≥ (E[B t ∣Fs ])2 = B s2 ,

car B t est un Ft − P−martingale.

22 CHAPITRE 2. LE MOUVEMENT BROWNIEN

2. On a

E[(B t − B s )2 ∣Fs ] = E[(B t − B s )2 ] = t − s

⇔E[(B t2 − 2B s B t + B s2 )∣Fs ] = t − s
⇔E[B t2 ∣Fs ] − 2E[B s B t ∣Fs ] + E[B s2 ∣Fs ] = t − s
⇔E[B t2 ∣Fs ] − 2B s E[B t ∣Fs ] + B s2 = t − s
⇔E[B t2 ∣Fs ] − B s2 = t − s
⇔E[(B t2 − t )∣Fs ] = B s2 − s

Remarque 2.33. On dit que t est le processus croissant associé à la martingale B t , il est tel que B t2 − t soit une
martingale.

Plus généralement : Soit M = (M t )t ≥0 une Ft − P−martingale à trajectoires continues, il existe un processus

croissant unique, adapté, partant de 0, noté ⟨M ⟩ = (⟨M ⟩t )t ≥0 tel que M t2 − ⟨M ⟩t soit une Ft − P−martingale
(⟨B ⟩t = t ).

Exercice 2.34. Soit X t = B t2 , avec B = (B t )t ≥0 le mouvement brownien standard. On définit la filtration naturelle
de B par Ft = σ{B u , 0 ≤ u ≤ t }.
1. Quelle est la loi de X t ? Donner son espérance, sa variance et sa covariance.
2. Est-ce un processus gaussien ?
3. Est-ce une Ft −martingale ?
Chapitre 3

Intégrales de processus gaussiens à

trajectoires continues

3.1 Quelques résultats préliminaires

Proposition 3.1. Soit X = ( X t )t ≥0 un processus à trajectoires continues. Alors

(Ω × R+ , F ⊗ B(R+ )) Ð→ (R, B(R))

Y:
(ω, t ) ↦ X t (ω)

est mesurable par rapport au couple (ω, t ) :

∀ A ∈ B(R), Y −1 ( A ) ∈ F ⊗ B(R+ ).

Preuve : On pose
k k +1
X tn (ω) = X k (ω) si t ∈ [ , [, k ∈N
2n 2n 2n
On a alors
+∞
X tn (ω) = ∑ X (ω)1 k k +1 (t ),
k =0
k
2n [ 2n , 2n [

qui est mesurable par rapport au couple (ω, t ) comme produit de deux fonctions mesurables par rapport à
chaque variable. On a X tn (ω) = X tn (ω) = Y (ω, t n ) avec t n = [2n t ]/2n . Or t n Ð→ t et comme X est un proces-
n →+∞
sus à trajectoires continues, on en déduit que X tn Ð→ X t p.s. Et donc Y est mesurable en (ω, t ) car la limite
n →+∞
d’une fonction mesurable est mesurable.

Proposition 3.2. Soit X = ( X t )t ≥0 un processus gaussien à trajectoires continues. Alors :

R+ → R
●
t ↦ µ(t ) = E( X t )
et sont continues.
(R+ , R+ ) → R
●
(s, t ) ↦ Σ(s, t ) = Cov( X s , X t )

p.s.
Preuve : Soit (t n )n ∈N une suite réelle telle que t n Ð→ t . Alors X tn Ð→ X t par continuité des trajectoires.
n →+∞ n →+∞
Comme la convergence presque sûre implique la convergence en loi et que pour une variable gaussienne, la loi

23
24 CHAPITRE 3. INTÉGRALES DE PROCESSUS GAUSSIENS À TRAJECTOIRES CONTINUES

est entièrement déterminée par son espérance et sa variance, on en déduit que

E( X tn ) = µ(t n ) Ð→ µ(t ) = E( X t ) (convergence dans L1 )

n →+∞

Var( X tn ) Ð→ Var( X t ) (convergence dans L2 )

n →+∞

Plus généralement, pour des variables aléatoires gaussiennes, si la convergence a lieu presque sûrement, elle a
Lp
lieu pour tous les Lp , p ≥ 1 : X tn Ð→ X t . Soient (s n )n ∈N et (t n )n ∈N deux suites réelles telles que s n Ð→ s et
n →+∞ n →+∞
t n Ð→ t . Alors
n →+∞
Σ(s n , t n ) = Cov( X sn , X tn ) = E( X sn X tn ) − E( X sn )E( X tn ).

On sait déjà que E( X sn )E( X tn ) Ð→ µ(s )µ(t ). Il reste à montrer que E( X sn X tn ) Ð→ E( X s X t ) :

n →+∞ n →+∞

∣E( X sn X tn ) − E( X s X t )∣ = ∣E(( X sn − X s ) X tn ) + E(( X tn − X t ) X s )∣

≤ ∣E(( X sn − X s ) X tn )∣ + ∣E(( X tn − X t ) X s )∣
1/2 1/2 1/2 1/2
≤ ( E[( X sn − X s )2 ] ) ( E[ X t2n ] ) + ( E[( X tn − X t )2 ] ) ( E[ X s2 ] ) ,
C −S ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
´¹¹ ¹ ¹¸ ¹ ¹ ¹ ¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ ²
Ð→ 0 Ð→ Var( X t )+(µ(t ))2 Ð→ 0 =Var( X s )+(µ(s ))2
n →+∞ n →+∞ n →+∞

donc Σ est continue.

3.2 Intégrales de processus gaussiens à trajectoires continues

Proposition 3.3. Soit f ∶ R+ → R une fonction continue et X = ( X t )t ≥0 un processus gaussien à trajectoires conti-
nues. On pose
t
Zt = ∫ f (s ) X s ds, t ≥ 0.
0

Alors Z = ( Z t )t ≥0 est un processus gaussien à trajectoires continues et dérivable et tel que

t
µ(t ) = E( Z t ) = ∫ f (s )E( X s )ds
0

et
E( Z s Z t ) = ∫ ∫ f (u ) f (v )E[ X u X v ]dudv.
0≤ v ≤ t 0≤u ≤s

Preuve : ● Pour tout ω ∈ Ω, la fonction s ∈ R+ ↦ f (s ) X s (ω) est une fonction continue, elle est donc continue sur
t
[0, t ], pour tout t ≥ 0. L’intégrale ∫0 f (s ) X s (ω)ds est une intégrale de Riemann sur [0, t ], pour tout ω ∈ Ω :
t t
Z t (ω) = ∫ f (s ) X s (ω)ds = ( ∫ f (s ) X s ds )(ω).
0 0

D’après le théorème de dérivation sous le signe intégral d’une fonction continue :

dZ t
= f (t ) X t .
dt
Soit
t n
(i − 1 ) t
Zn (ω) = ∑f( ) X (i −1)t (ω)
n i =1 n n
3.2. INTÉGRALES DE PROCESSUS GAUSSIENS À TRAJECTOIRES CONTINUES 25

une variable aléatoire gaussienne car X est un processus gaussien, donc toute combinaison linéaire finie de ses
composantes est une variable aléatoire gaussienne. On a Zn Ð→ Z t p.s., donc Z t est une variable aléatoire gaus-
n →+∞
sienne (car la convergence p.s. implique la convergence en loi). Il nous faut encore montrer que Z = ( Z t )t ≥0 est
un processus gaussien : ∀a 1 , . . . a n , t 1 , . . . , t n ,, ∑ni=1 a i Z ti peut s’écrire comme la limite d’une variable aléatoire
gaussienne, c’est donc une gaussienne et on en déduit que ( Z t )t ≥0 est bien un processus gaussien.
Calcul de E( Z t ) et E( Z s Z t ) : 2 méthodes
1. comme limites de E( Z tn ) et E( Z sn Z tn )
2. en utilisant le théorème de Fubini
Nous allons appliquer la 2ème méthode et appliquer le théorème de Fubini.
t t
● E( Z t ) = E [ ∫0 f (s ) X s ds ] = ∫Ω ( ∫0 f (s ) X s (ω)ds )dP(ω) Pour pouvoir intervertir les deux intégrales, il faut
vérifier que l’intégrale double est absolument convergente :
√
t 2
∫ ( ∫ ∣ f (s ) X s (ω)∣dP(ω))ds < +∞ car E(∣ X s ∣) = (Var( X s ))1/2 < +∞.
0 Ω π

On peut donc appliquer le théorème de Fubini et on a donc bien

t
E( Z t ) = ∫ f (s )E( X s )ds.
0

● On a :
s t
E( Z s Z t ) = E[( ∫ f (u ) X u du )( ∫ f (v ) X v dv )]
0 0

= E[ ∫ ∫ f (u ) f (v ) X u X v dudv ]
0≤u ≤s 0≤ v ≤ t

On peut facilement montrer que ∣ f (u )∣∣ f (v )∣∣ X u X v ∣ est mesurable sur un pavé et donc

E[ ∫ ∫ ∣ f (u )∣∣ f (v )∣∣ X u X v ∣dudv ]

0≤u ≤s 0≤ v ≤ t

existe bien. Il reste à vérifier qu’elle est finie. Or

√
E(∣ X u X v ∣) ≤ E(∣ X u ∣2 )E(∣ X v ∣2 ) < +∞.

L’intégrale est donc absolument convergente et par le théorème de Fubini, on peut intervertir l’espérance et
les intégrales :

E( Z s Z t ) = ∫ ∫ f (u ) f (v )E[ X u X v ]dudv.
0≤ v ≤ t 0≤u ≤s

Calcul de la covariance :

Cov( Z s , Z t ) = ∫ ∫ f (u ) f (v ) Cov( X u , X v )dudv.

0≤ v ≤ t 0≤u ≤s

Exercice 3.4. Soit X = ( X t )t ≥0 un processus gaussien à trajectoires continues. Soient f , g , h ∶ R+ → R des fonctions
continues. Soit
t
Y t = f (t ) + g (t ) ∫ h (s ) X s ds.
0

1. Montrer que Y = (Y t )t ≥0 est un processus gaussien à trajectoires continues.

26 CHAPITRE 3. INTÉGRALES DE PROCESSUS GAUSSIENS À TRAJECTOIRES CONTINUES

2. Calculer µ(t ) = E(Y t ) et Cov(Y s , Y t ).

t
Exercice 3.5. Soit (B t )t ≥0 un mouvement brownien standard. Quelle est la loi jointe de (B t , ∫0 B s ds ) ?

Exercice 3.6. Soient (B t )t ≥0 un mouvement brownien standard et Z t = B t − t B 1 pour 0 ≤ t ≤ 1 (on appelle ce

processus le pont brownien).
1. Montrer que Z est un processus gaussien indépendant de B 1 .
2. Calculer E( Z t ) et Cov( Z s , Z t ).
Chapitre 4

Intégrale de Wiener

4.1 Quelques définitions et résultats préliminaires

Soient f ∶ R+ → R et B = (B t )t ≥0 le mouvement brownien standard. On va définir l’intégrale de Wiener par

t
"∫ f (s )dB s ".
0

Remarque 4.1. Si B était à variation finie (ou bornée), ce serait une intégrale de Stieljes.

Définition 4.2. Soient g ∶ [a, b ] ⊂ R → R, et σ = {a = x 0 ≤ x 1 ≤ ⋅⋅⋅ ≤ x n = b } une partition de [a, b ]. La variation de

g sur [a, b ] pour la subdivision σ est

n
V (g , σ) = ∑ ∣g (x i ) − g (x i −1 )∣
i =1

et on définie Va,b (g ) = supV (g , σ). On dit que g est à variation finie si Va,b (g ) < +∞.
σ

Définition 4.3. Soient f ∶ R+ → R une fonction continue et g ∶ R+ → R une fonction à variation finie. On définit
alors l’intégrale de Stieljes par

b n
∫ f (s )dg (s ) = lim ∑ f (x i )[g (x i ) − g (x i −1 )], avec pas σ = sup ∣x i − x i −1 ∣.
a pas σ↘0 i =1,...,n
i =1

Mais B n’est pas à variation finie, ce n’est donc pas une intégrale de Stieljes.

Proposition 4.4. Soit B = (B t )t ≥0 le mouvement brownien standard. On a

2n 2
2 L et p.s. it
∑ ∣B ti − B ti −1 ∣ Ð→ t , où ti = .
i =1
n →+∞ 2n

27
28 CHAPITRE 4. INTÉGRALE DE WIENER

Preuve : ● On commence par montrer la convergence dans L 2 :

2n 2 2n 2
E[( ∑ ∣B ti − B ti −1 ∣2 − t ) ] = E[( ∑ (∣B ti − B ti −1 ∣2 − (t i − t i −1 ))) ]
i =1 i =1
2n 2n 2
= E[( ∑ ∣B ti − B ti −1 ∣2 − E[ ∑ ∣B ti − B ti −1 ∣2 ]) ]
i =1 i =1
2n
= Var ( ∑ ∣B ti − B ti −1 ∣2 )
i =1
2n
= ∑ (E[∣B ti − B ti −1 ∣4 ] − (E[∣B ti − B ti −1 ∣2 ])2 )
i =1
2n
3t 2 t2 3t 2
= ∑( − ) car E[(B ti − B ti −1 )4 ] =
i =1 22n 2 2n 22n
2
2t
= .
2n

On vient donc de prouver la convergence dans L 2 .

● Soit ε > 0, on a d’après l’inégalité de Bienaymé-Tchebichev
n
2n Var(∑2i =1 ∣B ti − B ti −1 ∣2 ) 2t 2
P(∣ ∑ ∣B ti − B ti −1 ∣ − t ∣ > ε) ≤
2
= ,
i =1 ε2 2n ε2

n n 2t 2 n
car E[∑2i =1 ∣B ti − B ti −1 ∣2 ] = t et Var(∑2i =1 ∣B ti − B ti −1 ∣2 ) = . Donc ∑n P(∣ ∑2i =1 ∣B ti − B ti −1 ∣2 − t ∣ > ε) converge et
2n
d’après le lemme de Borel-Cantelli, (∑n P( A n ) < +∞ ⇒ P(lim sup A n ) = 0),

2n
P(lim sup∣ ∑ ∣B ti − B ti −1 ∣2 − t ∣ > ε) = 0
n →+∞ i =1

m
(⇔ P( ⋂ ⋃ ∣ ∑2i =1 ∣B ti − B ti −1 ∣2 − t ∣ > ε) = 0 ∀ε > 0). On en déduit la convergence presque sûre.
n ≥0m ≥n

Remarque 4.5. Il en découle que le mouvement brownien n’est p.s. pas à variations finies. En effet, si V (B, [0, t ]) <
[nt ]
+∞, alors sup ∑ ∣B ti − B ti −1 ∣ < +∞. Ceci implique que
σ i =1

[nt ] [nt ]
∑ ∣B ti − B ti −1 ∣ ≤ ∣B ti − B ti −1 ∣ ∑ ∣B ti − B ti −1 ∣ Ð→ 0 ☇.
2
sup
i =1,...,[nt ] n →+∞
i =1 i =1
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
Ð→ 0 <+∞
n →+∞

Une fonction à variation quadratique non nulle ne peut pas être à variation finie.

4.2 Intégrales des fonctions en escalier

Définition 4.6. Une fonction en escalier de R+ dans R est telle que
N
f (t ) = ∑ f i 1[ti −1 ,ti [ (t ), avec t 0 = 0 < t 1 < ⋅⋅⋅ < t N < +∞ et f i constantes ∀i .
i =1
4.2. INTÉGRALES DES FONCTIONS EN ESCALIER 29

Soit l’espace vectoriel E = { f ∶ R+ → R, f fonction en escalier}.

● E est un sous-espace vectoriel de L2 (R+ ) :
+∞
∣∣ f ∣∣22 = ∫ ∣ f (t )∣2 dt
0
+∞ N 2
=∫ ( ∑ f i 1[ti −1 ,ti [ (t )) dt
0 i =1
N +∞
= ∑∫ f i2 12[t
i −1 ,t i [
(t )dt (intervalles disjoints)
i =1 0
N
= ∑ f i2 (t i − t i −1 ) < +∞.
i =1

● E est dense dans L (R ).

2 +

Définition 4.7. Soit f ∈ E , on définit

+∞ N
I(f ) = ∫ f (s )dB s = ∑ f i (B ti − B ti −1 ).
0 i =1

Proposition 4.8. I ( f ) est une variable aléatoire gaussienne, centrée, de variance

+∞
E[( I ( f ))2 ] = ∫ ∣ f 2 (s )∣ds = ∣∣ f ∣∣22 .
0

Preuve :
● I ( f ) = ∑iN=1 f i (B ti − B ti −1 ) = ∑ j α j B t j (combinaison linéaire d’un processus gaussien) est une variable
aléatoire gaussienne.
● E[I ( f )] = 0(= ∑ j α j E[B t j ]))
● Enfin, on a
N
Var[ I ( f )] = Var ( ∑ f i (B ti − B ti −1 ))
i =1
N
= ∑ f i2 Var(B ti − B ti −1 )
i =1
N
= ∑ f i2 (t i − t i −1 )
i =1

= ∣∣ f ∣∣22 .

E → L2 (Ω, F , P)
Propriété 4.9. L’application est donc une isométrie : E[( I ( f ))2 ] = ∣∣ f ∣∣22 .
f ↦ I(f )
Propriété 4.10. I est linéaire : f , g ∈ E , λ, µ ∈ R I (λ f + µg ) = λI ( f ) + µI (g ).
Propriété 4.11. Pour tout g 1 , . . . , g k ∈ E ,
+∞ +∞
(∫ g 1 (s )dB s , . . . , ∫ g k (s )dB s )
0 0

est un vecteur gaussien centré de covariance

+∞
Cov( I (g k ), I (g l )) = ∫ g k (s )g l (s )ds = ⟨g k , g l ⟩L2 .
0
30 CHAPITRE 4. INTÉGRALE DE WIENER

Preuve : À faire en exercice.

