Evaluation Des Options Américaines (ATTALLAH Sabrina)

Université Badji Mokhtar Annaba
Mémoire
présentée en première version en vu d’obtenir le Magistère,
spécialité « Probabilité statistique »
par
ATTALLAH Sabrina
Evaluation des options

américaines
Thèse soutenue devant le jury composé de :
M. Pr .BOUTABIA Hacène Université Badji Mokhtar (Rapporteur)

Mme Dr .CHADLI Asia Université Badji Mokhtar (Rapporteur)
M. Dr .HAIOUR Mohamed Université Badji Mokhtar (Rapporteur)
M. Dr .Remita Riad Université Badji Mokhtar (Directeur)
À ma famille. . .
Remerciements
Je remercie mon encadreur, Monsieur R. Remita, Maître de conférence

à l’Université Badji Mokhtar Annaba, pour la confiance qu’il m’a accordée,
en acceptant de diriger ce mémoire et pour la patience dont il a toujours
fait preuve lors des scéances de relecture.
Je remercie vivement Monsieur H. Boutabia, Professeur à l’Université

Badji Mokhtar Annaba, pour l’intérêt qu’il a apporté à ce sujet en accep-
tant d’être le président du jury.
Je remercie Madame A. Chadli, Maître de Conférence à l’Univer-

sité Badji Mokhtar Annaba, qui m’a fait l’honneur de participer comme
membre du jury.
Toute ma gratitude va aussi à Monsieur M. Hayour, Maître de Confé-

rence à l’Université Badji Mokhtar Annaba, d’avoir accepté de juger ce
travail.
Je suis profondément reconnaissante à Madame R. Amiar, de m’avoir

dirigée et conseillée durant mes années d’études.
v
Table des matières
Table des matières vi
Liste des figures ix
Introduction 1
1 Mouvement brownien 3
1.1 Rappel de probabilité . . . . . .. . . . . . . . . . . . . . . . 5
1.1.1 Filtration . . . . . . . . . .. . . . . . . . . . . . . . . . 5
1.1.2 Martingale . . . . . . . . .. . . . . . . . . . . . . . . . 5
1.1.3 Temps d’arrêt . . . . . . . .. . . . . . . . . . . . . . . . 6
1.1.4 Théorème de Radon Nikodym . . . . . . . . . . . . . . . 7
1.2 Mouvement brownien . . . . . . . . . . . . . . . . . . . . . 8
1.3 Existence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Construction . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.1 Randomisation d’un espace de Hilbert . . . . . . . . . . 9
1.4.2 Représentation de Wiener (1923) . . . . . . . . . . . . . . 9
1.4.3 Méthode du point milieu (construction de Paul Lévy) . . 10
1.4.4 Principe d’invariance de Donsker . . . . . . . . . . . . . 10
1.5 Propriétés du mouvement brownien . . . . . . . . . . . . 10
1.5.1 Propriété de martingale . . . . . . . . . . . . . . . . . . 10
1.5.2 Processus Gaussien . . . . . . . . . . . . . . . . . . . . . 10
1.5.3 Propriété trajectorielles . . . . . . . . . . . . . . . . . . . 11
1.5.4 Variation totale et variation quadratique . . . . . . . . . 12
1.5.5 Caractère Markovien . . . . . . . . . . . . . . . . . . . . 15
1.5.6 Equation de la chaleur . . . . . . . . . . . . . . . . . . . 15
1.5.7 Temps d’atteinte . . . . . . . . . . . . . . . . . . . . . . 17
1.5.8 Brownien multidimensionnels . . . . . . . . . . . . . . . 17
1.5.9 Le brownien géométrique . . . . . . . . . . . . . . . . . 18
1.6 Intégral de Wiener . . . . . . . . . . . . . . . . . . . . . . . 19
1.6.1 Rappel d’intégration . . . . . . . . . . . . . . . . . . . . 19
1.6.2 Construction de l’intégral de Wiener . . . . . . . . . . . 19
1.6.3 Application de l’intégral de Wiener . . . . . . . . . . . . 20
2 Equation différentielle stochastique 23

2.1 Intégrale stochastique . . . . . . . . . . . . . . . . . . . . 23
2.1.1 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2 Processus d’Itô . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3 Equation différentielle stochastique . . . . . . . . . . . 31
2.3.1 Théorème d’existence . . . . . . . . . . . . . . . . . . . 31
2.3.2 Propriété de Markov . . . . . . . . . . . . . . . . . . . . 32
vi
2.3.3 Cas du mouvement brownien géométrique . . . . . . . . 32
2.4 Théorème de Girsavov . . . . . . . . . . . . . . . . . . . . . 33
2.5 Représentation prévisible . . . . . . . . . . . . . . . . . . . 35
2.5.1 Théorème de Représentation prévisible . . . . . . . . . . 35
2.5.2 Equations différentielles stochastiques rétrogrades . . . . 36
3 Application en finance 39
3.1 Les produits financiers . . . . . . . . . .
. . . . . . . . . . 40
3.1.1 Les actifs financiers traditionnels . . .
. . . . . . . . . . 40
3.1.2 Les produits dérivées . . . . . . . . . .
. . . . . . . . . . 41
3.2 Les options . . . . . . . . . . . . . . . . . .
. . . . . . . . . . 42
3.2.1 Valeur d’une option . . . . . . . . . .
. . . . . . . . . . 42
3.2.2 Les déterminants du prix d’une option . . . . . . . . . . 43
3.3 Modélisation des marchés financiers en temps discret 43
3.3.1 Modélisation du marché . . . . . . . . . . . . . . . . . . 44
3.3.2 Stratégie du portefeuille . . . . . . . . . . . . . . . . . . 45
3.3.3 Notion d’arbitrage . . . . . . . . . . . . . . . . . . . . . 46
3.3.4 Probabilité risque neutre . . . . . . . . . . . . . . . . . . 48
3.3.5 Duplication d’un produit dérivé . . . . . . . . . . . . . . 50
3.3.6 Evaluation et couverture d’un produit dérivé . . . . . . . 52
4 Le modèle Black-Scholes 53
4.1 Etude du modèle . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.1.1 Hypothèse sur le marché . . . . . . . . . . . . . . . . . . 53
4.1.2 Modélisation probabiliste du marché . . . . . . . . . . . 54
4.1.3 Probabilité risque neutre . . . . . . . . . . . . . . . . . . 55
4.1.4 Portefeuille autofinançant . . . . . . . . . . . . . . . . . 57
4.1.5 Duplication du produit dérivé . . . . . . . . . . . . . . . 59
4.2 Formule de Black-Scholes pour une option européenne 62
4.3 Résolution de l’équation de Black-Scholes . . . . . . . . 64
4.4 Les Greques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.4.1 Le delta . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.4.2 Le thêta . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.4.3 Le gamma . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.4.4 Le véga . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.4.5 Le rhô . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.5 Points forts et faibles du modèle de Black-Scholes . . 69
4.5.1 Point forts . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.5.2 Point faibles . . . . . . . . . . . . . . . . . . . . . . . . . 70
5 Option américaine 73
5.1 Options américaines en temps discret . .
. . . . . . . . . 73
5.1.1 Les temps d’arrêts . . . . . . . . . . . .
. . . . . . . . . 74
5.1.2 L’enveloppe de Snell . . . . . . . . . . .
. . . . . . . . . 75
5.1.3 Décomposition de Doob . . . . . . . . .
. . . . . . . . . 77
5.1.4 Enveloppe de Snell et chaîne de Markov . . . . . . . . . 78
5.1.5 Application aux options américaines . . . . . . . . . . . 79
5.2 Etude des options américaines comme inégalitées va-
riationnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.2.1 Cas du call et du put . . . . . . . . . . . . . . . . . . . . 81
5.2.2 Problème de bornes libres . . . . . . . . . . . . . . . . . 82
vii
5.2.3 Problème de l’obstacle . . . . . . . . . . . . . . . . . . .
83
5.3 Option américaine en tant que problème de borne libre 84
5.3.1 La valeur de l’option doit être supérieure ou égale à la
fonction payoff . . . . . . . . . . . . . . . . . . . . . . . 84
5.3.2 L’équation de Black-Scholes est remplacée par une inégalité 84
5.3.3 La valeur de l’option doit être une fonction continue de S 84
5.3.4 Le delta de l’option doit être continu . . . . . . . . . . . 85
5.4 Black-Scholes pour les options américaines . . . . . . . 87
5.5 Inégalités variationnelles et problème de l’obstacle . 89
5.5.1 Le problème de l’obstacle . . . . . . . . . . . . . . . . . 89
5.5.2 La complémentarité linéaire . . . . . . . . . . . . . . . . 90
5.5.3 Formulation par inégalité variationnelle . . . . . . . . . . 90
5.5.4 Une inégalité variationnelle pour le put américain . . . . 91
5.6 Evaluation des options américaines par la méthode
des différences finies . . . . . . . . . . . . . . . . . . . . . . 94
5.6.1 Call européen . . . . . . . . . . . . . . . . . . . . . . . . 94
5.6.2 Put américain . . . . . . . . . . . . . . . . . . . . . . . . 96
5.6.3 Résolution du problème discrétisé . . . . . . . . . . . . . 97
Conclusion générale 103
A Annexes 105
A.1 Convergence de variables aléatoires . .. .. . .. . . . 107
A.1.1 Convergence presque sûre . . . . . . . .. .. . .. . . . 107
A.1.2 Convergence quadratique . . . . . . . .. .. . .. . . . 107
A.1.3 Convergence en probabilité . . . . . . .. .. . .. . . . 108
A.1.4 Convergence en loi . . . . . . . . . . . .. .. . .. . . . 108
A.2 Espérance conditionnelle . . . . . . . . .. .. . .. . . . 108
A.2.1 Conditionnement par rapport à un évènement . . . . . . 108
A.2.2 Espérance conditionnelle par rapport à une tribu . . . . . 108
A.2.3 Espérance conditionnelle par rapport à une variable . . . 109
A.2.4 Propriétés de l’espérance conditionnelle . . . . . . . . . . 109
A.2.5 Variance conditionnelle . . . . . . . . . . . . . . . . . . 109
A.2.6 Formule de Bayes . . . . . . . . . . . . . . . . . . . . . . 110
A.3 Processus stochastique . . . . . . . . . . . . . . . . . . . . 110
A.3.1 Processus càdlàg . . . . . . . . . . . . . . . . . . . . . . 110
A.3.2 Processus mesurable . . . . . . . . . . . . . . . . . . . . 110
A.3.3 Processus gaussien . . . . . . . . . . . . . . . . . . . . . 110
A.4 Inégalitées célèbres et définitions . . . . . . . . . . . . . 111
A.4.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . 111
A.4.2 Inégalitées célèbres . . . . . . . . . . . . . . . . . . . . . 111
A.5 Distribution lognormale . . . . . . . . . . . . . . . . . . . 112
A.6 Option américaine : programme Brennan-Schwartz . . 112
Bibliographie 115
Notations 117
viii
Liste des figures
1.1 Mouvement brownien d’une particule. . . . . . . . . . . . . . 4
3.1 Marché à n périodes. . . . . . . . . . . . . . . . . . . . . . . . 44
5.1 Valeur d’option put européenne et américaine comme fonc-

tion de S, r = 0.1, σ = 0.4, K = 1, six mois avant l’expiration. 82
5.2 Problème de l’obstacle. . . . . . . . . . . . . . . . . . . . . . . 83
5.3 Prix d’exercice, (a) trop bas, (b) trop haut. . . . . . . . . . . . 85
5.4 Valeur d’un put américain(courbe supérieur) et européen
(courbe inférieur) avant l’expiration. La courbe supérieur
rejoint en régularité la fonction du payoff. . . . . . . . . . . . 88
5.5 Put américain calculé avec l’algorithme de Bernnan-
Shwartz, K = 50, σ = 0.4, r = 0.1, t = 1. . . . . . . . . . . . . 99
Shwartz, MOP, OPC : K = 50, σ = 0.4, r = 0.1, t = 1. . . . . . 100
Shwartz, MOP, OPC : K = 50, σ = 0.3, r = 0.05, t = 5/12. . . 101
ix
Introduction
D epuis les travaux de Black-Scholes et Merton en 1973, les marchés

financiers ont connu une expansion considérable et les produits
échangés sont de plus en plus nombreux et sophistiqués. L’observation
empirique du cours des actifs financiers montre qu’ils ne sont pas dé-
terminés de façon certaine par leur histoire. En effet, de nombreuses
opération d’achat ou de vente, font souvant intervenir des éléments n’ap-
partenent pas à l’historique et modifient le cours de l’actif. Celui-ci est
donc souvent représenté par un processus qu’on modélise à l’aide d’un
mouvement brownien. Les actifs les plus répandus sont les options. Les
options de base sont les options d’achat ou de vente, appelées respective-
ment call et put : ce sont des contrats passés entre le vendeur et l’acheteur
de l’option qui donnent le droit à l’acheteur d’acquérir ou de vendre un
bien financier à un prix (prix d’exercice ou strike) et à une date (maturité)
convenus au préalable. Si l’option peut être exercée avant sa maturité,
on parle d’option américaine sinon c’est une option européenne. Comme
l’acheteur n’est pas obligé d’exercer son droit si cela ne correspond pas à
ses intérêts, il gagnera une fonction positive du prix des biens sur lesquels
porte l’option. Cette fonction est appelée fonction du pay-off.
Le modèle de Black-Scholes fournit une formule analytique pour l’évalua-

tion des options européennes, qui ne peuvent être exercées qu’une seule
fois durant leur durée de vie. Par contre, il n’existe pas encore de formule
pour l’évaluation des options américaines, surtout pour l’option de vente.
Plusieurs approximations ont été proposées pour les évaluer, mais, elles
présentent certaines faiblesses qui les rendent moins efficaces. Dans ce
mémoire, nous proposons une étude des options américaines comme
un problème de borne libre : le problème de l’obstacle. Le problème de
l’obstacle et les options américaines sont deux problèmes mathémati-
quement similaires. Nous montrons que la formulation de Black-Scholes
du problème de borne libre pour un put américain peut être réduit à
un problème de complémentarité linéaire et une inégalité variationnelle
parabolique.
Le premier chapitre est consacré à l’étude du mouvement brownien :

son existence, sa construction, ses propriétées ainsi que l’intégral de Wie-
ner. Dans le deuxième chapitre, nous introduisons l’intégrale stochastique
et le processus d’Itô pour étudier les équations différentielles stochas-
tiques. Le troisième chapitre est une introduction en finance, une étude
du marché en temps discret, dit aussi modèle de Cox Ross et Rubinstein,
est nécessaire pour introduire le modèle de Black-Scholes pour les options
européennes, résoudre l’équation de manière exacte ainsi qu’une étude
1
2 Introduction
rapide des greques.

L’évaluation des options américaines est plus compliquée que celle des
options européennes dans le sens où à chaque instant, il convient non
seulement de déterminer la valeur de l’option mais également, pour
chaque valeur S, si elle doit être exercée ou pas. C’est ce qu’on appelle
un problème de borne libre. A chaque date t, il existe une valeur particu-
lière de S qui marque la frontière entre deux régions : d’un côté de cette
frontière il faut maintenir l’option, de l’autre il faut l’exercer. Afin de com-
prendre la formulation par équation aux dérivées partielles du problème
des options américaines, nous avons considéré un exemple classique de
problème de borne libre : le problème de l’obstacle. Ces problèmes ont des
formulations de complémentarité linéaire qui conduisent à des schémas
numériques efficaces et précis, ce que nous développons dans le dernier
chapitre.
Ce mémoire se termine par une annexe qui présente des notions fonda-
mentales de la théorie des probabilité.
Mouvement brownien
1
N ous somme en 1827, le botaniste écossais Robert Brown (1773-1858)
installe sous son microscope une lamelle de verre, porteuse d’une
goutte d’eau, dans laquelle il a dispersé des grains de pollen, objet princi-
pal de ses travaux. Il constate que ces grains sont animés d’un mouvement
désordonné, incessant, qui semble de plus insensible aux conditions mé-
caniques externes.
Ne trouvant aucune autre explication de ce phénomène, Robert Brown
fut conduit à supposer que les grains de pollen avaient leur propre mou-
vement, le phénomène sera baptisé « mouvement brownien », figure 1.1.
Il faudra attendre un demi-siècle pour qu’en 1877, les physiciens Joseph
Delsaux (1828-1891) et Ignace Carbonnelle (1829-1889) avancent l’hypo-
thèse selon laquelle ce mouvement aléatoire des grains de pollen serait
lié à l’agitation des molécules constituant le fluide environnant. Ils com-
prirent que le mouvement des grains de pollen était dû au bombardement
incessant qu’ils subissent de la part des innombrables molécules du fluide
environnant.
L’introduction de cette explication purement physique allait passer le
mouvement brownien du rang de la curiosité botanique au rang de phé-
nomène physique à part entière, captivant ainsi l’attention minutieuse de
nombreux expérimentateurs. Parmi eux Louis Georges Gouÿ (1845-1926),
qui effectua entre 1887 et 1895 une étude expérimentale très détaillée
montrant la dépendance du phénomène vis-à-vis de la température, de la
taille des grains et de la densité du fluide.
En 1900, Bachelier, en vue d’étudier les cours de la bourse met en évi-
dence le caractère « markovien » du mouvement brownien : la position
d’une particule à l’instant t + h dépend de sa position en t, et ne dépend
pas de sa position avant t. Ainsi, la théorie du mouvement brownien fut
développée pour la bourse avant de l’être pour la physique.
En 1905, Einstein donne une définition raisonnable : On note Xt la

position à l’instant t d’une petite particule évoluant dans un liquide. On
suppose que :
1. Xt+h − Xt est indépendant de σ ( Xs , s ≤ t) (tribu engendrée par Xs ) ;
2. La loi de Xt+h − Xt ne dépend pas de t ;
3. Les trajectoires sont continues.
La première hypothèse signifie que l’évolution de la trajectoire sur [t, t + h]
est uniquement due aux chocs que subit la particule durant cette période,
le phénomène d’inertie est négligé.
3
4 Chapitre 1. Mouvement brownien
La seconde hypothèse signifie que la situation est identique à elle-même

au cours du temps (pas de variation de température).
La troisième signifie que la particule ne saute pas. Notons qu’aucune pré-
cision sur le caractère gaussien n’est faite, celle-ci étant une conséquence
des autres hypothèses. Einstein parvient à calculer la densité de la transi-
tion de ce processus :
P( Xt+h ∈ dy| Xh = x ) = q(t, x, y)
et à relier ses résultats à l’équation de la chaleur :
∂u(t, x ) 1 ∂2 u(t, x )
− + =0
∂t 2 ∂x2
de condition initiale u(0, .) = f , qui admet la solution :
u(t, x ) = E[ f ( Xt+h | Xh = x ]
La première étude mathématique rigoureuse est faite par Norbert Wie-

ner (1923) qui donne également une démonstration de l’existence du mou-
vement brownien. Paul Lévy (1948) s’intéresse aux propriétés finies des
trajectoires du brownien. Depuis, le mouvement brownien continue de
passionner les probabilistes, aussi bien pour l’étude de ses trajectoires que
pour la théorie de l’intégration stochastique.
Figure 1.1 – Mouvement brownien d’une particule.

1.1. Rappel de probabilité 5
1.1 Rappel de probabilité

1.1.1 Filtration
Soit (Ω, F , P), un espace probabilisé muni d’une filtration F .
Définition 1.1 Une famille (Ft )t∈R+ de sous tribus de F tel que Ft ⊂ Fs , ∀t ≤ s s’appelle une
filtration. Cette tribu est dite complète si ∀t ∈ R+ , Ft contient tous les ensembles
négligeables N de F .
(Ft )t∈R+ représente l’information disponible à la date t .
Définition 1.2 Un processus ( Xt )t∈R+ est adapté à la filtration (Ft )t∈R+ si Xt est Ft -mesurable.
Un processus ( Xt )t∈R+ est toujours adapté à sa filtration naturelle :
FtX = σ( Xs , 0 ≤ s ≤ t).
Un processus ( Xt )t∈R+ est progressivement mesurable si ∀ T > 0 la fonction :
(t, ω ) ∈ ([0, T ], B([0, T ))] × (Ω, FT ) → Xt (ω ) ∈ (R, B(R))
est mesurable.
Un processus progressivement mesurable est mesurable et adapté .
1.1.2 Martingale
Cas discret
On se donne une filtration croissante (Fn ⊂ Fn+1 ), F0 contient les
négligeables.
Définition 1.3 Une suite de variables aléatoires réelles ( Xn , n ∈ N) est une Fn -martingale si :
1. Xn est intégrable ∀n ∈ N ;
2. Xn est Fn -mesurable ∀n ∈ N ;
3. E[ Xn+1 | Fn ] = Xn , ∀n ∈ N.
Cas continu
Soit (Ft )t∈R+ une filtration croissante telle que Fs ⊂ Ft , ∀s ≤ t.
Définition 1.4 Une famille de variables aléatoires ( Xt , t ∈ [0, ∞[) est une martingale par rapport
à la filtration (Ft )t∈R+ si :
1. Xt est Ft -mesurable , intégrable pour tout t ;
2. E[ Xt | Fs ] = Xs , ∀s ≤ t ;
– Si X est une martingale E[ Xt ] = E[ X0 ] ∀t.
– Si ( Xt , t ≤ T ) est une martingale, le processus est complètement déter-
miné par sa valeur terminale : Xt = E[ XT | Ft ].
Définition 1.5 Une famille de variables aléatoires ( Xt , t ∈ [0, ∞[) est une sur-martingale (res-
pectivement sous-martingale) par rapport à la filtration (Ft )t∈R+ si :
1. Xt est Ft -mesurable et intégrable pour tout t ;
2. E[ Xt | Fs ] ≤ Xs , ∀s ≤ t (respectivement E[ Xt | Fs ] ≥ Xs ).
Inégalité de Doob
Si X est une martingale continue :
E[sup Xs2 ] ≤ 4E[ XT2 ].

s≤ T
Transformé de martingale
Définition 1.6 Soit ( Hn )0≤n≤N une suite adapté de variables aléatoires, elle est dite prévisible si
pour tout n ≥ 1, Hn est Fn−1 -mesurable.
Proposition 1.1 Soit ( Mn )0≤n≤N une martingale et ( Hn )0≤n≤N une suite prévisible par rapport
à (Fn )0≤n≤N . Notons 4 Mn = Mn − Mn−1 . La suite ( Xn )0≤n≤N , définie par :
X0 = H0 M0
Xn = H0 M0 + H1 4 M1 + · · · + Hn 4 Mn n≥1
est une martingale par rapport à (Fn )0≤n≤N . ( Xn ) est également appelée la trans-
formé martingale de ( Mn ) par ( Hn )
1.1.3 Temps d’arrêt

Soit (Ft )t∈R+ une filtration, notons F∞ = σ(∪t Ft ).
Définition 1.7 Un temps d’arrêt est une variable aléatoire τ à valeurs dans R ∪ +∞ tel que
τ ≤ t ∈ (Ft ), ∀t ∈ R.
Propriétés
1. Une constante positive est un temps d’arrêt.
2. On associe à un temps d’arrêt τ la tribu des événements antérieurs
à τ , Fτ , définie par :
F τ = { A ∈ F ∞ | A ∩ τ ≤ t ∈ F t , ∀ t ∈ R}
3. Si T est un temps d’arrêt, T est F T -mesurable.

