variance formulae
Transcription
variance formulae
Intégrale stochastique Plan L’intégrale stochastique générale Intégrale de Wiener Exemples Processus d’Itô Formule d’Itô Formule de Black & Scholes Le processus B est un mouvement Brownien et filtration naturelle. 1 FtB , t ≥ 0 est sa 1 L’intégrale stochastique générale On cherche à définir 0 t θs dBs quand {θs , s ≥ 0} est un processus stochastique. Définition 1.1 On dit que {θt , t ≥ 0} est un bon processus s’il est (FtB )-adapté, càglàd, et si t E θs2 ds < +∞ 0 pour tout t > 0. 2 1.1 Cas des processus étagés Ce sont les processus du type θtn = pn θi 11]ti ,ti+1 ] (t) i=0 où pn ∈ IN, 0 = t0 ≤ t1 . . . ≤ tpn et θi ∈ L2 (Ω, Fti , P ) pour tout i = 0, . . . , pn . On définit It (θn ) = 0 t θsn dBs = pn i=0 3 θi (Bti+1 ∧t − Bti ∧t ) Propriétés: E [It (θn )] Var [It (θn )] n Les processus It (θ ) et = 0 = It2 (θn ) E 0 − t t 2 (θsn ) ds . n 2 (θ ) ds sont des martingales. s 0 4 1.2 Cas général Si θ est un bon processus, il existe {θn , n ≥ 0} suite de processus étagés telle que E 0 t (θs − θsn )2 ds → 0 quand n ↑ +∞. Il existe une v.a. It (θ) de carré intégrable telle que 2 E |It (θ) − It (θn )| → 0 quand n ↑ +∞. On pose It (θ) = 0 pour tout t ≥ 0. 5 t θs dBs Propriétés: E [It (θ)] = 0 Var [It (θ)] = E 0 t θs2 ds . Linéarité : It (a1 θ1 + a2 θ2 ) = a1 It (θ1 ) + a2 It (θ2 ). Propriétés de martingale : Pour tout bon processus θ, les processus t → It (θ) et t → It (θ)2 − 6 0 t θs2 ds sont des (FtB )-martingales continues. 2 B E (It (θ) − Is (θ)) Fs = E t s θu2 du FsB . Propriété d’isométrie : Pour tous bons processus ϕ, θ et tout s, t ≥ 0, on a E [Is (ϕ)It (θ)] = E Le processus 0 It (θ)It (ϕ) − est une (FtB )-martingale. 7 0 s∧t θu ϕu du . t θu ϕu du Proposition 1.2 Pour tout t ≥ 0 on a t 1 2 Bs dBs = (Bt − t). 2 0 8 Il est possible de définir It (θ) sous la seule condition t θs2 ds < +∞ p.s. 0 Cependant, t → It (θ) n’est plus nécessairement une martingale. Définition 1.3 Soit {Ft , t ≥ 0} une filtration et {Xt , t ≥ 0} un processus (Ft )-adapté. On dit que X est une (Ft )-martingale locale s’il existe une suite {τn , n ≥ 0} de (Ft )-temps d’arrêt telle que P [τn → +∞] = 1 et le processus X n : t → Xt∧τn est une martingale pour tout n ≥ 0. Définition 1.4 On dit que {θt , t ≥ 0} est un bon processus local s’il est càglàd, (FtB )-adapté, et si t θs2 ds < +∞ p.s. 0 9 pour tout t > 0. Soit θ un bon processus local. On peut définir It (θ) pour tout t > 0, qui est une martingale locale. De même, en prenant la même suite de temps d’arrêt, on montre que le processus t θs2 ds It (θ)2 − 0 est une martingale locale. 10 1.3 Le crochet Définition 1.5 Si Z est une martingale locale continue , < Z > est l’unique processus croissant continu (Ft )-adapté tel que t → Zt2 − < Z >t soit une (Ft )-martingale locale. Par polarité, on peut définir le crochet de deux (Ft )-martingales locales M et N en écrivant < M, N >t = 1 (< M + N >t − < M >t − < N >t ) . 2 Le crochet < M, N > est aussi l’unique processus à variation finie tel que le processus M N − < M, N > soit une martingale locale. 11 Enfin, la proposition suivante donne enfin de < M, N > une importante construction trajectorielle : Proposition 1.6 Soient M et N deux martingales locales continues. Alors p.s. pour tout t ≥ 0, < M, N >t = lim n→+∞ n 2 (Mtni − Mtni−1 )(Ntni − Ntni−1 ) i=1 où {tni , i = 0 . . . 