Définition 4.12. Soit f ∈ L2 (R+ ), on définit

def +∞ +∞
I(f ) = ∫ f (s )dB s ∶= lim ∫ f n (s )dB s ,
0 n →+∞ 0

L2
où ( f n )n ∈N est une suite de fonctions de E telle que f n Ð→ f .
n →+∞

Proposition 4.13. I ( f ) est une variable aléatoire gaussienne, centrée, de variance Var( I ( f )) = ∣∣ f ∣∣22 et si f , g ∈
L2 (R+ )
+∞
Cov( I ( f ), I (g )) = E[ I ( f ) I (g )] = ∫ f (s )g (s )ds = ⟨ f , g ⟩L2 .
0

Preuve : Soit f ∈ L2 (R+ ), alors comme E est dense dans L2 (R+ ), il existe une suite ( f n )n ∈N de fonctions de E
L2
( f n ∈ E , ∀n ∈ N), telle que f n Ð→ f , i.e. ∣∣ f n − f ∣∣2 Ð→ 0. Soit n, m ∈ N,
n →+∞ n →+∞

E[( I ( f n ) − I ( f m ))2 ] = E[( I ( f n − f m ))2 ] = ∣∣ f n − f m ∣∣22 Ð→ 0,

n,m →+∞

la limite vers 0 vient du fait que ∣∣ f n − f ∣∣2 Ð→ 0, donc ( f n )n est une suite de Cauchy dans L2 (R+ ) qui est
n →+∞
complet. La suite ( I ( f n ))n ∈N est donc une suite de Cauchy dans L2 (Ω, F , P) qui est complet, donc la suite
( I ( f n ))n ∈N converge vers I ( f ) gaussienne (comme limite de gaussienne), centrée car E[ I ( f n )] Ð→ E[I ( f )],
n →+∞
enfin
Var( I ( f )) = lim Var( I ( f n )) = lim ∣∣ f n ∣∣2 = ∣∣ f ∣∣22 .
n →+∞ n →+∞

On a donc prolongé I ( f ) à L2 (R+ ) :

L2 (R+ ) → L2 (Ω, F , P)
↦ I ( f ) = ∫0 f (s )dB s
+∞
f

linéaire, isométrique, I ( f ) ∼ N (0, ∣∣ f ∣∣22 ) et E[ I ( f ) I (g )] = ⟨ f , g ⟩L2 .

t
Plus généralement, si f ∈ L2Loc (R+ )(⇔ ∫0 ∣ f (s )∣2 ds < +∞, ∀t ≥ 0), on définit pour tout t ≥ 0
t +∞
∫ f (s )dB s = ∫ f (s )1]0,t ] (s )dB s .
0 0

Si on pose g (t ) (s ) = f (s )1]0,t ] (s ) ∈ L2 (R+ ), on a :

+∞ t
∫ ∣g (t ) (s )∣ds = ∫ ∣ f (s )∣ds < +∞,
0 0

on en déduit que pour un t fixé,

t t
∫ f (s )dB s ∼ N (0, ∫ ∣ f (s )∣2 ds ),
0 0
et pour tout s, t ≥ 0,
t s s ∧t
Cov ( ∫ f (u )dB u , ∫ g (v )dB v ) = ∫ f (u )g (u )du.
0 0 0
En particulier,
s ∧t t t
∫ f (u )g (u )du = 0 ⇒ ∫ f (u )dB u et ∫ g (v )dB v indépendantes (car gaussiennes).
0 0 0
4.3. APPROXIMATION 31

4.3 Approximation
Soit f ∶ R+ → R continue.
n t
L2 it
Proposition 4.14. ∑ f (t i −1 )(B ti − B ti −1 ) Ð→ ∫ f (s )dB s , ti = .
i =1
n →+∞ 0 n
t
Rappel : f continue ⇒ ∫0 ∣ f (s )∣2 ds < +∞, ∀t ≥ 0.

Preuve : Posons
t
ω([0, t ], f , ) = sup ∣ f (s ) − f (s ′ )∣ = ωn
n 0≤s,s ′ ≤t
∣s −s ′ ∣≤ nt

f continue sur [0, t ] ⇒ f uniformément continue sur [0, t ] ⇒ ωn Ð→ 0. On peut écrire

n →+∞

n t t
∑ f (t i −1 )(B ti − B ti −1 ) − ∫ f (s )dB s = ∫ ( f n (s ) − f (s ))dB s ,
i =1 0 0

où
n
(i − 1 ) t
f n (s ) = ∑ f ( )1 ( i −1 ) t i t (s ) ∈ L2 (R+ ).
n ] n , ]
n
i =1

On en déduit
n t 2 t
E[( ∑ f (t i −1 )(B ti − B ti −1 ) − ∫ f (s )dB s ) ] =∫ ∣ f n (s ) − f (s )∣2 ds
i =1 0 isométrie 0
n ti
= ∑∫ ∣ f (t i −1 ) − f (s )∣2 ds
i =1 t i −1
t
≤ ω2n × n × Ð→ 0
n n →+∞

4.4 Première formule d’intégration par parties (Itô)

Proposition 4.15. Soit t ≥ 0 fixé. Soit f de classe C 1 sur [0, t ]. Alors
t t
∫ f (s )dB s = f (t )B t − ∫ f ′ (s )B s ds.
0 0

t t
Preuve : ∫0 f (s )dB s est bien une intégrale de Wiener car f est C 1 donc f ∈ L 2Loc (R+ ), ∫0 f ′ (s )B s ds intégrale du
processus gaussien à trajectoire continue f ′ (s )B s . Soit
n
it
f n (s ) = ∑ f (t i −1 )1]ti −1 ,ti ] (s ), ti = .
i =1 n

Par isométrie de l’intégrale de Wiener et le résultat d’approximation, on a

t t t 2
∫ ∣ f n (s ) − f (s )∣2 ds = E[( ∫ f n (s )dB s − ∫ f (s )dB s ) ] Ð→ 0.
0 0 0 n →+∞
32 CHAPITRE 4. INTÉGRALE DE WIENER

On peut écrire
t n
∫ f n (s )dB s = ∑ f (t i −1 )(B ti − B ti −1 )
0 i =1
= f (0)(B t1 − B 0 ) + f (t 1 )(B t2 − B t1 ) + ⋅⋅⋅ + f (t n −1 )(B tn − B tn −1 )
= B t1 ( f (0) − f (t 1 )) + B t2 ( f (t 1 ) − f (t 2 )) + ⋅⋅⋅ + B tn −1 ( f (t n −2 ) − f (t n −1 ) + f (t n −1 )B tn .
Quand n → +∞,
(n − 1)t
f( ) Ð→ f (t ) car f est de classe C 1
n n →+∞
B tn Ð→ B t (trajectoires continues),
n →+∞

et on peut écrire
ti
( f (t i −1 ) − f (t i ))B ti = −( ∫ f ′ (s )ds )B ti .
t i −1
On trouve donc
t n −1 ti
∫ f n (s )dB s = f (t n −1 )B tn − ∑ ∫ ( f ′ (s )B ti )ds.
0 ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶ i =1 t i −1
Ð→ f (t )B t
n →+∞

Il reste à montrer que

n −1 ti t
∑∫ f ′ (s )B ti ds Ð→ ∫ f ′ (s )B s ds p.s.
t i −1 n →+∞ 0
i =1
On a
t n −1 ti n −1 ti t
∫ f ′ (s )B s ds − ∑ ∫ f ′ (s )B ti ds = ∑ ∫ f ′ (s )(B s − B ti )ds + ∫ f ′ (s )B s ds
0 i =1 t i −1 i =1 t i −1 t n −1

t n −1 ti n −1 ti t
⇒∣ ∫ f ′ (s )B s ds − ∑ ∫ f ′ (s )B ti ds ∣ ≤ ∑ ∫ ∣ f ′ (s )∣∣B s − B ti ∣ds + ∫ ∣ f ′ (s )B s ∣ds
0 i =1 t i −1 i =1 t i −1 t n −1
t n −1 t
≤ sup ∣B s − B ti ∣ ∫ ∣ f ′ (s )∣ds + ∫ ∣ f ′ (s )B s ∣ds ,
s ∈[t i −1 ,t i ] 0 t n −1
i =1,...,n
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
Ð→ ∫0t ∣ f ′ (s )∣ds <+∞ Ð→ 0
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶ n →+∞ n →+∞
Ð→ 0
n →+∞

par continuité de B . On conclut que

t t
∫ f (s )dB s = f (t )B t − ∫ f ′ (s )B s ds.
0 0

t
Corollaire 4.16. t ↦ ∫0 f (s )dB s est à trajectoires continues.
Exemple 4.17. La formule d’Itô est souvent utilisée à l’envers :
t t2 t s2 t t2 s2
∫ sB s ds = Bt − ∫ dB s = ∫ ( − )dB s .
0 2 0 2 0 2 2
Exercice 4.18. Soit B = (B t )t ≥0 un mouvement brownien standard. Soit
1 1
X =∫ t dB t et Y = ∫ t 2 dB t .
0 0

Déterminer la loi jointe de ( X , Y ).

4.5. PROPRIÉTÉS DES INTÉGRALES DE WIENER 33

Exercice 4.19. Soient (B t )t ≥0 un mouvement brownien standard et Z t = B t − t B 1 , avec 0 ≤ t ≤ 1. On note

Ft = σ(B s , 0 ≤ s ≤ t ).
1. Z = ( Z t )0≤t ≤1 est-il Ft -adapté ?
1
2. Montrer que B 1 et ∫0 Zu du sont des variables aléatoires gaussiennes indépendantes. Calculer la loi de
1
∫0 Zu du.

4.5 Propriétés des intégrales de Wiener

Soit B = (B t )t ≥0 un Ft − P−mouvement brownien standard. Soit f ∈ L2Loc (R+ ). On définit

t n
I(f ) = ∫ f (s )dB s ( = lim ∑ f (t i −1 )(B ti − B ti −1 ) , 0 = t 0 < t 1 < ⋅⋅⋅ < t n = t ),
0 n →+∞,L2 i =1
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
quantités qui sont toutes Ft −mesurables

I ( f ) est donc adapté.

f t
Proposition 4.20. Soit f ∈ L2Loc (R+ ), de classe C 1 . Soit M t = ∫0 f (s )dB s .
f
1. (M t )t ≥0 est un processus gaussien à trajectoires continues tel que
s ∧t
f f f
µ(t ) = E(M t ) = 0 et Σ(s, t ) = Cov(M t , M s ) = ∫ f 2 (u )du.
0

f
2. (M t )t ≥0 est une Ft − P−martingale.
f a2 t
3. ∀a ∈ R, Z ta = exp (aM t − ∫ f 2 (s )ds ) est une Ft − P−martingale.
2 0

Preuve :
f
1. Soient 0 ≤ t 1 < ⋅⋅⋅ < t n , a 1 et . . . , a n ∈ R, alors ∑ni=1 a i M ti = lim ∑ α j B t j est bien une variable aléatoire gaus-
sienne car B est un processus gaussien. La formule d’intégration par parties implique que les trajectoires
sont continues :
t
f
M t = B t f (t ) − ∫ B s f ′ (s )ds.
0

f
2. (i) M t est Ft −mesurable.
f f f
(ii) E[∣M t ∣] ≤ (E[∣M t ∣2 ]1/2 = ∣∣ f ∣∣2 par isométrie, donc M t est bien intégrable.
C-S
f f t t
(iii) Soient 0 ≤ s ≤ t , E[M t − M s ∣Fs ] = E[ ∫s f (u )dB u ∣Fs ]. Or ∫s f (u )dB u = lim ∑ni=1 f (t i −1 )(B ti −
n →+∞
B ti −1 ) (s ≤ t i ≤ t pour tout i ∈ {1, . . . , n }). Toutes les quantités à l’intérieur de la somme sont indé-
f f t
pendantes de Fs . On en déduit que E[M t − M s ∣Fs ] = E[ ∫s f (u )dB u ] = 0 (théorème de convergence
dominée pour les espérances conditionnelles).
f a2 t
3. (i) Z ta = exp (aM t − ∫0 ∣ f (s )∣ ds ) est Ft −adapté (car image par une application continue d’un pro-
2
2
cessus Ft −adapté).
f a2 t f a2 t f
(ii) E[∣ exp (aM t − ∫0 ∣ f (s )∣ ds )∣] = E[ exp (aM t −
2
∫0 ∣ f (s )∣ ds )] = 1, car M t ∼ N (0, ∣∣ f ∣∣2 ) et
2 2
2 2
f a2
∣∣ f ∣∣22
E[eaM t ] = e 2 .
34 CHAPITRE 4. INTÉGRALE DE WIENER

(iii) On a

f a2 t
f a2 s
Z ta − Z sa = exp (aM t − ∫ ∣ f 2 (s )∣ds ) − exp (aM s − ∫ ∣ f (u )∣2 du )
2 0 2 0

f f a2 t
= Z sa [ exp (a (M t − M s ) − ∫ ∣ f (u )∣2 du ) − 1)].
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶ 2 s
=∫st f (u )dB u

On obtient donc

t a2 t
E[ Z ta − Z sa ∣Fs ] = Z sa (E[ exp (a ∫ f (u )dB u − ∫ ∣ f (u )∣2 du ) − 1]∣Fs )
s 2 s
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶
∐ Fs

et finalement,

t a2 t
E[ Z ta − Z sa ∣Fs ] = Z sa (E[ exp (a ∫ f (u )dB u − ∫ ∣ f (u )∣2 du )] − 1) = Z sa (1 − 1) = 0.
s 2 s
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶
∐ Fs

t t
car ∫s f (u )dB u ∼ N (0, ∫s ∣ f (u )∣2 du ).

4.6 Le processus d’Ornstein-Uhlenbeck

Problématique : Existe-t-il un processus réel aléatoire ( X t )t ≥0 à trajectoires continues tel que :

t
Xt = X0 + θ ∫ X s ds + σB t , (4.1)
0

où B = (B t )t ≥0 est le mouvement brownien standard, X 0 une variable aléatoire, θ ∈ R et σ > 0 ?

dX t
● Si σ = 0, = θX t , qui a pour solution X t = X 0 eθt .
dt
dX t "dB t "
● S’il y a du "bruit", = θX t + σ .
dt dt

Comment donner un sens à (4.1) ?

Supposons que θ ≠ 0 (sinon X t = X 0 + σB t ). On cherche X = ( X t )t ≥0 tel que

t
Xt − θ ∫ X s ds = X 0 + σB t .
0
4.6. LE PROCESSUS D’ORNSTEIN-UHLENBECK 35

On multiplie de part et d’autre par e−θt :

t
e−θt [ X t − θ ∫ X s ds ] = e−θt ( X 0 + σB t )
0
d t
⇔ [e−θt ∫ X s ds ] = e−θt ( X 0 + σB t )
dt 0
t t
⇔e−θt ∫ X s ds = ∫ e−θs ( X 0 + σB s )ds
0 0
t e−θs t t
⇔e−θt ∫ X s ds = X 0 [ ] +σ∫ e−θs B s ds
0 −θ 0 0
t X0 t
⇔e−θt ∫ X s ds = (1 − e−θt ) + σ ∫ e−θs B s ds
0 θ 0
t X0 t
⇔∫ X s ds = (eθt − 1) + σ ∫ eθ(t −s ) B s ds
0 θ 0

On dérive la dernière égalité pour obtenir :

t
X t = X 0 eθt + σθ ∫ eθ(t −s ) B s ds + σB t .
0

La formule d’intégration par parties pour l’intégrale de Wiener donne :

t t
∫ e−θs dB s = e−θt B t + ∫ θe−θs B s ds.
0 0

En remplaçant dans l’équation précédente, on obtient :

t
X t = X 0 eθt + σeθt [ ∫ e−θs dB s − e−θt B t ] + σB t
0
t
⇔ X t = X 0 eθt + σ ∫ eθ(t −s ) dB s . (4.2)
0

X t est un processus à trajectoires continues vérifiant (4.1).

t t
Théorème 4.21. L’équation X t = X 0 + θ ∫0 X s ds + σB t admet pour unique solution X t = X 0 eθt + σ ∫0 eθ(t −s ) dB s ,
où X = ( X t )t ≥0 est un processus gaussien à trajectoires continues de moyenne si X 0 ≡ x 0 (variable déterministe)
σ2 2θt
µ(t ) = E[ X t ] = x 0 eθt et de variance (e − 1). X est appelé processus d’Ornstein-Uhlenbeck.
2θ

Preuve : Si X 1 et X 2 sont deux solutions de l’équation (4.1), alors Z = X 1 − X 2 vérifie l’EDO

t
Zt = θ ∫ Z s ds,
0

dont l’unique solution est zéro (cette équation s’écrit Z ′ (t ) = θZ (t ), Z (0) = 0). Ainsi X 1 ≡ X 2 et l’équation (4.1)
t
a bien une unique solution qui est d’après ce qui précède X t = X 0 eθt + σ ∫0 eθ(t −s ) dB s .
De plus,
t
X t = processus déterministe + σeθt ∫ e−θs dB s est un processus gaussien avec
0
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
intégrale de Wiener

t
µ(t ) = E( X t ) = E[ X 0 eθt + σeθt ∫ e−θs dB s ].
0
36 CHAPITRE 4. INTÉGRALE DE WIENER

Supposons que X 0 ≡ x 0 déterministe,

t
µ(t ) = x 0 eθt + σeθt E[ ∫ e−θs dB s ] = x 0 eθt
0
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶
=0

et

Var( X t ) = E[( X t − µ(t ))2 ]

t 2
= E[(σeθt ∫ e−θs dB s ) ]
0
t 2
=σ e 2 2θt
E[( ∫ e−θs dB s ) ] par isométrie canonique de l’intégrale de Wiener
0
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
=∫0t e−2θs ds

(1 − e −2θt
)
= σ2 e2θt
2θ
σ2
= (e 2θt
− 1 ).
2θ

Exercice 4.22. Soit X = ( X t )t ≥0 un processus d’Ornstein-Uhlenbeck.

1. Calculer K (s, t ) = Cov( X s , X t ) si X 0 ≡ x 0 .
2. Supposons que X 0 ∼ N (m, σ20 ) indépendante de B = (B t )t ≥0 . Calculer µ(t ) = E[ X t ] et K (s, t ) = Cov( X s , X t ).

Exercice 4.23 (Le processus de Vasicek).