4. Si S et T sont deux temps d’arrêt, S ∧ T est un temps d’arrêt.
5. Si S et T sont deux temps d’arrêt tels que S ≤ T, on a FS ⊂ F T .
6. Soit ( Xt , t ≥ 0) un processus et T un temps d’arrêt fini, on définie
XT par XT (ω ) = TT (ω ) .
7. Si un processus X est adapté, XT est F T -mesurable.
Théorème d’arrêt
Si T est un temps d’arrêt et M une (Ft )-martingale, le processus Z
défini par Zt = Mt∧T est une (Ft )-martingale. En particulier :
E( Mt∧T ) = E( M0 ).
1.1. Rappel de probabilité 7
Martingale locale
Soit (Ω, F , P) un espace probabilisé muni d’une filtration
F ∗ = Ft , t ≥ 0 et soit X : [0, ∞] × Ω → S un processus F ∗ -adaptés, X est
dit F ∗ -martingale locale s’il existe une suite de temps d’arrêts τk
Ω → [0, ∞[ tel que :
1. ∀k, τk est croissante, p.s. :
P[τk < τk+1 ] = 1
2. τk diverge p.s. :
P[τk → +∞ quand t → +∞] = 1
3. Le processus d’arrêt 1τk >0 Xtτk = 1τk >0 Xmin(t,τk ) est une F ∗ -martingale
pour tout K.
Théorème d’arrêt de Doob

Si M une (Ft )-martingale continue, et si S et T deux temps d’arrêt tels
que S ≤ T ≤ K, K étant une constante finie, MT est intégrable et :
E [ X T | F S ] = XS
Si M est uniformément intégrable, Mt converge p.s. dans L1 vers M∞

quand t → ∞ et que MS = E[ M∞ | FS )].
Si pour tout temps d’arrêt borné E[ XT ] = E[ X0 ], le processus X est une
martingale.
Définition 1.8 Un processus M càdlàg est une martingale locale s’il existe une suite croissante
de temps d’arrêts τn tel que τn → ∞ et ( Mt∧τn , t ≥ 0) est une martingale pour
tout n.
1.1.4 Théorème de Radon Nikodym

Définition 1.9 Soient P et Q deux probabilités sur le même espace de probabilité (Ω, F ) :
1. On dit que P est absolument continue par rapport à Q (P Q) si :
∀A ∈ F , Q(F ) = 0 ⇒ P( A) = 0
2. On dit que P et Q sont équivalentes (P ∼ Q) si :
∀A ∈ F , P( A ) = 0 ⇔ Q( F ) = 0
3. On dit que P et Q sont étrangères (P⊥Q) si :
∃A ∈ F tel que P( A ) = 0 et Q( A) = 1.
Théorème de Radon Nikodym

Soient P et Q deux probabilités sur le même espace de probabilité
(Ω, F ) alors P Q ssi. il existe une variable aléatoire Z ≥ 0 , Q-intégrable
(unique à égalité Q p.s.) vérifiant :
EQ [ Z ] = 1 tel que ∀A ∈ F P( A) = EQ [ Z1 A ]
On appelle Z la densité de Radon Nikodym de P par rapport à Q, elle

est généralement notée :
dP
Z=
dQ
1.2 Mouvement brownien

Sur un espace (Ω, F , P), on se donne un processus ( Bt , t ≥ 0) .
Définition 1.10 Le processus ( Bt , t ≥ 0) est un mouvement brownien standard si :

1. P( B0 = 0) = 1, le mouvement brownien est issu de l’origine.
2. ∀s ≤ t, Bt − Bs est une variable aléatoire réelle de loi gaussienne centré de
variance (t − s), c’est la condition de la stationnarité des accroissements du
mouvement brownien.
3. ∀n, ∀ti , 0 ≤ t0 ≤ t1 ≤ ... ≤ tn , les variables ( Btn − Btn−1 , ..., Bt1 − Bt0 , Bt0 )
sont indépendantes. Cette propriété traduit que le mouvement brownien est
à accroissements indépendant ce qui équivalent à :
4. Soit ∀s 6 t, la variable Bt − Bs est indépendante de la tribu du passé avant

s, soit σ( Bu , u ≤ s).
Le processus Xt = a + Bt est un mouvement brownien issu de a , on dit que X
est un mouvement brownien généralisé ou de drift µ si Xt = x + µt + σBt où B
est un mouvement brownien.
La variable Xt est une variable gaussienne d’espérence x + µt et de variance σ2 t.
Les variables ( Xti+1 − Xti , t0 ≤ t1 ... ≤ tn ) sont indépendantes.
Proposition 1.2 Un processus ( Bt )t∈[0,1] est un mouvement brownien s.s.i. il est gaussien, continu,
centré de covariance :
Γ[s, t] = in f (s, t)
Démonstration. Nous allons démontrer :

1. ⇒) Pour t1 ≤ ... ≤ tn , le vecteur ( Bt1 , Bt2 − Bt1 , ..., Btn − Btn−1 ) consti-
tué de variables aléatoires gaussiennes indépendantes est un vecteur
gaussien. Ainsi par combinaisons linéaires, ( Bt1 , ..., Btn ) l’est égale-
ment. Le mouvement brownien est un processus gaussien continu.
Il est de plus centré et si t ≥ s :
cov( Bt , Bs ) = E[ Bt Bs ] = E[( Bt − Bs ) Bs ] + E[( Bs )2 ] = s.
2. ⇐) Nous vérifions la définition point par point :

– E[( B0 )2 ] = 0 donc B0 = 0, P-p.s.
– B est continue par hypothèse.
1.3. Existence 9
– Pour t1 ≤ . . . ≤ s < t, le vecteur ( Bt1 , ..., Btn , Bt − Bs ) est gaussien

avec cov( Bt − Bs , Bti ) = 0 . Ainsi Bt − Bs ⊥ ( Bt1 , . . . , Btn ) , donc
d’aprés la remarque si dessus, Bt − Bs est indépendant de FsB =
σ( Bu , u ≤ s).
– Enfin, pour s ≤ t, Bt − Bs est gaussienne, centrée de variance
var ( Bt − Bs ) = t + s − 2in f (s, t) = t − s.
1.3 Existence
Théorème 1.1 Le mouvement brownien existe.
Démonstration. Ce résultat est admis. Le mouvement brownien peut être

vu comme limite de marches aléatoires sur des pas de temps de plus en
plus courts.
1.4 Construction
Plusieurs méthodes permettent de construire le mouvement brownien.
1.4.1 Randomisation d’un espace de Hilbert

Soit ( gn )n∈N une famille de variables aléatoires indépendantes et iden-
tiquement distribuées suivant une loi normale centrée et réduite. Consi-
dèrons l’espace de Hilbert H = L2 ([0, 1], dx ) et notons (χn )n∈N une base
orthonormée de H. On note, ∀t ∈ [0, t] :
∞
Bt = ∑ χn (s)dsgn
n =0
La série converge dans L2 vers une variable gaussienne, centrée, de va-

riance : Z ∞ t
var ( Bt ) = ∑( 0
χ(s)ds)2 = t.
n =0
De la même manière, nous montrons que ( Bt )t∈[0,1] est un processus gaus-
sien, centré et sa fonction de covariance égale à Γ[s, t] = in f (s, t).
1.4.2 Représentation de Wiener (1923)

Sur une base trigonométrique, nous obtenons une représentation ex-
plicite du mouvement brownien à l’aide d’une série de Fourier aléatoire
(démontré par Wiener). Nous avons :
√ ∞
8 sin(nt)
π n∑
Bt = yn
=1 n
où la série converge uniformément et p.s. sur [0, 1].

Notons que E[ Bt ] = 0, un résultat classique donne :
∞
8 sin2 (nt)
E[( Bt )2 ] =
π2 ∑ n2
=t
n =1
1.4.3 Méthode du point milieu (construction de Paul Lévy)

En 1939, Paul Lévy propose une construction simple du mouvement
brownien. Cette nouvelle approche lui permettra de découvrir des pro-
priétés importantes de la trajectoire brownienne. Cette méthode est utili-
sée surtout pour la simulation du mouvement brownien.
1.4.4 Principe d’invariance de Donsker

Le principe d’invariance de Donsker est une généralisation fonction-
nelle du « Théorème central limte » (T.C.L). On se donne une famille
(Uk )k∈N∗ de variables aléatoires indépendantes, centrées et réduites. Pour
tout n ∈ N∗ notons Sn = U1 + ... + Un la n-ième somme partielle.
Sn
D’après le T.C.L, √ −→ N (0, 1) et plus généralement, ∀t ∈ [0, 1] :
n L
S[nt]
√ −→ N (0, 1) (La loi deBt )
n L
1.5 Propriétés du mouvement brownien

Dans tout ce qui suit B = ( Bt , t ≥ 0) est un mouvement brownien,
Ft = σ( Bs , s ≤ t) sa filtration naturelle.
1.5.1 Propriété de martingale

2t)
Proposition 1.3 Les processus ( Bt ), (( Bt )2 − t) et e(θBt +θ 2 , (θ ∈ R) sont des (FtB )t∈R -
martingales.
D’aprés la proposition de Paul Lévy :
Proposition 1.4 Soit ( Xt )t≥0 une martingale par rapport à une certaine tribu (Ft )t∈R , continue
issue de 0. Alors X est un mouvement brownien si l’une des deux conditions
suivantes est vérifiée :
– Le processus t → ( Xt )2 − t est une martingale.
2t
– Le processus t → e(θXt −θ 2 ) est une martingale pour tout θ ∈ R.
Proposition 1.5 Soit B1 et B2 deux mouvements browniens indépendants. Le produit B1 B2 est une
martingale.
(s)
Proposition 1.6 On pose Bt = Bt+s − Bs , pour s fixé . Yt = cB t , pour c > 0.
c2
(s)
Zt = tB 1 , t > 0, Z0 = 0 . Alors, les processus (− Bt ), Bt , Yt et Zt sont des
t
mouvements browniens standards.
1.5.2 Processus Gaussien

Proposition 1.7 Le processus B est un processus gaussien, sa loi est caractérisée par son espérance
nulle et sa covariance cov( Bt , Bs ) = s ∧ t.
n n
Démonstration. Le caractère gaussien résulte de ∑ ai Bti = ∑ bi ( Bti+1 − Bti )
i =0 i =0
avec ai = bi − bi+1 , i ≤ n − 1, an = bn . La covariance est égale à E[ Bt Bs ] car
1.5. Propriétés du mouvement brownien 11
le processus est centré. Si s ≤ t :
E[ Bt Bs ] = E[( Bt − Bs ) Bs + Bs2 ] = E[ Bt − Bs ] E[ BS ] + E[ Bs2 ] = s
1.5.3 Propriété trajectorielles

Proposition 1.8 Soit ( Bt ) un mouvement brownien. Alors :
• lim sup √Btt = lim sup √Btt = +∞
t→∞ t → 0+
• lim inf √Btt = lim inf Bt

√ = +∞
t→∞ +
t →0 t
Corollaire 1.1 Soit( Bt ) un mouvement brownien,

1. ( Bt ) passe une infinité de fois par tout point P-p.s.
2. ( Bt ) n’est pas dérivable ni à droite ni à gauche en tout point P-p.s.
Remarque 1.1 Les trajectoires du mouvement brownien sont des exemples explicites de fonctions
continues, nulle part dérivables.
Proposition 1.9
P({ω, t −→ Bt (ω ) est monotone sur un intervalle}) = 0
Démonstration. Notons que :
F = {ω il existe un intervalle où t → Bt (ω ) est monotone}
Nous avons :
[
F= {ω, t → Bt (ω )est monotone sur[s, t]}
(s,t)∈ Q2 ,0≤s<t
Pour 0 ≤ s < t fixé dans Q, nous étudions par exemple :
A = {ω, t → Bt (ω ) est croissante sur [s, t]}
Alors :
−1
\ n\ n o
A= Ain où Ain = ω, Bs+(t−s) i+1 − Bs+(t−s) i ≥ 0
n n
n >0 i =0
par indépendance et stationnarité :

−1
n\
1
P( Ain ) =
i =0
2n
Ainsi, ∀n < 0, P( A) ≤ 1
2n donc P( A) et P( F ) sont nulles.
1.5.4 Variation totale et variation quadratique

Définition 1.11 On définit la variation infinitésimale d’ordre p d’un processus X sur [0, T ] asso-
cié à une subdivision Πn = (t1n , . . . , tnn ) de [0, T ] par :
n p
= ∑ X t i − X t i −1
p
VT (Πn )
n n

i =1
p
Si VT (Πn ) admet une limite
n dans
p
un certain sens (convergence L , p.s) lorsque
πn = kΠn k∞ = Max ti+1 − ti → 0, la limite ne dépend pas de la subdivision
n
i ≤n
choisie et nous l’appellerons variation d’ordre p de X sur [0, T ]. En particulier :
– Si p = 1, la limte s’appelera variation totale de X sur [0, T ].
– Si p = 2, la limte s’appelera variation quadratique de X sur [0, T ] notée
hX iT .
Remarque 1.2 Si la variation totale d’un processus existe presque sûrement alors elle vaut :
n
VT1 = sup ∑ Xti − Xti−1

p.s.
Π∈P i =1
où P est l’ensemble des subdivisions possibles de [0, T ]. Réciproquement, si ce sup

est fini, le processus admet une variation totale. Ce résultat est dû à la décroissance
0 0
en Π de la variation infinitésimale : si Π ⊂ Π alors VT1 (Π) ≥ VT1 (Π ) qui vient
de l’inégalité triangulaire | x − y| ≤ | x − z| + |z − y|. La variation totale d’un
processus s’interprète comme la longueur de ses trajectoires.
Proposition 1.10 La variation quadratique sur [0, T ] du mouvement brownien existe dans L2 (Ω)
∞
et vaut T. De plus, si la subdivision Πn satisfait ∑ πn < ∞, nous avons la
n =1
convergence au sens p.s. donc :
h BiT = T
Démonstration. La variation infinitésimale d’ordre 2 du mouvement brow-
nien est donnée par :
n 2
VT2 (Πn ) = ∑ ti
B − B
n n

t i −1
i =1
Comme X ∼ N (0, σ2 ) alors E [ X 2 ] = σ2 et var [ X 2 ] = 2σ4 .

Nous avons donc :
n n
E[VT2 (Πn )] = ∑ E[( Bt n
i
− Btin−1 )2 ] = ∑ (tin − tin−1 ) = T
i =1 i =1
En notant πn = max tin − tin−1 , nous obtenons :

n n
var [VT2 (Πn )] = ∑ var[( Btin − Btin−1 )2 ] = 2 ∑ (tin − tin−1 )2 ≤ 2Tπn −→ 0 π n →0
i =1 i =1
Donc VT2 (Πn ) − T 2 = var VT2 (Πn ) → 0 quand πn → 0. Pour obtenir

la convergence p.s., il faut utiliser l’inégalité de Markov qui donne pour

tout e :
h i var [VT2 (Πn )] 2Tπn
P VT2 (Πn ) − T > e ≤

≤
e e
∞
Donc si ∑ πn < ∞, on a pour tout e :
n =1
∞ h i
∑ P VT2 (Πn ) − T > e < ∞

n =1
ce qui entraîne la convergence p.s. de VT2 (Πn ) vers T(En utilisant Borel-
Cantelli).
∞
Proposition 1.11 Pour toute subdivision Πn satiafaisant ∑ πn < ∞, la variataion infinitésimale
n =1
d’ordre 1 sur [0, T ] du mouvement brownien associée à cette subdivision converge
p.s. vers +∞. Donc, la variation totale du mouvement brownien vaut +∞ p.s. :
VT1 = supVT1 (Πn ) = ∞ p.s.

Πn
Démonstration. Soit Πn une suite de subdivision de [0, T ] satisfaisant

∞
∑ πn < ∞. Alors, sur presque tout chemin ω, nous avons la relation :
n =1
VT2 (Πn )(ω ) ≤ sup | Bu (ω ) − Bv (ω )| VT1 (Πn )(ω )

|u−v|<πn
Le terme de gauche tend vers T à cause de la convergence p.s. de la varia-

tion quadratique. Le premier terme à droite tend vers 0 car les trajectoires
du mouvement brownien sont uniformémont continues sur [0, T ] en tant
que fonctions continues sur un compact. Donc le deuxième terme de droite
tend nécessairement vers l’infini.
En conclusion, la variation quadratique du mouvement brownien est

non nulle, elle vaut T dans L2 , mais sa variation totale est infinie presque
sûrement.
Remarque 1.3 La variation totale du mouvement brownien trajectoire par trajectoire est simple-
ment la longueur de son chemin.
Définition 1.12 Un processus X est un à variation bornée sur [0, T ] s’il est à variation bornée
trajectoire par trajectoire
Proposition 1.12 Un processus est à variation bornée s.s.i. s’il est la différence entre deux processus
croissants.
Démonstration. Si le processus est à variation bornée, notons pour tout

t≤T:
n
Xt∗ = sup ∑ Xti − Xti−1 < ∞

Π t i =1
Où les Πt sont des subdivisions de [0, t]. Alors Xt se réécrit :
Xt + Xt∗ X ∗ − Xt
Xt = − t = Xt+ − Xt−
2 2
Les processus Xt+ , Xt− sont croissants car, pour s ≤ t :
| Xt − Xs | ≥ Xt∗ − Xs∗
Réciproquement, si X est de la forme X + − X − avec X+ et X − crois-

sants, nous avons, pour toute subdivision de [0, T ] :
n n n
∑ Xt = ∑ (X+ + ) + ∑ (X− − )

i
− X t i −1 t −X t −X
i t i −1 i t i −1
i =1 i =1 i =1
= Xt+ − X0+ + X0− − Xt− = X t − X0
Donc X est à variation bornée.
Proposition 1.13 Si X est un processus à variation bornée et trajectoires continues, sa variation

quadratique est nulle p.s. h X iT = 0.
Démonstration. Nous avons vu précédemment, pour presque tout ω :
VT2 (Πn )(ω ) ≤ sup | Xu (ω ) − Xv (ω )| VT1 (Πn )(ω )

|u−v|<πn
Comme X est continue sur le compact [0, T ], le sup tend vers 0 et la varia-
tion totale de X est finie, donc sa variation quadratique est nulle p.s.
Définition 1.13 Soient X et Y deux processus tels que X, Y et X + Y ont des variations
quadratiques finies dans L2 . Nous définissons alors la covariance quadratique
entre les processus X et Y comme :
1
h X, Y i = h X + Y i − h X i − hY i
2
Par construction, cette définition rend l’application ( X, Y ) 7−→ h X, Y i bilinéaire :
– Relation de bilinéarité : h X + Y, X + Y i = h X, X i + 2 h X, Y i + hY, Y i .
– Relation scalaire : hαX, βY i = αβ h X, Y i
Démonstration. Par construction, 2 k∑ ∆Xi ∆Yi − h X, Y ik2 converge vers 0

car il est borné par :
∑ ∆( Xi + Yi )2 − h X + Y i + ∑ ∆X 2 − h X i + ∑ ∆Y 2 − hY i

2 i 2 i 2
Proposition 1.14 Soit X un processus à variation bornée continu ayant une variation quadratique
dans L2 (qui est donc nulle) et Y un processus à variation quadratique finie dans
L2 , alors X + Y est à variation finie dans L2 , nous avons :
hX + Yi = hXi
Ce qui revient à dire que :

h X, Y i = 0
Démonstration. Nous avons la relation :
h i h i
E (∑ ∆Xi ∆Yi )2 ≤ E (∑ ∆Xi2 )(∑ ∆Yi2 ) ≤ ∑ ∆Xi2 2 ∑ ∆Yi2 2

Ce qui donne :
h X, Y i = 0
à la limite.
1.5.5 Caractère Markovien

Cette propriété assure que le mouvement brownien est un processus
de Markov, c’est-à-dire un processus dont l’avenir ne dépend pas de tout
le passé mais seulement du présent.
Proposition 1.15 Pour toute fonction f borélienne bornée :
E[ f ( Bu )|Ft ] = E[ f ( Bu )|σ( Bt )], pour u>t
En faisant apparaître les accroissements et en utilisant les propriétés

de l’espérance conditionnelle :
E[ f ( Bu )|Ft ] = E[ f ( Bu − Bt + Bt )|Ft ] = φ(u − t, Bt )
Avec φ(u − t, x ) = E[ f ( Bu − Bt + x )] = E[ f (Y + x )] où Y suit la même

loi que Bu − Bt , soit une loi N (0, u − t). Par les mêmes arguments,
E[ f ( Bu )|σ( Bt )] = φ(u − t, Bt ). Nous avons :
1 ( y − x )2
Z
φ(s, x ) = √ f (y)e− 2s dy
2πs R
Une autre façon de décrire cette propriété est de dire que, pour u > t,
conditionné à Bt et de variance u − t, alors :
E[1Bu ≤ x |Ft ] = E[1Bu ≤ x |σ( Bt )] = E[1Bu ≤ x | Bt ]
Pour t ≤ u.
Propriété de Markov forte

Soit T un temps d’arrêt à valeurs finies. Nous avons alors :
E[ f ( BT +s )|FT ] = E[ f ( BT +s |σ( BT )]
En particulier, pour tout temps d’arrêt fini T, le processus (Wt , t ≥ 0)

déf
défini par Wt = Bt+T − BT est un mouvement brownien indépendant de
FT .
1.5.6 Equation de la chaleur

Soit g(t, x ) la densité gaussienne centrée de variance t, la densité de
transition du mouvement brownien est notée :
1 ( y − x )2
q(t, x, y) = √ e− 2t = g(t, x − y)
2πt
C’est la probabilité pour que le mouvement brownien soit en y sachant
que à l’instant t auparavant, il se trouvait en x, c’est aussi la densité condi-
tionnelle :
P( Bt+s ∈ dy| Bs = x ) = q(t, x, y)dy
La densité de transition q vérifie l’équation forward 1 :

∂q 1 ∂2 q
(t, x, y) = (t, x, y)
∂t 2 ∂y2
et l’équation backward :
∂q 1 ∂2 q
(t, x, y) = (t, x, y)
∂t 2 ∂x2
En utilisant cette notation et la stationnarité des accroissements du mouve-
ment brownien, nous obtenons pour toute fonction f borélienne bornée :
Z +∞
E[ f ( BT )| = x ] = f (y)q( T − t, x, y)dy
−∞
Notons u(t, x, f ) la fonction :

R +∞
u(t, x, f ) = −∞ f ( y ) q ( t, x, y ) dy = E [ f ( Bt + x )] (1.1)
R +∞
= E[ f ( Bt+s | Bs = x ] = −∞ f ( x + y) g(t, y)dy (1.2)
En utilisant l’équation backward et la théorème de dérivation sous le signe
intégral, cette fonction vérifie :
2

 ∂u 1 ∂ u
− + = 0
∂t 2 ∂x2 (1.3)
u(0, x, f ) = f ( x )

Pour calculer E[ f ( BT )] , il suffit de résoudre l’équation aux dérivées par-

tielles 1.3 et de remarquer que E[ f ( BT )] = u( T, 0, f ). Nous obtenons aussi
E[ f ( BT + x )] = u( T, x, f ). De plus, en utilisant 1.5.6 et le théorème de
dérivation sous le signe intégral :
Z ∞
∂2 u 00 00 00
(t, x, f ) = f ( x + y) g(t, y)dy = u(t, x, f ) = E[ f ( Bt + x )] (1.4)
∂x2 −∞
Nous pouvons ainsi écrire :

Z T
∂u
E[ f ( BT + X )] − f ( x ) = u( T, x, f ) − u(0, x, f ) = (s, x, f )ds
0 ∂t
Z T 2
1 ∂ u
= (s, x, f )ds
2 0 ∂x2
Soit :
1 T
Z
00
E[ f ( BT + x )] = f ( x ) + E[ f ( Bs + x )]ds
2 0
La fonction v(t, x, f ) = u( T − t, x, f ) est une soluion de :
2

 ∂v 1 ∂ v
+ = 0
∂t 2 ∂x2 (1.5)
v( T, x ) = f ( x )

et vérifie v(0, x, f ) = E[ f ( BT + x )].