2n } désigne la subdivision régulière sur [0, t]. < I(θ) >t = 0 t θs2 ds et < I(θ), I(ϕ) >t = 0 t θs ϕs ds. On dit que deux martingales continues sont orthogonales si leur crochet est nul, c’est-à-dire si leur produit est une martingale. Par exemple, deux Browniens indépendants sont des martingales orthogonales. 12 2 Cas particulier: Intégrale de Wiener 13 2.1 Définition On note L2 (IR+ ) l’ensemble des (classes d’équivalence des) fonctions boréliennes f de IR+ dans IR de carré intégrable, +∞ 2 c’est-à-dire telles que 0 |f (s)| ds < ∞. C’est un espace de Hilbert pour la norme ∞ 1/2 f 2 (s) ds . ||f ||2 = 0 14 2.1.1 a. Fonctions en escalier +∞ f (s)dBs = B(v) − B(u). i=n Soit f une fonction en escalier, f (s) = i=1 fi−1 11]ti ;ti+1 ] (s) on Pour f = 11]u,v] , on pose pose 0 0 +∞ f (s)dBs = i=n fi−1 (B(ti ) − B(ti−1 )) . i=1 def La variable aléatoire I(f ) = +∞ f (s)dBs est une variable +∞ 2 gaussienne d’espérance nulle et de variance 0 f (s)ds. 0 L’intégrale est linéaire : I(f + g) = I(f ) + I(g). Si f et g sont des fonctions en escalier E(I(f ) I(g)) = R+ f (s) g(s) ds. Le processus I est un processus gaussien, c’est une martingale. 15 2.1.2 b. Cas général Si f ∈ L2 (IR+ ), il existe une suite fn de fonctions en escalier qui converge (dans L2 (IR+ )) vers f , c’est-à-dire qui vérifie ∞ |fn − f |2 (x) dx →n→∞ 0. 0 Dans ce cas, la suite fn est de Cauchy dans L2 (IR+ ). La suite de ∞ v.a. Fn = 0 fn (s) dBs est une suite de Cauchy dans l’espace de Hilbert L2 (Ω) (en effet ||Fn − Fm ||2 = ||fn − fm ||2 →n,m→∞ 0), donc elle est convergente. On pose ∞ ∞ def f (s) dBs = lim fn (s) dBs I(f ) = n→∞ 0 0 la limite étant prise dans L2 (Ω). On dit que I(f ) est l’intégrale stochastique (ou intégrale de Wiener) de f par rapport à B. 16 2 Le sous-espace de L (Ω) formé par les v.a. ∞ 0 f (s)dBs coı̈ncide avec l’espace gaussien engendré par le mouvement Brownien. 17 2.2 Propriétés • L’application f → I(f ) est linéaire I(f + g) = I(f ) + I(g) et isométrique de L2 (IR+ ) dans L2 (Ω) f (s)g(s) ds. E (I(f ) I(g)) = IR+ • La variable I(f ) est une v.a. gaussienne centrée de variance 2 f (s)ds appartenant à l’espace gaussien engendré par + IR (Bt , t ≥ 0) et elle vérifie pour tout t t f (s)dBs = f (s)ds . E Bt IR+ 0 La propriété (2.1) est en fait une caractérisation de l’intégrale 18 (2.1) stochastique au sens où si pour tout t, E(ZBt ) = ∞ Z= f (s)dBs . 0 19 t 0 f (s)ds, alors 2.3 Processus lié à l’intégrale stochastique t De la même façon on définit 0 f (s)dBs pour f telle que T |f (s)|2 ds < ∞, ∀T , ce qui permet de définir l’intégrale 0 stochastique pour une classe plus grande de fonctions. On notera L2loc cette classe de fonctions. 20 Théorème 2.1 Soit f ∈ L2loc et Mt = t 0 f (s)dBs . a) Le processus M est une martingale continue, la v.a. Mt est t 2 d’espérance 0 et de variance 0 f (s) ds. b) Le processus M est un processus gaussien centré de t∧s 2 covariance 0 f (u) du à accroissements indépendants. t 2 2 c) Le processus (Mt − 0 f (s) ds , t ≥ 0) est une martingale. d) Si f et g sont dans L2loc , on a t∧s t s E( 0 f (u)dBu 0 g(u)dBu ) = f (u)g(u)du . 0 21 2.4 Intégration par parties Théorème 2.2 Si f est une fonction de classe C 1 , t t f (s) dBs = f (t)B(t) − f (s)Bs ds. 0 0 On peut aussi écrire cette formule d(Bt f (t)) = f (t)dBt + Bt f (t)dt . 