1. Déterminer la solution Y = (Y t )t ≥0 de l’équation
t
Y t = Y0 + ∫ a (Y s − b )ds + σB t , a, b ∈ R, σ > 0.
0

2. Si X 0 ∼ N (m, σ20 ) et si X 0 est indépendante de B = (B t )t ≥0 „ calculer la fonction espérance µ(t ) = E[Y t ] et

la fonction de covariance Σ(s, t ) = Cov(Y s , Y t ).
3. Montrer que pour s ≤ t , on a
t
Y t = b + (Y s − b )e a ( t − s ) + σ ∫ ea (t −u ) dB u .
s

4. Considérons la filtration (Ft )t ≥0 définie par Ft = FtB ∨ σ{Y0 }, où FtB est la filtration naturelle de B . Pour
tout 0 ≤ s ≤ t , déterminer E[Y t ∣Fs ]
Chapitre 5

Intégrale stochastique d’Itô

Soient (Ω, F , P) un espace probabilisé et B = (B t )t ≥0 le mouvement brownien standard. On définit Ft =

σ{B u , 0 ≤ u ≤ t } la filtration naturelle de B .
On veut donner un sens à
dX t "dB t "
= f (X t ) + g (X t ) . (5.1)
dt dt
On écrira (5.1) :
dX t = f ( X t )dt + g ( X t )dB t .
Cette équation n’a de sens que si on en donne un à
t t
Xt = X0 + ∫ f ( X s )ds + ∫ g ( X s )dB s .
0 0

5.1 Cas des processus étagés

Soit E l’espace des processus étagés adaptés :
n −1
E = {Φ = (Φt )t ≥0 ∶ Φt = ∑ Ui 1]ti ,ti +1 ] (t ),Ui ∈ B(Fti ) bornés ∀i = 0, . . . , n − 1, ∣Ui ∣ ≤ k et Ui Fti − mesurables}
i =0

Définition 5.1. Pour tout Φ ∈ E , on pose pour t ≥ 0,

t n −1
∫ Φs dB s = ∑ Ui (B ti +1 ∧t − B ti ∧t ) ∀t ≥ 0,
0 i =0

Si 0 = t 0 < t 1 < t 2 < ⋅⋅⋅ < t m < t < t m +1 < ⋅⋅⋅ < t n ,

t m −1
∫ Φs dB s = ∑ Ui (B ti +1 − B ti ) + Um (B t − B tm ).
0 i =0

Théorème 5.2. Soit Φ ∈ E , M = (M t )t ≥0 tel que

t
Mt = ∫ Φs dB s .
0

1. M est une Ft -martingale d’espérance nulle :

t
E( ∫ Φs dB s ) = 0 ∀t ≥ 0,
0

37
38 CHAPITRE 5. INTÉGRALE STOCHASTIQUE D’ITÔ

t
2. M t2 − ∫0 Φ2s ds est une Ft -martingale et en particulier
t 2 t
E(( ∫ Φs dB s ) ) = E( ∫ ∣Φ2s ∣ds ) t ≥ 0.
0 0

Preuve :
1. Montrons que M est une Ft −martingale d’espérance nulle.
(i) M est (Ft )t ≥0 -adapté ⇔ ∀t ≥ 0, M t est Ft -mesurable.
(ii) ∀t ≥ 0, M t est intégrable :
m −1
E[∣M t ∣] = E[∣ ∑ Ui (B ti +1 − B ti ) + Um (B t − B tm )∣]
i =0
m −1
≤ ∑ E∣ Ui (B ti +1 − B ti ) ∣ + E[ ∣Um ∣ ∣B t − B tm ∣]
i =0 ¯ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ ± ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
∈B(Fti ) ∐ Ft i ∈B(Ftm ) ∐ Ft m
√ √
m −1
2 2√
≤ k ∑ ( t i +1 − t i ) + k t − tm
∣Ui ∣≤k ∀i i =0 π π

(iii) Soit 0 ≤ s ≤ t < +∞ tels que 0 = t 0 ≤ t 1 ≤ ⋅⋅⋅ ≤ t i ≤ s ≤ t i +1 ≤ ⋅⋅⋅ ≤ t j ≤ t ≤ t j +1 ≤ ⋅⋅⋅ ≤ t n . Montrons que
E[(M t − M s )∣Fs ] = 0. On a

t j −1
Mt = ∫ Φu dB u = ∑ Uk (B tk +1 − B tk ) + U j (B t − B t j )
0 k =0
s i −1
Ms = ∫ Φu dB u = ∑ Ul (B tl +1 − B tl ) + Ui (B s − B ti ),
0 l =0

on en déduit que
j −1
M t − M s = ∑ Uk (B tk +1 − B tk ) + U j (B t − B t j ) + Ui (B ti +1 − B s ).
k =i +1

En passant à l’espérance conditionnelle, on obtient

j −1
E[(M t − M s )∣Fs ] = E[ ∑ Uk (B tk +1 − B tk )∣Fs ] + E[U j (B t − B t j )∣Fs ] + E[Ui (B ti +1 − B s )∣Fs ].
k =i +1

Concernant le premier terme, on a pour k ∈ {i + 1, . . . , j − 1},

E[Uk (B tk +1 − B tk )∣Fs ] = E[E[Uk (B tk +1 − B tk )∣Ftk ]∣Fs ] (emboîtement des tribus)

= E[Uk E[B tk +1 − B tk ∣Ftk ]∣Fs ] car Uk est Ftk − mesurable et Fs ⊂ Ftk

= E[Uk E[B tk +1 − B tk ]∣Fs ] = 0 car B tk +1 − B tk ∐ Ftk .

De même,

E[U j (B t − B t j )∣Fs ] = 0 conditionner par rapport à Ft j

E[Ui (B ti +1 − B s )∣Fs ] = 0.

On en déduit donc que E[(M t − M s )∣Fs ] = 0 et donc M = (M t )t ≥0 est une Ft −martingale et E(M t ) =
E(M 0 ) = 0.
5.1. CAS DES PROCESSUS ÉTAGÉS 39

t
2. Montrons que M t2 − ∫0 Φ2s ds est une Ft -martingale. Soit 0 = t 0 ≤ t 1 ≤ ⋅⋅⋅ ≤ t i ≤ s ≤ t i +1 ≤ ⋅⋅⋅ ≤ t j ≤ t ≤ t j +1 ≤
⋅⋅⋅ ≤ t n . On peut écrire
E[(M t − M s )2 ∣Fs ] = E[(M t2 − 2M t M s + M s2 )∣Fs ]
= E(M t2 ∣Fs ) − 2M s E(M t ∣Fs ) +M s2
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
=M s
= E[M t2 ∣Fs ] − M s2
= E[M t2 − M s2 ∣Fs ].
On a donc
E[M t2 − M s2 ∣Fs ] = E[(M t − M s )2 ∣Fs ]
j −1 2
= E[( ∑ Uk (B tk +1 − B tk ) + U j (B t − B t j ) + Ui (B ti +1 − B s )) ∣Fs ]
k =i +1

Calculons l’un des termes croisés pour k ∈ {i + 1, . . . , j − 1} :

E[Uk U j (B tk +1 − B tk )(B t − B t j )∣Fs ] = E[E(Uk U j (B tk +1 − B tk )(B t − B t j )∣Ft j )∣Fs ]
= E[Uk U j (B tk +1 − B tk ) E[(B t − B t j )∣Ft j ] ∣Fs ] = 0,
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
Ft j −mesurable =0
t k <t j ⇒Ft ⊂Ft
k j

il en est de même pour tous les termes croisés.

Calculons les termes carrés :
j −1
E[(M t2 − M s2 )∣Fs ] = ∑ E[Uk2 (B tk +1 − B tk )2 ∣Fs ] + E[U j2 (B t − B t j )2 ∣Fs ] + E[Ui2 (B ti +1 − B s )2 ∣Fs ],
k =i +1

en conditionnant la première espérance par Ftk , on a

E[Uk2 (B tk +1 − B tk )2 ∣Fs ] = E[E[Uk2 (B tk +1 − B tk )2 ∣Ftk ]∣Fs ]
= E[Uk2 E[(B tk +1 − B tk )2 ]∣Fs ]
= E[Uk2 (t k +1 − t k )∣Fs ],
de la même manière, on conditionne le deuxième terme par Ft j et le troisième terme par Fti . On obtient
alors
j −1
E[(M t2 − M s2 )∣Fs ] = ∑ E[Uk2 ∣Fs ](t k +1 − t k ) + E[U j2 ∣Fs ](t − t j ) + E[Ui2 ∣Fs ](t i +1 − s )
k =i +1
j −1 t k +1 t t i +1
= E[( ∑ ∫ Uk2 du + ∫ U j2 du + ∫ Ui2 du )∣Fs ]
k =i +1 t k tj s
t
= E[ ∫ Φ2u du ∣Fs ]
s
t s
= E[( ∫ Φ2u du − ∫ Φ2u du )∣Fs ].
0 0
En effet, on a pour 0 = t 0 ≤ ⋅⋅⋅ ≤ t i ≤ s ≤ t i +1 ≤ ⋅⋅⋅ ≤ t j ≤ t ≤ t j +1 ≤ ⋅⋅⋅ ≤ t n
t t n −1
∫ Φ2u du = ∫ ∑ Uk 1]tk ,tk +1 ] (u )du
2
0 0 k =0
j t
= ∑ ∫ Uk2 1]tk ,tk +1 ] (u )du,
k =0 0
40 CHAPITRE 5. INTÉGRALE STOCHASTIQUE D’ITÔ

et
s s n −1
∫ Φ2u du = ∫ ∑ Uk 1]tk ,tk +1 ] (u )du
2
0 0 k =0
i s
= ∑ ∫ Uk2 1]tk ,tk +1 ] (u )du,
k =0 0

On en déduit que
t t s
∫ Φ2u du = ∫ Φ2u du − ∫ Φ2u du
s 0 0
i s t j t i s
= ∑ ( ∫ Uk2 1]tk ,tk +1 ] (u )du + ∫ Uk2 1]tk ,tk +1 ] (u )du ) + ∑ ∫ Uk2 1]tk ,tk +1 ] (u )du − ∑ ∫ Uk2 1]tk ,tk +1 ] (u )du
k =0 0 s k =i +1 0 k =0 0

j t j s
= ∑ ∫ Uk2 1]tk ,tk +1 ] (u )du + ∑ ∫ Uk2 1]tk ,tk +1 ] (u )du
k =0 s k =i +1 0

j t j s
= ∑ ∫ Uk2 1]tk ,tk +1 ] (u )du + ∑ ∫ Uk2 1]tk ,tk +1 ] (u )du car on est entre s et t donc sur [t i , t j +1 ]
k =i s k =i +1 0

j t t
= ∑ ∫ Uk2 1]tk ,tk +1 ] (u ) + ∫ Ui2 1]ti ,ti +1 ] (u )du regrouper les intégrales et rajouter le terme manquant en i
k =i +1 0 s

j −1 t t t
= ∑ ∫ Uk2 1]tk ,tk +1 ] (u )du + ∫ U j2 1]t j ,t j +1 ] (u )du + ∫ Ui2 1]ti ,ti +1 ] (u )du
k =i +1 0 0 s

j −1 t k +1 t t i +1
= ∑ ∫ Uk2 du + ∫ U j2 du + ∫ Ui2 du
k =i +1 tk tj s

On a donc
t s
E[M t2 − ∫ Φ2u du ∣Fs ] = M s2 − ∫ Φ2u du
0 0
t
et M t2 − ∫0 Φ2u du est donc bien une Ft −martingale d’espérance nulle, et on a

t 0 t 2 t
E[M t2 − ∫ Φ2u du ] = E[M 02 − ∫ Φ2u du ] = 0 ⇒ E[( ∫ Φu dB u ) ] = E[ ∫ Φ2u du ].
0 0 0 0

Remarque 5.3. 1. On peut définir l’intégrale stochastique de Φ jusqu’à l’infini car sup Φ est borné :
1/2
Λ2 = (processus Φ, ∣∣.∣∣ = E[( ∫0 Φ2u du ) ]) → L2
+∞

Φ ↦ I (Φ) = ∫0 Φu dB u
+∞

et on a E ⊂ Λ2 .
2. On a sup E(M t2 ) < +∞ car
t

+∞ n −1
E(M t2 ) ≤ E[ ∫ Φ2u du ] = ∑ E(Ui2 )(t i +1 − t i ) < +∞.
0 i =0

La "bonne" notion de mesurabilité pour les processus dont on définira l’intégrale stochastique sont les
processus "progressifs".
5.1. CAS DES PROCESSUS ÉTAGÉS 41

Définition 5.4. Un processus Φ = (Φt )t ≥0 réel est dit "progressif" (ou progressivement mesurable) si ∀T > 0

([0, T ] × Ω, B([0, T ]) ⊗ FT ) = → (R, B(R))

(t , ω) ↦ Φt (ω)

est mesurable (par rapport au couple (t , ω)).

En particulier, les processus continus à gauche et les processus continus à droite sont progressifs. Et si Φ ∈ E ,
alors Φ est progressif.

Définition 5.5. Soit

+∞
Λ2 = {Ψ = (Ψt )t ≥0 processus réel, progressif tel que E[ ∫ ∣Ψs ∣2 ds ] < +∞}.
0

Remarque 5.6. E est dense dans Λ2 .

√
∣∣.∣∣
Λ2 est un espace de Hilbert pour ∣∣Φ∣∣ = E[ ∫0 ∣Φs ∣2 ds ] et E = Λ2 , où E est la fermeture de E .
+∞

Théorème 5.7 (Théorème-définition). Pour tout Ψ ∈ Λ2 , il existe une unique variable aléatoire de L2 notée
∫0 Ψs dB s , appelée "intégrale stochastique de Ψ par rapport à B " telle que
+∞

+∞ +∞ 2 +∞
E[ ∫ Ψs dB s ] = 0 et E[( ∫ Ψs dB s ) ] = E[ ∫ Ψ2s ds ].
0 0 0

Λ2
Preuve : Soit Ψ ∈ Λ2 , il existe une suite Ψn ∈ E telle que Ψn Ð→ Ψ, i.e.
n →+∞

+∞
E[ ∫ (Ψns − Ψs )2 ds ] Ð→ 0.
0 n →+∞

La suite (Ψn )n ≥0 est de Cauchy (car convergente) :

+∞
lim E[ ∫ (Ψns − Ψm
s ) ds ] = 0
2
n,m →+∞ 0

Or par isométrie, on a
+∞ +∞ 2
lim E[ ∫ (Ψns − Ψm
s ) ds ] =
2
lim E[( ∫ (Ψns − Ψm
s )dB s ) ] = lim ∣∣I (Ψn ) − I (Ψm )∣∣2L2 = 0,
n,m →+∞ 0 n,m →+∞ 0 n,m →+∞

où
+∞ +∞
I (Ψn ) = ∫ Ψns dB s et I (Ψm ) = ∫ Ψm
s dB s .
0 0

Donc la suite I (Ψn ) est de Cauchy dans L2 qui est un espace de Hilbert, donc I (Ψn ) admet une limite :

L2 +∞
I (Ψn ) Ð→ I (Ψ) = ∫ Ψs dB s .
n →+∞ 0

On vient de montrer l’existence d’une limite à I (Ψn ), montrons maintenant l’unicité.

Λ2 Λ2
Soit donc une deuxième suite g n ∈ E telle que g n Ð→ Ψ et Ψn Ð→ Ψ. Alors
n →+∞ n →+∞

∣∣g n − Ψn ∣∣Λ2 ≤ ∣∣g n − Ψ∣∣Λ2 + ∣∣Ψ − Ψn ∣∣Λ2 Ð→ 0.

n →+∞

2 L2
Or ∣∣g n − Ψn ∣∣Λ2 = E[( ∫0 (g sn − Ψns )dB s ) ] = ∣∣I (g n ) − I (Ψn )∣∣L2 . Donc I (g n ) Ð→ I (Ψ).
+∞
n →+∞
42 CHAPITRE 5. INTÉGRALE STOCHASTIQUE D’ITÔ

Proposition 5.8.

s (ω
()h s (h) mais ( ∫0 Ψs dB s )(ω).
h+∞ (
((
Ψh ωh
hh +∞
∫0 ( (
B On n’écrit pas ( dBh
( h (

Remarque 5.9. Si Ψ est un processus étagé, l’intégrale est une intégrale de Wiener et on a donc
+∞
∫ Ψs dB s = ∑ Ui (B ti +1 − B ti ).
0 i

T
Localisation : Soit T > 0, Λ2 [0, T ] = {Ψ = (Ψt )t ∈[0,T ] progressif tel que E[∫0 Φ2s ds ] < +∞} et soit Φ ∈ Λ2 [0, T ],
Φt 1[0,T ] (t ) ∈ Λ2 , on pose
T +∞
∫ Φs dB s = ∫ Φs 1[0,T ] (s )dB s .
0 0
On a donc
T 2 T T
E[( ∫ Φs dB s ) ] = E( ∫ Φ2s ds ) et E( ∫ Φs dB s ) = 0.
0 0 0
t
Si Φ ∈ Λ2l oc = {Φ = (Φt )t ≥0 progressif tel que E[∫0 Φ2s ds ] < +∞, ∀t ≥ 0}, alors
t
1. M = (M t )t ≥0 , avec M t = ∫0 Φs dB s est un processus,
2. M est une Ft −martingale dans Λ2 ,
t
3. M t2 − ∫0 Φ2s ds est une Ft −martingale dans Λ2 ,
t
4. on note ⟨M ⟩t le processus croissant associé à M : ⟨M ⟩t = ∫0 Φ2s ds.
t
Exemple 5.10. L’intégrale ∫0 B s dB s a bien un sens car

t t t t2
E( ∫ B s2 ds ) = ∫ E(B s2 )ds = ∫ sds = < +∞,
0 Fubini 0 0 2
t
et on a donc B ∈ Λ2l oc . Le processus ∫0 B s dB s est une Ft −martingale et
t 1
∫ B s dB s = (B t2 − t ).
0 2

B s dB s n’a pas de sens puisque E[ ∫0 B s2 ds ] = +∞.

+∞ +∞
B ∫0

5.2 Temps d’arrêt. Martingales locales

Soit (Ft )t ≥0 une filtration.

5.2.1 Temps d’arrêt

Définition 5.11. Une variable aléatoire réelle T ∶ Ω → R = R+ ∪ {+∞} est un Ft −temps d’arrêt si ∀t ≥ 0, {T ≤
+

t } ∈ Ft .

Exemple 5.12. Soit X = ( X t )t ≥0 un processus réel Ft −adapté à trajectoires continues. Soit B ∈ B(R), alors TB =
inf{t ≥ 0 ∶ X t ∈ B } est un temps d’arrêt (convention inf ∅ = +∞).

Propriété 5.13. Soit X = ( X t )t ≥0 un processus Ft −adapté et T un Ft −temps d’arrêt.