1. Forme backward/forward : Si l’équation est linéaire et les signes devant chacune
des dérivées sont les mêmes quand ils apparaissent du même côté de l’équation, alors
l’équation est dite backward. Sinon, elle est dite forward.
Proposition 1.16 Si f est une fonction de classe Cb1 en temps et Cb2 en espace :
Z t
1 00 0
E[ f (t, x + Bt )] = f (0, x ) + E[ f xx (s, x + Bs ) + f t (s, x + Bs )]ds
0 2
Démonstration. Soit : u(t, x, f ) = E[ f (t, x + Bt )], nous vérifions, en utilisant
1.3 et 1.4, que :
du 1
(t, x, f ) = u(t, x, ∂t f ) + u(t, x, ∂ xx f )
dt 2
En effet :
u(t, x, f ) = E[ f (t, x + Bt )]
avec F (s, t, x, f ) = E[ f (s, x + Bt )], il reste à utiliser le théorème de dériva-
tion de fonctions composées :
du ∂F ∂F ∂f 1
(t, x, f ) = (t, t, x, f ) + (t, t, x, f ) = E[ (s, x + Bt )] + u(t, x, ∂ xx f )
dt ∂s ∂t ∂t 2
En intégrant par rapport à t :
Z t
1
u(t, x, f ) − u(0, x, f ) = E[ f t (s, x + Bs ) + ∂ xx f (s, x + Bs )]ds
0 2
Nous pouvons généraliser ce résultat au processus X définit par :
X = x + µt + σBt . La fonction u(t, x, f ) = E[ f (t, xµt + σBt )] vérifie :
 du (t, x, f ) = 1 σ2 u(t, x, ∂ f ) + µu(t, x, ∂ f ) + u(t, x, ∂ f )

xx x t
dt 2
u(0, x, f ) = f ( x )

1.5.7 Temps d’atteinte

Proposition 1.17 Soit B = ( Bt , t ≥ 0) un mouvement brownien et a un nombre réel. Soit
Ta = inf {t ≥ 0, Bt = a}
Alors Ta est un temps d’arrêt fini p.s. tel que E[ Ta ] = ∞ et pour λ ≥ 0 :
√
E[e−λTa ] = e−|a| 2λ
1.5.8 Brownien multidimensionnels

(1) (2) (n)
Soit Bt = ( Bt , Bt , · · · , Bt )T un processus n-dimentionnel (l’expo-
sant T note la transposition d’un vecteur). On dit que B est un mouvement
brownien multidimensionnels si les processus ( B(i) , i ≤ n) sont des mou-
vements browniens indépendants. C’est un processus à acroissements in-
(1) (2)
dépendants. Pour chaque ( a, b), le processus aBt + bBt est un processus
déf (1) (2)
gaussien. On peut vérifier que Bt = √ 21 2 ( aBt + bBt ) est un mouve-
a +b
ment brownien.
Si B est un mouvement brownien n-dimentionnel, on a E[ BtT Bd ] = n(s ∧ t).
Le processus B est un mouvement brownien ssi. les processus B(i) et
B(i) B( j) − δi,j t sont des martingales (avec δi,j = 0 pour i 6= j et δi,j = 1).
Si B1 et B2 sont deux mouvements browniens à valeurs réelles indépen-
dants, le produit est une martingale.
1.5.9 Le brownien géométrique

Définition 1.14 Soit B un mouvement brownien, b et σ deux constantes. Le processus :
1 2
X t = X0 e ( b − 2 σ )t+σBt
est dit mouvement brownien géométrique.

Ce processus est aussi appelé processus log normale car lorsque X0 = x > 0
1
ln( Xt ) = (b − σ2 )t + σBt + ln x
2
suit une loi normale.
Proposition 1.18 Le procesus Xt e−bt est une martingale. En écrivant :

1 2
Xt = Xs e ( b − 2 σ )(t−s)+σ( Bt − Bs )
on établi que X est markovien. Le caractère markovien de X et les propriétés du

mouvement brownien permettent de calculer les espérances conditionnelles :
1 2
E[ Xt |Fs ] = Xs E[e(b− 2 σ )(t−s)+σ( Bt − Bs )
|Fs ]
(b(t−s)) (− 12 σ2 )(t−s)+σ( Bt − Bs )
= Xs e E[e |Fs ]
(b(t−s)) (− 12 σ2 )(t−s)+σBt−s
= Xs e E[e ]
= Xs e b ( t − s ) = E [ Xt | Xs ]
Nous avons utilisé la propriété de martingale de l’exponentielle du
Loi
mouvement brownien ainsi que Xt = Xs X̃t−s avec X̃t−s indépendant de
Xt et de même loi que Xt−s .
De la même façon, pour une variable aléatoire G de loi N (0, 1) :
E[ f ( Xt )|Fs ] = E[ f ( Xt )| Xs ]
1 2
= E[ f ( xe(b− 2 σ )(t−s)+σ( Bt − Bs )
)] x=Xs
√
(b− 12 σ2 )(t−s)+σG t−s
= E[ f ( xe )] x=Xs
Z ∞ √
(b− 12 σ2 )(t−s)+σy t−s
= f ( Xs e )q(1, 0, y)dy
−∞
Ce processus est souvant utilisé pour modéliser le prix d’un actif finan-
cier. Le rendement de l’actif entre deux dates est mesuré par la différence
des logarithmes des cours et donné par la variable gaussienne :
1
(b − σ2 )(t − s) + σ( Bt − Bs )
2
Il est facile de calculer les moments d’un mouvement brownien géomé-
trique. Par exemple, pour calculer le moment d’ordre 2, il suffit de faire
les transfomations suivantes :
2 ) t +2σB
E[ Xt2 ] = X02 E[e(2b−σ t
]
(2b+σ2 )t− 12 (2σ)2 t+(2σ) Bt
= X02 E[e ]
(2b+σ2 )t
= X02 e
2
On déduit que varXt = x2 e2bt (eσ t − 1).
1.6. Intégral de Wiener 19
1.6 Intégral de Wiener

1.6.1 Rappel d’intégration
Si g : [0, 1] → R est une fonction croissante continue, nulle en 0, il
existe une mesure bornée m sur ([0, 1], B([0, 1])) telle que g(t) = m([0, 1])
(si g est positive, la mesure m est positive et g est en effet la fonction de
répartition associée). Nous définissons alors l’intégrale par rapport à g en
posant :
Z t Z
1
∀ f ∈ L ( m ), f (s)dg(s) = 1[0,t] f dm
0
Définition 1.15 Une fonction g : [0, 1] → R+ est à variations bornées si :

n
sup ∑ | f (t j ) − f (t j−1 | < ∞
j =1
Le sup est pris sur toutes les subdivisions t0 = 0 ≤ t1 ≤ · · · ≤ tn = 1

de [0, 1].
Si g est dérivable, g est à variations bornées et dans ce cas :

Z t Z t
0
f (s)dg(s) = f (s) g (s)ds
0 0
Proposition 1.19 Si g est une fonction à variations bornées, nulle en 0 et continue, il existe deux
fonctions g1 et g2 croissantes, continues, nulles en 0, telles que g = g1 − g2 .
Ainsi on construit l’intégrale par rapport à g à partir des intégrales par rapport à
g1 et g2 .
1.6.2 Construction de l’intégral de Wiener

Cette construction est une généralisation de la technique de construc-
tion du mouvement brownien par randomisation d’un espace de Hil-
bert. Soit ( gn )n∈N une famille de variables aléatoires indépendantes et
identiquement distribuées suivant une loi normale centrée et réduite. On
considère l’espace de Hilbert H = L2 ([0, 1], dx ) et une base orthonormée
(χn )n∈N de H. Notons :
∞ Z t
∀ f ∈ H, I ( f )t = ∑ f (s)χn (s)dsgn
n =0 0
∞ Rt
la série converge dans L2 . En posant Bt = ∑ 0 χn (s)dsgn , I ( f )t sera
n =0
Rt
désormais notée 0 f (s)dBs variable gaussienne, centrée, de variance
Rt 2
0
f (s)ds, continue en t.
Proposition 1.20 Propriétés de l’intégrale de Wiener

Rt
1. L’application f ∈ H → 0 f (s)dBs est linéaire.
Rt
2. Le processus ( 0 f (s)dBs )t∈[0,1] est un processus gaussien continu, centré,
R inf(s,t) 2
de fonction de covariance Γ(s, t) = 0 f (u)du.
Rt
3. Le processus ( 0 f (s)dBs )t∈[0,1] est un processus (FtB )t∈[0,1] -mesurable à
accroissements indépendants non stationnaire.
Rt Ru R inf(t,u)
4. Si ( f , g) ∈ H 2 , E[ 0 f (s)dBs 0 g(s)dBs ] = 0 f (s) g(s)ds.
Rt Rt Rt
5. Les processus ( 0 f (s)dBs )t∈[0,1] et (( 0 f (s)dBs )2 − 0 f 2 (s)ds)t∈[0,1]
sont des (FtB )t∈[0,1] -martingales.
Rt
6. Le processus ( 0 f (s)dBs )t∈[0,1] vérifie la propriété de Markov.
Lorsque f est régulière, le résultat suivant assure que l’intégrale de

Wiener est définie ω par ω.
Proposition 1.21 Si f ∈ C1 ([0, 1], R) , alors, ∀1 ≥ t ≥ 0 :

Z t Z t
0
f (s)dBs = f (t) Bt − f (s) Bs ds
0 0
La proposition suivante nous donne une définition de l’intégrale

stochastique pour les intégrants particuliers. Cette construction est trés
proche de la construction de l’intégrale de Lebesgue par la somme de
Riemann.
Proposition 1.22 Soit f : R → R une fonction dérivable à dérivée bornée. Alors la série :
n −1
Zn = ∑ f ( B ti )( B ti+1 − B ti )
n n n
i =0
Rt
converge dans L2 et on note 0
f ( Bs )dBs sa limite.
Lorsque f est une fonction régulière, le théorème de Riemann nous

n −1 t Rt t
assure que ∑ f ( xni )( (in+1) − tni ) converge vers 0 f (s)ds si xni ⊂ [ tni , (in+1) ].
i =0
1.6.3 Application de l’intégral de Wiener

Processus d’Ornstein-Uhlenbeck
C’est un exemple de processus Gaussien utilisé dans les modèle des
taux d’intérêts.
Définition 1.16 Le processus d’Ornstein-Uhlenbeck est la solution de l’équation suivante :

Z t
X t = X0 − a Xs ds + σBt (1.6)
0
où ( a, σ) ∈ R2 et X0 est une variable aléatoire indépendante du mouvement

brownien.
Proposition 1.23 L’équation 1.6 admet pour unique solution le processus continu :
Z t
−ta
Xt = e ( X0 + σ e as dBs ) (1.7)
0
1.6. Intégral de Wiener 21
Démonstration. D’aprés la proposition 1.21 :

Z t
Xt = e−ta ( X0 + σe at Bt − σa e as Bs ds)
0
En employant une version stochastique de Fubini, nous avons :

Z t Z t Z t Z t Z s
a Xs ds = aX0 e−as ds + aσ Bs ds − a2 σ e−as ( e−au Bu du)ds
0 0 0 0 0
Après le calcul, nous obtenons :

Z t
a Xs ds = X0 + Xt + σBt
0
ce qui prouve l’existence. Pour ce qui est de l’unicité, si X1 et X2 sont

toutes les deux solution de 1.6, alors le processus Z = X1 − X2 vérifie
l’équation intégrale suivante :
Z t
Zt = − a Zs ds
0
dont l’unique solution est la solution nulle, d’aprés le lemme suivant :
Lemme de Gronwall
Soient T ∈ R+ , K ∈ R+ , φ : R+ → R+ , ψ : R+ → R+ tels que
∀t ∈ [0, T ] :
Z t
φ(t) ≤ K + φ(s)ψ(s)ds < ∞
0
RT
et 0
ψ(s)ds < ∞. Alors :
RT
φ(t) ≤ Ke( 0 ψ(s)ds)
La proposition suivante est une conséquence immédiate de la propo-

sition 1.20.
Proposition 1.24 Supposons X0 ∼ N (m, σ02 ) indépendante du mouvement brownien, alors ( Xt )

est un processus gaussien de fonction d’espérance :
E[ Xt ] = me at
et de fonction de covariance :
σ2 2a inf(t,s)
cov( Xs , Xt ) = e−a(t+s) (σ0 + (e − 1))
2a
Processus de Vasicek
En finance, le processus de Vasicek (variante du Processus d’Ornstein-
Uhlenbeck), est un modèle mathématique qui décrit l’évaluation des taux
d’intéret. Le modèle peut être utilisé dans l’évaluation des produits déri-
vées à taux d’intérêt, il a aussi été adapté pour les marchés de crédits.
Soit Yt un processus vérifiant :
dYt = a(b − Yt )dt + σdBt
Remarquons que le processus Xt = Yt − b vérifie l’équation 1.6. Ainsi :

Z t
Yt = eta (Y0 − b) + b + σ e−(at−s) dBs
0
Nous avons alors l’analogue de la proposition (17) : si Y0 ∼ N (m, σ02 ) est

indépendant du mouvement brownien, (Yt ) est un processus gaussien de
fonction d’espérance :
E[Yt ] = me−at + b(1 − e−at )
et de fonction de covariance :
σ2 2a inf(s,t)
cov(Ys , Yt ) = e−a(t+s) (σ0 + (e − 1))
2a
Equation différentielle
stochastique 2
U ne équation différentielle stochastique (EDS) est une généralisation
de la notion d’équation différentielle prenant en compte un terme
de bruit blanc (qui est une réalisation d’un processus stochastique sous
certaines conditions). Les EDS permettent de modéliser des trajectoires
aléatoires, tels que les cours de bourse ou les mouvements de particules
soumises à des phénomènes de diffusion. Elles permettent aussi de traiter
théoriquement ou numériquement des problèmes issus de la théorie des
équations aux dérivées partielles. Pour les étudier, nous allons d’abord
passer par les intégrales stochastiques et le processus d’Itô.
2.1 Intégrale stochastique

Soit (Ω, F , P) un espace probabilisé, Bt un mouvement brownien sur
cet espace et Ft = σ( Bs , s ≤ t) sa filtration naturelle. On veut généraliser
RT
l’intégral de Wiener et définir 0 θs dBs pour des processus stochastiques
θ. Lorsqu’on intégre une fonction g par rapport à une fonction f dérivable,
si g est régulière, on définit son intégrale comme :
Z T Z T
0
g(s)d f (s) = g(s) f (s)ds
0 0
Si f n’est pas dérivable mais simplement à variation bornée, l’intégrale

devient :
Z T n −1
0
g(s)d f (s) = lim
π n →0
∑ g(ti )( f (ti+1 ) − f (ti ))
i =0
L’intégrale définie s’appelle intégrale de Stiljes. Dans notre cas, le mouve-

ment brownien n’est pas à variation bornée donc, on ne peut pas définir
cette limite trajectoire par trajectoire. Par contre, comme il est à variation
quadratique finie, il est naturel de définir l’intégrale par rapport au mou-
vement brownien comme une limite dans L2 (convergence au sens de k.k2 )
de cette variable aléatoire :
Z T n −1
0
θg(s)dB(s) = lim
π n →0
∑ θg(ti )( B(ti+1 ) − B(ti ))
i =0
23
24 Chapitre 2. Equation différentielle stochastique
Cette convergence est au sens de la convergence des variables aléatoires

dans L2 (Ω). Pour cela, nous allons imposer au processus θ d’être dans
L2 (Ω, [0, T ]) et d’être F -adapté afin que θti soit indépendant de
Bti+1 − Bti . En effet, dans les applications en finance, θt représente la quan-
tité d’actif risqué contenue dans un portefeuille à l’instant t et dBt la varia-
tion infinitésimale de cet actif risqué, c’est pourquoi θ doit être F -adapté.
On considère l’ensemble :
n
L2F (Ω, [0, T ]) = (θt )0≤t≤T , processus càdlàg F -adapté, tel que
Z T o
E[( θs2 ds)] < ∞
0
sur lequel nous allons construire l’intégrale stochastique.
Définition 2.1 Un processus (θt )0≤t≤T est appelé élémentaire s’il existe une subdivision
0 = t0 < t1 < · · · < tn = T et un processus discret (θt )0≤t≤T tel que tout θi est
Fi -adapté dans L2 (Ω) tel que :
n −1
θt (ω ) = ∑ θi (ω )1]t ,t + ] (t)
i i 1
i =0
On note ε l’ensemble des procesus élémentaires, un sous espace de L2F (Ω, [0, T ]).
Définition 2.2 Avec les même notations, l’intégrale stochastique entre 0 et t ≤ T d’un processus
élémentaire θ ∈ ε est la variable aléatoire définie par :
Z t k
0
θs dBs = ∑ θi ( Bt + i 1
− Bti ) + θi ( Bt − Btk ) sur ]tk , tk+1 ]
i =0
soit : Z t n
0
θs dBs = ∑ θi ( Bt∧t + i 1
− Bt∧ti ) + θi ( Bt − Btk )
i =0
Rt
On associe donc à θ ∈ ε le processus ( 0 θs dBs )0≤t≤T .
Rt Rt Rs
Remarque 2.1 On définit s θu dBu = 0 θu dBu − 0 θu dBu .
2.1.1 Propriétés
Sur l’ensemble des processus élémentaires, l’intégrale stochastique sa-
tisfait les propriétés suivantes :
Rt
1. θ → 0 θs dBs est linéaire.
Rt
2. θ → 0 θs dBs est continue p.s.
Rt
3. ( 0 θs dBs )0≤t≤T est un processus F -adapté.
Rt Rt Rt
4. E[ 0 θs dBs ] = 0 et var ( 0 θs dBs ) = E[ 0 θs2 ds].
5. Propriété d’isométrie :
Z t Z t
E[( θs dBs )2 ] = E[ θs2 ds]
0 0
2.1. Intégrale stochastique 25
6. De manière plus générale, on a :

Z t Z t Z s
E[ θu dBu |Fs ] = 0 et E[ θu dBu |Fs ] = θu dBu , ∀t ≥ s
s 0 0
7. Nous avons le résultat suivant :

Z t Z u Z t∧u
E[( θv dBv )( φv dBv )|Fs ] = E[ θv φv dv|Fs ]
s s s
Rt
8. ( θs dBs )0≤t≤T est une F -martingale.
0
Rt Rt
9. Le processus : (( 0 θs dBs )2 − 0 θ 2 sds)0≤t≤T est une F -martingale.
10. La variation quadratique de l’intégrale stochastique est donnée par :
Z t Z t
θs dBs = θs2 ds
0 0
11. La covariance quadratique entre deux intégrales stochastiques est

donnée par :
Z t Z u Z t∧u
θs dBs , ψs dBs = θs ψs ds
0 0 0
Démonstration. Nous obtenons :

1. La linéarité de l’intégrale est immédiate.
2. La continuité de l’intégrale stochastique est issue de la continuité des
trajectoires du mouvement brownien.
Rt
3. La variable aléatoire 0 θs dBs est F -mesurable comme une somme
de variables aléatoires F -mesurables, donc l’intégrale stochastique
est un processus F -adapté.
4. Nous rajoutons un point t = tk à la suite (ti )0≤1≤n . Alors, le calcul
Rt
de l’espérance de 0 θs dBs donne :
Z t k −1
E[
0
θs dBs ] = ∑ E[θi E[ Bt + i 1
− Bti |Fti ]] = 0
i =0
Le calcul de la variance s’écrit :
Z t Z t
var ( θs dBs ) = E[( θs dBs )2 ]
0 0
k −1
= E[( ∑ θi ( Bti+1 − Bti ))2 ]
i =0
k −1
= ∑ E[θi2 ( Bti+1 − Bti )2 ] + 2 ∑ E[θi θ j ( Bti+1 − Bti )( Bt j+1 − Bt j )]
i =0 i< j
k −1
= ∑ θi2 E[( Bti+1 − Bti )2 |Fti ]
i =0
+ 2 ∑ E[θi θ j ( Bti+1 − Bti ) E[ Bt j+1 − Bt j |Fti ]
i< j
k −1 Z t
=∑ θi2 (ti+1 − ti ) + 0 = θs2 ds.
i =0 0
5. La propriété d’isométrie est celle qu’on vient d’écrire.