22 3 Exemples 23 3.1 Processus d’Ornstein-Uhlenbeck Théorème 3.1 L’équation de Langevin t Vt = − aVs ds + σBt + V0 , (3.1) 0 a pour unique solution Vt = e−ta V0 + t 0 e−(t−s)a σdBs . (3.2) On écrit l’équation (3.1) sous forme condensée dVt + aVt dt = σdBt , V0 donné les données du problème sont la variable aléatoire V0 , le Brownien B et les constantes a et σ. 24 Proposition 3.2 Le processus V , appellé processus d’Ornstein-Uhlenbeck est gaussien d’espérance et de covariance E(Vt ) = e−ta V, cov[Vs , Vt ] = 0 s e−(s−u)a σ 2 e−(t−u)a du , s ≤ t En particulier, si V0 est une constante (v = 0) σ 2 −a(s+t) 2as cov[Vs , Vt ] = (e − 1) e 2a σ2 et Var(Vt ) = (1 − exp −2at). 2a 25 En écrivant Vs Vs e(s−t)a −sa = e V0 + = e−ta V0 + s 0 s 0 e−(s−u)a σdBu e−(t−u)a σdBu on en déduit, pour s ≤ t −(t−s)a Vt = Vs e t + e−(t−u)a σdBu s ou encore −ta Vt+s = Vs e + 0 t u e−(t−u)a σdB défini par B u = Bs+u − Bs est un MB où le processus B indépendant de Fs (donc de Vs ). 26 En particulier E(f (Vt+s )|Fs ) = E(f (Vs e−ta + Y )|Fs ) = E(f (Vt+s )|Vs ) (dans cette égalité Y est une v.a. indépendante de Fs ) ce qui établit le caractère markovien de V . Le calcul explicite peut se faire en utilisant que E(f (Vs(x) e−ta + Y )|Fs ) = Ψ(Vs(x) ) (y) avec Ψ(y) = E(f (ye−ta + Y )) = E(f (Vt de l’équation de valeur initiale x, soit t −(t−s)a (x) −ta σdBs . Vt = e x + 0 e 27 )) où V (x) est la solution Proposition 3.3 La variable aléatoire −at 0 t Vs ds est une v.a. et de variance gaussienne, de moyenne V0 1−ea σ2 σ2 1 − e−at −at 2 − 3 (1 − e ) + 2 (t − ). 2a a a 28 3.2 Modèle de Vasicek drt = a(b − rt )dt + σdBt . La forme explicite de la solution est rt = (r0 − b)e−at + b + σ 0 t e−a(t−u) dBu . L’égalité rt = (rs − b)e−a(t−s) + b + σ s établit le caractère Markovien de r. 29 t e−a(t−u) dBu , s ≤ t (3.3) • Si r0 est une constante, rt est une variable gaussienne de −at moyenne (r0 − b)e + b, et de variance σ2 2a (1 − exp −2at). • En particulier, ce n’est pas une variable positive. • Le processus r est gaussien de covariance Cov(rs , rt ) = σ 2 −a(s+t) 2as (e 2a e − 1) pour s ≤ t. 30 Proposition 3.4 Pour tout s < t, l’espérance et le variance conditionnelle de r sont (rs − b)e−a(t−s) + b σ2 vars (rt ) = (1 − e−2a(t−s) ) 2a t Proposition 3.5 La variable 0 rs ds est une variable gaussienne E(rt |rs ) = de moyenne t 1 − e−at rs ds) = bt + (r0 − b) E( a 0 σ2 1 − e−at σ2 −at 2 et de variance − 3 (1 − e ) + 2 (t − ). 2a a a 31 On en déduit E(exp − s t 1 ru du |Fs ) = exp(−M (t, s) + V (t, s)) . 2 32 Ces calculs sont utiles pour valoriser des zéro-coupons en finance : si B(t, T ) est la valeur d’un ZC de maturité T , on a T B(t, T ) = E(exp − ru du |Ft ) t et B(t, T ) = 1 − e−a(T −t) exp b(T − t) + (rt − b) a 2 2 −a(T −t) σ 1−e σ −a(T −t) 2 ) + 2 (T − t − − 3 (1 − e 4a 2a a 33 ) 4 Processus d’Itô Ce sont des processus écrits sous la forme t t bs ds + σs dBs Xt = x + 0 (4.1) 0 où b est un processus FB t -adapté tel que t |bs | ds < +∞ p.s. 0 pour tout t ≥ 0, et σ un bon processus local. On utilise la notation formelle dXt X0 = bt dt + σt dBt = x. 34 Le coefficient b s’appelle la dérive (ou le drift) du processus, et σ son coefficient de diffusion. 