1. Si T < +∞ p.s., X T est FT −mesurable où

FT = { A ∈ F ∶ ∀t ≥ 0A ∩ {T ≤ t } ∈ Ft }.
5.2. TEMPS D’ARRÊT. MARTINGALES LOCALES 43

2. Si T et S sont deux temps d’arrêt, alors T + S et T ∧ S sont des temps d’arrêt.

Exemple 5.14 (Exemple fondamental). Soit X = ( X t )t ≥0 un processus continu adapté partant de 0. Pour tout
n ≥ 1, on définit
R n = inf{t ≥ 0 ∶ ∣ X t ∣ ≥ n } (avec inf ∅ = +∞).
C’est un temps d’arrêt. C’est le temps d’entrée dans le fermé ] − ∞, −n ] ∪ [n, +∞[ par X , processus continu et
adapté.
a) R n Ð→ +∞ p.s.
n →+∞

En effet, ∣ X t ∣ ≥ n + 1 ⇒ ∣ X t ∣ ≥ n ⇒ R n ≤ R n +1 et {R n < a } = { sup ∣ X t ∣ ≥ n }. Par continuité des trajectoires

t ∈[0,a ]
donc uniforme continuité sur les compacts, on a Z a = sup ∣ X t ∣ < +∞ p.s. Donc
t ∈[0,a ]

P(R n < a ) = P( Z a ≥ n ) Ð→ 0.
n →+∞

P
On en déduit que R n Ð→ +∞ ce qui entraîne R n Ð→ + ∞ p.s.
n →+∞ n →+∞
b) Pour tout t ≥ 0, ∣ X t ∧Rn ∣ ≤ n et ∣ X Rn ∣ = n (ce serait faux pour un processus non continu).

Proposition 5.15. Soit T un temps d’arrêt et S une variable aléatoire FT −mesurable telle que S ≥ T . Alors S est
aussi un temps d’arrêt. En particulier, si T est un temps d’arrêt
+∞ k + 1
Tn = ∑ 1{k2−n <T ≤(k +1)2−n } + (+∞)1{T =+∞} ,
k =0 2n

est une suite de temps d’arrêt qui décroît vers T .

Preuve : On peut écrire {S ≤ t } = {S ≤ t } ∩ {T ≤ t } ∈ Ft car {S ≤ t } ∈ FT (S est FT -mesurable).

La deuxième partie en découle facilement puisque Tn ≥ T et on peut montrer que Tn est FT −mesurable.
En effet, Tn est FT -mesurable si pour tout u ≥ 0, {Tn ≤ u } ∈ FT . Pour cela, il faut voir que pour tout t ≥ 0, on a
{Tn ≤ u } ∩ {T ≤ t } ∈ Ft . Or on peut écrire

[2n u ]−1 [2n u ]−1

[2n u ] k +1 k k +1 [2 n u ]
{Tn ≤ u } = {Tn ≤ }= ⋃ {T n = }= ⋃ {T ∈ ] , ]} = { T ≤ }.
2n k =0 2n k =0 2n 2n 2n

[2n u ]
On a donc {Tn ≤ u } ∩ {T ≤ t } = {T ≤ t ∧ }∈F [2n u ] ⊂ Ft .
2n t∧ 2n

Proposition 5.16. Soit X = ( X t )t ≥0 un processus progressif et T un temps d’arrêt. Alors X T 1{T <+∞} est FT −mesurable.

Preuve : On commence par montrer que Y ∶ Ω → R est FT −mesurable si et seulement si pour tout t ≥ 0, Y 1T ≤t
est Ft −mesurable. En effet, si Y 1T ≤t est Ft −mesurable, alors ∀ A ∈ B(R), on a

{Y ∈ A } ∩ {T ≤ t } = {Y 1{T ≤t } ∈ A } ∩ {T ≤ t } ∈ Ft ,

donc {Y ∈ A } ∈ FT . Inversement, si Y est FT −mesurable, alors {Y 1{T ≤t } ∈ A } = ({Y ∈ A } ∩ {T ≤ t }) ∪ ({0 ∈

A } ∩ {T > t }) ∈ Ft .
On vérifie la FT −mesurabilité de Y = X T 1{T <+∞} en montrant que pour tout t ≥ 0,

Y 1{T ≤t } = X T 1{T ≤t } = X T ∧t 1{T ≤t }

44 CHAPITRE 5. INTÉGRALE STOCHASTIQUE D’ITÔ

est Ft −mesurable. Mais X T ∧t est la composition de deux applications mesurables :

(Ω, Ft ) → ([0, t ] × Ω, B([0, t ]) ⊗ Ft ) ([0, t ] × Ω, B([0, t ]) ⊗ Ft ) → (R, B(R))

{ et {
ω ↦ (T (ω) ∧ t , ω) (s, ω) ↦ X s (ω)

car T est un temps d’arrêt et X est progressif. On conclut que X T ∧t donc aussi X T ∧t 1{T ≤t } est Ft -mesurable.

Remarque 5.17. Il est nécessaire de considérer X T 1{T <+∞} plutôt que X T tant que X ∞ n’est pas défini. Par
contre, si X ∞ est défini et est F∞ −mesurable alors X T est FT −mesurable. En effet, comme X T = X T 1{T =+∞} +
X T 1{T <+∞} avec X T 1T <+∞ FT −mesurable d’après la proposition précédente, il reste à voir que X T 1{T =+∞} est
aussi FT −mesurable, i.e. pour tout A ∈ B(R) :

{ X T 1{T =+∞} ∈ A } = ({ X ∞ ∈ A } ∩ {T = +∞}) ∪ ({0 ∈ A } ∩ {T < +∞}) ∈ FT .

Pour cela, on a { X T 1{T =+∞} ∈ A } ∩ {T ≤ t } = {0 ∈ A } ∩ {T ≤ t } ∈ Ft quand t < +∞, tandis que pour t = +∞,
{ X T 1{T =+∞} } ∩ {T ≤ +∞} = ({ X ∞ ∈ A } ∩ {T = +∞}) ⋃({0 ∈ A } ∪ {T ≤ +∞}) ∈ F∞ .

5.2.2 Théorème d’arrêt

Définition 5.18. Une famille de variables aléatoires ( X t )t ≥0 dans L1 (Ω, F , P) est dite uniformément intégrable
si
lim (sup E[∣ X t ∣1{∣ X t ∣>a } ]) = 0.
a →+∞ t ≥0

La propriété d’uniforme intégrabilité implique d’être borné dans L 1 (Ω, F , P). La réciproque est fausse.

Proposition 5.19. Soit ( X t )t ≥0 une famille de variables aléatoires dans (Ω, F , P).
1. Si ( X t )t ≥0 est bornée dans L p (Ω, F , P) pour un certain p > 1, alors elle est uniformément intégrable.
2. S’il existe une variable aléatoire positive Z telle que ∣ X t ∣ ≤ Z p.s. pour tout t ≥ 0 et E[ Z ] < +∞, alors le
processus ( X t )t ≥0 est uniformément intégrable.

Preuve :
1. Pour tout a ≥ 1, on a
∀x > a, x ≤ x p ,
x
et on pose ϕ(a ) = sup( ). On a lima →+∞ ϕ(a ) = 0. On en déduit pour tout t ≥ 0,
x >a xp

E[∣ X t ∣1{∣ X t ∣>a } ] ≤ ϕ(a )E[∣ X t ∣p 1{∣ X t ∣>a } ] ≤ ϕ(a )E[∣ X t ∣p ].

Comme ( X t )t ≥0 est bornée dans L p (Ω, F , P) par supt ≥0 E[∣ X t ∣p ], l’inégalité

E[∣ X t ∣1{∣ X t ∣>a } ] ≤ ϕ(a ) sup E[∣ X t ∣p ],

t ≥0

permet de conclure que le processus ( X t )t ≥0 est uniformément intégrable.

2. Pour tout t ≥ 0, comme ∣ X t ∣ ≤ Z p.s., on a

E[∣ X t ∣1{∣ X t ∣>a } ] ≤ E[∣ Z ∣1{∣ Z ∣>a } ].

Le théorème de convergence dominée permet alors de conclure que le processus ( X t )t ≥0 est uniformé-
ment intégrable.
5.2. TEMPS D’ARRÊT. MARTINGALES LOCALES 45

Quelques rappels sur les processus discrets

Théorème 5.20 (Théorème d’arrêt de Doob). Soit X = ( X n )n ∈N une martingale (surmartingale respectivement)
par rapport à une filtration (Fn )n ∈N . Si S et T sont deux temps d’arrêt bornés à valeurs dans N ∪ {+∞} tels que
S ≤ T p.s., alors
E[ X T ∣FS ] = X S p.s.
(E[ X T ∣FS ] ≤ X S p.s. respectivement).

Preuve : admis

Proposition 5.21. Si (Yn )n ∈−N est une surmartingale indéxée par −N (i.e. Fn ⊂ Fn +1 et Yn ≥ E[Yn +1 ∣Fn ] pour
n ≤ 0) et telle que supn ≤0 E[Yn ] < +∞ alors la suite (Yn )n ≤0 est uniformément intégrable et converge p.s. et dans
L 1 quand n → −∞ vers une variable Z telle que Z ≥ E[Yn ∣F−∞ ] (où par définition F−∞ = ⋂n ≤0 Fn ).

Preuve : admis

Retour aux processus continus

Définition 5.22 (Martingale fermée). Une surmartingale ( X t )t ≥0 est dite fermée par une variable aléatoire X ∞ ∈
L 1 si pour tout t ≥ 0, on a X t ≥ E[ X ∞ ∣Ft ] p.s..
Une martingale ( X t )t ≥0 est dite fermée (comme martingale) par une variable aléatoire X ∞ ∈ L 1 si pour tout
t ≥ 0, on a X t = E[ X ∞ ∣Ft ] p.s..

Remarque 5.23. Une martingale peut être fermée en tant que surmartingale mais pas en tant que martingale :
considérer par exemple une martingale positive (non nulle), elle est fermée par 0 en tant que surmartingale (X t ≥
E[0∣Ft ]), pourtant elle n’est pas nulle.

Proposition 5.24. Soit X = ( X t )t ≥0 une martingale continue à droite. Alors, il y a équivalence entre les assertions
suivantes :
1. X est fermée (par X ∞ ) ;
2. la famille ( X t )t ≥0 est uniformément intégrable ;

Preuve : admis

Théorème 5.25 (Théorème d’arrêt de Doob).

1. Soit X = ( X t )t ≥0 une surmartingale continue à droite et fermée par X ∞ , variable aléatoire F∞ −mesurable
(F∞ = ⋁t ≥0 Ft ).Soient S et T deux temps d’arrêt avec S ≤ T . Alors X S et X T sont dans L 1 et

X S ≥ E[ X T ∣FS ] p.s.,

avec la convention X T = X ∞ sur {T = +∞}.

2. Soit X une martingale continue à droite fermée par X ∞ , variable aléatoire F∞ −mesurable. Alors, si S et T
sont deux temps d’arrêt avec S ≤ T , on a

X S = E[ X T ∣FS ] p.s.,

avec la convention X T = X ∞ sur {T = +∞}. En particulier, X S = E[ X ∞ ∣FS ] p.s..

Preuve :
46 CHAPITRE 5. INTÉGRALE STOCHASTIQUE D’ITÔ

1. Pour tout n ≥ 1, posons D n = { 2kn ∶ k ∈ N} ∪ {+∞} et on a

Tn = inf{t ∈ D n ∶ t > T }
+∞ k + 1
=∑ 1{k2−n <T ≤(k +1)2−n } + (+∞)1{T =+∞} .
k =0 2n

D’après la proposition 5.15, les temps Tn forment une suite de temps d’arrêt qui décroît vers T . Consi-
dérons pour n fixé les deux variables Tn et Tn +1 . Ce sont deux temps d’arrêt pour la filtration discrète
(Ft )t ∈D n +1 car

{k2−n < T ≤ (k + 1)2−n −1 } ⊂ {T ≤ k2−n −1 }c ∩ {T ≤ (k + 1)2−n −1 } ∈ F(k +1)2−n −1 .

Puisque Tn +1 ≤ Tn , le théorème d’arrêt (discret) appliqué à la surmartingale discrète ( X t )t ∈D n +1 (qui est

fermée par X ∞ ) pour la filtration discrète (Ft )t ∈D n +1 entraîne que

X Tn +1 ≥ E[ X Tn ∣FTn +1 ] p.s.

Notons, pour k ≤ 0, Yk = X T−k . On a

Yk −1 = X T−k +1 ≥ E[ X T−k ∣FT−k +1 ] = E[Yk ∣FT−k +1 ] p.s.

La suite (Yk )k ∈−N est donc une surmartingale indexée par −N pour la filtration (FT−k )k ∈−N . De plus, on
a aussi supk ≤0 E[Yk ] = supn ≥0 E[ X Tn ] ≤ E[ X 0 ] (on utilise ici encore le théorème d’arrêt discret). D’après
le résultat discret de convergence, on conclut que X Tn converge p.s. et dans L 1 . Comme Tn ↘ T , par
continuité à droite, la limite p.s. est nécessairement X T , ce qui donne en particulier X T ∈ L 1 car il y a
aussi convergence L 1 .
Au temps d’arrêt S, on associe de même la suite S n ↘ S vérifiant aussi (quitte à réindexer S n ) S n ≤ Tn et
X S n converge vers X S p.s. et dans L 1 . Puisque S n ≤ Tn , le théorème d’arrêt discret donne X S n ≥ E[ X Tn ∣FS n ]
p.s. Ainsi, pour A ∈ FS ⊂ FS n ,
E[ X S n 1 A ] ≥ E[ X Tn 1 A ].

En passant à la limite L 1 quand n → +∞, il vient

E[ X S 1 A ] ≥ E[ X T 1 A ]

pour tout A ∈ FS . Comme d’après la proposition 5.16 et la remarque 5.17, X S est FS -mesurable, cette
inégalité assure alors que X S ≥ E[ X T ∣FS ] p.s., ce qui conclut 1).
2. Il suffit d’appliquer la partie 1) à X et à − X .

Corollaire 5.26. Si M est une (Ft )t ≥0 −martingale continue et si S et T sont deux temps d’arrêt tels que S ≤ T ≤ K ,
K étant une constante finie (S et T sont bornés), alors M T est intégrable et E[M T ∣FS ] = M S p.s.

Étant donné un temps d’arrêt T , on définit le processus arrêté X T = ( X tT )t ≥0 par X tT = X t ∧T , c’est le proces-
sus qui vaut ( X t ) tant que t ≤ T puis qu’on arrête à sa valeur en T , X T , pour les dates ultérieures à T .

Corollaire 5.27. Soit X une martingale continue à droite uniformément intégrable et soit T un temps d’arrêt.
Alors le processus ( X tT )t ≥0 est aussi une martingale uniformément intégrable, et

X tT = E[ X T ∣Ft ] p.s. (5.2)

avec la convention X T = X ∞− sur {T = +∞}.

5.2. TEMPS D’ARRÊT. MARTINGALES LOCALES 47

Preuve : Il suffit d’établir (5.2) : on aura alors une martingale fermée donc uniformément intégrable. Rappelons
que X T ∈ L 1 d’après le théorème d’arrêt. D’après ce théorème avec S = t ∧ T ≤ T , on a aussi

X tT = X S = E[ X T ∣FS ] = E[ X T ∣Ft ∧T ] p.s.

Il reste à voir que E[ X T ∣Ft ∧T ] = E[ X T ∣Ft ] p.s. Puisque X T 1T <+∞ est FT −mesurable (cf. Proposition 5.16), on
sait que X T 1T ≤t est Ft −mesurable et aussi FT -mesurable, donc Ft ∧T −mesurable. Il en découle que

E[ X T 1{T ≤t } ∣Ft ∧T ] = X T 1{T ≤t } = E[ X T 1{T ≤t } ∣Ft ] p.s..

Pour compléter la preuve, il reste à voir que

E[ X T 1{T >t } ∣Ft ∧T ] = E[ X T 1{T >t } ∣Ft ] p.s.

Or si A ∈ Ft , on a
● A ∩ {T > t } ∈ Ft car {T > t } = {T ≤ t }c ∈ Ft ;
● puis A ∩ {T > t } ∈ FT car A ∩ {T > t } ∩ {T ≤ s } = ∅ ∈ Fs si s ≤ t et A ∩ {T > t } ∩ {T ≤ s } = ∅ ∈ Fs si t ≤ s car
{T > t } = {T ≤ t }c ∈ Ft ⊂ Fs et {T ≤ s } ∈ Fs .
Finalement, A ∩ {T > t } ∈ FT ∩ Ft = Ft ∧T et donc pour tout A ∈ Ft :

E[1 A 1{T >t } X T ] = E[E[1 A 1{T >t } X T ∣Ft ∧T ]] = E[1 A 1{T >t } E[ X T ∣Ft ∧T ]] p.s.

Par ailleurs,
E[1 A 1{T >t } X T ] = E[E[1 A 1{T >t } X T ∣Ft ]] = E[1 A E[1{T >t } X T ∣Ft ]] p.s.
On a donc
E[1 A E[1{T >t } X T ∣Ft ]] = E[1 A 1{T >t } E[ X T ∣Ft ∧T ]] p.s.
avec E[ X T 1{T >t } ∣Ft ] qui est Ft −mesurable. Mais rappelons que Y = E[ Z ∣G] ssi Y est G−mesurable et E[1 A Z ] =
E[1 A Y ] pour tout A ∈ G . Finalement,

E[ X T 1T >t ∣Ft ∧T ] = E[1{T >t } X T ∣Ft ] p.s.

Proposition 5.28. Soit X un processus càdlàg et adapté. X est une martingale si et seulement si pour tout temps
d’arrêt borné T , la variable X T est intégrable et E[ X T ] = E[ X 0 ].

Preuve : ● ⇒ vient du théorème d’arrêt de Doob.

● ⇐ Soient 0 < s < t et A ∈ Fs . Posons T = t 1 A c + s 1 A . C’est un temps d’arrêt borné. On a donc
E[ X 0 ] = E[ X T ] = E[ X t 1 A c ] + E[ X s 1 A ].

De même pour tout t ≥ 0, t est un temps d’arrêt borné. On a donc également,

E[ X 0 ] = E[ X t ] = E[ X t 1 A ] + E[ X t 1 A c ].

On en déduit que E[ X t 1 A ] = E [ X s 1 A ], autrement dit E[ X t ∣Fs ] = X s .

Proposition 5.29. Soient M une martingale càd et T un temps d’arrêt, alors le processus arrêté M T = (M tT )t ≥0
est une martingale. Si de plus M est uniformément intégrable, alors M T l’est aussi.