6. Nous rajoutons deux points à la suite (ti )0≤1≤n , nous pouvons sup-
poser que s = t j et t = tk alors :
Z t k −1
E[ θu dBu |Fs ] = E[ ∑ θi ( Bti+1 − Bti )|Ft j ]
0 i =0
j −1 k −1
= E[ ∑ θi ( Bti+1 − Bti )|Ft j ] + ∑ E[θi ( Bt + i 1
− Bti )|Ft j ]
i =0 i= j
j −1 k −1
= ∑ θi ( Bti+1 − Bti ) + ∑ E[θi E[ Bt + i 1
− Bti |Fti ]|Ft j ]
i =0 i= j
Z s
= θu dBu + 0
0
Le deuxième calcul s’écrit :
Z t k −1
E[( θu dBu )2 |Fs ] = E[( ∑ θi ( Bti+1 − Bti ))2 |Ft j ]
s i= j
k −1
= ∑ E[θi2 ( Bti+1 − Bti )2 |Ft j ]
i= j
+ 2 ∑ E[θi θl ( Bti+1 − Bti )( Btl+1 − Btl )|Ft j ]

i< j
k −1
= ∑ E[θi2 E[( Bti+1 − Bti )2 |Fti ]|Ft j ]
i= j
+ 2 ∑ E[θi θl ( Bti+1 − Bti ) E[ Btl+1 − Btl |Fti ]|Ft j ]

i <l
k −1
= ∑ E[θi2 (ti+1 − ti )|Fti ] + 0
i= j
Z t
= E[ θu2 du|Fs ]
s
7. Pour θ et φ dans ε et u ≤ t nous avons :

Z t Z t Z t
2E[( θv dBv )( φv dBv )|Fs ] = E[( (θv + φv 1v≤u )dBv )2 |Fs ]
s s s
Z t Z t
− E[( θv dBv )2 |Fs ] − E[( φv dBv )|Fs ]
s s
Z t Z t
2
= E[ (θv + φv 1v≤u ) dv|Fs ] − E[ θv dBv )2 |Fs ]
s s
Z t
− E[ φv2 dBv |Fs ]
Z us
=2E[ θv φv dv|Fs ]
s
Rt
8. Nous avons vu que le processus ( 0 θs dBs )t≤T est F -adapté. La pro-
Rt
priété d’isométrie nous donne que 0 θs dBs est dans L2 (Ω) et donc
dans L1 (Ω). La première partie de la propriété 6 nous donne la pro-
priété de martingale de l’intégrale stochastique. C’est une transfor-
mée de martingale.
2.1. Intégrale stochastique 27
Rt Rt
9. Le processus M défini par (( 0 θs dBs )2 − 0 θs2 ds)t≤T est F -adapté
comme une somme discréte de processus F -adaptés. Chaque Mt est
une somme de deux éléments de L1 (Ω). La deuxième partie de la
propriété (6) nous donne la propriété de maringale de M.
10. Si nous admettons que la variation quadratique est telle que M2 −
h Mi soit martingale (Doob-Meyer), le résultat ci-dessus nous permet
de conclure directement.
11. Le résultat vient directement de la définition de la covariation qua-
dratique par les même calculs que (8).
L’intégrale stochastique d’un élément de ε est une martingale continue

de carré intégrable. Notons M2 ([0, T ]) cette ensemble :
M2 ([0, T ]) = M, F -martingales telles que E[ Mt2 ] < ∞, ∀t ∈ [0, T ]

Théorème 2.1 Il existe une application linéaire unique I de L2F (Ω, [0, T ]) dans M2 ([0, T ]) qui
coïncide avec l’intégrale stochastique sur l’ensemble des processus élémentaires ε
et vérifie la propriété d’isométrie :
Z t
∀t ≤ T, E[ I (θ )2t ] = E[ θs2 ds]
0
Démonstration. Considérons le lemme suivant :
Lemme 2.1 L’ensemble des processus élémentaire ε est dense dans L2F (Ω, [0, T ]) au sens de la
convergence en norme quadratique. Autrement dit, pour tout θ ∈ L2F (Ω, [0, T ]),
il existe une suite θ n d’éléments de ε telle que :
0
hZ T i 21
n
k θ − θ k2 = E (θsn )2 ds →0
0
1. Approximation : Soit θ un processus de L2F (Ω, [0, T ]). D’aprés le

lemme précédent, il existe une suite θ n d’éléments de ε telle que :
0
hZ T i 21
n
k θ − θ k2 = E (θsn )2 ds →0
0
2. Convergence : La propriété d’isométrie entre 0 et t ≤ T sur l’inté-

grale stochastique du processus (θ n+ p − θ n ) de ε nous donne :
h Z t 2 i hZ t i
n+ p n+ p
E (θs − θsn )dBs =E (θs − θsn )2 ds
0 0
hZ T i
n+ p
≤E (θs − θsn )2 ds
0
En passant à la norme :
Z t Z t
0
θsn+ p dBs − n
n+ p
− θ n 2

≤ θ
θs dBs
0 0

2
Comme θ n converge dans L2F (Ω, [0, T ]), elle est une suite de Cau-
Rt
cuy et donc 0 θsn dBs est une suite de Cauchy dans L2 (Ω). Or L2 (Ω)
muni de k.k2 est un espace de Banach (donc complet), par consé-

Rt Rt
quent la suite 0 θsn dBs converge dans L2 (Ω). En notant 0 θs dBs sa
limite, nous avons donc :
h Z t Z t 2 i hZ t i
E θs dBs − θsn dBs =E (θs − θsn )2 ds
0 0 0
3. Unicité : Cette propriété implique que la limite ne dépend pas de la

suite approximante choisie, si on prend deux suites approximantes
θn et φn , la condition d’isométrie donnerait :
Z t Z t hZ t i 12 0
θsn dBs − n n n 2
(θs − φs ) ds ≤ kθ n − φn k2 → 0

φs dBs = E

0 0 0

2
les deux suites approximantes donnent la même limite dans L2 (Ω)

qui sont donc égales p.s.
4. Convergence dans M2 (Ω) : Le processus M est un élément de
M2 (Ω) car chaque Mt s’écrit comme limite dans L2 (Ω) de Mtn avec
Mn une suite de martingales F -adaptées telles que E[| Mtn |2 ] < ∞
pour tout t.
5. Linéarité et isométrie : La linéarité est immédiate, reste à prouver la
propriété d’isométrie qui s’écrit :
h Z t 2 i hZ t i h Z t 2 i hZ t i
E θsn dBs =E (θsn )2 ds ⇒ E θs dBs =E θs2 ds
0 0 0 0
Proposition 2.1 Sur L2F (Ω, [0, T ]), l’intégrale stochastique satifait les même propriétés que celles
énoncées dans ε.
2.2 Processus d’Itô

Théorème 2.2 Toute fonction f ∈ C2 (R) à dérivée seconde bornée vérifie p.s :
Z t Z t
0 1 00
f ( Bt ) = f ( B0 ) + f ( Bs )dBs + f ( Bs )ds, ∀t ≤ T
0 2 0
La notation infinitésimale de cette relation est :
0 1 00
d f ( Bs ) = f ( Bs )dBs + f ( Bs )ds
2
Démonstration. Fixons t ≤ T et considérons la partition de [0, t] en n inter-
valles ]ti , ti+1 ] avec ti = itn . Trajectoire par trajectoire, la formule de Taylor
couplée à la continuité p.s. de B nous donne :
n h i
f ( Bt ) − f ( B0 ) = ∑ f ( Bti ) − f ( Bti−1 )
i =1
n
1 n 00
= ∑ f ( Bti )( Bti − Bti−1 ) +
2 i∑
0
f ( Bθi )( Bti − Bti−1 )2
i =1 =1
2.2. Processus d’Itô 29
0
où les θi sont des variables aléatoires à valeur dans ]ti−1 , ti [. Comme f est
dérivable à dérivée bornée :

n 0 Z t
∑ f ( Bti )( Bti − Bti−1 ) −
0
f ( Bs )dBs −→ 0

i =1 0 n→∞
2
Pour le dernier terme :

n
∑f
00
Un = ( Bθi )( Bti − Bti−1 )2
i =1
nous allons successivement remplacer θi par ti−1 , puis ( Bti − Bti−1 )2 par
ti − ti−1 . Introduisons :
n n
∑f ∑f
00 00
Vn = ( Bti−1 )( Bti − Bti−1 )2 et Wn = ( Bti−1 )(ti − ti−1 )
i =1 i =1
D’aprés l’inégalité de Schwartz :

00 h n i
E[|Un − Vn |] ≤ E sup f ( Bti−1 ) − f ( Bθi )) ∑ ( Bti − Bti−1 )
00 2
i i =1
00
h 2 i 21 h n 2 i 12
E ∑ ( Bti−1 − Bti−1 )2
00
≤ E sup f ( Bt1 ) − f ( Bθi ))

i i =1
00
Pour toute trajectoire, s 7→ f ( Bs (ω )) est continue sur un compact, donc
uniformément continue et le sup converge vers 0. La convergence vers 0
00
de l’éspérance est assurée par le théorème de Lebesgue car f est bornée.
Le deuxième terme est la variation quadratique du mouvement brownien
qui converge vers t. Donc kUn − Vn k1 → 0. Par ailleurs, nous avons :
h n 2 i
∑
00
E[|Vn − Wn |2 ] = E f ( Bti−1 )(( Bti − Bti−1 )2 − (ti − ti−1 ))
i =1
n h 2 i
=∑E
00 2
f ( Bti−1 )(( Bti − Bti−1 ) − (ti − ti−1 ))
i =1
00 2 n
≤ f ∑ var(( Bt ) − Bt − )2 )

i i 1
∞
i =1
n
00 2
00 2 t2
= f ∑ i i −1
2 ( t − t ) 2
= 2 f −→ 0

∞ ∞ n n→∞
i =1
On a ainsi kVn − Wn k2 −→ 0. Enfin, par définition de l’intégrale de Le-

n→∞
00
besgue, comme f est bornée, nous trouvons :
Z t
00
Wn −
−→ 0
f ( Bs )ds
0 n→∞
1
La convergence L2 implique la convergence L1 , nous obtenons, finale-

ment, la convergence dans L1 (Ω) de :
n
1 n 00
∑ 2 i∑
0
f ( Bt ) − f ( B0 ) = f ( Bti )( Bti − Bti−1 ) + f ( Bθi )( Bti − Bti−1 )2
i =1 =1
vers : Z t
0 1 00
f ( Bs )dBs +
f ( Bs )ds
0 2
Ceci entraîne donc l’égalité p.s. entre deux variables aléatoires. On inter-
vertit ensuite le ∀t et le p.s. grâce à la continuité de chacun des proces-
sus.
Formule d’intégration par partie

Proposition 2.2 Soient X et Y deux processus d’Itô, on a :
Z t Z t Z t
Xt Yt = X0 Y0 + Xs dYs + Ys dXs + d h X, Y is
0 0 0
Soit en notation infinitésimale :
d( XY )t = Xs dYs + Ys dXs + d h X, Y is
Démonstration. En appliquant la formule d’Itô à Xt2 , Yt2 et ( X + Y )2 , nous

obtenons :
2 2
dXt2 = 2Xs dXs + d h X is , dYt2 = 2Ys dYs + d hY is
2 2
et :
2
d( X + Y )2t = 2( Xs + Ys )d( Xs + Ys ) + d h X + Y is
2
Nous avons alors :
1
d( XY )t = (d( X + Y )2t − dXt2 − dYt2 )
2
1
= Xs dYs + Ys dXs + (d h X + T is − d h X is − d hY is )
2
= Xs dYs + Ys dXs + d h X, Y is
Formule d’Itô sous toutes ses formes

1. Pour un mouvement brownien avec f ∈ C2 (R) :
Z t Z t
0 1 00
f ( Bt ) = f ( B0 ) + f ( Bs )dBs + f ( Bs )ds
0 2 0
2. Pour un processus d’Itô avec f ∈ C2 (R) :

Z t Z t
0 1 00
f ( X t ) = f ( X0 ) + f ( Xs )dXs + f d h Xs i s
0 2 0
3. Pour un processus d’Itô avec f ∈ C1,2 ([0, T ] × R) fonction du temps

et de l’espace :
Z t Z t
∂f ∂f
f (t, Xt ) = f (0, X0 ) + (s, Xs )ds + (s, Xs )dXs
0 ∂t 0 ∂x
Z t 2
1 ∂ f
+ (s, Xs )d h X is
2 0 ∂x2
2.3. Equation différentielle stochastique 31
4. Pour un processus d’Itô multidimensionnel avec f ∈ C1,2 ([0, T ] ×

Rd ) :
d Z t
∂f
f ( X t ) = f ( X0 ) + ∑ ( Xs )dXi (s)
i =1 0
∂x i
1 d d ∂2 f
Z t
2 i∑ ∑

+ ( X s ) d Xi , X j s
=1 j =1 0 ∂xi ∂x j
2.3 Equation différentielle stochastique

Définition 2.3 Une équation différentielle stochastique est une équation de la forme :
X0 = 0, dXt = µ(t, Xt )dt + σ(t, Xt )dBt (2.1)
où µ et σ sont deux fonctions de R+ × Rn à valeurs réelles données. On se

donne également un espace probabilisé (Ω, F , P) muni d’une filtration (Ft ) et
un mouvement brownien B sur cet espace.
Définition 2.4 Une solution de 2.1 est un processus X, (Ft )-adapté, satisfaisant :
Z t Z t
|µ(s, Xs )| ds σ2 (s, Xs )ds < ∞ ∀ t ∈ R+ P − p.s.
0 0
et qui vérifie :
Z t Z t
Xt = x + µ(s, Xs )ds + σ(s, Xs )dBs ∀ t ∈ R+ P − p.s.
0 0
Ces équations n’ont pas toujours de solution. Pour assurer l’existence

et l’unicité d’une solution, nous avons besoin de deux types de condi-
tions : une première condition qui assure l’unicité de la solution grâce au
caractère lipschitzien des fonctions µ et σ et une deuxième qui assure que
le processus n’explose pas en temps fini afin qu’il soit bien définit sur tout
R+ .
2.3.1 Théorème d’existence

Théorème 2.3 Supposons que :
a) Les fonctions µ et σ sont continues.
b) Il existe K > 0 pour tout t ∈ [0, T ], x ∈ R, y∈R:
1. |µ(t, x ) − µ(t, y)| + |σ (t, x ) − σ(t, y)| ≤ K | x − y|
2. |µ(t, x )|2 + |σ(t, x )|2 ≤ K2 (1 + | x |2 )
c) La condition initiale X0 est indépendante de ( Bt , t ≥ 0) et est à carrée inté-
grable.
Alors, il existe une solution unique de 2.1 à trajectoires continues pour t ≤ T. De
plus cette solution vérifie :
h i
E sup | Xt |2 < ∞
0≤ t ≤ T
2.3.2 Propriété de Markov

Notons ( Xst,x , s ≥ t) la solution de 2.1 partant de x à l’instant t, soit :
Z s Z s
Xst,x = x + µ(u, Xut,x )du + σ(u, Xut,x )dBu
t t
Sous les conditions du théorème d’éxistence, nous pouvons montrer que :
t,Xt0,x
Xs0,x = Xs , s ≥ t.
ce qui prouve que la solution de 2.1 est un processus de Markov par rap-
port à la filtration Ft :
E[ f ( Xs )|Ft ] = E[ f ( Xs )| Xt ] = Φ(s, t, Xt )
où Φ(s, t, x ) = E[ f ( Xst,x )], s ≥ t. Ce résultat permet de calculer les espé-

rances conditionnelles. En particulier si :
Z s Z s
Xst,x = x + µ(u, Xut,x )du + σ(u, Xut,x )dBu
t t
nous obtenons un processus de Markov homogène :
E[ f ( Xs )|Ft ] = E[ f ( Xs )| Xt ] = Φ(s, t, Xt ) = Ψ(s − t, Xt )
où Φ(s, t, x ) = E[ f ( Xst,x )] = E[ f ( Xs0,x

−t )] et Ψ(u, x ) = E[ Xu0,x ].
2.3.3 Cas du mouvement brownien géométrique

On rappel qu’un brownien géométrique est un processus continue
(St )t∈[0,T ] défini par :
n 1 o
St = x0 exp µ − σ2 t + σBt (2.2)
2
Tels que µ et σ soient deux constantes. Nous prenons ici x0 > 0
de sorte que ∀tn ∈ [0, T ], Xt > o0. En appliquant la formule 3 avec
Rt
f (t, x ) = x0 exp µ − 21 σ2 t + σBt , et Xt = Bt = 0 dBs , nous ob-
tenons ∀t ∈ [0, T ] :
Z t Z t Z t
0 0 1 00
St = f (t, Bt ) = f (0, B0 ) + f s (s, Bs )ds + f x (s, Bs )dBs + f x (s, Bs )ds
0 0 2 0
et donc :
Z t Z t Z t
1 1
St = f (t, Bt ) = x0 + (µ − σ2 ) Ss ds + σ Ss dBs + σ2 Ss ds
2 0 0 2 0
En utilisant la notation différentielle, le processus (St )t∈[0,T ] vérifie l’équa-

tion :
dSt = µSt dt + σSt dBt (2.3)

de condition initiale S0 = x0 . Cette équation est connue comme l’équation
de Black-Scholes.
2.4. Théorème de Girsavov 33
Remarque 2.2 Lorsque µ = 0, le processus (St )t∈[0,T ] est une martingale. Ce type de processus
porte le nom de martingale exponentielle.
La proposition suivante assure l’unicité de la solution :
Proposition 2.3 Pour (µ, σ) ∈ R2 , il existe un processus d’Itô unique (St )t∈[0,T ] vérifiant :
dSt = µSt dt + σSt dBt
avec S0 = x0 . Ce processus est donné par 2.2.
Démonstration. Soit ( Xt ) vérifiant X0 = x0 et dXt = µXt dt + σXt dBt . Po-

sons :
S0 n 1 o n 1 o
Zt = = exp (−µ + σ2 )t − σBt = exp (−µ + σ2 )t − σBt
St 2 2
0 0
où σ = −σ et µ = −µ + σ2 . Ainsi, par analogie avec le calcul effectué
précédemment :
Z t Z t
0 0
Zt = 1 + Zs (µ ds + σ dBs ) = 1 + Zs ((−µ + σ2 )ds − σdBs )
0 0
En appliquant la formule d’Itô, on déduit que d( Xt Zt ) = 0. Ainsi :
∀t ∈ [0, T ] Xt = St P − p.s.
Le processus Xt est donc une modification de St .
2.4 Théorème de Girsavov

Considèrons une variable aléatoire X qui suit une loi normale N (m, σ2 )
sous une probabilité P. Nous voulons trouver une probabilité Q équiva-
lente à P telle que, sous Q, X suit une N (0, σ2 ). Considérons la variable :
mX m2
Z = exp{− + } (2.4)
σ2 2σ2
Sachant que la fonction caractéristique d’une variable aléatoire X qui suit
une loi normale N (m, σ2 ) est définie par :
σ2 t
Φ X (t) = exp{itm − }
2
Telle que Φ X : t ∈ Rd → E[eiht,X i ] ∈ C, on voit que EP [ Z ] = 1, nous
définissons alors la probabilité Q par :
dQ
Z=
dP
Puisque :
σ 2 t2
EQ [eitX ] = EP [ ZeitX ] = e− 2
Pour appliquer ce résultat dans le cas de certains processus gaussiens,

comme le mouvement brownien, nous allons examiner un cas élémen-
taire : soit m ∈ R, considérons le processus ( B̃t )t∈[0,t] défini par :
B̃t = Bt + mt (2.5)
Sachant que ( B̃t )t∈[0,t] est un mouvement brownien sous la probabilité P

si et seulement si m = 0 . Le but est de trouver une probabilité Q sous
laquelle ( B̃t )t∈[0,t] est un mouvement brownien standard. Comme B̃t suit
une N (mt, t) par analogie avec 2.4 posons :
m2 t m2 t
Z (t) = exp{−m B̃ + } = exp{−mt Bt − }
2 2
nous avons alors :
1. Pour t fixé, B̃t de densité Zt par rapport à P, suit une loi N (0, t) sous
Q.
2. Le processus ( Zt )t∈[0,t] est une martingale sous P.
Théorème 2.4 (de Girsanov) Soit B(t), 0 ≤ t ≤ T un mouvement brownien de filtration

F (t), 0 ≤ t ≤ T, sur un espace (Ω, F , P). Soit θ (t), 0 ≤ t ≤ T un processus
adapté. Nous définissons :
n Z t 1 t 2
Z o
Z (t) = exp − θ (u)dB(u) − θ (u)du (2.6)
0 2 0
Z t
B̃(t) = B(t) + θ (u)du (2.7)
0
Nous assumons que :
hZ T i
E θ 2 (u) Z2 (u)du < ∞ (2.8)
0
Cette condition est imposée pour assurer que l’intégrale d’Itô dans 2.9 soit bien
définie. Posons ZZ ( T ), alors E[ Z ] = 1 et B̃(t) est un mouvement brownien sous
Q.
Démonstration. Utilisons le théorème de Lévy :
Théorème 2.5 Soit M(t), t ≥ 0, une Ft -martingale continue, on assume que M (0) = 0 et que
h M(t), M(t)i = t, pour tout t ≥ 0, alors M(t) est un mouvement brownien.
Le processus B̃ commence à partir de zéro à la date zéro, il est continu,

Rt
de plus B̃(t), B̃(t) = h B(t), B(t)i = t, puisque le terme 0 θ (u)du dans
la définition de B̃(t) contribue à zéro variation quadratique. En d’autre
terme :
d B̃(t)d B̃(t) = (dB(t) + θ (t)dt)2 = dB(t)dB(t) = dt
Reste à démontrer que B̃(t) est une martingale sous Q. Z (t) est une mar-
tingale sous P.
Z t Z t
1
X (t) = − θ (u)dB(u) − θ 2 (u)du
0 2 0
0 00
En posant f ( x ) = e x , f ( x ) = e x et f ( x ) = e x , nous avons :
dZ (t) =d f ( X (t))
0 1 00
= f ( X (t))dX (t) + f ( X (t)dX (t)dX (t))
2
1 1
=e X (t) (−θ (t)dB(t) − θ 2 (t)dt) + e X (t) θ 2 (t)dt
2 2
= − θ (t) Z (t)dB(t)
2.5. Représentation prévisible 35
L’intégration des deux côtés de l’équation nous donne :