35 Le processus t → x + 0 t bs ds est la partie à variation finie de X, et le processus t σs dBs t → 0 la partie martingale de X (c’est a priori une martingale locale). La décomposition (4.1) du processus X est unique, au sens où si X admet une autre décomposition t t σ̃s dBs , Xt = x + b̃s ds + 0 0 alors b ≡ b̃ et σ ≡ σ̃. En particulier, X sous la forme (4.1) est une martingale locale si et seulement si b ≡ 0. 36 En fait, cette représentation des martingales locales dans une filtration Brownienne est caractéristique, indépendamment de ce que le processus soit a priori un processus d’Itô : Théorème 4.1 [Théorème de représentation des martingales locales] Soit B un mouvement brownien et M une FtB -martingale locale continue. Alors il existe x ∈ IR et θ bon processus local tel que Mt = x + 0 t θs dBs . Ce théorème est extrémement important en Finance (marché complet). 37 Si X 1 et X 2 sont deux processus d’Itô de décomposition t t bis ds + σsi dBs Xti = x + 0 0 pour i = 1, 2, leur crochet est par définition le crochet de leurs parties martingales. Autrement dit 1 2 1 2 < X , X > = < I(σ ), I(σ ) >= 0 38 t σs1 σs2 ds. 5 Formule d’Itô On se donne un processus d’Itô réel X de décomposition (4.1) et une fonction f : IR → IR suffisamment régulière. Théorème 5.1 [Première formule d’Itô] Supposons f de classe C 2 . Alors f (Xt ) = f (x) + 0 t 1 f (Xs )dXs + 2 0 t f (Xs )σs2 ds. Si f est à dérivées bornées, et σ borné, le processus t 1 t f (Xt ) − 0 f (Xs )bs ds − 2 0 f (Xs )σs2 ds est une martingale. Cette formule s’écrit sous forme condensée df (Xt ) 1 = f (Xt )dXt + f (Xt )σt2 dt 2 39 1 f (Xt )bt + f (Xt ) σt2 dt + f (Xt )σt dBt 2 1 = f (Xt )bt dt + f (Xt ) d Xt + f (Xt )σt dBt . 2 = On utilise souvent la notation 1 df (Xt ) = f (Xt )dXt + f (Xt )dXt · dXt 2 avec la table de multiplication dt dBt dt 0 0 dBt 0 dt 40 En particulier, t → f (Xt ) est un processus d’Itô de dérive t 1 f (Xs )bs + f (Xs )σs2 ds 2 0 et de partie martingale 0 t f (Xs )σs dBs . Quand les dérivées sont bornées, l’intégrale stochastique apparaissant dans la formule est une vraie martingale, et on en déduit : 1 E f (Xs )bs + f (Xs )σs2 ds E [f (Xt )] = E [f (X0 )] + 2 0 t 1 f (Xu )bu + f (Xu )σu2 du FsB E f (Xt ) | FsB = f (Xs ) + E 2 s 41 t Théorème 5.2 [Deuxième formule d’Itô] Soit f une fonction définie sur IR+ × IR de classe C 1 par rapport à t, de classe C 2 par rapport à x. On a t t t 1 ft (s, Xs )ds+ fx (s, Xs )dXs + fxx (s, Xs )σs2 ds. f (t, Xt ) = f (0, X0 )+ 2 0 0 0 On peut écrire cette formule sous forme différentielle : 1 ft (t, Xt ) + fxx (t, Xt )σt2 dt + fx (t, Xt )dXt df (t, Xt ) = 2 1 = ft (t, Xt )dt + fx (t, Xt )dXt + fxx (t, Xt )d Xt . 2 1 (t, Xt )σt2 dt = ft (t, Xt ) + fx (t, Xt )bt + fxx 2 +fx (t, Xt )σt dBt 42 Exemple fondamental: Le mouvement brownien géométrique, ou processus log-normal est défini par l’équation t t Xs ds + σ Xs dBs Xt = x + µ 0 0 avec µ, σ ∈ IR. On montre que 2 Xt = x exp µt + σBt − σ t/2 . Dans le cas où µ et σ sont des fonctions déterministes : t t µ(s)Xs ds + σ(s)Xs dBs Xt = x + 0 Xt = X0 exp − 0 t µ(s)ds + 0 0 43 t 1 σ(s)ds − 2 0 t σ 2 (s)ds . Théorème 5.3 [Troisième formule d’Itô] Soient X 1 et X 2 deux processus d’Itô issus de x1 (resp. de x2 ) de coefficient de dérive b1 (resp. b2 ), de coefficient de diffusion σ 1 (resp. σ 2 ) et portés respectivement par deux Browniens B 1 et B 2 corrélés avec i i coefficient ρ. On suppose que b , σ sont Bi Ft -adaptés. Soit f une fonction de IR2 dans IR de classe C 2 à dérivées bornées. On a t t f1 (Xs1 , Xs2 ) dXs1 + f2 (Xs1 , Xs2 ) dXs2 f (Xt1 , Xt2 ) = f (x1 , x2 ) + 0 1 + 2 t 0 f11 (Xs1 , Xs2 ) 0 1 2 2 2 1 2 1 2 1 2 ds σs + 2 ρ f12 (Xs , Xs )σs σs + f22 (Xs , Xs ) σs où fi désigne la dérivée par rapport à xi et fij la dérivée seconde par rapport à xj puis xi , i, j = 1, 2. 