Preuve : Le processus arrêté M T est nécessairement continu à droite. D’après la proposition précédente, il suf-
fit de vérifier que E[M ST ] = E[M 0T ] pour tout temps d’arrêt borné S. Or M ST = M T ∧S , où T ∧ S est un temps d’arrêt
borné. Encore d’après la proposition précédente, on a E[M ST ] = E [M T ∧S ] = E [M 0 ] = E [M 0T ]. Donc d’après la
proposition précédente M T est une martingale.

Conclusion. Si X est une martingale et T un temps d’arrêt, X T définit bien une martingale appelée martin-
gale arrêtée. Elle est uniformément intégrable si X l’est ou si T est un temps d’arrêt borné.
48 CHAPITRE 5. INTÉGRALE STOCHASTIQUE D’ITÔ

5.2.3 Martingale locale

Définition 5.30. Soit M = (M t )t ≥0 un processus réel adapté. On dit que c’est une Ft −martingale locale, s’il existe
une suite croissante de temps d’arrêt (T p )p ≥0 tendant vers +∞ telle que (M t ∧Tp )t ≥0 soit une Ft −martingale :
1. (M t ∧Tp )t ≥0 est Ft −adapté,
2. E[∣M t ∧Tp ∣] < +∞, ∀t ≥ 0, ∀p ∈ N,
3. E[M t ∧Tp ∣Fs ] = M s ∧Tp , ∀0 ≤ s ≤ t , ∀p ∈ N.
On dit que la suite (T p )p ∈N réduit M .

BOn n’a pas forcément E[∣M t ∣] < +∞, les martingales locales ne sont pas forcément intégrables.

Exemple 5.31. Une martingale à trajectoires continues est une martingale locale et la suite Tn = n réduit M . En
effet, cela vient du corollaire 5.27 et de ses conséquences avec les temps d’arrêt Tn = n ↗ +∞, plus simplement, il
est immédiat que pour s < t :
M s ∧n = E[M t ∧n ∣Fs ].

Proposition 5.32. Si M est une martingale locale continue, pour tout temps d’arrêt T , M T est une martingale
locale.

Preuve : Si T p réduit M , alors M Tp est une martingale et (M T )Tp = M T ∧Tp = (M Tp )T l’est aussi d’après le
corollaire 5.27.

Proposition 5.33. Si (Tn )n ≥0 réduit M et si (S n )n ≥0 est une suite de temps d’arrêt telle que S n ↗ +∞, alors la
suite (Tn ∧ S n )n ≥0 réduit aussi M .

Preuve : On a (Tn ∧ S n ) ↗ +∞ et M Tn ∧S n = (M Tn )S n est une martingale. Donc M est une martingale locale et
(S n ∧ Tn )n ≥0 réduit M .

Exemple 5.34 (Exemple fondamental). Soit X = ( X t )t ≥0 un processus continu adapté partant de 0. Pour tout
n ≥ 1, on définit
R n = inf{t ≥ 0 ∶ ∣ X t ∣ ≥ n } (avec inf ∅ = +∞).

C’est un temps d’arrêt. C’est le temps d’entrée dans le fermé ] − ∞, −n ] ∪ [n, +∞[ par X , processus continu et
adapté.
a) R n Ð→ +∞ p.s.
n →+∞

En effet, ∣ X t ∣ ≥ n + 1 ⇒ ∣ X t ∣ ≥ n ⇒ R n ≤ R n +1 et {R n < a } = { sup ∣ X t ∣ ≥ n }. Par continuité des trajectoires

t ∈[0,a ]
donc uniforme continuité sur les compacts, on a Z a = sup ∣ X t ∣ < +∞ p.s. Donc
t ∈[0,a ]

P(R n < a ) = P( Z a ≥ n ) Ð→ 0.
n →+∞

P
On en déduit que R n Ð→ +∞ ce qui entraîne R n Ð→ + ∞ p.s.
n →+∞ n →+∞

b) Pour tout t ≥ 0, ∣ X t ∧Rn ∣ ≤ n et ∣ X Rn ∣ = n (ce serait faux pour un processus non continu).

Proposition 5.35. Soit R n = inf{t ≥ 0 ∶ ∣M t ∣ ≥ n } avec M une martingale locale continue. Alors M t ∧Rn est une
martingale uniformément bornée.
5.3. EXTENSION/GÉNÉRALISATION DE L’INTÉGRALE STOCHASTIQUE 49

Preuve : Il existe une suite (T p )p ≥0 de temps d’arrêt tendant vers +∞ telle que (M t ∧Tp )t ≥0 soit une Ft −martingale.
D’après les résultats précédents, M t ∧Tp ∧Rn est une Ft −martingale uniformément bornée par n. On a donc pour
tout A ∈ Fs , 0 ≤ s ≤ t , E[M t ∧Tp ∧Rn 1 A ] = E[M s ∧Tp ∧Rn 1 A ] (définition d’une martingale). Comme T p Ð→ +∞,
p →+∞

M t ∧Tp ∧Rn Ð→ M t ∧Rn

p →+∞

M s ∧Tp ∧Rn Ð→ M s ∧Rn ,

p →+∞

et ∣M t ∧Tp ∧Rn ∣ ≤ n, on peut appliquer le théorème de convergence dominé (Lebesgue) :

E[M t ∧Tp ∧Rn 1 A ] = E[M s ∧Tp ∧Rn 1 A ] Ð→ E[M t ∧Rn 1 A ] = E[M s ∧Rn 1 A ].
p →+∞

Donc M s ∧Rn = E[M t ∧Rn ∣Fs ] et (M t ∧Rn )t ≥0 est une martingale uniformément bornée par n.

5.3 Extension/généralisation de l’intégrale stochastique

Nous allons définir des intégrales stochastiques avec des intégrands plus généraux que ceux considérés
précédemment.

t
Notation : Soient Λ0l oc = {Φ = (Φt )t ≥0 progressif tel que ∫0 Φ2s ds < +∞p.s.∀t ≥ 0}.

On va maintenant définir l’intégrale stochastique pour Φ ∈ Λ0l oc . Pour cela, on va introduire des temps d’ar-
rêt.

Lemme 5.36. Soit Φ ∈ Λ0l oc . Pour n ∈ N, on définit τn par

t
τn = inf{t ≥ 0 ∶ ∫ Φ2s ds ≥ n }.
0

Alors τn est un temps d’arrêt.

t
Preuve : τn est un Ft −temps d’arrêt car c’est le temps d’entrée du processus continu ∫0 Φ2s ds dans le fermé
[n, +∞[. Plus rigoureusement,
s s 1 s 1
{τn ≤ t } = { sup ∫ Φ2u du ≥ n } = {∀k > 0∃s ≤ t ∫ Φ2u du > n − }= ⋂ ⋃ {∫ Φ2u du > n − } ∈ Ft .
s ≤t 0 0 k k ≥1 s ∈[0,t ]∩Q 0 k

Lemme 5.37. Soit τ un temps d’arrêt. Le processus {1[0,τ] (t ); t ≥ 0} est progressivement mesurable.

Preuve : Soit T > 0, il faut montrer que l’application

Ψ ∶ Ω × [0, T ] →R
(ω, t ) ↦ 1[0,τ(ω)] (t )
est FT ⊗ B([0, T ])−mesurable. Ψ est la composée des deux applications suivantes :

(Ω × [0, T ], FT ⊗ B([0, T ])) → ([0, T ] × [0, T ], B([0, T ]) ⊗ B([0, T ]))

{
(ω, t ) ↦ (t , τ(ω) ∧ T )
50 CHAPITRE 5. INTÉGRALE STOCHASTIQUE D’ITÔ

et
([0, T ] × [0, T ], B([0, T ]) ⊗ B([0, T ])) → (R, B(R))
{
(u, t ) ↦ 1{u <t } .
Elles sont respectivement FT ⊗B([0, T ])-mesurables et B([0, T ])⊗B([0, T ])−mesurables et Ψ est la composée
de ces deux fonctions et est donc elle-même FT ⊗ B([0, T ])-mesurable.
τ
Il découle du lemme précédent et du fait que E ∫0 n Φ2s ds ≤ n, que ∀n ∈ N, ∀Φ ∈ Λ0l oc ,

1[0,τn ] Φ ∈ Λ2 .

On peut alors définir pour tout n,

t
M tn = ∫ 1[0,τn ] (s )Φs dB s , t ≥ 0.
0
t
Pour n fixé, le processus M n = (M tn )t ≥0 est une martingale et on a ⟨M n ⟩t = ∫0 Φ2s 1[0,τn ] (s )ds. Il faut donc
montrer que pour tout T > 0, M tn converge p.s. uniformément pour t ∈ [0, T ] quand n → +∞. Le processus
limite sera alors noté
t
Mt = ∫ Φs dB s , t ≥ 0.
0

Lemme 5.38. Soit Φ ∈ Λ2l oc et τ un temps d’arrêt. Alors 1[0,τ] Φ ∈ Λ2l oc et pour tout t ≥ 0,

t t ∧τ
∫ 1[0,τ] (s )Φs dB s = ∫ Φs dB s , p.s.
0 0

Preuve : admis
On a donc pour tout n ∈ N, M t ∧τn = M tn et (τn )n ∈N est une suite croissante de temps d’arrêt qui tend vers
+∞ quand n → +∞. La limite sera donc une martingale locale.

Proposition 5.39. Soient Φ ∈ Λ0l oc et T > 0, alors M tn converge p.s. uniformément sur [0, T ] lorsque n → +∞.

Preuve : Soit n < m. Alors τn < τm et le lemme précédent appliqué à 1[0,τm ] Φ et τn assure que

t
M tn = ∫ 1[0,τn ] (s )1[0,τm ] Φs dB s
0
t ∧τ n
=∫ 1[0,τm ] (s )Φs dB s
0

et cette dernière quantité ne dépend pas de m. Fixons T > 0, sur Ωn = {τn ≥ T }, la suite {M tn ; 0 ≤ t ≤ T }, est
constante et égale à sa limite. Le résultat découle alors du fait que Ωn ↗ Ω p.s.
Nous pouvons résumer les propriétés de l’intégrale d’Itô obtenue.

Proposition 5.40. Pour tout Φ ∈ Λ0l oc , il existe un processus continu

t
Mt = ∫ Φs dB s , t ≥ 0.
0

1. Le processus M = (M t )t ≥0 est une martingale locale.

2. Le processus croissant associé à M est
t
⟨ M ⟩t = ∫ Φ2s ds.
0

C’est le seul processus croissant, continu, adapté, nul en 0 tel que M t2 − ⟨M ⟩t soit une martingale locale.
5.4. PROCESSUS D’ITÔ 51

Récapitulatif sur l’intégrale stochastique :

Soient (Ω, F , (Ft )t ≥0 , P) un espace de probabilité filtré, (B t )t ≥0 un Ft −mouvement brownien réel et Φ =

(Φt )t ≥0 un processus progressivement mesurable. On peut définir l’intégrale stochastique de deux manières :
t t
• E ∫0 Φ2s ds < +∞∀t ≥ 0 • ∫0 Φ2s ds < +∞ p.s. ∀t ≥ 0 (condition plus faible)
t t
M t = ∫0 Φs dB s est alors bien définie M t = ∫0 Φs dB s est alors bien définie

M = (M t )t ≥0 processus, Ft −martingale M = (M t )t ≥0 processus, Ft −martingale locale, i.e.

de carré intégrable, d’espérance nulle ∃(Tn )n ≥0 , Tn ↗ +∞, Tn ≤ Tn +1 telle que
t
et à trajectoires continues (M t ∧Tn )t ≥0 martingale et Tn = inf{t ∶ ∫0 Φ2s ds ≥ n }
E[M t ∧Tn ∣Fs ] = M s ∧Tn , ∀0 ≤ s ≤ t , ∀n ≥ 0

t t
E[ ∫0 Φs dB s ] = 0 B E[ ∫0 Φs dB s ] = ?
2
t t
E[( ∫0 Φs dB s ) ] = E[ ∫0 Φ2s ds ], M t n’est pas forcément intégrable

⟨M ⟩t unique processus croissant, ⟨M ⟩t unique processus croissant,

à trajectoires continues, adapté, à trajectoires continues, adapté,
partant de 0 et tel que M t2 − ⟨M ⟩t Ft −martingale partant de 0 et tel que M t2 − ⟨M ⟩t Ft −martingale locale
t t
⟨M ⟩t = ∫0 Φ2s ds ⟨M ⟩t = ∫0 Φ2s ds
⇒
la réciproque est fausse

5.4 Processus d’Itô

Dans cette partie, on donne la formule d’Itô, véritable clef de voûte du calcul stochastique. Celle-ci montre
que lorsqu’on applique une application C 2 à une semi-martingale, on conserve une semi-martingale ; elle en
donne en plus la décomposition (martingale locale + processus à variation finie).

Définition 5.41. Soient (Ω, F , (Ft )t ≥0 , P) un espace de probabilité filtré et (B t )t ≥0 un Ft −mouvement brownien
standard. On appelle processus d’Itô, un processus de la forme
t t
Xt = X0 + ∫ Φs dB s + ∫ αs ds,
0 0

où
• X 0 est une variable aléatoire F0 −mesurable,
t t
• Φ processus progressif tel que ∫0 Φ2s ds < +∞ p.s. ∀t ≥ 0, i.e. ∫0 Φs dB s est une martingale locale,
t t
• α adapté, ∫0 ∣αs ∣ds < +∞ p.s. ∀t ≥ 0, i.e. ∫0 αs ds est un processus à variation finie.

Définition 5.42. Soient deux processus d’Itô

t t
Xt = X0 + ∫ Φs dB s + ∫ αs ds
0 0
t t
Y t = Y0 + ∫ Ψs dB s + ∫ βs ds.
0 0

On définit le processus
t . .
⟨ X , Y ⟩t = ∫ Φs Ψs ds = ⟨ ∫ Φs dB s , ∫ Ψs dB s ⟩ .
0 0 0 t
52 CHAPITRE 5. INTÉGRALE STOCHASTIQUE D’ITÔ

Remarque 5.43. Le crochet de deux processus d’Itô est par définition le crochet de leurs parties martingales
locales.
Proposition 5.44. Si τn = {0 = t 0n < t 1n < ⋅⋅⋅ < t rnn = t } avec ∣ pas τn ∣ Ð→ 0,
n →+∞

r n −1
P
∑ ( X tin+1 − X tin )(Y tin+1 − Y tin ) Ð→ ⟨ X , Y ⟩t .
n →+∞
i =0

et
1
⟨ X , Y ⟩t = [⟨ X + Y ⟩t − ⟨ X − Y ⟩t ],
4
2
t
où ⟨ X + Y ⟩t est le seul processus continu, croissant, adapté tel que ( ∫0 (Φs + Ψs )dB s ) − ⟨ X + Y ⟩t soit une mar-
tingale locale.

Preuve : admis
t t
Définition 5.45 (Intégration par rapport à un processus d’Itô). Soit X t = X 0 + ∫0 Φs dB s + ∫0 αs ds et U = (U s )s ≥0
t
tel que ∫0 (U s2 Φ2s + ∣U s αs ∣)ds < +∞ p.s. ∀t ≥ 0. Par définition
t t t
∫ U s dX s = ∫ U s Φs dB s + ∫ U s αs ds .
0 0 0
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
martingale locale processus à variation finie

Théorème 5.46 (Formule d’Itô, produit de deux processus d’Itô). Soient deux processus d’Itô :
t t
Xt = X0 + ∫ Φs dB s + ∫ αs ds
0 0
t t
Y t = Y0 + ∫ Ψs dB s + ∫ βs ds.
0 0

Alors
t t
X t Y t = X 0 Y0 + ∫ X s dY s + ∫ Y s dX s + ⟨ X , Y ⟩t . (5.3)
0 0

Preuve : • Existence des différents termes :

t t t
∫0 X s dY s = ∫0 X s Ψs dB s + ∫0 X s βs ds a un sens car
t t
∫ X s2 Ψ2s ds ≤ sup X s2 ∫ Ψ2s ds < +∞p.s.
0 s ∈[0,t ] 0
t t
∫ ∣ X s βs ∣ds ≤ sup ∣ X s ∣ ∫ ∣βs ∣ds < +∞p.s.,
0 s ∈[0,t ] 0

car les trajectoires des processus sont continues.

t t
⟨ X , Y ⟩t est l’unique processus continu à variation finie tel que ( ∫0 Φs dB s )( ∫0 Ψs dB s ) − ⟨ X , Y ⟩t soit une
Ft −martingale locale. On a
. .
⟨ X , Y ⟩t = ⟨ ∫ Φs dB s , ∫ Ψs dB s ⟩
0 0 t
1
⟨ X , Y ⟩t = [⟨ X + Y ⟩t − ⟨ X − Y ⟩t ]
4
1
X t Y t = [( X t + Y t )2 − ( X t − Y t )2 ]
4
5.4. PROCESSUS D’ITÔ 53

• Il suffit de montrer (5.3) pour le carré :

t
X t2 = X 02 + 2 ∫ X s dX s + ⟨ X ⟩t .
0

Soit Πn = {0 = t 0n < t 1n < ⋅⋅⋅ < t rnn = t } avec ∣Πn ∣ = sup ∣t in+1 − t in ∣ Ð→ 0. On peut alors écrire
i =0,...,r n −1 n →+∞

r n −1 r n −1 r n −1
X t2 − X 02 = ∑ ( X t2n − X t2n ) = 2 ∑ X t n ( X t n − X t n ) + ∑ ( X t n − X t n )2 .
i +1 i i i +1 i i +1 i
i =0 i =0 i =0
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
Ð→ 2 ∫0t X s dX s P
Ð→ ⟨ X ⟩t
n →+∞ n →+∞

On en déduit que
t
X t2 = X 02 + 2 ∫ X s dX s + ⟨ X ⟩t .
0 ±
terme supplémentaire par rapport à l’intégrale de Stieljes, du fait que X ne soit pas à variation finie

Théorème 5.47 (Formule d’Itô). Soit X = ( X t )t ≥0 un processus d’Itô et f ∶ R → R une fonction C 2 . Alors ( f ( X t ))t ≥0
est un processus d’Itô tel que
t 1 t
f (X t ) = f (X 0) + ∫ f ′ ( X s )dX s + ∫ f ′′ ( X s )d⟨ X ⟩s . (5.4)
0 2 0

s s
Idée de preuve : Soit X s = X 0 + ∫0 Φu dB u + ∫0 αu du. On a

s ↦ f ′ ( X s ) continue,
s ↦ f ′′ ( X s ) continue,
s
⟨ X ⟩s = ∫ Φ2u du.
0

Il faut se donner une subdivision de [0, t ] et appliquer un développement de Taylor.