Z t
Z ( t ) = Z (0) − θ (u) Z (u)dB(u) (2.9)
0
Puisque les intégrales d’Itô sont des martingales, Z (t) est une martingale.
En particulier, E[ Z ] = E[ Z ( T )] = Z (0) = 1. Puisque Z (t) est une martin-
gale et Z = Z ( T ), nous avons :
Z (t) = E[ Z ( T )|F (t)] = E[ Z |F (t)], 0≤t≤T
Ce qui montre que Z (t), 0 ≤ t ≤ T est une mesure de Radon-Nikodym.
Pour montrer que B̃(t) Z (t) est une martingale sous P, nous allons appli-
quer la différentielle en utilisant la règle d’Itô 2.2 :
d( B̃(t) Z (t)) = B̃(t)dZ (t) + Z (t)d B̃(t) + B̃(t)dZ (t)
= − B̃(t)θ (t) Z (t)dB(t) + Z (t)dB(t) + Z (t)θ (t)dt
+(dB(t) + θ (t)dt)(−θ (t) Z (t)dB(t))
=(− B̃(t)θ (t) + 1) Z (t)dB(t)
Puisque il n’y a pas de dt dans la dernière expression, le processus
B̃(t) Z (t) est une martingale sous P.
Posons 0 ≤ s ≤ t ≤ T, la propriété martingale de B̃(t) Z (t) sous P im-
plique :
1 1
Ẽ[ B̃(t)|F (t)] = E[ B̃(t) Z (t)|F (s)] = B̃(s) Z (s) = B̃(s)
Z (s) Z (s)
Alors B̃ est une martingale sous Q.
2.5 Représentation prévisible

2.5.1 Théorème de Représentation prévisible
Soit B un mouvement brownien et F sa filtration naturelle. Si (Ω, F , P)
est un espace muni d’une filtration (Ft ), nous appelons tribu prévisible la
tribu sur (0, ∞) × Ω engendrée par les rectangles de la forme ]s, t] × A,
0 ≤ s ≤ t, A ∈ (Fs ).
– Un processus est prévisible ssi. l’application est mesurable par rap-
port à la tribu prévisible.
– Les processus càdlàg sont des processus prévisibles.
Théorème 2.6 Soit M une (Ft )-martingale, tel que supE[ Mt2 ] < ∞. Il existe un unique proces-
t≤ T
R
0 2
sus prévisible H vérifiant E T Hs ds < ∞ , tel que :
Z 0
∀t ∈ [0, T ], Mt = M0 + Hs dBs
T
Si M est une (Ft )-martingale locale, il existe un processus prévisible unique H

tel que :
Z 0
∀t Mt = M0 + Hs dBs
T
Remarque 2.3 Ce résultat est souvent utilisé en finance pour présenter un portefeuille de couver-
ture.
Représentation prévisible et théorème de Girsanov

Soit B un P-mouvement brownien de filtration canonique (Ft ) et θ un
1
R0
θs2 ds
processus (Ft )-adapté vérifiant la condition de Novikov E[e 2 T < ∞ ].
Soit Q la probabilité équivalente à P définie sur (Ft ) par :
Z t Z t
1
dQ = exp( θs dBs − θs2 dBs )dP = Z (t)P
0 2 0
déf Rt
Le théorème de Girsanov nous montre que B̃t = Bt − 0 θs dBs est un
(Ft ) − Q-mouvement brownien. En générale la filtration de B̃ n’est pas
celle de B, nous avons simplement F̃t ⊂ Ft . Le théorème de représen-
tation prévisible s’applique dans cette situation : Si M est une (Ft ) − Q-
martingale locale, il existe un processus (Ft )-prévisible H tel que :
Z t
∀t, Mt = M0 + Hs d B̃s
0
Calcul de Malliavin
C’est une trouvaille de Paul Malliavin pour pouvoir faire le calcul dif-
férentiel sur les espaces de variables aléatoires. C’est une discipline qui a
eu beaucoup de succés en finance pour évaluer les actifs financiers. On
appelle espace de Cameron Martin l’espace des fonctions γ, de l’espace de
Rt
Wiener Ω = C0 ([0, 1]), qui s’écrivent γ(t) = 0 g(s)ds avec g ∈ L2 ([0, T ]).
Soit F : Ω → R une variable aléatoire. La dérivée directionnelle de F dans
la direction γ, si elle existe, est la quantité :
d
Dγ F ( ω ) = ( F (ω + eγ))
de
On dit que F est différentiable s’il existe Ψ ∈ L2 ([0, T ] × Ω) telle que :
Z T
Dγ F ( ω ) = Ψ(t, ω ) g(t)dt
0
On pose alors Dt F (ω ) = ψ(t, ω ).

Une autre façon d’introduire la dérivée de Malliavin est la suivante : Pour
RT
h ∈ L2 ([0, T ]), soit W (h) = 0 h(s)dWs . Pour une fonction f régulière, la
dérivée d’une variable aléatoire de la forme F = f (W (h1 ), . . . , W (hn )) est
définie comme un processus ( Dt F, t ≤ T ) par :
n
∂f
Dt F = ∑ ∂xi (W (h1 ), . . . , W (hn ))hi (t)
i =1
2.5.2 Equations différentielles stochastiques rétrogrades

Définition 2.5 Soit (Ω, F , P) un espace probabilisé, W un mouvement brownien n-dimensionnel
et sa filtration naturelle F , une variable aléatoire ς à carrée intégrable, on se donne
aussi une famille de processus F -adaptés f (t, ., x, y), ( x, y) ∈ Rd × Rd×n sont
données. Le problème est de résoudre une équation différentielle stochastique où la
2.5. Représentation prévisible 37
condition terminale est donnée.

L’équation différentielle stochastique rétrograde est de la forme :
−dXt = f (t, Xt , Yt )dt − Yt∗ dWt
Où Y ∗ est la matrice transposée de Y. La condition terminale est donnée par

XT = ς. Cette équation est une simple écriture de :
Z t Z t
Pour s < t, Xs − Xt = f (u, Xu , Yu )du − Yu∗ dWu
s s
La solution est une paire de processus adaptés ( X, Y ) qui satisfait :

Z T Z T
Xt = ς + f (s, Xs , Ys )ds − Ys∗ dWs (2.10)
t t
Existence
On rappel qu’un processus ( Xt )t∈R+ est dit progressivement mesurable
si ∀ T > 0 la fonction :

(t, ω ) ∈ [0, T ], B([0, T ]) × (Ω, FT ) → Xt (ω ) ∈ (R, B(R))
est mesurable. L2 ([0, T ], Rd ) est l’ensemble des processus progressi-

vement
h R mesurables
i de carrées intégrables tel que pour un processus
T 2
Z, E 0 k Zs k ds < ∞
Théorème 2.7 Supposant que pour chaque ( x, y) ∈ Rd × Rd×n , le processus f (., x, y) est pro-
gressivement mesurable, avec f (., ., 0, 0) ∈ L2 ([0, T ], Rd ), et que la fonction
f (t, ω, ., .) est uniformément lipschitzienne :
h i
| f (t, x1 , y1 ) − f (t, x2 , y2 )| ≤ K | x1 − x2 | + |y1 − y2 |
Alors il existe un unique couple ( x, y) ∈ L2 ([0, T ], Rd ) × L2 ([0, T ], Rd ) qui

satisfait l’équation 2.10.
Remarque 2.4 Ce résultat est très utile en finance pour valoriser les flux terminaux.
Application en finance
3
L a première bourse réservée aux transactions portant sur des titres a
était créée par les italiens à Anvers en 1460. Dans ce centre d’affaires,
ce sont tous les commerçans qui s’y rencontraire afin de négocier des
effets de commerce, des lettres de change, ou encore des engagements de
livraison de marchandises.
La fin du 16ème siècle marqua un transfert des richesses en Europe, les

marchés anglais et hollandais en particulier prirent un essor considérable
grâce à leurs puissances maritimes : La compagnie hollandaise des Indes
Orientales (1602) fut la première société financée par des ventes d’actions
au public, échangées entre particuliers avec un cours déterminé par l’offre
et la demande.
Dans la première partie du 17ème siècle, les bulbes de tulipes importés

de Turquie constituaient des produits facilement négociables et très pro-
metteurs. Dans les années 1636-1637, les investisseurs surenchérissaient
pour acheter des bulbes de tulipes dont les cours atteignirent des sommets
avant de s’effondrer créant ainsi la ruine de nombreux particuliers qui y
avaient investi une fortune : c’est le premier crash boursier.
En 1792 se crée à Manhattan la bourse de New York ( New York stock

Exchange), plus connue sous le nom de Wall Street. Pendant le 19ème
siècle, les bourses étaient caractérisées par une forte croissance suite à la
révolution industrielle. Les premières sociétés à rentrer en bourse furent
les sociétés de chemin de fer, les entreprises de construction de canaux,
les banques puis le pétrole. Le milieu du 19ème siècle vit la naissance des
premiers marchés à terme de marchandises : CBOT ou Chicago Board Of
Trade en 1848, CME ou Chicago Mercantile Exchange en 1874.
A Wall Street, vers la fin des années vingt, les cours s’effondrèrent à la
clôture de ce black Thursday le 24 octobre 1929. Au 1er janvier 1930, les
principaux titres perdirent 25% de leurs valeurs, les économies améri-
caines et mondiales mirent de nombreuses années pour s’en relever.
Après la seconde guerre mondiale, New York et Tokyo étaient devenus

les principaux centres boursiers de la planète. Les années 80 devinrent
synonymes de l’argent facile avec l’augmentation du cours du pétrole. Le
lundi 19 octobre 1987, un 2ème crash eut lieu, le principal indice boursier
de Wall Street, le Dow Jones Industriel Average, s’effondra de 22,6% entraî-
39
40 Chapitre 3. Application en finance
nant dans sa chute les places financières de la planète entière.
Au cours de l’été 2007, le système financier international traversa une

des plus graves crises depuis 1929. Le premier signale fut lancé le 17 juillet
par un établissement financier américain, Bear Stearns, qui annonça alors
la forte perte de valeur de ses fonds du fait des Subprimes.
Un Subprime est un crédit à risque que l’on offre à un client qui ne présente
pas toutes les garanties nécessaires et suffisantes pour bénéficier des taux
d’intérêt préférentiels. Aux Etats Unis, il s’agit d’un crédit hypothécaire
(immobilier) dont le logement du client (emprunteur) est pris en garantie
en cas de défaut de payement.
Toutefois, l’évènement majeur de cette crise qui bascula rapidement en
crise systémique est la faillite de la banque d’investissement Lehman Bro-
thers, le 14 septembre 2008. La crise s’est rapidement répercutée sur les
marchés boursiers par une chute des cours, tandis que le resserrement du
crédit pour les entreprises et les ménages pèsa sur l’activité économique
déjà affaiblie par la crise en cours depuis 2007. L’aggravation de la crise
financière a fortement accentué la crise économique commencé en 2008,
visible par la dégradation rapide des prévisions économique d’activité
pour 2009, poussant les gouvernements à engager des plans de relance
financés par la dette. L’économie de tous les pays est touchée de manière
plus ou moins prononcé, via une réduction de la croissance économique
et une hausse du chômage.
3.1 Les produits financiers

Se sont des titres ou contrats dont certains sont négociables en bourse.
Il comprennent deux catégories : les actifs financiers traditionnels et les
produits dérivées.
3.1.1 Les actifs financiers traditionnels

Qui comprennent :
1. Les actions : une action est un titre de propriété d’une entreprise, elle
confère à son détenteur la propriété d’une partie du capital avec les
droits qui y sont associés, par exemple intervenir dans la gestion de
l’entreprise et retirer un revenu du bénéfice futur appelé dividende.
La valeur d’une action correspond à son cours de bourse, il est le
résultat de la confrontation entre l’offre et la demande du titre.
2. Les obligations : sont des titres de dette et non de propriété comme
les actions. Une obligation est un contrat entre l’émetteur et les dé-
tenteurs du titre. L’émetteur, souvent les organismes privés ou les
collectivités publiques, emprunte des fonds aux acheteurs des titres.
La différence avec les opérations bancaires réside dans le cadre né-
gociable du titre (la liberté de le revendre).
3. Les taux de change : le taux de change d’une devise (une monnaie)
est le cours (autrement dit le prix) de cette devise par rapport à une
autre, on parle aussi de « parité d’une monnaie ». Il peut se concevoir
3.1. Les produits financiers 41
comme une généralisation des actions. Ainsi le prix en euro sur un

marché européen est le taux de change d’euro/action, c’est-à-dire le
prix en euro pour acquérir une action.
4. Les matières premières : nous mettons dans cette catégorie tous les
produits qui ne relèvent pas des marchés d’actions et de taux d’inté-
rêt. Ce sont les actifs qui recouvrent :
– Les métaux précieux : or, argent, diamant ;
– Le pétrole et ses sous produits ;
– Les matières premières : blé, café, cacao ;
– L’électricité ;
– Les produits climatiques ;
– Les fréquences bandes passantes en télécommunication. . .
3.1.2 Les produits dérivées

Sont des produits financiers construits à partir d’un actif financier, qui
s’achètent et qui se vendent comme toute autre marchandise. Il s’agit de
produits qui n’ont pas de valeur « en soi » mais une valeur qui dérive
de l’actif support (actif sous-jacent) qui peut être une action, une obliga-
tion, une devise, un taux d’intérêt ou des matières premières. A l’origine,
les produits dérivées ont été créés pour permettre aux entreprises de se
couvrir contre les risques du marché financier. La valeur d’un produit dé-
rivée est fixée d’avance selon le cours du sous-jacent sur le marché pour
une date d’expiration T. On peut regrouper les produits dérivés en deux
grandes catégories :
Les dérivées financiers fermes

1. Les forwards : un contrat forward est un engagement ferme de réaliser
dans l’avenir une transaction d’achat ou de vente à une date, à un
prix et pour une quantité tous les trois fixés au départ sur l’actif
sous-jacent (généralement une matière première).
2. Les futures : ils constituent une amélioration par rapport aux for-
wards. Ces transactions permettent aux producteurs de bloquer un
prix longtemps à l’avance et de se protéger contre un effondrement
des cours. Le vendeur ne profite pas donc d’une éventuelle hausse
des prix, par contre il est protégé si les cours baissent.
3. Les swaps : le swap est un contrat d’échange de flux financier entre
deux intervenants (généralement des banques ou institutions finan-
cières). Les deux contrats les plus courrant sont :
– les swaps de taux d’intérêt qui échangent les intérêts d’un prêt ou
d’un dépôt à taux variable contre des intérêts à taux fixe.
– les swaps de change qui échangent les intérêts et la valeur à
l’échéance d’un prêt ou d’un dépôt dans une devise contre sa va-
leur dans une autre devise.
Les produits optionnels

1. Les warrants ou dérivés de crédit : ce sont des valeurs mobilières
de type optionnel qui donnent le droit d’acheter ou de vendre un
actif financier (actions, devises, indice boursier. . . ) dans des condi-

tions de prix et de durée définies à l’avance . Ils sont créés par un
établissement financier qui en assure la diffusion et la cotation.
2. Les options : une option est un produit dérivé qui donne le droit
mais pas l’obligation d’acheter ou de vendre un actif sous-jacent (ac-
tion, obligation, indice boursier. . . ) à un prix K précisé à l’avance
(prix d’exercice) et à une échéance convenue T. Il existe deux types
d’option :
– Une option d’achat dite call : elle donne à son détenteur le droit
d’acheter une certaine quantité d’un actif sous-jacent à une date
future donnée à un certain prix convenue.
– Une option de vente dite put : elle donne à son détenteur le droit
de vendre une certaine quantité d’un actif sous-jacent à une date
future donnée à un certain prix convenue.
Le prix d’exercice est appelé strike price, la date maximal à laquelle le droit
peut être exercé est la date d’échéance.
Si l’exercice peut survenir à tout moment jusqu’à la date d’échéance,
l’option est dite américaine. Par contre si l’option ne peut être exercé qu’à
la date d’échéance elle est dite européenne.
Il existe trois catégories de prix d’exercice :

– les options à la monnaie : celles dont le prix d’exercice est le plus
proche du cours de l’actif sous-jacent.
– les options dans la monnaie : celles dont le prix d’exercice est infé-
rieur aux cours de l’actif sous-jacent.
– les options en dehors de la monnaie : celles dont le prix d’exercice
est supérieur aux cours de l’actif sous-jacent.
3.2 Les options

3.2.1 Valeur d’une option
La valeur d’une option est partagée entre valeur intrinsèque et valeur
temps.
Valeur intrinsèque
C’est la valeur qu’aurait l’option si le jour d’échéance était le jour
d’achat de l’option. Dans le cas du call, lorsque le cours du sous-jacent
S est supérieur au prix d’exercice, la valeur intrinsèque est égale au cours
du sous-jacent moins le prix d’exercice (S − K ) et (K − S) dans le cas du
put. Dans tous les autres cas, la valeur intrinsèque est égale à 0.
La valeur temps
C’est en quelque sorte la valeur d’espoir de l’option. Il s’agit de la diffé-
rence entre le prix de l’option et sa valeur intrinsèque. Cette valeur décroît
avec le temps car au fur et à mesure que l’échéance de l’option approche,
l’incertitude sur le prix du sous-jacent disparaît, donc l’espoir disparaît.
3.3. Modélisation des marchés financiers en temps discret 43
L’option est un « wasting asset » c’est à dire un actif qui se déprécie avec le
temps.
3.2.2 Les déterminants du prix d’une option

La valeur d’une option dépend principalement des quatre paramètres
suivants :
Le cours du support
L’option varie en fonction du cours de son support (sous-jacent). Si
le support baisse, le call baisse et le put monte. Si le support monte c’est
l’inverse qui se produit.
La volatilité
Le prix de l’exercice et la durée de vie d’une option sont fixés dans
le contrat. Les cours du sous-jacent et le risque sont observables, la seule
inconnue reste la volatilité.
La volatilité est l’écart type annualisé du taux de variation instantané du
prix de la valeur. Cette volatilité est le principal déterminant du prix d’une
option. Nous pouvons la calculer de deux manières différentes :
– La volatilité historique : nous utilisons les cours passés pour essayer
de prévoir les cours futurs. Nous prenons, en général, les anciens
cours pour essayer de retrouver une similitude avec les nouveaux et
prévoir ainsi l’évaluation de l’action.
– La volatilité implicite : on se sert ici du cours du sous-jacent et
de l’option pour déterminer par tâtonnement le cours de l’option.
Comme il existe plusieurs options sur le même sous-jacent, nous ob-
tenons plusieurs volatilités que nous composons pour déterminer la
volatilité implicite.
La relation entre le cours de l’action et le taux d’intérêt

Celui qui achète un call dans le but d’acheter le support sous-jacent
réalise une économie de trésorerie d’autant plus importante que les taux
d’intérêt sont élevés et la valeur temps faible.
La relation entre le cours de l’action et le dividende

Quand une société procède à une distribution de dividendes, le cours
de l’action diminue, en théorie de la valeur du coupon. Les options ne
sont en aucun cas touchées par ce genre d’opération sauf en cas d’exercice.
Dans ce cas, l’action levée est une action dépréciée.
3.3 Modélisation des marchés financiers en temps dis-

cret
Ce modèle est appelé aussi modèle de Cox-Ross-Rubinstein. L’étude
du marché en temps discret est trés pratique pour le calcul, la plus grande
partie des résultats obtenus se généralisent aux modèles de temps continu.
3.3.1 Modélisation du marché

Considérons un marché dans un intervalle de temps [0, T ] divisé en n
périodes 0 = t0 < t1 < · · · < tn = T. Le marché est composé de 2 actifs :
• Un actif sans risque St0 qui vaut 1 en t0 = 0, (1 + r )i à l’instant t = ti
1 → (1 + r ) → (1 + r )2 → · · · → (1 + r ) n
• Un actif risqué St qui vaut S0 en t = 0 et qui peut prendre deux valeurs

différentes à l’instant t = t1 :
– Soit elle monte : S1u = uS0 .
– Soit elle déscend : S1d = ds0 .
L’arbre suivant, figure 3.1, présente les différentes valeurs que peut
prendre St sur l’intervalle [0, T ] :
Figure 3.1 – Marché à n périodes.
A l’instant ti l’actif peut prendre i + 1 valeurs différentes. La modélisation

du marché est déterminée par la donnée de trois éléments Ω, F , P :
1. Ω est l’ensemble des états du monde : c’est l’ensemble des n-uplets
(ω1 , . . . , ωn ) tel que chaque ωi prend deux valeurs possibles ωid ou
ωiu . C’est l’ensemble des trajectoires possibles pour l’actif risqué.
n o
Ω = (ω1 , . . . , ωn ) : ∀t ≤ n, ωi = ωid ou ωi = ωiu
2. P la probabilité historique sur Ω, c’est la probabilité de survenance

de chacun des états du monde, nous supposons que la probabilité de
monter ou de descendre est la même dans tous les nœuds de l’arbre.