44 Proposition 5.4 [Formule d’intégration par parties] t t t Xs1 dXs2 + Xs2 dXs1 + ρ σs1 σs2 ds. Xt1 Xt2 = x1 x2 + 0 0 0 d(X 1 X 2 )t = Xt1 dXt2 + Xt2 dXt1 + d X 1 , X 2 t . 45 6 Formule de Black & Scholes On considère un marché financier comportant un actif dit sans risque de taux constant r et de prix St0 = ert et un actif risqué dont le prix S vérifie dSt = b St dt + σ St dBt soit 2 St = S0 exp σBt + (b − σ /2)t On fixe un horizon T > 0 et on souhaite donner le prix d’un actif financier qui versera h(ST ) à la date T . Le cas d’un call Européen de maturité T et de strike K correspond au cas h(x) = (x − K)+ . 46 On procède par duplication (hedging): on forme un portefeuille constitué d’ α parts de l’actif sans risque (le montant de la richesse investie dans cet actif est αert ) et de βt parts de l’actif risqué. On va trouver un portefeuille auto-financant de valeur terminale h(ST ). La valeur de ce portefeuille à la date t est Vt = αt St0 + βt St . La condition d’auto-financement se formalise par dVt = αt dSt0 + βt dSt ; soit dVt = rVt dt + βt St ((b − r)dt + σdBt ) 47 On suppose que la valeur du portefeuille à la date t est une fonction déterministe du temps et de la valeur de l’actif risqué, soit V (t, St ). En utilisant la deuxième formule d’Itô, on calcule ∂V ∂V σ 2 St2 ∂ 2 V (t, St ) dt (t, St ) + b St (t, St ) + dVt = ∂t ∂x 2 ∂x2 ∂V + σSt (t, St ) dBt . ∂x En identifiant avec la condition d’auto-financement, ∂V (t, St ) σβt St = σSt ∂x ∂V (t, St ), soit βt = ∂x ce qui entraı̂ne alors ∂V ∂V σ 2 St2 ∂ 2 V (t, St ) − rV (t, St ) = 0 (t, St ) + (t, St ) + rSt ∂x ∂t 2 ∂x2 avec pour condition terminale V (T, ST ) = h(ST ). 48 Comme St est une v.a. qui peut prendre toutes les valeurs de IR+ , on en déduit que V satisfait l’EDP rx ∂V ∂x (t, x) + ∂V ∂t (t, x) + 1 2 2 ∂2V 2 σ x ∂2x (t, x) − rV (t, x) = 0 (6.1) avec pour condition terminale V (T, x) = h(x). Dans le cas d’un call européen h(x) = (x − K)+ , et pour σ > 0, cette équation se résout alors en : V (t, x) = xN (d1 ) − Ke−r(T −t) N (d2 ) 49 où N est la fonction de répartition d’une v.a. gaussienne standard : x 1 −u2 /2 √ e du, N (x) = 2π −∞ et avec les notations 1 1 √ ln xer(T −t) /K + σ 2 (T − t) d1 = 2 2σ T − t et √ d2 = d1 −σ T − t. La quantité ∂C (t, St ) = N (d1 ) ∂x qui représente la couverture du marché, soit le nombre de parts de l’actif sous jacent utilisées pour répliquer l’option s’appelle le Delta de l ’option et représente aussi la sensibilité du prix de l option par rapport au prix du sous jacent. 50 Comme conséquence de la formule d’Itô appliquée aux EDS, on verra plus tard une formule probabiliste pour le prix du call : C(t, St ) = er(t−T ) E (ST − K)+ | Ft lorsque le S a pour dynamique dSt = rSt dt + σ St dBt . Cette interprétation est fondamentale en Finance, et fait intervenir un changement de probabilité. 51