t 1 t
(5.4) ⇔ f ( X t ) = f ( X 0 ) + ∫ f ′ ( X s )[Φs dB s + αs ds ] + ∫ f ′′ ( X s )Φ2s ds
0 2 0
t t 1
= f (X 0) + ∫ f ′ ( X s )Φs dB s + ∫ ( f ′ ( X s )αs + f ′′ ( X s )Φ2s )ds
0 0 2
Exemple 5.48. Montrons que Y t = e Bt
est un processus d’Itô.
• t ↦ B t est un processus d’Itô :
t t
B t = B0 + ∫ 1 dB s + ∫ 0 ds
¯ 0 0
=0

• f ∶ x ↦ ex est une fonction C 2 de R dans R, f ′ (x ) = ex et f ′′ (x ) = ex . On applique la formule d’tô à f (B t ) :

t 1 t
f (B t ) = f (B 0 ) + ∫ f ′ (B s )dB s + ∫ f ′′ (B s )d⟨B ⟩s
0 2 0
t 1 t
⇔ eB t = 1 + ∫ eB s dB s + ∫ eB s ds,
0 2 0
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
martingale locale

s
puisque ⟨B ⟩s = ∫0 12 ds = s.
54 CHAPITRE 5. INTÉGRALE STOCHASTIQUE D’ITÔ

Théorème 5.49. Soit X = ( X t )t ≥0 un processus d’Itô et f ∈ C 1,2 (R+ × R) :

f ∶ R+ × R → R
f est C 1 en t et C 2 en x. Alors on a :
(t , x ) ↦ f (t , x )

t ∂f t ∂f 1 t ∂2 f
f (t , X t ) = f (0, X 0 ) + ∫ (s, X s )ds + ∫ (s, X s )dX s + ∫ (s, X s )d⟨ X ⟩s . (5.5)
0 ∂s 0 ∂x 2 0 ∂x 2
Remarque 5.50.
1. Le théorème se démontre à l’aide de la formule de Taylor pour f (t , x ).
t
2. Y t = (t , X t ) est un processus d’Itô de dimension 2. En effet, t ↦ t est aussi un processus d’Itô : t = 0+∫0 0dB s +
t
∫0 1 ds
3. On peut réécrire (5.5) :

t ∂f t ∂f 1 t ∂2 f
f (t , X t ) = f (0, X 0 ) + ∫ (s, X s )ds + ∫ (s, X s )[Φs dB s + αs ds ] + ∫ (s, X s )Φ2s ds
0 ∂s 0 ∂x 2 0 ∂x 2
t ∂f t ∂f ∂f 1 ∂2 f
= f (0, X 0 ) + ∫ (s, X s )Φs dB s + ∫ [ (s, X s ) + (s, X s )αs + (s, X s )Φ2s ]ds
0 ∂x 0 ∂s ∂x 2 ∂x 2
t t
Exemple 5.51. Montrons que si X t = X 0 + ∫0 Φs dB s + ∫0 αs ds est un processus d’Itô, Y t = t 2 sin X t est un processus
d’Itô.
t ↦ t 2 sin x C 1
On a (t , X t ), et
x ↦ t 2 sin x C 2

∂f
f (t , x ) = t 2 sin x, (t , x ) = 2t sin x,
∂t
∂f ∂2 f
(t , x ) = t 2 cos x, (t , x ) = −t 2 sin x.
∂x ∂x 2
On applique donc la formule d’Itô
t t 1 t
t 2 sin X t = 0 + ∫ 2s sin X s ds + ∫ s 2 cos X s dX s + ∫ −s 2 sin X s d⟨ X ⟩s
0 0 2 0
t t 1
=∫ s 2 cos X s Φs dB s + ∫ [2s sin X s + s 2 cos X s αs − s 2 sin X s Φ2s ]ds
0 0 2

Calculer ⟨Y ⟩t (le crochet existe uniquement si Y est un processus d’Itô, pour montrer que c’en est un, il faut
utiliser la formule (5.5)). On trouve
t
⟨Y ⟩ t = ∫ s 4 cos2 X s Φ2s ds.
0

5.5 Cas multidimensionnel

Définition 5.52. Soit (Ω, F , P) un espace de probabilité. Un mouvement brownien d − d i mensi onnel est un
processus B = (B 1 , . . . , B d ) tel que ∀i = 1, . . . , d , B i = (B ti )t ≥0 soit un mouvement brownien et (B 1 , . . . , B d ) soient
indépendants.

Définition 5.53. Soit (Ft )t ≥0 une filtration sur (Ω, F , P). Un processus B = (B t )t ≥0 = (B t1 , . . . , B td )t ≥0 adapté à
(Ft )t ≥0 est un Ft −mouvement brownien d −dimensionnel si
1. B 0 = (B 01 , . . . , B 0d ) = (0, . . . , 0),
2. les trajectoires sont p.s. continues,
5.5. CAS MULTIDIMENSIONNEL 55

3. ∀0 ≤ s < t , B t − B s est indépendant de Fs (B ce n’est pas forcément la filtration propre de B ),

4. ∀0 ≤ s < t , B t − B s ∼ N (0, (t − s ) I d ), où I d est la matrice identité de dimension d .

Proposition 5.54. Soit B = (B 1 , . . . , B d ) un Ft −mouvement brownien.

1. ∀i = 1, . . . , d , (B i )2 = ((B ti )2 )t ≥0 est une Ft −sous-martingale,
j
2. ∀i , j = 1, . . . , d , i ≠ j , B i B j = (B ti B t )t ≥0 est une Ft −martingale.

Preuve :
1. En appliquant la formule d’Itô, on obtient
t
(B ti )2 = 2 ∫ B si dB si + t .
0

On a
t t t t2
E[ ∫ (B si )2 ds ] = ∫ E((B si )2 )ds = ∫ sds = < +∞,
0 0 0 2
t
on en déduit que B ∈ Λ2l oc et que ∫0 B si dB si est une martingale de carré intégrable. On a donc pour t > s,

t
E[(B ti )2 ∣Fs ] = E[(2 ∫ B ui dB ui + t )∣Fs ]
0
s
= 2∫ B ui dB ui + t
0
= (B si )2 + (t − s )
> (B si )2 .

(B i )2 = ((B ti )2 )t ≥0 est donc une Ft −sous-martingale.

2. Soient 0 ≤ s < t et i ≠ j , on peut écrire
j j j j j j j
B ti B t − B si B s = B si (B t − B s ) + (B ti − B si )B s + (B ti − B si )(B t − B s ).

On a donc
j j j j j j j
E[(B ti B t − B si B s )∣Fs ] = E[B si (B t − B s )∣Fs ] + E[B s (B ti − B si )∣Fs ] + E[(B ti − B si )(B t − B s )∣Fs ]
j j j j j
= B si E[B t − B s ∣Fs ] + B s E[B ti − B si ∣Fs ] +E[(B ti − B si )(B t − B s )∣Fs ]
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶
j
car B si est Fs −mesurable car B s est Fs −mesurable
j j j j j
= B si E[B t − B s ] + B s E[B ti − B si ] + E[B ti − B si ∣Fs ]E[B t − B s ∣Fs ]
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
car B t −B s ∐ Fs
j j car B ti −B si ∐ Fs car B ti −B si ∐ B t −B s
j j

j j
= 0 + 0 + E[B ti − B si ]E[B t − B s ]
= 0,
j
B i B j = (B ti B t )t ≥0 est donc bien une Ft −martingale.

Corollaire 5.55. Soit B = (B 1 , . . . , B d ) un Ft −mouvement brownien d −dimensionnel. Alors,

1. ⟨B i ⟩t = t , ∀i = 1, . . . , d ,
2. ⟨B i , B j ⟩t = 0, ∀i , j = 1, . . . , d , i ≠ j .
56 CHAPITRE 5. INTÉGRALE STOCHASTIQUE D’ITÔ

Preuve :
1. On a
t
(B ti )2 = 2 ∫ B si dB si + t .
0

Or ⟨B i ⟩t est l’unique processus croissant adapté à trajectoires continues, partant de 0 tel que (B ti )2 −⟨B i ⟩t
soit une martingale. On a vu que
t
(B ti )2 − t = 2 ∫ B si dB si
0

est une martingale et

t t
B ti = 0 + ∫ 1dB si + ∫ 0ds
0 0
t
est un processus d’Itô. On a donc ⟨B i ⟩t = ∫0 12 ds = t .
j
2. (⟨B i , B j ⟩t )t ≥0 est l’unique processus à variation finie, à trajectoires continues, partant de 0 tel que B ti B t −
j
⟨B i , B j ⟩t soit une martingale locale. Or B ti B t − 0 est une martingale, on en déduit que ⟨B i , B j ⟩t = 0.

Par extension, pour Φ = (Φs )s ≥0 et Ψ = (Ψs )s ≥0 deux processus progressivement mesurables réels, tels que
t t t j
∫0 (∣Φs ∣ + ∣Ψs ∣ )ds
< +∞ p.s. pour tout t ≥ 0, i.e. M t = ∫0 Φs dB si et N t = ∫0 Ψs dB s sont des martingales locales
2 2

bien définies, on a
. .
j
⟨M , N ⟩t = ⟨ ∫ Φs dB si , ∫ Ψs dB s ⟩ = 0 ∀i , j = 1, . . . , d , i ≠ j.
0 0 t

Mais
. . t
⟨ ∫ Φs dB si , ∫ Ψs dB si ⟩ = ∫ Φs Ψs ds.
0 t 0 0

Intégrale stochastique par rapport à B = (B 1 , . . . , B d ) mouvement brownien d −dimensionnel :

t d t
Λdloc = {Φ; (Φs )s ≥0 = (Φ1s , . . . , Φds ) ∈ Rd , progressivement mesurable tel que ∫ ∣Φs ∣2 ds = ∑ ∫ ∣Φis ∣2 ds < +∞}
0 i =1 0

On définit
t d t
Mt = ∫ Φs dB s = ∑ ∫ Φis dB si .
0 i =1 0

M = (M t )t ≥0 est une martingale locale (∃(Tn )n ≥0 suite de temps d’arrêt qui tendent en croissant vers +∞ telle
que (M t ∧Tn )t ≥0 soit une Ft −martingale). On a

d . t d t
⟨M ⟩t = ⟨ ∑ ∫ Φis dB si ⟩ = ∫ ∑ ∣Φs ∣ ds = ∫
i 2
∣Φs ∣2 ds,
i =1 0 t 0 i =1 0

√
avec ∣x ∣ = x 12 + ⋅⋅⋅ + x d2 . Pour deux processus Φ et Ψ dans Λdloc et B = (B 1 , . . . , B d ), on définit pour

t t
Mt = ∫ Φs dB s et N t = ∫ Ψs dB s ,
0 0

t d
⟨ M , N ⟩t = ∫ ∑ Φs Ψs ds
i i
0 i =1

et
1
⟨M , N ⟩t = [⟨M + N ⟩t − ⟨M − N ⟩t ].
4
5.5. CAS MULTIDIMENSIONNEL 57

Processus d’Itô :
t t
Xt = X0 + ∫ Φs dB s + ∫ αs ds
0 0
avec
● X 0 variable aléatoire réelle F0 −mesurable
● Φ = (Φ1 , . . . , Φd ) ∈ Λdloc
● B = (B 1 , . . . , B d ) Ft −mouvement brownien d −dimensionnel
t
● α adapté et ∫0 ∣αs ∣ds < +∞ pour tout t ≥ 0 p.s.
Si X et Y sont deux processus d’Itô avec les conditions précédentes :
t t
Xt = X0 + ∫ Φs dB s + ∫ αs ds
0 0
t t
Y t = Y0 + ∫ Ψs dB s + ∫ βs ds
0 0

On a alors
. . d t
⟨ X , Y ⟩t = ⟨∫ Φs dB s , ∫ ΨdB s ⟩t = ∑ ∫ Φis Ψis ds.
0 0 i =1 0

p
Formule d’Itô : Soient X t = ( X t1 , . . . , X t ) p processus d’Itô et f ∶ Rp → R de classe C 2 . Alors f ( X t ) est un
processus d’Itô et on a
p p
t ∂f j 1 t ∂2 f
f (X t ) = f (X 0) + ∑ ∫ ( X s )dX s + ∑ ∫ ( X s )d⟨ X j , X k ⟩s .
i =1 0 ∂x j 2 j ,k =1 0 ∂x j ∂x k

Idée de preuve : À j fixé,

t ∂f j
t ∂f j j
∫ ( X t )dX s = ∫ ( X s )[ Φs dB s +αs ds ]
0 ∂x j 0 ∂x j ´¹¹ ¹ ¹¸ ¹ ¹ ¹¶
j ,l
=∑l =1,...,d Φs dB sl

t ∂f j
⇒ existence de ∫0 ∂x j
( X t )dX s .

Exemple 5.56. Soient B 1 = (B t1 )t ≥0 et B 2 = (B t2 )t ≥0 deux Ft −mouvements browniens standards et f (x 1 , x 2 ) =

x 12 + x 22 , fonction de classe C 2 . On a

∂f ∂f
(x 1 , x 2 ) = 2x 1 et (x 1 , x 2 ) = 2x 2 .
∂x 1 ∂x 2
On en déduit que
t 1 t
(B t1 )2 + (B t2 )2 = (B 01 )2 + (B 02 )2 + ∫ (2B s1 dB s1 + 2B s2 dB s2 ) + ∫ (2ds + 2ds )
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ 0 2 0
=0+0
t t
= 2∫ B s1 dB s1 + 2 ∫ B s2 dB s2 + 2t .
0 0

Rappel :
t
(B t1 )2 = 2 ∫ B s1 dB s1 + t
0
t
(B t2 )2 = 2 ∫ B s2 dB s2 + t .
0
58 CHAPITRE 5. INTÉGRALE STOCHASTIQUE D’ITÔ

p
Corollaire 5.57. Soient X t = ( X t1 , . . . , X t )t ≥0 p processus d’Itô et f ∈ C 1,2 (R+ × Rp ). Alors,

t ∂f t p ∂f 1 t p ∂2 f
f (t , X t ) = f (0, X 0 ) + ∫ (s, X s )ds + ∫ ∑ (s, X s )dX si + ∫ ∑ (s, X s )d⟨ X i , X j ⟩s .
0 ∂s 0 i =1 ∂x i 2 0 i,j ∂x i ∂x j

p
Y t = (t , X t1 , . . . , X t ) est un processus d’Itô de dimension p + 1 et ⟨t , X ti ⟩ = 0 car le processus (t )t ≥0 n’admet
pas de partie martingale locale.

Exercice 5.58. Montrer que les processus suivants sont des processus d’Itô, calculer leurs crochets :
1. B t2 ,
2. t + eB t ,
3. B t3 − 3t B t ,
4. 1 + 2t + eB t ,
5. (B t + t ) exp(−B t − 12 t ),
6. et /2 sin B t .

Exercice 5.59. Soient

t
X t = exp ( ∫ a (s )ds ),
0
t s
Y t = Y0 + ∫ b (s ) exp ( − ∫ a (u )du )dB s ,
0 0

où a et b sont des fonctions boréliennes intégrables. Calculer Z t = X t Y t en tant que processus d’Itô.
Chapitre 6

Equations différentielles stochastiques

6.1 Introduction
Le but de ce chapitre est d’étudier les équations différentielles stochastiques (EDS) de la forme :

dX t = f (t , X t )dt + g (t , X t )dB t
{ (6.1)
X0 =x
qui n’a de sens qu’intégré :
t t
Xt = x + ∫ f (s, X s )ds + ∫ g (s, X s )dB s ,
0 0

où B = (B t )t ≥0 est un mouvement brownien d -dimensionnel. Le coefficient f (t , X t ) est appelé la dérive et le

coefficient g (t , X t ) est appelé coefficient de diffusion.
Nous rechercherons des solutions X = ( X t )t ≥0 qui sont des processus r -dimensionnels progressivement
mesurables et doivent nécessairement vérifier :
t t
∫ ∣ f (s, X s )∣ds < ∞ et ∫ ∣g (s, X s )∣2 ds < ∞ ∀t > 0 p.s..
0 0
On conviendra par la suite que
f ∶ R+ × Rr → Rr , g ∶ R+ × Rr → Rr ×d
sont des fonctions mesurables.

Problématiques :
1. Existence de solutions
2. Unicité des solutions
3. Calcul des solutions
4. Comportement asymptotique (stabilité ou non)

Notations :
● Rr muni de la norme ∣x ∣ = (∑ri=1 x i2 )1/2 ,
● M (r, d ) matrices à coefficients réels à r lignes et d colonnes,
√ 1/2
● A ∈ M (r, d ), ∣ A ∣ = tr( A t A ) = ( ∑ ai2j ) ,
i =1,...,r
j =1,...,d

● A ∈ M (r, d ), A ∈ M (d , r ) et A A ∈ M (r, r ).
t t

59
60 CHAPITRE 6. EQUATIONS DIFFÉRENTIELLES STOCHASTIQUES

6.2 Résultats préliminaires

6.2.1 Processus à valeurs matricielles

Soient (Ω, F , (Ft )t ≥0 , P) un espace probabilisé filtré et B = (B 1 , . . . , B d ) un Ft −mouvement brownien d −dimensionnel.

Soit Φ = (Φt )t ≥0 un processus progressif à valeurs dans M (r, d ) :

R+ × Ω → M (r, d )
i,j
(t , ω) ↦ Φt (ω) = (Φt (ω))
1≤i ≤r
1 ≤ j ≤d

t
Supposons que ∫0 ∣Φs ∣2 ds < +∞ p.s. pour tout t ≥ 0.
On définit la martingale locale vectorielle M = (M 1 , . . . , M r ) par

d t t
i,j j
M ti = ∑ ∫ Φs dB s = t e i M t = ∫ t
e i Φs dB s , ∀i = 1, . . . , r.
j =1 0 0

où t e i = (0, . . . , 0, 1 , 0, . . . , 0).
®
ième position

(0, . . . , 0, 1, 0, . . . , 0) (Φs ) = (Φis,1 , Φis,2 , . . . , Φis,d ).