Pour tout i :
P(ωi = ωiu ) = p et P = (ωi = ωid ) = 1 − p

Sti
Nous supposons également que les rendements Yi = S t i −1 sont indé-
pendants. Par indépendance des tirages, on déduit :
n o n o
# j, ω j =ω uj # j, ω j =ω dj
P ( ω1 , . . . , ω n ) = p (1 − p )
Nous pouvons écrire de manière équivalente la valeur de l’actif à

l’instant ti comme :
i
Sti = S0 ∏ Yk
k =1
avec Yk des variables aléatoires indépendantes sur Ω qui prennent

la valeur u avec une probabilité p et la valeur d avec une probabilité
1 − p. Nous avons :
P(Yi = u) = P(ωi = ωiu ) = p , P(Yi = d) = P(ωi = ωid ) = 1 − p
3. L’information disponible à toute date ti est donnée par la filtration

(Fti )0≤i≤n :
Fti = σ(ω1 , ω2 , . . . , ωi ) = σ(Y1 , Y2 , . . . , Yi ) = σ(St1 , St2 , . . . , Sti )
Une variable aléatoire Fti -mesurable est donc une variable donnée
par toute l’information accumulée jusqu’à l’instant ti . Elle s’écrit
donc comme une fonction de (St1 , . . . , Sti ) ou de manière équivalente
comme une fonction de (Y1 , . . . , Yi ).
Définition 3.1 Un produit dérivé CT est une variable aléatoire F T -mesurable qui s’écrit sous la
forme :
CT = φ ( S t 1 , . . . , S t n )
avec φ une application borélienne.
Nous cherchons à trouver le prix et le portefeuille de couverture d’un pro-

duit dérivé, qui seront donnés par le prix de sa stratégie de son portefeuille
de duplication.
3.3.2 Stratégie du portefeuille

Définition 3.2 Un portefeuille autofinançant est une stratégie d’achat ou de vente de titre, actions,
prêt et emprunt à la banque et plus généralement de produits dérivées dont la
valeur n’est pas modifiée par l’ajout ou le retrait d’argent. On notera Xt la valeur
en t du portefeuille X.
Soit Ω l’ensemble des états possibles du marché et P la probabilité

réelle de survenance de chacun des états.
Définition 3.3 Une stratégie de portefeuille simple X (x,∆) est la donnée d’un capital initial x et
d’un processus discret (∆0 , · · · , ∆n−1 ) qui est F -adapté.
La stratégie consiste, à tout instant ti , en l’investissement dans une

quantité ∆i d’actif risqué. Le processus ∆ est F -adapté, car la quantité
d’argent à investir dans l’actif à l’instant ti est déterminée avec l’informa-
tion accumulée jusqu’à l’instant ti .
Le portefeuille est dit autofinancé s’il ne subit aucune entrée ou sortie
d’argent.
Entre les instants ti et ti+1 , le portefeuille X x,∆ est constitué d’une quantité
( X x,∆ )
∆i d’actifs risqués et d’une quantité (1+i r)i d’actifs sans risque. La valeur
du portefeuille à l’instant ti est donnée par :
( Xtx,∆ − ∆ i Sti )
Xtx,∆ = ∆ i Sti + i
(1 + r ) i
i (1 + r ) i
Sur chaque intervalle [ti , ti+1 ), le portefeuille ne bénéficie d’aucune entrée
ou sortie d’argent, donc :
( Xtx,∆ − ∆ i Sti )
Xtx,∆ = ∆ i S t i +1 +
i
(1 + r ) i +1
i +1 (1 + r ) i
En introduisant les processus actualisés :
Xtx,∆ Sti
X̃tx,∆ = i
et S̃ti =
(1 + r ) i
i (1 + r ) i
Ces deux relations se réécrivent :
X̃tx,∆
i
= ∆i S̃ti + ( X̃tx,∆
i
− ∆i S̃ti )1, X̃tx,∆
i +1
= ∆i S̃ti+1 + ( X̃tx,∆
i
− ∆i S̃ti )
En faisant la différence, nous obtenons la relation d’autofinancement :
X̃tx,∆
i +1
− X̃tx,∆
i
= ∆i (S̃ti+1 − S̃ti )
que nous pouvons écrire également sous la forme :
i
X̃tx,∆
i +1
= x+ ∑ ∆k (S̃t + k 1
− S̃tk )
k =0
3.3.3 Notion d’arbitrage

Nous supposons que :
– Les actifs sont divisibles à l’infinie ;
– le marché est liquide (on peut acheter ou vendre à tout instant) ;
– on peut emprunter et vendre à découvert ;
– les échanges ont lieu sans coût de transaction ;
– on peut emprunter et prêter au même taux.
Définition 3.4 Un arbitrage sur la période [0, T ] est un portefeuille autofinançant X de valeur
nulle en t = 0 dont la valeur XT en T est positive et strictement positive avec
une probabilité strictement positive :
X0 , X T ≥ 0 et P( X T > 0) > 0
On suppose qu’il y a sur le marché l’hypothèse d’Absence d’Opportu-
nité d’Arbitrage (AOA’) entre tout instant 0 et T.
{ X0 = 0 et XT ≥ 0} ⇒ P( XT > 0) > 0
L’hypothèse signifie simplement que si ma richesse est nulle aujourdhui,
elle ne peut devenir positive et non identiquement nulle.
Comparaison de portefeuilles
Proposition 3.1 En AOA’, si deux portefeuilles autofinançant X et Y ont la même valeur en T, ils
ont la même valeur en 0 :
XT = YT ⇒ X0 = Y0
Démonstration. Prenons X0 < Y0 et supposons la stratégie suivante : à

l’instant t = 0, achat de X, vente de Y et placement de Y0 − X0 > 0 à la
banque. La valeur du portefeuille à l’instant t = T est XT − YT plus ce
qu’a rapporté l’argent à la banque, qui est toujours > 0 :
en 0 en T
Achat de X X0 Xt
Vente de Y −Y0 −Y0
Placement du gain à la banque Y0 − X0 > 0 (Y0 − X0 )| B(0, T ) > 0
Valeur 0 >0
Donc AOA’ implique X0 < Y0 . De la même manière, nous obtenons

X0 > Y0 si bien que X0 = Y0 .
Proposition 3.2 En AOA’, si deux portefeuilles autofinançant X et Y ont la même valeur en T, ils
ont p.s. la même valeur en tout instant t < T :
XT = YT ⇒ ∀t ≤ T Xt = Yt P − p.s.
Le résultat précédent est une conséquence directe de la proposition

suivante :
Proposition 3.3 En AOA’, considérons deux portefeuilles autofinançant X et Y, alors :
XT ≤ YT ⇒ ∀t ≤ T Xt ≤ Yt P − p.s.
Démonstration. Soit t ≤ T. Proposons la stratégie suivante :

1. En 0, je ne fait rien.
2. En t, sur {ω ∈ Ω, Xt (ω ) > Yt (ω )}, j’achète le portefeuille Y au prix
Yt , je vend le portefeuille X au prix Xt et je place la différence
( Xt − Yt ) > 0 à la banque.
3. Sur {ω ∈ Ω, Yt (ω ) ≤ Xt (ω )}, je ne fait rien.
Finalement, en T, sur { Xt > Yt }, je touche YT − XT ≥ 0 plus ce qu’a rap-
porté l’argent à la banque qui est toujours > 0, soit une valeur strictement
positive, sur { Xt ≤ Yt } la valeur du portefeuille est nulle.
en t en T
Sur { Xt > Yt } Achat de Y en t Yt YT
Vente de X en t − Xt − XT
Placement du gain à la banque Xt − Yt > 0 ( Xt − Yt )| B(t, T ) > 0
Valeur 0 >0
Sur { Xt ≤ Yt } Valeur 0 0
Donc AOA’ implique P( Xt > Yt ) = 0
Relation de parité Call/Put

– Un call de strike K et d’échéance T sur le sous-jacent S admet pour
payoff (ST − K )+ , Ct étant son prix à la date t.
– Un put de strike K et d’échéance T sur le sous-jacent S admet pour
payoff (K − ST )+ , Pt est son prix à la date t.
– Un emplacement (zéro coupon) d’échéance T est un produit finan-
cier de valeur 1 en T, son prix en t est noté B(t, T ) .
Alors en AOA’, les prix des calls et des puts en t sont reliés par la relation
de parité call/put :
Ct − Pt = St − KB(t, T )
Proposition 3.4 Sous l’hypothèse d’AOA’, on a d < 1 + r < u.
Démonstration. Supposons, par exemple, 1 + r ≤ d et considérons la stra-

tégie de portefeuille (0, ∆) , où ∆0 = 1 et ∆i = 0 pour i ≥ 1 : on achète
l’actif risqué en t0 , on le revend en t1 et on place le gain dans l’actif sans
risque. Cette stratégie est F -adaptée car elle est déterministe et la valeur
du portefeuille en T = tn est donnée par :
i
X̃T0,∆ = 0 + ∑ ∆k (S̃t + k 1
− S̃tk ) = S̃t1 − S̃t0
k =0
Comme St1 peut prendre deux valeurs, le portefeuille en T peut

prendre deux valeurs également qui sont :
u d
( 1 + r ) n S0 ( − 1) ≥ 0 , ( 1 + r ) n S0 ( − 1) ≥ 0
1+r 1+r
Avec, respectivement, des probabilités p et 1 − p, toutes deux strictement
positives si bien que notre stratégie crée un arbitrage. On traite le cas
u ≤ 1 + r de la même manière en vendant l’actif risqué (∆0 = −1).
Remarque 3.1 L’hypothèse AOA’ s’applique sur tous les sous-arbres, et comme la probabilité de
passer par chaque nœud est strictement positive, cette stratégie est un arbitrage.
3.3.4 Probabilité risque neutre

Définition 3.5 Une probabilité risque neutre est une probabilité équivalente à la probabilité his-
torique P sous laquelle toute stratégie de portefeuille simple actualisée est une
martingale.
Introduisons la probabilité Q sur Ω identique sur chaque sous arbre à

une période. Nous définissons Q de la manière suivante :
n o n o
# j, ω j =ω uj # j, ω j =ω dj
Q ( ω1 , · · · , ω n ) = q · (1 − q )
(1+r )−d
avec q = u−d .
Remarque 3.2 Nous avons la relation suivante :
Q(Sti = uSti−1 ) = Q(Yi = u) = q, Q(Sti = dSti−1 ) = Q(Yi = d) = 1 − q
Montrons que Q est une probabilité risque neutre.

Proposition 3.5 S̃ est une martingale sous Q.
Démonstration. S̃ est intégrable, F -adapté et :

1
EQ [S̃tk+1 |Ftk ] = (quS̃tk + (1 − q)dS̃tk )
1+r
1 (1 + r ) − d u − (1 + r )
= ( u+ d)S̃tk
1+r u−d u−d
=S̃tk
Proposition 3.6 La valeur actualisée X̃ x,∆ de toute stratégie de portefeuille simple ( x, ∆) est une
F -martingale sous Q.
Démonstration. X̃ x,∆ est intégrable F -adapté et :
EQ [ X̃kx,∆ x,∆ Q
+1 − X̃k |Ftk ] = E [ ∆k ( S̃tk+1 − S̃tk )|Ftk ]
=∆k EQ [(S̃tk+1 − S̃tk )|Ftk ]
=0
Remarque 3.3 Ce résultat nous indique que si les actifs de base actualisés sont martingales sous
une certaine probabilité, les stratégies de portefeuilles simples le sont aussi. Ceci
est dû à la condition d’autofinancement et surtout au fait que la quantité d’actifs
risqué entre tk et tk+1 est Ftk -mesurable. On dit que la valeur actualisée du porte-
feuille est une transformée de martingale. Donc : "Tout actif de base actualisé est
une martingale sous une probabilité Q" et " Toute stratégie de portefeuille simple
actualisée est martingale sous une probabilité Q".
Théorème 3.1 Si d < 1 + r < u, il existe une probabilité risque neutre Q.
Démonstration. Nous venons de voir que Q rend martingale toute stratégie

de portefeuille simple actualisée. De plus Q est bien une probabilité qui
est équivalente à P. En effet, comme d < 1 + r < u, q et 1 − q sont inclus
dans ]0, 1[ et donc chaque Q(ω1 , · · · , ωn ) appartient ]0, 1[ et tous les états
du monde ont une probabilité d’arrivé strictement positive.
La valeur à toute date ti d’une stratégie simple de valeur finale XTx,∆ s’écrit :
1
Xtx,∆ = EQ [ XTx,∆ |Ft ]
i (1 + r ) n −1
Donc, si nous arrivons à construire un portefeuille de couverture pour
tout produit dérivé, en AOA’, sa valeur à tout instant ti sera donnée par
l’espérance de son flux final actualisé sous la probabilité risque neutre.
Avant cela, remarquons que l’existence d’une probabilité risque neutre
va impliquer AOA’.
Proposition 3.7 L’existence d’une probabilité risque neutre implique l’hypothèse AOA’.
Démonstration. XTx,∆ ≥ 0 et EQ [ XT0,∆ ] = 0 ⇒ Q( XT0,∆ ) = 1. Alors XTx,∆ est

nule Q-p.s et donc P-p.s. Nous avons :
AOA0 ⇔ d < r < u ⇔ il existe une probabilité risque neutre.
3.3.5 Duplication d’un produit dérivé

Théorème 3.2 Tout produit dérivé C est duplicable par une stratégie de portefeuille simple ( x, ∆),
on dit alors que le marché est complet.
Analyse du problème
Nous recherchons une stratégie de portefeuille simple de duplication
( x, ∆) de notre produit dérivé de valeur CT en T. Comme CT est Ftn -
adapté, la valeur du produit dérivé se réécrit φ(St1 , · · · , Stn ) , on cherche
donc ( x, ∆) tel que :
Xtx,∆
n
= φ ( St1 , · · · , St n )
Sachant que toute stratégie de portefeuille simple est martingale sous la
probabilité risque neutre Q donc la valeur Xtx,∆
n
du portefeuille de dupli-
cation satisfait :
1
Xtx,∆ = EQ [φ(St1 , · · · , Stn )|Ftk ]
n
(1 + r ) n − k
La richesse initiale x de ce portefeuille de duplication sera nécessairement :
1
x= EQ [φ(St1 , · · · , Stn )]
(1 + r ) n
Remarquons que (1+r1)n−k EQ [φ(St1 , · · · , Stn )|Ftk ] en tant que variable aléa-
toire Ftk -mesurable, se réécrit sous la forme Vk (St1 , · · · , Stn ) avec Vk une
fonction déterministe (i.e non aléatoire). Nous notons :
1
Vk (St1 , · · · , Stn ) = n − k
EQ [φ(St1 , · · · , Stn )|Ftk ]
(1 + r )
Remarque 3.4 Dans le cas du modèle binomial à une période, la quantité d’actif risqué, dans le
portefeuille de duplication, est donnée par :
C1u − C1d φ(S1u ) − φ(S1d )

∆= =
( u − d ) S0 S1u − S1d
Donc la quantité d’actif risqué du portefeuille de duplication s’appa-

rente à la variation de la valeur du produit dérivé en réponse à la variation
du sous-jacent. Nous proposons, alors, le processus de couverture ∆ défini
pour k ∈ {1, · · · , n} par :
Vk+1 (St1 , · · · , Stk , uStk ) − Vk+1 (St1 , · · · , Stk , dStk )

∆k =
uStk − dStk
L’investissement initiale x est déterministe et, pour k ∈ {1, · · · , n}, ∆k est

Ftk -mesurable en tant que fonction de (St1 , · · · , Stn ). Donc ∆ est F -adapté
et ( x, ∆) défini bien une stratégie de portefeuille simple.
Résolution du problème
Nous allons montrer que la stratégie de portefeuille ( x, ∆), définie pré-
cédemment, duplique notre produit dérivé, soit :
Xtx,∆
n
= φ(St1 , · · · , Stn ) = Vn (St1 , · · · , Stn )
Pour cela, montrons par récurrence sur k ∈ {1, · · · , n}, la relation :
Xtx,∆
k
= Vk (St1 , · · · , Stn )
Par construction, la relation est vraie pour k = 0 , montrons donc k ⇒

k + 1.
Remarquons tout d’abord que :
Xtx,∆
k
=Vk (St1 , · · · , Stn )
1
= EQ [φ(St1 , · · · , Stn )|Ftk ]
(1 + r ) n − k
1 1
= EQ [ EQ [ φ(St1 , · · · , Stn )|Ftk+1 ]|Ftk ]
(1 + r ) (1 + r ) n − k +1
1
= EQ [Vk+1 (St1 , · · · , Stk )|Ftk ]
(1 + r )
1
= EQ [Vk+1 (St1 , · · · , Stk , uStk )1{Xk+1 =u}
(1 + r )
+ Vk+1 (St1 , · · · , Stk , dStk )1{Xk+1 =d} |Ftk ]
1
= {Q( Xk+1 = u) · Vk+1 (St1 , · · · , Stk , uStk )
(1 + r )
+ Q( Xk+1 = d) · Vk+1 (St1 , · · · , Stk , dStk )}
1
= {q · Vk+1 (St1 , · · · , Stk , uStk ) + (1 − q) · Vk+1 (St1 , · · · , Stk , dStk )}
(1 + r )
La condition d’autofinancement du portefeuille s’écrit :
X̃tx,∆
k +1
= X̃tx,∆
k
+ ∆k (S̃tk+1 − S̃tk )
Nous obtenons :
Xtx,∆
k +1
=q · Vk+1 (St1 , · · · , Stk ) + (1 − q) · Vk+1 (St1 , · · · , Stk )
Vk+1 (St1 , · · · , Stk , uStk ) − Vk+1 (St1 , · · · , Stk , dStk )
+ ( S t k +1 − ( 1 + r ) S t k )
uStk − dStk
1+r − d
En remplaçant Stk+1 par Ytk+1 Stk et q par u−d , on déduit :
Ytk+1 − d u − Ytk+1
Xkx,∆
+1 = Vk+1 ( St1 , · · · , Stk , uStk ) + Vk+1 (St1 , · · · , Stk , dStk )
u−d u−d
Comme Ytk+1 ne prend que les valeurs d ou u, on vérifie alors :
Xkx,∆
+1 = Vk+1 ( St1 , · · · , Stk , Ytk+1 Stk ) = Vk+1 ( St1 , · · · , Stk , Stk+1 )
Ce qui conclut la récurrence et donc la preuve.

3.3.6 Evaluation et couverture d’un produit dérivé

Comme tout produit dérivé est duplicable, on déduit que, sous AOA’,
la valeur à tout instant tk d’un produit dérivé CT = φ(St1 , · · · , Stn ) est
donnée par :
1
Ctk = EQ [φ(St1 , · · · , Stn )|Ftk ]
(1 + r ) n − k
En particulier, son prix en 0 est donnée par :
1
C0 = EQ [φ(St1 , · · · , Stn )]
(1 + r ) n
Proposition 3.8 Comme le marché est complet (i.e tout actif est duplicable par une stratégie de
portefeuille simple), l’unicité de la probabilité risque neutre est vérifié.
Démonstration. Prenons deux probabilités risques neutres Q1 et Q2 .

Pour tout B ∈ F1 = P(Ω), 1B est un produit dérivé car il est F1 -
mesurable, donc il est duplicable par un portefeuille autofinançant ( x, ∆),
nous avons :
Q1 ( B) = EQ1 [1B ] = Rx = EQ2 [1B ] = Q2 ( B)
Donc Q1 et Q2 sont identiques.
Conclusion
1. Le prix de l’actif ne dépend que de la forme du payoff, de u, r et d.
Donc le prix ne dépend pas de la probabilité réelle p mais du prix
de monter ou de descendre.
2. Le portefeuille de couverture permet à tout instant de se couvrir
contre les variations de l’option. La quantité d’actif risqué à prendre
dans le portefeuille de couverture s’interprète comme la variation du
prix de l’option en réponse à la variation du cours du sous-jacent.
3. En temps continu, nous obtenons le portefeuille de duplication
comme dérivé de la valeur du produit dérivé par rapport à la va-
leur du sous-jacent.
4. Le prix de l’actif s’écrit toujours comme l’espérance actualisée de sa
valeur finale sous la probabilité risque neutre Q.
Si nous faisons tendre le nombre n de périodes vers l’infini, et pour un
choix judicieux de la forme de u et d, cette étude converge vers un modèle
en temps continu appelé modèle de Black-Scholes.
Le modèle Black-Scholes
4
L e modèle de Fisher Black et Myron Scholes est un modèle d’évaluation
d’option en temps continue. Publié en 1973, il constitue un prolonge-
ment des travaux réalisés par Paul Samuelson et Robert Merton.
L’intuition fondamentale de Black et Scholes fut de mettre en rapport le
prix implicite de l’option et la variation du prix de l’actif sous-jacent. Leur
découverte eut très rapidement une influence considérable et des résultats
de leur modèle sont utilisées dans tous les compartiments des marchés
financiers.
Dés 1977, Oldrich Vasicek s’en inspirait pour fonder la théorie moderne
des taux d’intérêt.
Merton et Scholes reçurent en 1997 le prix Nobel d’économie pour leur
travaux, Fisher Black était, lui, malheureusement mort en 1995.
4.1 Etude du modèle

4.1.1 Hypothèse sur le marché
Sur le marché, nous supposons que :
1. Le prix du sous-jacent est un mouvement brownien géométrique ;
2. La volatilité est connue à l’avance ;
3. Il est possible d’acheter et de vendre le sous-jacent à tout moment et
sans frais ;
4. Les ventes à découvert sont autorisées ;
5. il n’y a pas de dividende ;
6. Le taux d’intérêt est constant et connue à l’avance ;
7. L’exercice de l’option ne peut se faire qu’a la date d’échéance, pas
avant (option européenne) ;
La formule de Black-Scholes permet de calculer la valeur théorique d’une
option à partir des cinq données suivantes :
– S0 la valeur actuelle du sous-jacent ;
– T la date de maturité de l’option ;
– K le prix d’exercice fixé pour l’option ;
– r le taux d’intérêt sans risque ;
– σ la volatilité du prix du sous-jacent.
53
54 Chapitre 4. Le modèle Black-Scholes
4.1.2 Modélisation probabiliste du marché

Nous considérons un marché constitué d’un actif sans risque S0 et
un actif risqué S sur la période [0, T ]. L’actif sans risque S0 de prix St0
à l’instant t défini par St0 = ert est solution de l’équation différentielle
ordinaire :
dSt0 = rSt0 dt avec S00 = 1
L’actif risqué S de prix St à l’instant t est solution de l’équation diffé-
rentielle stochastique (EDS) de Black-Scholes où σ > 0, µ ≥ 0 :
dSt = St (µdt + σWt ) (4.1)
µ représente la tendance (le drift) de l’actif, σ sa volatilité, σ et µ sont

supposés constantes. Les actifs risqués, dans ce modèle sont supposé "log-
normaux" afin d’assurer qu’ils soient toujours positifs.
Décrivons maintenant (Ω, F , P) :
– L’espace des états du monde, Ω, sera un sous ensemble de
R+ ×]0, T ].
– Pour tout t ∈ [0, T ], la tribu Ft représente l’information disponible à
la date t, donc Ft = σ(Sr , r ≤ t) .
– La probabilité historique P est la probabilité de survenance de
chaque état du monde, elle est tel que W soit un mouvement brow-
nien sous P.
Théorème 4.1 L’équation différentielle stochastique 4.1 admet une solution unique qui est donnée
par :
σ2
S t = S0 e ( µ − 2 ) t + σWt P − p.s (4.2)
Démonstration. Vérifions d’abord que la solution proposée vérifie l’EDS

4.1 en appliquant la formule d’Itô à f (t, Wt ) avec :
σ2
f : (t, x ) → S0 e µ − t + σx
2
On obtient :
1
d f (t, Wt ) = f x (t, Wt )dWt + f t (t, Wt )dt + f xx (t, Wt )d hW it
2
σ2 σ2
=σ f (t, Wt )dWt + µ − f (t, Wt )dt + f (t, Wt )dt
2 2
Cette équation peut être réécrite sous la forme :
dSt = St (µdt + σdWt )
Donc le processus S, F -adapté, est bien une solution de l’EDS 4.1. Pour
démontrer l’unicité, on suppose qu’un deuxième processus Y est une so-
lution de l’EDS 4.1. Remarquons que St ne s’annule jamais, donc nous
pouvons appliquer la formule d’Itô pour déterminer S1t :
1 1 1 2
d = − 2 dSt + d hSit
St St 2 St3
1 1
= − (µdt + σdWt ) + σ2 dt
St St
4.1. Etude du modèle 55
En appliquant la formule d’intégration par partie sur YStt :

Y 1 1
t 1
d =Yt d + dYt + d ,Y
St St St S t
Yt 2 Y
t σ
= (σ − µ)dt − σdWt + (µdt + σdWt ) − σYt dt
St St St
=0
Donc les processus Y et S sont égaux p.s. et l’EDS admet une solution
unique.
Remarque 4.1 Comme nous avons supposé σ > 0, la fonction g tel que St = g(Wt ) est inversible,
et donc les aléas du marché sont complètement décrits par le mouvement brownien
W:
Ft = σ(Sr , r ≤ t) = σ(Wr , r ≤ t)
Définition 4.1 Un produit dérivé est une variable aléatoire Ft -mesurable.
Nous allons déterminer le prix en t d’un produit dérivé connu en T et

trouver une manière de dupliquer exactement ce produit. Pour cela nous
allons suivre les étapes suivantes :
1. Construire la probabilité risque neutre pour laquelle tout actif de
base actualisé est une martingale.
2. Définir une stratégie de portefeuille simple et autofinançante.
3. Vérifier que toute stratégie de portefeuille autofinançante actuali-
sée reste une martingale sous la probabilité risque neutre et déduire
l’absence d’opportunité d’arbitrage.
4. Chercher à dupliquer tout produit dérivé par une stratégie de porte-
feuille simple.
5. Déterminer la stratégie de duplication de l’option à partir du porte-
feuille de duplication.
4.1.3 Probabilité risque neutre

Nous cherchons à construire une probabilité P̂ sur (Ω, Ft ) équivalente
à P. Si P̂ est absolument continue par rapport à P, le théorème de Radon
Nikodym 1.1.4 assure l’existence d’une variable aléatoire ZT , Ft -mesurable
telle que dP̂ = ZT dP, i.e. :
Z
∀ AT ∈ FT , P̂( A T ) = ZT dp
AT
Dire que P̂ et P sont équivalentes, revient à dire qu’elles changent les

mêmes évènements et donc que ZT ne s’annule jamais, i.e. : ZT > 0. Alors
la densité de Radon Nikodym de P par rapport à P̂ est Z1T .
Pour que (Ω, F T , P̂) soit toujours un espace probabilisé, il faut de plus :
P̂(Ω) = EP [ ZT ] = 1
La formule de Bayes nous assure que pour toute variable aléatoire XT , F T -
mesurable, nous avons :
EP̂ [ XT ] = EP [ ZT XT ]
Associons à la variable aléatoire ZT , le processus martingale ( Zt )0≤t≤T

défini par :
Zt = EP [ ZT |Ft ]
Alors pour tout t et toute variable aléatoire XT , F T -mesurable, nous avons :
h i
EP̂ [ XT ] = EP [ ZT XT ] = EP EP [ ZT Xt |Ft ] = EP [ Zt Xt ]
En fait, ZT est la densité de Radon Nikodym de P̂ restreinte à Ft par

rapport à P restreinte à Ft . Notons :
dP̂
Zt =
dP Ft

Si nous considèrons un processus X, F -adapté, la formule de Bayes géné-

ralisée s’écrit :
hZ i 1 P
EP̂ [ XT |Ft ] = EP
T
XT |Ft = E [ ZT XT |Ft ]
Zt Zt
En effet, pour toute variable aléatoire XT , F T -mesurable bornée, nous
avons : h i
EP̂ [ XT Yt ] = EP [ ZT XT Yt ] = EP EP [ ZT XT |Ft ]Yt
Notons, dans tout ce qui suit, Ỹ la valeur actualisée d’un processus Y

définie par :
Yt
Ỹt = 0 = e−rt Yt
St
Déterminons la dynamique des actifs risqués et sans risque actualisés sous
la probabilité historique P. L’actif sans risque actualisé S̃t0 est constant et
égal à 1, donc :
dS̃t0 = 0
Pour l’actif risqué actualisé, il faut appliquer la formule d’Itô :

1 1 1
dS̃t = 0 dSt + St d 0 + d S, 0 = S̃t [(u − r )dt + σdWt ]
St St S t
µ −r
Définition 4.2 Dans le modèle de Black-Scholes, λ = σ est appelé la prime de risque.
Intrduisons le processus Ŵt défini pour t ∈ [0, T ] :
Ŵt = Wt + λt
Avec ce nouveau processus, la dynamique de S̃ est donnée par :
dS̃t = σS̃t dŴt
Donc si nous arrivons à construire une probabilité P̂ équivalente à P sous

laquelle Ŵt = Wt + λt est un mouvement brownien, cette probabilité rend
l’actif risqué actualisé martingale et peut être la probabilité risque neutre
qu’on cherche. L’existence de cette probabilité est démontrée par le théo-
rème de Girsanov :
Théorème 4.2 Il existe une probabilité P̂ équivalente à la probabilité historique P définie sur
(Ω, FT ) par :
dP̂ λ2
= ZT = e−λWT − 2 T
dP Ft
sous laquelle le processus Ŵt défini par Ŵt = Wt + λt est un mouvement brow-
nien sur [0, T ].
Démonstration. Ŵt est continu p.s. et Ŵ0 = 0, c’est donc un mouvement

brownien sur [0, T ] ssi. pour tout n, pour tout 0 ≤ t1 ≤ · · · ≤ tn = T, les
variables aléatoires Ŵti − Ŵti−1 sont indépendantes, de loi N (0, ti − ti−1 ).
Ceci revient à montrer que pour tout u1 , . . . , un de Rn , nous obtenons
l’égalité entre les fonctions caractéristiques :
n
i ( ∑ u j (Ŵt j −Ŵt j−1 )) i n u2
j
h
E P̂
e j =1
= ∏ e(− 2 (t j −t j−1 ))
j =1
que nous démontrons de la manière suivante :
n n
h i ( ∑ u j (Ŵt j −Ŵt j−1 )) i h i [( ∑ u j [(Wt j −Wt j−1 ))+λ(t j −t j−1 )] λ2
i
P̂ P
E e j =1
=E e j =1
e(−λWT − 2 T)
n
iu j [(Wt j −Wt j−1 )+λ(t j −t j−1 )] (−λWT − λ2 T )
h i
= EP ∏e 2 e
j =1
h n 2 i
(iu j −λ)(Wt j −Wt j−1 )+(iλu j − λ2 )(t j −t j−1 )
= EP ∏e
j =1
n
λ2
h i
(iu −λ)(Wt j −Wt j−1 )
= ∏ e(iλu j − 2 )( t j − t j−1 ) EP e j
j =1
n (iu j −λ)2
λ2
= ∏ e(iλu j − 2 )( t j − t j−1 ) e 2 ( t j − t j −1 )
j =1
n u2
j
= ∏ e − 2 ( t j − t j −1 )
j =1
4.1.4 Portefeuille autofinançant

Une stratégie de portefeuille consiste à l’investissement à tout instant
t ∈ [0, T ] dans une quantité notée ϕt d’actif risqué S et d’une quantité ϕ0t
d’actifs sans risque S0 . La valeur du portefeuille est donnée par :
x,ϕ
Xt = ϕ0t St0 + ϕt St
Avec une condition d’autofinancement :
x,ϕ
dXt = ϕ0t dSt0 + ϕt dSt
Définition 4.3 Une stratégie de portefeuille simple autofinançant, X x,ϕ , est la donnée d’un capital
de départ x et d’une stratégie continue en l’investissement dans l’actif risqué, soit
un processus ( ϕt ), F -adapté qui doit vérifier certaines conditions d’intégrabilité :
hZ T i
E P̂ ϕs S̃t 2 dt < ∞
0
A chaque instant t, la quantité ϕ0t est déterminée à l’aide de la condi-

tion d’autofinancement du portefeuille.
Proposition 4.1 Pour tout processus d’Itô Y, F -adapté (appelé numéraire) qui ne s’annule pas, la
condition d’autofinancement se réécrit :
X x,ϕ S0 S
d = ϕ0t d + ϕt d
Y t Y t Y t
Démonstration. En appliquant la formule d’intégration par partie aux pro-
cessus X x,ϕ et U = Y1 :
x,ϕ x,ϕ
d(UX x,ϕ ) =Ut Xt + Xt dUt + d h X x,ϕ , U it
=Ut ( ϕ0t dSt0 + ϕt dSt ) + ( ϕ0t St0 + ϕt St )dUt + d ( ϕ0 S0 + ϕS, U ) t

= ϕ0t (Ut dSt0 + St0 dUt + d S0 , U t ) + ϕt (Ut dSt + St dUt + d hS, Z it )

= ϕ0t (US0 )t + ϕt d(US)t

Dans le passage de la deuxième à la troisième ligne, nous avons utilisé la
relation suivante :
d ϕ0 S0 + ϕS, U t = ϕ0t d S0 , U t + ϕt d hS, U it

cette relation vient du fait que la covariance entre deux processus d’Itô fait
uniquement intervenir linéairement leurs parties browniennes. Grâce à la
condition d’autofinancement, nous avons :
d( ϕ0 S0 + ϕS)t = ϕ0t dSt0 + ϕt dSt
La partie brownienne de ϕ0 S0 + ϕS est la somme de S0 (qui est nulle) et
de S ce qui donne le résultat. En particulier, la relation d’autofinancement
écrite dans le numéraire cash S0 donne :
Z t
x,ϕ x,ϕ
d X̃t = ϕt dS̃t ⇒ X̃t = x+ ϕr dS̃r
0
x,ϕ
Donc la dynamique de la valeur actualisée du portefeuille X̃t sous la
probabilité P̂ est :
x,ϕ
d X̃t = ϕt dS̃t = σϕt S̃t dŴt
Remarque 4.2 Si l’actif risqué actualisé est un processus d’Itô martingale sous P̂ , toute stratégie
de portefeuille autofinancée actualisée l’est également.
Proposition 4.2 La probabilité P̂ construite précédemment est une probabilité risque neutre. La
x,ϕ
valeur en t de toute stratégie autofinançante ( x, ϕ) de flux final XT = h T est :
= e−r(T −t) EP̂ [hT |Ft ]

x,ϕ
Xt
Démonstration. Les dynamiques de S̃ et de X̃ x,ϕ sous P̂ sont données par :
x,ϕ
dS̃t = σS̃t dŴt ⇒ d X̃t = ϕt dS̃t = σϕt S̃t dŴt
Grâce aux conditions d’intégrabilité de ϕ, d X̃ x,ϕ est une martingale sous
P̂ et donc :
= ert EP̂ [ X̃T |Ft ] = ert EP̂ [e−rt X̃T |Ft ] = e−r(T −t) EP̂ [hT |Ft ]
x,ϕ x,ϕ x,ϕ x,ϕ
Xt = ert X̃t
Proposition 4.3 L’existence d’une probabilité risque neutre P̂ implique l’AOA’ entre stratégies de
portefeuille simple autofinançante.
x,ϕ 0,ϕ 0,ϕ 0,ϕ
Démonstration. Si XT ≥ 0 , comme EP̂ [ X̃T ] = EP̂ [ X̃0 ] ⇒ XT sauf sur
un ensemble de mesure nulle pour P̂ qui est également un ensemble de
mesure nulle pour P. Ce qui assure que l’hypothèse d’absence d’opportu-
nité d’arbitrage entre portefeuilles simples est bien vérifié dans le modèle
de Black-Scholes.
La valeur en t de toute stratégie de portefeuille simple s’écrit comme

l’espérance sous la probabilité risque neutre P̂ de son flux terminal actua-
lisé. Donc, si un produit dérivé est duplicable, pour éviter les arbitrages,
nous définissons économiquement son prix comme l’espérance sous P̂ de
son flux terminal actualisé.
4.1.5 Duplication du produit dérivé

Proposition 4.4 Considérons un produit dérivé de la forme h(ST ). Alors il existe une fonction
v : [0, T ] × R+ → R tel que :
v(t, St ) = e−r(T −t) EP̂ [h(ST )|Ft ]
Démonstration. Dans le modèle de Black-Scholes, la valeur du sous-jacent

en t est :
σ2
St = S0 e(µ− 2 )t+σWt
On déduit que :
σ2
S T = St e ( µ − 2 )( T − t )+ σ (WT −Wt )
Donc l’espérance conditionnelle se réécrit :

σ2
h i
e−r(T −t) EP̂ [h(ST )|Ft ] = e−r(T −t) EP̂ h(St e(r− 2 )(T −t)+σ(WT −Wt ) )|Ft
Or la variable aléatoire St est Ft -mesurable et (WT − Wt ) est indépendante

de Ft . Grâce aux propriétés de l’espérance conditionnelle, on déduit que :
e−r(T −t) EP̂ [h(ST )|Ft ] = v(t, St )
La fonction v est définie par :

σ2
h i
v : (t, x ) → e−r(T −t) EP̂ h xe(r− 2 )(T −t)−σ(WT −Wt )
Proposition 4.5 Si nous supposons que v ∈ C1,2 ([0, T ] × R+ ) , alors il existe une stratégie
autofinançante ( x, ϕ) qui duplique le produit dérivé, i.e. tel que t ∈ [0, T ],
x,ϕ
Xt = v(t, St ). Les quantités x et ϕ sont données par :
∂v
x = e−rT EP̂ [h(S)], ϕt = (t, St )
∂x
En AOA’, le prix en t du produit de flux final h(ST ) est donc

e−r(T −t) EP̂ [h(ST )|Ft ] . De plus, le prix de l’option v(t, St ) est une solution
de l’équation aux dérivées partielles (EDP) :
1 2 2
σ x v xx (t, x ) + rxv x (t, x ) + vt (t, x ) − rv(t, x ) = 0
2 (4.3)
v( T, x ) = h( x )
Réciproquement, si l’EDP précédente admet une solution v∗ (dont la dérivé par-
tielle ∂ x v∗ (t, x ) est bornée), alors v∗ (t, St ) est le prix de l’option de flux terminal
h(ST ) .
Démonstration. Commençons par :

1. Duplication du produit dérivé : Supposons que v ∈ C1,2 ([0, T ] ×
R+ ) et construisons le portefeuille de couverture. Considérons le
processus défini sur [0, T ] par :
h i
Ut = e−rt v(t, St ) = EP̂ e−rt h(ST )|Ft
Par construction, ce processus est une martingale sous P̂. En effet,

pour tout s ≤ t :
h i h i
EP̂ [Ut |Fs ] = EP̂ EP̂ [e−rT h(ST )|Ft ]|Fs = EP̂ e−rT h(ST )|Ft = Us
Remarquons qu’on peut réécrire :

Ut = u(t, S̃t ) avec u : (t, x ) 7→ e−rt v(t, ert x )
Alors u ∈ C1,2 ([0, T ] × R+ ) et la formule d’Itô nous donne :
1

dUt =u x (t, S̃t )dS̃t + ut (t, S̃t )dt + u xx (t, S̃t )d S̃t t
2
σ2
=σS̃t u x (t, (t, S̃t ))dŴt + ut (t, S̃t ) + S̃t2 u xx (t, S̃t ) dt
2
U est un processus d’Itô qui est martingale donc sa partie en dt est
nulle, nous obtenons finalement :
Z t
Ut = U0 + u x (r, S̃r )dS̃r
0
Considérons maintenant la stratégie de portefeuille donnée par :
x = U0 = e−rT EP̂ [h(ST )] et ϕt = u x (t, S̃t ) = v x (t, St )

Par construction, U est une vraie martingale, donc ( x, ϕ) est une
stratégie de portefeuille. Grâce à la condition d’autofinancement, la
valeur actualisé de se portefeuille est :
Z t Z t
x,ϕ
X̃t = x+ ϕr dS̃r = U0 + u x (r, S̃r )dS̃r = Ut
0 0
Donc le portefeuille X x,ϕ , qui vérifie les conditions d’intégrabilité

car U est une martingale, est bien un portefeuille de duplication. Il
vérifie :
= ert Ut = v(t, St ) = e−r(T −t) EP̂ [h(ST )|Ft ]
x,ϕ
Xt
2. EDP d’évaluation : Le processus U est une martingale sous P̂. Donc

la partie en dt, de sa décomposition en processus d’Itô, est nulle, elle
s’écrit :
1
ut (t, S̃t ) + σ2 S̃t2 u xx (t, S̃t ) = 0
2
Par définition de u , nous avons les relations suivantes :
ut (t, x ) = − re−rt v(t, ert x ) + e−rt vt (t, ert x ) + rxv x (t, ert x )
u xx (t, x ) =ert v xx (t, ert x )
Donc l’EDP en u se réécrit comme une EDP en v de la manière sui-

vante :
1 2 2
σ St v xx (t, St ) + rSt v x (t, St ) + vt (t, St ) − rv(t, St ) = 0
2
Avec la condition terminale :
v( T, ST ) = h(ST )
L’idée pour obtenir l’EDP en tout x est que le mouvement brownien

Wt diffuse sur tout R, donc St diffuse sur tout R+ et par conséquent
v est solution sur R+ de :
1 2 2
σ x v xx (t, x ) + rxv x (t, x ) + vt (t, x ) − rv(t, x ) = 0 et v( T, x ) = h( x )
2
3. Réciproque : Supposons que v∗ est solution de l’EDP précédente,
nous introduisons le processus Ut∗ = e−rt v∗ (t, St ) et u∗ la fonction
associée. Alors la dynamique de U ∗ est donné par :
1
dUt∗ = σS̃t u∗x (t, S̃t )dŴt + u∗t (t, S̃t ) + σ2 S̃t2 u∗xx (t, S̃t ) dt
2
Comme v∗ est solution de l’EDP, le terme en dt est nul, nous obte-
nons : Z
dUt∗ = U0 + u∗x ( x, S̃r )S̃r
Donc, la dérivée bornée v∗x assure les conditions d’intégrabilité suf-

fisantes car l’actif risqué actualisé admet des moments à tout ordre,
U ∗ est une martingale sous P̂. On déduit que, pour tout t ∈ [0, T ] :
v∗ (t, St ) = ert Ut∗ = ert EP̂ [UT∗ |Ft ] = e−r(T −t) EP̂ [h(St )|Ft ]
Donc v∗ (t, St ) est bien le prix en t du produit dérivé h(ST ).
Remarque 4.3 Le résultat indiquant que le prix Black-Scholes de payoff h(ST ), donné par :
v(t, x ) = e−r(T −t) EP̂ [h(ST )|St = x ]
est la solution de l’EDP 4.3. C’est un résultat important connu sous le nom de
formule de Feynman-Kac. Une espérance conditionnelle sur un processus marko-
vien peut se réécrire comme solution d’une EDP, créant ainsi des liens entre le
monde déterministe et le monde probabiliste.
Remarque 4.4 Tout produit dérivé est duplicable, donc le marché est complet.
Proposition 4.6 La probabilité risque neutre est unique.
Démonstration. Par définition, la probabilité risque neutre rend tout por-

tefeuille autofinançant actualisé martingale. Supposons que nous avons
deux probabilités risques neutres P̂1 et P̂2 . Pour tout B élément de F T , 1B
est une variable aléatoire F T -mesurable. Donc elle est duplicable par une
stratégie de portefeuille ( x, ϕ) qui est une martingale sous P̂1 et P̂2 , nous
avons :
P̂1 ( B) = E P̂1 [1B ] = erT x = E P̂2 [1B ] = P̂2 ( B)
4.2 Formule de Black-Scholes pour une option euro-

péenne
Le prix en t d’une option européenne de payoff h(ST ) est de la forme
v(t, St ) avec :
v(t, St ) = e−r(T −t) E P̂ [h(ST )|Ft ]
De plus, la fonction v est solution de l’EDP :
∂v 1 ∂2 v ∂v
(t, x ) + σ2 x2 2 (t, x ) + rx + −rv(t, x ) = 0, v( T, x ) = h( x )
∂t 2 ∂x ∂x (t, x )
Pour certains payoff, il existe des formules explicites qui donnent leurs
prix en t. C’est en particulier le cas du call et du put.
Proposition 4.7 Dans le cadre du modèle de Black-Scholes, le prix d’un call de maturité T et de
strike K est :
Ct = St N (d1 ) − Ke−r(T −t) N (d2 )
avec N la fonction de repartition d’une loi normale N (0, 1). d1 et d2 sont donnés
par :
2
ln( SKt ) + (r + σ2 )( T − t)
d1 = √
σ T−t
√
d2 = d1 − T − t
La formule de parité call/put s’écrit :
Ct − Pt = St − Ker(T −t)
Et donc le prix du Put est donné par :
Pt = Ke−r(T −t) N (−d2 ) − St N (−d1 )
Démonstration. Etudions le prix du call h(ST ) = (St − K )+ , le prix en t est

donné par :
σ2
h i
Ct = e−r(T −t) E P̂ [(ST − K )|Ft ] = e−r(T −t) E P̂ St e (r − 2 )( T − t )+ σ (Ŵt −Ŵt ) − K |Ft
4.2. Formule de Black-Scholes pour une option européenne 63
Comme Ct = v(t, St ) :
σ2
h i
v(t, x ) = e−r(T −t) E P̂ xe(r− 2 )( T − t ) eσY − K , Y = (Ŵt − Ŵt )
Y
Y → N (0, T − t) ⇒ Ŷ = √ → N (0, 1)
T−t
h σ2
√ i
v(t, x ) =e−r(T −t) E P̂ xe(r− 2 )(T −t) eσ T −tŶ − K
Z +∞ √
1 σ2
Y2
= e −r ( T − t ) √ xe(r− 2 )(T −t) eσ T −tY − K e− 2 dY
2π −∞ +
Z +∞ √
1 2 −Y 2
= e −r ( T − t ) √ xe(r− 2 )(T −t) eσ T −tY − K e 2 1 A dY
σ
2π −∞
L’ensemble A est défini par :
n σ2
√ o
A = K < xe(r− 2 )(T −t) eσ T −tY
n √ K σ2
o
= eσ T −tY > e−(r− 2 )(T −t)
x
2
n − ln( Kx ) + (r − σ2 )( T − t) o
= Y> √ = D1
σ T−t
Revenons au prix du call :
Z +∞ √ Z +∞
−r ( T − t ) 1 2
(r − σ2 )( T −t) σ T −tY − Y2
2
−r ( T − t ) 1 Y2
Ct = e √ xe e e dY − Ke √ e− 2 dY
2π D1 2π D1
Posons : 2
ln( Kx ) + (r − σ2 )( T − t) 0
− D1 = √ = d2 = − d2
σ T−t
Calcul de I2 :
Z −d´2
Y2
r −( T −t)
I2 = Ke e− 2 dy = Ker−(T −t) N (d2 )
−∞
Calcul de I1 :
1 −d´2 σ2
Z √ y2
I1 =e−r(T −t) √ xe(r− 2 )(T −t) eσ T −ty e− 2 dy
2π −∞
Z −d´2 √
1 σ2 y2
=x √ e[− 2 (T −t)+σ T −ty− 2 ] dy
2π −∞
Z −d´2 √
1 1 2
=x √ e 2 (y−σ T −t) dy
2π −∞
√
Posons, t = y − σ T − t, alors :
Z −d´2 −σ√ T −t
x 1 2
I1 = √ e− 2 t dt
2π −∞
0 √ 0
⇒ I1 = xN (d2 − σ T − t) = xN (d1 )
Donc le prix du call sera :