´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ ±
1 ×r
r ×d

t
On écrit matriciellement M t = ∫0 Φs dB s :

1
⎛ Mt ⎞
11
t ⎛ Φs ⋯ Φ1d
s
1
⎞ ⎛ dB s ⎞
Mt = ⎜ ⋮ ⎟ = ∫ ⎜ ⋮ ⋮ ⎟⎜ ⋮ ⎟
⎝ M tr ⎠ 0 ⎝
Φrs 1 ⋯ Φrs d ⎠ ⎝ dB sd ⎠

et

. .
⟨M i , M j ⟩t = ⟨∫ t
e i Φs dB s , ∫ t
e j Φs dB s ⟩t
0 0
t
= ∫ ( t e i Φs t Φs e j )ds
0
d . d .
j ,l
= ⟨ ∑ ∫ Φis,k dB sk , ∑ ∫ Φs dB sl ⟩ .
k =1 0 k =1 0 t

En utilisant le fait que ⟨B k , B l ⟩ = 0 pour tout k ≠ l , on obtient

d t
j ,k
⟨ M i , M j ⟩t = ∑ ∫ Φis,k Φs ds.
k =1 0
6.2. RÉSULTATS PRÉLIMINAIRES 61

t
Si de plus, E[ ∫0 ∣Φs ∣2 ds ] < +∞ pour tout t ≥ 0,

t 2 r
E[∣ ∫ Φs dB s ∣ ] = E[ ∑ ∣M tk ∣2 ]
0
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ k =1
martingale vectorielle
r
= ∑ E[∣M tk ∣2 ]
k =1
r t 2
= ∑ E[∣ ∫ t
e k Φs dB s ∣ ]
k =1 0
r t
= ∑ E[ ∫ ∣ t e k Φs ∣2 ds ]
k =1 0
t
= E[ ∫ ∣Φs ∣2 ds ]
0

On retrouve bien
t 2 r t
E[∣ ∫ Φs dB s ∣ ] = E[ ∑ ∣M tk ∣2 ] = E[ ∫ ∣Φs ∣2 ds ].
0 0
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ k =1
martingale vectorielle

6.2.2 Processus d’Itô vectoriel

Soient (Ω, F , (Ft )t ≥0 , P) un espace probabilisé filtré et B = (B 1 , . . . , B d ) un mouvement brownien d −dimensionnel.

Définition 6.1. On appelle processus d’Itô vectoriel un processus X = ( X t )t ≥0 à valeurs dans Rr de la forme

t t
Xt = X0 + ∫ Φs dB s + ∫ αs ds,
0 0

avec
● X 0 vecteur aléatoire de Rr , F0 −mesurable,
t
● Φ = (Φt )t ≥0 un processus progressif à valeurs dans M (r, d ) tel que ∫0 ∣Φs ∣2 ds < +∞ p.s. pour tout t ,
t
● α = (αt )t ≥0 un processus progressif à valeurs dans Rr tel que ∫0 ∣αs ∣ds < +∞ p.s. pour tout t .

B"dX t = Φt dB t + αt dt " n’a de sens qu’intégré.

Formule d’Itô : Soient f ∈ C 1,2 (R+ , Rr ) et X un processus d’Itô à valeurs dans Rr .

t ∂f r t ∂f 1 t ∂2 f
f (t , X t ) = f (0, X 0 ) + ∫ (s, X s )ds + ∑ ∫ (s, X s )dX sk + ∑ ∫ (s, X s )d⟨ X k , X l ⟩s
0 ∂s k =1 0 ∂x k 2 k,l =1,...,r 0 ∂x k ∂x l

t ∂f r t ∂f 1 t ∂2 f
f (t , X t ) = f (0, X 0 )+∫ (s, X s )ds + ∑ ∫ (s, X s )[ t e k Φs dB s +αks ds ]+ ∑ ∫ (s, X s ) t e k Φs t Φs e l ds
0 ∂s k =1 0 ∂x k 2 k,l =1,...,r 0 ∂x k ∂x l

∂f ∂f ∂2 f
En notant ▽x f = ( ,..., ) et D 2x f = ( ) on peut écrire
∂x 1 ∂x r ∂x i ∂x j 1≤i , j ≤r

t t ∂f 1
f (t , X t ) = f (0, X 0 ) + ∫ t
▽x f (s, X s )Φs dB s + ∫ [ (s, X s ) + t ▽x f (s, X s )αs + tr[D 2x f (s, X s )Φts Φs ]]ds.
0 0 ∂s 2
62 CHAPITRE 6. EQUATIONS DIFFÉRENTIELLES STOCHASTIQUES

6.3 Existence et unicité de la solution

Définition 6.2. Soit f ∶ R+ × Rr → M (r, d ) ou Rr . On dit que f est "localement bornée" si ∀T ≥ 0 et K compact de
Rr , f (t , x ) est bornée sur [0, T ] × K .

6.3.1 Position du problème

Soient r et d deux entiers positifs, σ et b deux fonctions déterministes, mesurables, localement bornées
définies sur R+ × Rr et à valeurs respectivement dans M (r, d ) et Rr :

(t , ω) ↦ σ(t , ω) = (σi j (t , ω))1≤i ≤r [coefficients de diffusion/volatilité]

1 ≤ j ≤d

(t , ω) ↦ b (t , ω) = (b 1 (t , ω), . . . , b r (t , ω)) [drift/dérive/tendance]

Définition 6.3. Une solution de E (σ, b ) :

dX t = σ(t , X t )dB t + b (t , X t )dt

est la donnée de :
● un espace de probabilité filtré usuel (Ω, F , (Ft )t ≥0 , P),
● sur cet espace un Ft − P−mouvement brownien de dimension d , B = (B 1 , . . . , B d ),
● un processus Ft −adapté, continu, à valeurs dans Rr tel que
t t
Xt = X0 + ∫ σ(s, X s )dB s + ∫ b (s, X s )ds
0 0

t ⎛ σ11 (s, X s ) ⋯ σ1d (s, X s ) ⎞ ⎛ dB s1 ⎞ t ⎛ b 1 (s, X s ) ⎞

1 1
⎛ Xt ⎞ ⎛ X0 ⎞
⎜ ⋮ ⎟ = ⎜ ⋮ ⎟+∫ ⎜ ⋮ ⋮ ⎟⎜ ⋮ ⎟+∫ ⎜ ⋮ ⎟ ds
⎝ X tr ⎠ ⎝ X 0r ⎠ 0 ⎝
σr 1 (s, X s ) ⋯ σr d (s, X s ) ⎠ ⎝ dB sd ⎠
0 ⎝
b r (s, X s ) ⎠

Si X 0 ≡ x ∈ Rr , le processus est solution de E x (σ, b ).

En pratique (dans les cas simples), pour trouver la solution d’une EDS, on intuite la forme de la solution et
on vérifie que l’EDS de départ est bien satisfaite en appliquant la formule d’Itô.
Exemple 6.4. Les EDS affines admettent des solutions explicites qu’on peut obtenir comme dans le cas détermi-
niste par la méthode de variation de la constante. Le cas affine est important car les EDS affines apparaissent
comme des linéarisées d’EDS plus complexes qu’on ne sait pas toujours résoudre. On se place dans le cas réel, i.e.
d = r = 1.
Considérons l’équation de Langevin définie pour b (t , x ) = −ax (a > 0) et σ(t , x ) = σ :

dX t = −a X t dt + σdB t .

La solution est donnée par

t
X t = X 0 e−at + σ ∫ e−a (t −s ) dB s . (6.2)
0
Sans le terme σdB t , l’équation dX t = −a X t dt se résout immédiatement en X t = C e−at . Pour tenir compte du
terme σdB t , on fait "varier la constante C " :

dC t e−at − aC t e−at dt = dX t = −a X t dt + σdB t

dC t = σeat dB t
t
Ct = X0 + ∫ σeas dB s
0

et, avec X t = C t e−at , l’expression (6.2) est obtenue. Il s’agit du processus d’Ornstein-Uhlenbeck
6.3. EXISTENCE ET UNICITÉ DE LA SOLUTION 63

Définition 6.5 (Plusieurs notions d’existence et unicité).

1. On dit qu’il y a existence faible si pour tout x ∈ Rr , il existe une solution de E x (σ, b ).
2. On dit qu’il y a existence et unicité faibles si x étant fixé, toutes les solutions de E x (σ, b ) ont même loi.
3. On dit qu’il y a unicité trajectorielle si (Ω, F , (Ft )t ≥0 , P, B ) étant fixé, deux solutions X et X ′ de E x (σ, b )
telles que X 0 = X 0′ sont indistingables [P( X t = X t′ , ∀t ≥ 0) = 1].
4. On dit que X solution de E x (σ, b ) est forte si X est adapté à la filtration canonique de B (FtB = σ(B s , 0 ≤ s ≤ t )).

Le théorème suivant relie les différentes notions d’existence et d’unicité.

Théorème 6.6 (Yamada-Watanabe). S’il y a existence faible et unicité trajectorielle, alors il y a aussi unicité
faible. De plus, pour tout choix de l’espace de probabilité filtré (Ω, F , (Ft )t ≥0 , P) et du (Ft )−mouvement brow-
nien B , il existe pour chaque x ∈ Rr une unique solution forte de E x (σ, b ).

Nous omettons la preuve car nous n’utiliserons pas ce résultat dans la suite : dans le cadre lipschitzien
que nous considérerons, nous pourrons établir directement les propriétés de la conclusion du théorème de
Yamada-Watanabe.

6.3.2 Existence et unicité trajectorielles dans le cas lipschitzien

Nous donnons ici des résultats généraux d’existence et d’unicité des EDS.

Hypothèse 6.7.
1. (t , x ) ↦ σ(t , x ) et b (t , x ) continues sur R+ × Rr
2. (t , x ) ↦ σ(t , x ) et b (t , x ) lipschitziennes en x : ∃K ≥ 0, ∀t ≥ 0, x, y ∈ Rr ,

∣σ(t , x ) − σ(t , y )∣ ≤ K ∣x − y ∣ et ∣b (t , x ) − b (t , y )∣ ≤ K ∣x − y ∣.

Théorème 6.8. Sous les hypothèses 6.7, il y a unicité trajectorielle pour E (σ, b ). De plus, pour tout (Ω, F , (Ft )t ≥0 , P)
et tout Ft − P−mouvement brownien B = (B 1 , . . . , B d ) dessus, il existe pour chaque x ∈ Rr une (unique) solution
forte à E x (σ, b ).

Le théorème entraîne en particulier qu’il y a existence faible pour E (σ, b ).

Remarque 6.9. On peut affaiblir l’hypothèse de continuité en la variable t , qui n’intervient essentiellement que
pour majorer supt ∈[0,T ] ∣σ(t , x )∣ et supt ∈[0,T ] ∣b (t , x )∣ pour x fixé. On peut aussi localiser l’hypothèse sur le carac-
tère lipschitzien de σ et b (la constante K dépendra du compact sur lequel on considère t et x, y), à condition de
conserver une condition de croissance linéraire

∣σ(t , x )∣ ≤ K (1 + ∣x ∣) et ∣b (t , x )∣ ≤ K (1 + ∣x ∣).

Ce type de condition, qui sert à éviter l’explosion de la solution, intervient déjà dans les équations différentielles
ordinaires.

Avant de démontrer le théorème 6.8, on démontre le lemme suivant :

Lemme 6.10 (Lemme de Gronwall). Soit T > 0 et g une fonction positive, mesurable et bornée sur [0, T ]. On
suppose qu’il existe deux constantes a et b positives telles que pour tout t ∈ [0, T ],
t
g (t ) ≤ a + b ∫ g (s )ds.
0

Alors,
g (t ) ≤ aebt .
64 CHAPITRE 6. EQUATIONS DIFFÉRENTIELLES STOCHASTIQUES

Preuve :
t
g (t ) ≤ a + b ∫ g (s )ds
0
t s
≤ a +b∫ [a + b ∫ g (u )du ]ds
0 0
t s
= a + abt + b 2 ∫ (∫ g (u )du )ds
0 0
(bt )2 (bt )n t s1 sn
≤ a + a (bt ) + a + ⋅⋅⋅ + a + b n +1 ∫ ds 1 ( ∫ ds 2 . . . ∫ g (s n +1 )ds n +1 ) .
2 n! 0 0 0
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
reste

On trouve en utilisant le fait que pour tout t ∈ [0, T ], ∣g (t )∣ ≤ K ,

t n +1
reste ≤ b n +1 K Ð→ 0
(n + 1)! n →+∞

on en déduit que g (t ) ≤ aebt .

Preuve : [Théorème 6.8] Pour alléger les notations, on traite seulement le cas d = r = 1. La preuve dans le cas
général utilise exactement les mêmes arguments.
1. Unicité trajectorielle :
Soient (Ω, F , (Ft )t ≥0 , P, B = (B t )t ≥0 , X = ( X t )t ≥0 , X ′ = ( X t′ )t ≥0 ) tels que X 0 = X 0′ et

⎧
⎪ X
t
= X 0 + ∫0 σ(s, X s )dB s + ∫0 b (s, X s )ds
t
⎪
⎪ t
⎨
⎪
⎪
⎪ t t
⎩ Xt
′
= X 0 + ∫0 σ(s, X s′ )dB s + ∫0 b (s, X s′ )ds.

On va montrer que p.s., X t = X t′ , pour tout t ≥ 0. Pour tout M > 0, on pose τ = (τM ) = inf{t ∶ ∣ X t ∣ ≥
M ou ∣ X t′ ∣ ≥ M }. Pour t ≤ τ, on a ∣ X t ∣ ≤ M et ∣ X t′ ∣ ≤ M . τ est un temps d’arrêt car c’est le temps d’en-
trée dans le fermé ] − ∞, −M ] ∪ [M , +∞[ et le processus est adapté. On fixe T > 0, alors pour t ∈ [0, T ], on
a
t ∧τ t ∧τ
X t ∧τ − X t′∧τ = ∫ [σ(s, X s ) − σ(s, X s′ )]dB s + ∫ [b (s, X s ) − b (s, X s′ )]ds,
0 0
et
t ∧τ 2 t ∧τ 2
( X t ∧τ − X t′∧τ )2 ≤ 2[( ∫ [σ(s, X s ) − σ(s, X s′ )]dB s ) + ( ∫ [b (s, X s ) − b (s, X s′ )]ds ) ].
0 0
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
≤ (t ∧τ) ∫0t ∧τ (b (s,X s )−b (s,X s′ ))2 ds
C −S

En passant à l’espérance, on obtient pour t ∈ [0, T ]

t ∧τ 2 t ∧τ
E[( X t ∧τ − X t′∧τ )2 ] ≤ 2E[( ∫ [σ(s, X s ) − σ(s, X s′ )]dB s ) ] + 2E[(t ∧ τ) ∫ (b (s, X s ) − b (s, X s′ ))2 ds ].
0 0

On utilise ensuite l’isométrie et on obtient pour t ∈ [0, T ],

t ∧τ t ∧τ
E[( X t ∧τ − X t′∧τ )2 ] ≤ 2E[( ∫ [σ(s, X s ) − σ(s, X s′ )]2 ds )] + 2E[(t ∧ τ) ∫ (b (s, X s ) − b (s, X s′ ))2 ds ]
isométrie 0 0

σ et b étant lipschitziennes, on a

∣σ(s, X s ) − σ(s, X s′ )∣2 ≤ K 2 ∣ X s − X s′ ∣2 et ∣b (s, X s ) − b (s, X s′ )∣2 ] ≤ K 2 ∣ X s − X s′ ∣2 ,

6.3. EXISTENCE ET UNICITÉ DE LA SOLUTION 65

et en utilisant le fait que t ∧ τ ≤ T pour tout t ∈ [0, T ], on en déduit que

t ∧τ t ∧τ
E[( X t ∧τ − X t′∧τ )2 ] ≤ 2K 2 E[ ∫ ∣ X s − X s′ ∣2 ds ] + 2T K 2 E[ ∫ ∣ X s − X s′ ∣2 ds ],
0 0

i.e.
t ∧τ
E[( X t ∧τ − X t′∧τ )2 ] ≤ 2K 2 (1 + T )E[ ∫ ∣ X s − X s′ ∣2 ds ]
0
t
≤ 2K 2 (1 + T )E[ ∫ ∣ X s ∧τ − X s′∧τ ∣2 ds ].
0

On pose h (t ) = E[( X t ∧τ − X t′∧τ )2 ], on a donc

t
h (t ) ≤ 2K 2 (1 + T ) ∫ h (s )ds
0

avec h mesurable, positive, bornée, on peut donc appliquer le lemme de Gronwall avec a = 0 et b =
2K 2 (1 + T ) et on obtient
2
h (t ) ≤ 0 × e2K (1+T )t .
On a donc E[( X t ∧τ − X t′∧τ )2 ] = 0, on en déduit que X t ∧τ = X t′∧τ p.s. pour tout t . En faisant tendre M vers
+∞, on conclut que p.s. X t = X t′ pour tout t . On a donc unicité trajectorielle.
2. Existence forte par les approximation de Picard : nous construisons la solution par la méthode d’approxi-
mation de Picard. On définit par récurrence

X t0 = x
t t
X t1 = x + ∫ σ(s, X s0 )dB s + ∫ b (s, X s0 )ds
0 0
⋮
t t
X tn +1 = x + ∫ σ(s, X sn )dB s + ∫ b (s, X sn )ds (6.3)
0 0

Les intégrales stochastiques ci-dessus sont bien définies puisque par récurrence, on constate que, pour
chaque n, X tn est continu et adapté à F B donc localement borné si bien que le processus σ(t , X tn ) l’est
aussi (hypothèse lipschitzienne) et l’intégrale correspondante bien définie. On fixe maintenant T > 0 et
on raisonne sur [0, T ]. On prouve par récurrence qu’il existe C n tel que, pour tout t ∈ [0, T ], E[∣ X tn ∣2 ] ≤ C n .

Lemme 6.11. Soit T > 0, alors pour tout n ∈ N, il existe une constante positive C n telle que pour tout
t ∈ [0, T ], E∣ X tn ∣2 ≤ C n < +∞.

Preuve : [Preuve du lemme] Par récurrence :

● E[∣ X t0 ∣2 ] = x 2 < +∞
● on suppose que E[∣ X tn −1 ∣2 ] ≤ C n −1
● rang n ?
On utilise l’inégalité (a + b + c )2 ≤ 3(a 2 + b 2 + c 2 ) :
t 2 t 2
∣ X tn ∣2 ≤ 3[∣x ∣2 + ∣ ∫ σ(s, X sn −1 )dB s ∣ + ∣ ∫ b (s, X sn −1 )ds ∣ ]
0 0
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
≤ t ∫0t ∣b (s,X sn −1 )∣2 ds
C −S
66 CHAPITRE 6. EQUATIONS DIFFÉRENTIELLES STOCHASTIQUES

Remarque 6.12. Si ∣ f (x ) − f ( y )∣ ≤ K ∣x − y ∣, alors

∣ f (x )∣ = ∣ f (x ) − f (0) + f (0)∣ ≤ ∣ f (x ) − f (0)∣ + ∣ f (0)∣ ≤ K ∣x ∣ + K ′ , K , K ′ ≥ 0.

On a donc

∣σ(s, X sn −1 )∣2 ≤ 2K 2 ∣ X sn −1 ∣2 + 2K ′2 et ∣b (s, X sn −1 )∣2 ≤ 2K 2 ∣ X sn −1 ∣2 + 2K ′2 .

En passant à l’espérance et en utilisant l’hypothèse de récurrence, nous obtenons

E[∣σ(s, X sn −1 )∣2 ] ≤ 2K 2 E(∣ X sn −1 ∣2 ) + 2K ′ ≤ 2K 2C n −1 + 2K ′2 ∀s ∈ [0, T ]

t
et de même pour E[∣b (s, X sn −1 )∣2 ]. On en déduit que ∫0 σ(s, X sn −1 )dB s est une martingale de L2 et
donc
t T
E[∣ X tn ∣2 ] ≤ 3[∣x ∣2 + ∫ E∣σ(s, X sn −1 )∣2 ds + T ∫ E∣b (s, X sn −1 )∣2 ds ]
0 0
≤ 3[∣x ∣2 + T (1 + T )(2K 2C n −1 + 2K ′2 )] =∶ C n .

On revient à la preuve du théorème 6.8. On évalue E[ sup ∣ X sn +1 − X sn ∣2 ] :

s ∈[0,t ]

s 2 s 2
( X sn +1 − X sn )2 ≤ 2∣ ∫ (σ(u, X un ) − σ(u, X un −1 ))dB u ∣ + 2∣ ∫ (b (u, X un ) − b (u, X un −1 )du ∣
0 0
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ s¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
≤2s ∫0 ∣b (u,X un )−b (u,X un −1 )∣2 du
s 2 s
≤ 2 sup ( ∫ (σ(u, X un ) − σ(u, X un −1 ))dB u ) +2s ∫ ∣b (u, X un ) − b (u, X un −1 )∣2 du,
0≤ s ≤ t 0 0
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
=∶M s2

et M est une martingale de L2 . On va utiliser l’inégalité de Doob donnée par lemme suivant :

Lemme 6.13 (Inégalité de Doob). Soit M = (M t )t ≥0 une martingale continue. Alors pour p > 1 et T > 0,

p p
E[ sup ∣M t ∣p ] ≤ ( ) E[∣MT ∣p ].
0≤t ≤T p −1

En appliquant l’inégalité de Doob, on a

E[ sup ∣M s ∣2 ] ≤ 4E[M t2 ].
s ∈[0,t ]

On a donc par isométrie

t t
E[ sup ∣ X sn +1 − X sn ∣2 ] ≤ 8E[ ∫ ∣σ(u, X un ) − σ(u, X un −1 )∣2 du ] + 2T E[ ∫ ∣b (u, X un ) − b (u, X un −1 )∣2 du ].
s ∈[0,t ] 0 0

Et en utilisant le fait que σ et b soient lipschitziennes, on obtient

t
E[ sup ∣ X sn +1 − X sn ∣2 ] ≤ (8 + 2T )K 2 ∫ E[ sup ∣ X sn − X sn −1 ∣2 ]du. (6.4)
s ∈[0,t ] 0 s ∈[0,u ]
6.3. EXISTENCE ET UNICITÉ DE LA SOLUTION 67

On pose g n (t ) = E[ sup ∣ X sn +1 − X sn ∣2 ], on a alors

s ∈[0,t ]

t
g n (t ) ≤ C T ∫ g n −1 (u )du,
0

avec C T = (8 + 2T )K 2 . Or chacune des fonctions g n est bornée sur [0, T ]. En particulier, il existe une
constante C T′ telle que g 0 (t ) ≤ C T′ pour t ∈ [0, T ]. Une récurrence simple montre alors que tout n ≥ 0,
t ∈ [0, T ]
tn
g n (t ) ≤ C T′ (C T )n .
n!
On en déduit que ∑n ≥0 (g n (T ))1/2 < +∞ et comme
+∞ +∞
∣ ∑ sup ∣ X sn +1 − X sn ∣∣ ≤ ∑ ∣ sup ∣ X sn +1 − X sn ∣∣ = ∑ (g n (T ))1/2 < +∞, (6.5)
n =0 0≤s ≤T 2 n =0 0≤s ≤T 2 n ≥0
√
où la norme ∣.∣2 est définie par ∣Y ∣2 = E[Y 2 ] pour une variable aléatoire Y , cela entraîne que p.s.
+∞
∑ sup ∣ X s − X s ∣ < +∞,
n +1 n

n =0 0≤s ≤T

et donc p.s. la suite ( X tn )t ∈[0,T ] converge uniformément sur [0, T ] vers un processus limite ( X t )t ∈[0,T ] qui
est continu. Comme par récurrence, chaque processus X n est adapté par rapport à la filtration canonique
de B , X l’est aussi.
On déduit aussi de (6.5) que ( X tn )t ∈[0,T ] est une suite de Cauchy dans L 2 (Ω, F , P) donc elle converge
dans L 2 . On déduit alors de l’isométrie L 2 et des hypothèses lipschitziennes que, avec des limites dans
L 2 , on a :
t t
lim ∫ σ(s, X sn )dB s = ∫ σ(s, X s )dB s
n →+∞ 0 0
t t
lim ∫ b (s, X sn )ds = ∫ b (s, X s )ds
n →+∞ 0 0

Finalement, en passant à la limite dans l’équation de récurrence (6.3), on obtient que X est solution forte
de E x (σ, b ) sur [0, T ]. Comme T > 0 était arbitraire, la preuve est complète.

Exemple 6.14. On considère l’équation dX t = (a X t + b )dt + σX t dB t avec

σ(s, x ) = σx
b (s, x ) = ax + b,

qui sont continues et lipschitziennes. Alors on a existence et unicité fortes d’une solution à cette équation.

Extension : Conditions initiales aléatoires

On se place sous l’hypothèse 6.7 et on introduit η vecteur aléatoire de dimension r , F0 −mesurable et tel
que E[∣η∣2 ] < +∞.
η
Théorème 6.15. Il existe une solution unique forte à E (σ, b ) telle que X 0 = η notée X η = ( X t )t ≥0 et telle que
t t
η η η
Xt = η + ∫ b (s, X s )ds + ∫ σ(s, X s )dB s .
0 0

Preuve : admis
68 CHAPITRE 6. EQUATIONS DIFFÉRENTIELLES STOCHASTIQUES

Contre-exemple au théorème d’existence et d’unicité forte :

Il peut y avoir existence et unicité faibles sans qu’il y ait unicité trajectorielle.
Pour ce contre-exemple, nous avons besoin d’un résultat sur la martingale exponentielle et du théorème
de Lévy.
Nous commençons par démontrer le résultat suivant :
Proposition 6.16. Soit M une martingale locale. Pour tout λ ∈ C, soit
λ2
E(λM )t = exp (λM t − ⟨M ⟩t ).
2
Le processus E(λM )t est une martingale locale.

Preuve : Si F (t , x ) est une fonction de classe C 2 sur R+ × R, la formule d’Itô entraîne que
t ∂F t ∂F 1 ∂2 F
F (⟨M ⟩t , M t ) = F (0, M 0 ) + ∫ (⟨M ⟩s , M s )dM s + ∫ ( + )(⟨M ⟩s , M s )d⟨M ⟩s .
0 ∂x 0 ∂s 2 ∂x 2
Le processus F (⟨M ⟩t , M t ) est une martingale locale dès que sa partie à variation finie s’annule, i.e. lorsque F
vérifie la condition :
∂F 1 ∂2 F
+ = 0.
∂s 2 ∂x 2
2
Cette condition est satisfaite par la fonction F (t , x ) = exp(λx − λ2 t ) (plus précisément par les parties rélle et
imaginaire de cette fonction).
Théorème 6.17 (Théorème de Lévy). Soit X = ( X 1 , . . . , X d ) un processus continu, Ft −adapté, issu de 0. Il y a
équivalence entre
(i) X est un Ft −mouvement brownien de dimension d ,
(ii) les processus X i , (i = 1, . . . , d ) sont des Ft −martingales continues tels que
1 si i = j
⟨ X i , X j ⟩t = δi j t , avec δi j = {
0 si i ≠ j.

Preuve :
(i ) ⇒ (i i ) déjà fait,
j
(i i ) ⇒ (i ) Soit u ∈ Rd . Alors u.X t = ∑dj=1 u j X t est une martingale de processus croissant
d
∑ u j u k ⟨ X j , X k ⟩t = ∑ u 2j t = ∣u ∣2 t .
j ,k =1,...,d j =1

Alors d’après la proposition 6.16, M t = exp(i u.X t + 21 ∣u ∣2 t ) est une martingale locale. Cette martingale locale
est bornée sur les intervalles [0, T ], T > 0, il s’agit donc d’une vraie martingale.
On a donc pour tout 0 ≤ s < t ,
1 1
E[ exp (i u.X t + ∣u ∣2 t )∣Fs ] = exp (i u.X s + ∣u ∣2 s ).
2 2
En particulier pour A ∈ Fs ,
E[1 A exp(i u.( X t − X s ))] = E[E[1 A exp(i u.( X t − X s ))∣Fs ]]
1 1
= E[1 A exp ( − i u.X s − ∣u ∣2 t )E[ exp (i u.X t + ∣u ∣2 t )∣Fs ]]
2 2
1 2 1 2
= E[1 A exp ( − i u.X s − ∣u ∣ t ) exp (i u.X s + ∣u ∣ s )]
2 2
1 2
= P( A ) exp ( − ∣u ∣ (t − s )).
2
6.3. EXISTENCE ET UNICITÉ DE LA SOLUTION 69

Avec A = Ω, on en déduit que X t − X s ∼ N (0, (t − s ) I d ). Ensuite pour A ∈ Fs de probabilité P( A ) > 0, en notant

P A (.) = P(.∣ A ), on a
1
E A [exp(i u.( X t − X s ))] = exp ( − ∣u ∣2 (t − s )).
2
On en déduit que L( X t − X s ∣ A ) = N (0, (t − s ) I d ). Pour toute fonction mesurable positive f sur Rd , on a donc

E A [ f ( X t − X s )] = E[ f ( X t − X s )],

soit, en multipliant par 1 A de part et d’autre et en prenant l’espérance,

E[1 A f ( X t − X s )] = P( A )E[ f ( X t − X s )].

Comme c’est vrai pour tout A ∈ Fs , X t − X s est indépendant de Fs . Finalement, pour tout 0 = t 0 < t 1 < ⋅⋅⋅ < t p ,
le vecteur ( X ti j − X ti j −1 )1≤i ≤d ,1≤ j ≤p est un vecteur gaussien, car obtenu en regroupant p vecteurs gaussiens in-
dépendants. Par transformation linéaire, ( X ti j )1≤i ≤d ,1≤ j ≤p est encore un vecteur gaussien pour tout (t j )1≤ j ≤p
et donc X est un processus gaussien. Comme le vecteur ( X ti j − X ti j −1 )1≤i ≤d ,1≤ j ≤p a ses composantes indépen-
dantes, le processus est finalement gaussien, à accroissements indépendants et stationnaires, et par hypothèse
à trajectoires continues. Cela justifie que X 1 , . . . , X d sont d mouvements browniens indépendants et que X est
un Ft −mouvement brownien d -dimensionnel.
1 si x ≥ 0
Soit sgn ∶ R → {+1, −1}, tel que sgn(x ) = { Soient (Ω, F , P) un espace de probabilité et β =
−1 si x < 0.
(βt )t ≥0 un mouvement brownien standard issu de y ∈ R tel que β0 = y. On pose
t
Bt = ∫ sgn(βs )dβs .
0

● Montrons que cette intégrale stochastique a un sens :

1. (s, ω) ↦ sgn(βs (ω)) progressivement mesurable car continue à droite (sgn est une fonction conti-
nue à droite et βs est continu).
t
2. ∫0 (sgn(βs ))2 ds = t < +∞.
● Y-a-t-il existence faible ?
Pour appliquer le théorème de Lévy, on s’intéresse à :
t
E[ ∫ (sgn(βs ))2 ds ] = t < +∞.
0
t
Donc ∫0 sgn(βs )dβs est une martingale à trajectoires continues avec
t
⟨B ⟩t = ∫ (sgn(βs ))2 ds = t .
0
β
On en déduit d’après le théorème de Lévy 6.17 que B est un mouvement brownien par rapport à Ft =
σ{βs , 0 ≤ s ≤ t }.
On peut écrire dB t = sgn(βt )dβt , en multipliant de part et d’autre pas sgn(βt ), on a sgn(βt )dB t =
(sgn(βt ))2 dβt = dβt d’où
t
βt = y + ∫ sgn(βs )dB s .
0
β est donc solution de l’équation différentielle stochastique (EDS)

dX t = sgn( X t )dB t
{ (∗)
X0 =y
pour laquelle il y a donc existence faible. (On a construit une solution qui est faible car on ne se donne
pas de brownien.)
⇒ Existence faible.
70 CHAPITRE 6. EQUATIONS DIFFÉRENTIELLES STOCHASTIQUES

● Y-a-t-il unicité faible ? S’il y a une autre solution, a-t-elle une loi brownienne ?
t t
Si on a une autre solution X t = y + ∫0 sgn( X s )dB s , alors X est une martingale car E[ ∫0 (sgn( X s ))2 ds ] = t <
+∞, ⟨ X ⟩t = t et (sgn( X s ))s ≥0 est un processus progressif car continue à droite) X est donc une martingale
continue telle que ⟨ X ⟩t = t et d’après le théorème de Lévy 6.17, c’est donc un mouvement brownien.
⇒ Unicité faible.
● Y-a-t-il existence et unicité forte ?
● Y-a-t-il unicité trajectorielle ?
t
On prend y = 0 (ne marche pas autrement). On a vu que βt = ∫0 sgn(βs )dB s est solution. Mais −β
est aussi solution issue de 0 correspondant au même mouvement brownien B :
t
−βt = ∫ − sgn(βs )dB s
0
t
=∫ − sgn(βs )(1{βs ≠0} + 1{βs =0} )dB s
0
t
=∫ sgn(−βs )1{βs ≠0} dB s
0
car
t
It = ∫ sgn(βs )1{βs =0} dB s = 0,
0

en effet, ( I t )t ≥0 est une martingale car son processus croissant est de carré intégrable en espérance
et
t t
E[( I t )2 ] = E[ ∫ 1{βs =0} ds ] = ∫ P(βs = 0)ds = 0.
0 0
Donc I t = 0 et donc
t
(−βt ) = ∫ sgn(−βs )dB s .
0
⇒ Pas d’unicité trajectorielle.
● Y-a-t-il existence trajectorielle (ou forte) ?
C’est-à-dire si X est une solution forte, X est adapté au mouvement brownien B . Si X est solution,
t
Xt = y + ∫ sgn( X t )dB s , et dB t = sgn( X t )dX t .
0

On peut montrer que F B = F ∣β∣ ⊂ F β . La solution ne peut pas être forte car sa filtration est stricte-
ment plus grande que celle du départ.
La fonction sgn n’est pas continue et pas lipschitzienne.

Exemple 6.18. Considérons l’EDS linéaire avec "bruit additif"

dX t = a (t ) X t dt + σ(t )dB t , (6.6)

où a, σ ∶ R+ → R sont des fonctions déterministes continues bornées. Alors on a l’existence et l’unicité forte d’une
solution à l’équation (6.6).
Dans le cas particulier σ = 0, la solution peut s’écrire simplement
t
X t = X 0 eα(t ) avec α(t ) = ∫ a (s )ds.
0

Ceci suggère d’appliquer la méthode de la variation de la constante, c’est-à-dire de chercher une solution de la
forme X t = C t eα(t ) . La formule d’Itô appliquée à C t = e−α(t ) X t nous donne

dC t = −a (t )e−α(t ) X t dt + e−α(t ) dX t = e−α(t ) σ(t )dB t ,

6.3. EXISTENCE ET UNICITÉ DE LA SOLUTION 71

d’où en intégrant et en tenant compte du fait que C 0 = X 0 ,

t
Ct = X0 + ∫ σ(s )e−α(s ) dB s .
0

Ceci donne finalement la solution forte de l’équation 6.6

t
X t = X 0 eα(t ) + ∫ σ(s )eα(t )−α(s ) dB s .
0

On vérifie effectivement 6.6 en appliquant encore une fois la formule d’Itô. On notera que si la condition initiale
X 0 est déterministe, alors X t suit une loi normale d’espérance E[ X t ] = X 0 eα(t ) et de variance
t
Var( X t ) = ∫ σ(s )2 e2(α(t )−α(s )) ds,
0

par isométrie.

Exemple 6.19. Soit l’EDS linéaire avec "bruit multiplicatif"

dX t = a (t ) X t dt + σ(t ) X t dB t ,

avec à nouveau a, σ ∶ R+ → R des fonctions déterministes continues et bornées, de sorte qu’il existe une unique
solution forte. Nous pouvons alors écrire

dX t
= a (t )dt + σ(t )dB t .
Xt

En intégrant le membre de gauche, on devrait trouver log( X t ), mais ceci est-il compatible avec le calcul d’Itô ?
Pour s’en assurer posons Y t = log( X t ). Alors la formule d’Itô donne

1 1 1
dY t = dX t − d⟨ X ⟩t
Xt 2 X s2
1 1
= (a (t ) X t dt + σ(t ) X t dB t ) − σ(t )2 dt
Xt 2
1
= a (t )dt + σ(t )dB t − σ(t ) dt . 2
2
En intégrant et en reprenant l’exponentielle, on obtient donc la solution forte
t 1 t
X t = X 0 exp { ∫ (a (s ) − σ(s )2 )ds + ∫ σ(s )dB s }.
0 2 0

En particulier, si a ≡ 0 et σ ≡ λ, on retrouve la martingale X t = X 0 exp{λB t − λ2 t /2}, appelée mouvement brow-

nien exponentiel.