0 0
C1 = S1 N (d1 ) − Ke−r(T −t) N (d2 )
En appliquant la formule de parité call/put, on obtient :
Pt =Ct + Ke−r(T −t) − St

=Ke−r(T −t) [1 − N (d2 )] − St [1 − N (d1 )]
4.3 Résolution de l’équation de Black-Scholes

Considérons la formule de Black-Scholes pour une option call euro-
péenne d’une valeur C (S, t) :
∂C 1 2 2 ∂2 C ∂C
+ σ S + rS − rC = 0 (4.4)
∂t 2 ∂S2 ∂S
Avec :
C (0, t) = 0, C (S, t) ∼ S pour S→∞
et :
C (S, T ) = max (S − K, 0)
∂2 u

L’équation 4.4 ressemble à une équation de la chaleur ∂u ∂t = ∂x 2 , mais
avec plus de termes. A chaque instant, C est différencié par rapport à S. Il
est multiplié par S, ce qui donne des coefficients non constants. L’équation
est dite backward d’une donné final pour T = t.
La première chose à faire est de se débarrasser des coefficients S et S2 , et
rendre l’équation sans dimension, c’est-à-dire rassembler des paramètres
autant que possible afin de connaître le véritable nombre de constantes
indépendantes dans la solution et pouvoir exploiter le fait que les para-
mètres sont très grands ou au contraire très petits pour les approximer,
nous posons :
τ
S = Ke x , t=T− 1 2
, C = Kv( x, τ )
2σ
Nous avons donc le changement de variable suivant :
1 x τ 1
v( x, τ ) = C Ke , T − 1 = C (S, t)
K 2σ
2 K
En dérivant cette équation une première fois par rapport à x :
∂v 1 ∂C ∂S 1 ∂C ∂t
= +
∂x K ∂S ∂x K ∂t ∂x
La deuxième partie de l’expression est nulle et la dérivée de S par rapport
à x donne S, d’où le résultat :
∂v ∂C
K =S
∂x ∂S
4.3. Résolution de l’équation de Black-Scholes 65
Nous dérivons une seconde fois :

∂2 v ∂ h ∂v i ∂ h 1 ∂C i
= = S
∂x2 ∂x ∂x ∂x K ∂S
∂ h 1 ∂C i ∂S 1 h ∂C ∂2 C i
= S = +S 2 S
∂S K ∂S ∂x K ∂S ∂S
S ∂C S2 ∂2 C
= +
K ∂S K ∂S2
Dérivons maintenant par rapport à τ :
∂v 1 ∂C ∂t 1 ∂C −1
= =
∂τ K ∂t ∂τ K ∂t 12 σ2
En réorganisant les expressions obtenues précédemment, nous détermi-

nons :
K
Ct = − σ2 vτ
2
SCs = Kv x
S2 Css = Kv xx − SCs = Kv xx − Kv x
Finalement, en revenant à l’équation de Black-Scholes, nous obtenons :
1
Ct + σ2 S2 Css + rSCS − rC = 0
2
K 1
− σ2 vτ + σ2 (Kv xx − Kv x ) + rKv x − rKv = 0
2 2
K 2
divisons l’expression par 2σ :
−vτ + v xx − v x + kv x − kv = 0
avec :
r
k= 1 2
2σ
L’expression finale est :
∂v ∂2 v ∂v r
= 2 + (k − 1) − kv avec k= 1 2
∂τ ∂x ∂x 2σ
La condition initiale devient :

1 1
v( x, 0) = C (Ke x , T ) = max(Ke x − K, 0) = max(e x − 1, 0)
K K
L’équation obtenue se rapproche de l’équation de la chaleur. Effectuons
maintenant un second changement de variables :
v = eαx+ βτ u( x, τ )
La différentiation par rapport à τ donne :
∂u ∂u ∂2 u ∂u
βu + = α2 u + 2α + 2 + (k − 1)(αu + ) − ku
∂τ ∂x ∂x ∂x
Nous pouvons obtenir une équation sans terme u en fixant :
β = α2 + ( k − 1) α − k
∂u
Eliminons le terme en ∂x avec :
2α + (k − 1) = 0
la résolution du système obtenu nous donne :
−1
α= ( k − 1)
2
−1
β= ( k + 1)2
4
nous avons donc :
1 1 2
v = e− 2 (k−1)x− 4 (k+1) τ u( x, τ )
2
∂τ = ∂x2 pour − ∞ < x < + ∞,
∂ u
où ∂u τ > 0. La condition initiale corres-
pondante est alors :
1
u( x, 0) =u0 ( x ) = e 2 (k−1)x max(e x − 1, 0)
1 1
(4.5)
= max(e 2 (k+1)x − e 2 (k−1)x , 0)
La solution de cette équation de la chaleur est :

Z +∞
1 ( x − S )2
u( x, τ ) = √ u0 ( S ) e 4τ dS
2 πτ −∞
Il faut donc évaluer cette intégrale. Pour cela, nous utilisons le changement
0
de variables x = S√−2τx .
0 √ 0
Sachant que dx = √dS2τ et donc dS = 2τdx , nous déterminons :
0√
Z +∞
1 1 02 0
u( x, τ ) = √ u0 ( x 2τ + x )e− 2 x dx
2π −∞
Z +∞ 0√
Z +∞ 0√
1 1 0
(k+1)( x + x 2π ) − 21 x 2 0 1 1 0
2π ) − 12 x 2 0
=√ e 2 e dx − √ e 2 ( k −1)( x + x e dx
− x − x
2π √2τ 2π √2τ
= I1 − I2
Nous évaluons I1 en faisant apparaître une identité remarquable pour ob-

tenir une intégrale standard :
1 Z +∞
e 2 ( k +1) x 1 2 1 0 1
√ 0
2τ )2
I1 = √ −x
e 4 ( k +1) τ e − 2 ( x − 2 ( k +1) dx
2π √
2τ
1 1 2 Z +∞
e 2 ( k + 1 ) x + 4 +1) τ
( k 1 2
= √
−x
√ e− 2 ρ dρ
2π √
2τ
− 12 (k+1) 2τ
1 1 2
= e 2 ( k +1) x + 4 ( k +1) τ N ( d 1 )
√ Rd 1 2
où d1 = √x2τ + 21 (k + 1) 2τ, N (d2 ) = √12π −1∞ e− 2 S dS est la fonction de
répartition de la loi normale centrée réduite. On obtient I2 de la même
4.4. Les Greques 67
manière : 1 Z +∞ √
e 2 ( k −1) x 1 2 1 1
2τ )2
I2 = √ −x
e 4 (k−1) τ e− 2 (x́− 2 (k−1) d x́
2π √
2τ
1 1 2 Z +∞
e 2 ( k −1) x + 4 ( k −1) τ 1 2
= √
−x
√ e− 2 ρ dρ
2π √
2τ
− 12 (k−1) 2τ
1 1 2
=e 2 ( k −1) x + 4 ( k −1) τ N ( d1 )
√ Rd 1 2
où d2 = √x2τ + 21 (k − 1) 2τ, N (d2 ) = √12π −2∞ e− 2 S dS est la fonction de
répartition de la loi normale centrée réduite.
Avec l’expression de v( x, τ ), en reprenant nos expressions de départ
x = log KS , τ = 12 σ2 ( T − t), k = 1 rσ2 , C = Kv( x, τ ) et en développant
2
notre solution :
C =Keαx+ βτ ( I1 − I2 )
1 S 1 21 2
=Ke− 2 (k−1) log K − 4 (k+1) 2 σ (T −t) ∗
h 1 S 1 21 2 1 S 1 21 2
i
e 2 (k+1) log K + 4 (k+1) 2 σ (T −t) N (d1 ) − e 2 (k−1) log K + 4 (k−1) 2 σ (T −t) N (d2 )
=SN (d1 ) − Ke−r(T −t) N (d2 )
Où :
log KS + (r + 12 σ2 )( T − t)
d1 = p
σ ( T − t)
log KS + (r − 12 σ2 )( T − t)
d2 = p
σ ( T − t)
Nous pouvons procéder de la même manière pour déterminer la valeur
d’un put européen. Cependant, le call ayant déjà été évalué, nous pouvons
utiliser la parité call/put pour déterminer le put correspondant de manière
plus rapide, sans reprendre toutes les étapes précédentes :
C − P = S − Ke−r(T −t)
En utilisant N (d) − N (−d) = 1, nous obtenons :
P(S, t) =S[ N (d1 ) − 1] + Ke−r(T −t) [1 − N (d2 )]

=Ke−r(T −t) N (−d2 ) − SN (−d1 )
4.4 Les Greques

Appelés aussi mesures de sensibilités, les grecques sont les instru-
ments de base de la gestion financière des options. Elles découlent des
principaux modèles d’évaluation d’option, notamment de celui de Black-
Scholes. Chaque lettre grecque mesure une dimension différente du risque
d’une position en option, c’est-à-dire que ces indicateurs calculent l’impact
sur le prix de l’option d’une variation des paramètres qui le forment :
– Le prix du sous-jacent S.
– La volatilité implicite σ.
– Le temps t.
– Le taux d’intérêt r.
L’objectif de l’opérateur de marché (trader) est de gérer les grecques

de telle manière que les risques pris soient acceptables. On distingue cinq
grecques principales : le delta, le thêta, le gamma, le véga et le rhô.
4.4.1 Le delta
Le delta (∆) est le taux de variation de la valeur de l’option par rapport
à celle du sous-jacent. Il nous donne le nombre d’actions à utiliser pour
couvrir une option. Il suffit de multiplier ce delta par la quantité pour
obtenir la position globale.
Pour une option d’achat :
∂C
∆C = = CS = N (d1 ) avec ∆ ∈]0, 1]
∂S
et pour une option de vente :
∂P
∆P = = CS = N (d1 ) − 1 avec ∆ ∈ [−1, 0[
∂S
Pour avoir une bonne couverture, on cherche à annuler le delta. Ce taux
varie, donc la position de l’investisseur demeure couverte en delta neutre
seulement dans un intervalle de temps relativement court. La couverture
doit être réajustée périodiquement.
4.4.2 Le thêta
Le thêta (Θ)d’un portefeuille d’option se définit comme le taux de va-
riation de la valeur du portefeuille par rapport á la durée de vie de l’op-
tion, c’est sa sensibilité par rapport au temps.
Pour une option d’achat :
0
∂C SN (d1 )σ
Θ=− =− √ − rKe−rT N (d2 )
∂T 2 T
et pour une option de vente :
Θ = − PT = −CT + rKe−rT
0 1 2
Avec N ( x ) = √12π e− 2 x pour un call européen sur une action ne versant
pas de dividende. Le thêta d’une option est généralement négatif car la
valeur de l’option diminue lorsque on s’approche de la date de l’échéance.
La nature de thêta, en tant que paramètre de couverture, est différente de
celle du delta. En effet, s’il y a une incertitude quant à la valeur future
de l’option, il n’y en a pas sur le fait que le temps passe. De nombreux
traders considèrent le thêta comme une statistique descriptive très pratique
pour un portefeuille. Cela s’explique par le fait que dans un portefeuille
en delta neutre, le thêta peut remplacer le gamma.
4.4.3 Le gamma
Le gamma (Γ) représente la variation du delta du portefeuille en fonc-
tion de la valeur de l’actif sous-jacent. C’est la dérivée seconde de la valeur
4.5. Points forts et faibles du modèle de Black-Scholes 69
du portefeuille par rapport au cours de l’actif. Pour un call européen avec

Black-Scholes : 0
∂2 π N ( d1 )
Γ= = √
∂S2 Sσ T
Si le gamma est faible, le delta varie lentement et il n’est pas nécessaire
d’ajuster fréquemment le portefeuille pour maintenir un portefeuille delta
neutre. Par contre si le gamma est important en valeur absolue, le delta
est très sensible aux variations du cours de l’actif sous-jacent. Il est alors
risqué de laisser un portefeuille delta neutre inchangé trop longtemps.
4.4.4 Le véga
Le véga V mesure la sensibilité de la valeur du portefeuille par rapport
aux variations de la volatilité du sous-jacent.
∂π
v=
∂σ
Si la valeur absolue de V est importante, la valeur du portefeuille est
très sensible au moindre changement de volatilité. Au contraire, si elle
est faible, le changement de volatilité aura un léger impact sur la valeur
du portefeuille. Une position gamma neutre protège contre dímportantes
variation du cours de láctif sous-jacent entre deux réajustements de cou-
verture. Une position Véga neutre protège contre les variations de σ. Dans
le modèle de Black-Scholes cette quantité présente peu d’intérêt car la vo-
latilité σ est supposée constante.
4.4.5 Le rhô
Le rhô (ρ) mesure la sensibilité de la valeur du portefeuille en fonction
du taux d’intérêt continu r. Elle permet de mesurer les risques des options
liées á l’évaluation des taux d’intérêt á court terme. Ce paramètre est peu
utilisé car les taux d’intérêt sont supposées constants dans le modèle de
Black-Scholes et car ils varient peu en pratique durant la durée de vie de
l’option.
∂π
ρ=
∂r
4.5 Points forts et faibles du modèle de Black-Scholes

En dépit de certaines inconsistances, le modèle de Black-Scholes reste
un outil de référence pour les praticiens. Il peut être vu comme une ap-
proximation de première intention qui doit être affinée par diverses tech-
niques de trading.
4.5.1 Point forts

Rarement la publication d’un modèle théorique a eu un impact concret
aussi important dans un délai aussi court, l’adoption par les milieux finan-
ciers fut quasi instantané. La reconnaissance académique s’est traduite par
l’obtention du prix Nobel de l’économie en 1997
Simplicité et efficacité théorique

Le modèle de Black-Scholes ne dépend en pratique que d’un paramètre
non directement observable : la volatilité qui est une mesure de l’agitation
des cours (l’hypothèse de stationnarité des rendements assurant une éva-
luation statistique simple de ce paramètre). De plus, les formules de prix
et les stratégies de couverture associées sont, dans le cas des actifs les plus
simples (call et put), parfaitement spécifiées calculable et d’une grande
simplicité soulignant le côté opérationnel de cet outil. Enfin, ce modèle
annule (en théorie) le risque lié aux opérations de couverture.
Richesse des points de vue

Pour les options plus complexes qui ne peuvent être traitées que par
voie numérique, le modèle de Black-Scholes a l’avantage de proposer deux
approches complémentaires dont l’efficacité est liée au problème traité :
une approche purement déterministe liée á la résolution de certaines équa-
tions aux dérivées partielles par discrétisation et une approche probabiliste
basée sur le calcul d’espérances par méthode de Monte Carlo.
Auto-prédiction
L’utilisation massive du modèle de Black-Scholes par les praticiens a
pour effet d’influencer (par son existence même) le cours des actifs. Fisher
Black lui-même ironisait sur le sujet : "Les opérateurs savent maintenant utili-
ser la formule et les variantes. Ils lútilisent tellement bien que les prix de marché
sont généralement proches de ceux donnés par la formule, même lorsquíl devrait
exister un écart important. . . ".
4.5.2 Point faibles

L’hypothèse de Log-normale
L’hypothèse du log-normale du modèle de Black-Scholes dérive de
manière plus ou moins indirecte des travaux pionniers de Bachelier : en
1900, Bachelier part du constat fructueux et visionnaire qu’il est possible
de représenter l’évolution du cours d’un actif financier par une loi de pro-
babilité bien choisie. Cette loi synthétise le caractère imprévisible et par-
fois irrationnel des décisions humaines individuelles liées á toute activité
financière. De ce fait il choisit de représenter le cours de l’actif par un pro-
cessus ayant les caractéristiques du mouvement brownien. Cette quantité
pouvant être négative sur un ensemble de probabilité non nulle. Samuel-
son suggérera 65 ans plus tard d’utiliser un brownien géométrique plutôt
que le brownien lui-même. Le caractère gaussien des hypothèses qui se
révèle techniquement fructueux (travail de Markovitz, Sharpe et Linter)
pour l’étude théorique de l’équilibre des marchés financiers sont repris
avec succès par Black et Scholes dans le cadre de l’évaluation des produit
dérivées. Cependant, dés le milieu des années 60, Mandelbrot montre de
manière empirique que les cours des actifs financiers sont loin de suivre
une loi normale (ou log-normale) car les queues de distributions associées
4.5. Points forts et faibles du modèle de Black-Scholes 71
á ces lois de probabilité sont beaucoup trop plates. L’occurrence des évé-
nements extrêmes (crash) est grandement sous évaluée. Cette probléma-
tique majeure a fait l’objet d’une recherche statistique très active incluant
des modèles ARCH, des modèles á volatilité stochastique et des processus
multi-fractals.
Volatilité constante
Dans le modèle de Black-Scholes, la volatilité est le seul paramètre
qui n’est pas directement observable. Comme certaines options simples
(les calls européens notamment) sont également côtées sur des marchés
organisés (marchés dérivés), il est possible en se servant des données de
marché d’obtenir des renseignements sur ce paramètre. Dans le cas de
ce modèle, la volatilité implicite devrait en toute rigueur être égale (pour
toute les options considérer) á la volatilité historique. En pratique, le phé-
nomène est très différent, les observations assurent que :
– La volatilité implicite est plus grande que la volatilité historique.
– La volatilité implicite dépend de la maturité et du strike de l’option.
Cette dépendance étant d’autant plus forte que la maturité de l’op-
tion est courte.
Option américaine
5
L a plupart des options négociées sur les marchés organisés sont de type
américain. Les options européennes sont plus faciles à analyser et,
dans un certain nombre de cas, les propriétés des options américaines
sont déduites des options européennes. Tandis que l’option européenne
ne peut être exercée qu’à l’échéance, la nouvelle caractéristique ici est
la possibilité d’exercer l’option à tout moment avant l’échéance, et ceci
complique beaucoup son évaluation. Dans le cadre du modèle de Black-
Scholes, on ne connait d’ailleurs aucune solution analytique, même aux
options américaines les plus simples. Nous rappelons les notations sui-
vante :
• Sn la valeur du sous-jacent à la date n.
• T la date de maturité de l’option.
• K le prix d’exercice fixé par l’option.
• r le taux d’intérêt sans risque.
• σ la volatilité du prix de sous-jacent.
5.1 Options américaines en temps discret

Une option européenne ne peut être exercée qu’à la date de l’échéance,
donc si Z est le payoff de cette option à la date T, Z est une variable aléa-
toire F T -mesurable. Par contre, une option américaine peut être exercée à
n’importe qu’elle date n = 1, 2, . . . , T. Pour modéliser cette propriété, on
construit un processus adapté ( Zn , n ∈ T ) où tout Zn est une option eu-
ropéenne d’une date terminal n. Pour un call américain de prix d’exercice
K : Zn = max (Sn − K, 0). On appelle ( Zn , n ∈ T ) le processus de payoff.
Nous voulons évaluer le prix de l’option à n’importe quelle date n, donc
nous construisons un processus (Un , n ∈ T ) que nous appelons le pro-
cessus de prix. L’astuce est de procéder par récurrence dans le temps en
commençant par la date de l’échéance T pour avoir :
UT = ZT
Quelle est la valeur du processus à la date T − 1 ? A cette date, le titulaire

de l’option aura deux choix à prendre :
– Soit il exerce l’option pour gagner ZT −1 .
– Ou bien attendre la date T pour gagner ZT .
73
74 Chapitre 5. Option américaine
Dans le deuxième cas, l’option sera équivalente à une option européenne

tenue au cours de la période de temps entre T − 1 et T, alors l’émetteur
doit être prêt à payer le montant ZT . Toutefois, à la date T − 1, l’émetteur
doit gagner le maximum entre ZT −1 et le montant nécessaire à la date
T − 1 pour gérer ZT à la date T. En d’autres termes, l’émetteur aura besoin
d’investir S0T −1 E∗ ( Z̃T |FT −1 ) avec Z̃T = ZT /S0T dans une stratégie de
portefeuille admissible pour gérer ZT à la date T. Donc nous pouvons
dire que la valeur de l’option à la date T − 1 doit être :

UT −1 = max ZT −1 , S0T −1 E∗ [ Z̃T |FT −1 ]
Par analogie, on déduit que le prix de l’option à la date n − 1 est :

Ut
Un−1 = max Zn−1 , Sn0 −1 E∗ ( 0 |Fn−1 )
St
Si nous assumons que le taux d’intérêt est constant sur une période de
temps et égal à r :
Sn0 = (1 + r )n
et : 1
Un−1 = max Zn−1 , E∗ [Un |Fn−1 ]
1+r
0
où Ũn = Un /Sn est le prix actualisé d’une option américaine. définissons
pour tout n = 1, 2, . . . , T :
Ũn−1 = max ( Z̃n−1 , E∗ [Ũn |Fn−1 ]) (5.1)

Cette équation assure qu’à chaque instant n − 1, l’émetteur de l’option
aura suffisamment de fonds pour couvrir le coût d’exercice de l’option
à la date n − 1, ou bien gérer suffisamment de fonds pour la couverture
de toutes les éventualités à la date T. D’un point de vue mathématique, la
structure obtenue dans 5.1 avait été étudié par des probabilistes qui étaient
intéressés par la modélisation de problèmes d’arrêts optimals.
5.1.1 Les temps d’arrêts

Le détenteur d’une option américaine peut exercer ses droits en tout
moment jusqu’à la date de maturité. Cette décision est prise selon les in-
formations valables à la date n. Nous construisont les modèles en temps
discret sur un espace de filtration finie (Ω, F , F0≤n≤ N , P), la date de l’exer-
cice est définie par une variable aléatoire dite temps d’arrêt. Commençons
par introduire deux définitions importantes :
Définition 5.1 Soit ( Xn , n ∈ {0, 1, 2, . . . , N }) une suite de variables aléatoires et ν une variable
aléatoire à valeur dans {0, 1, 2, . . . , N }, notons Xν la variable aléatoire définie
par :
n= N
Xν ( ω ) = Xν ( ω ) ( ω ) ou encore Xν = ∑ Xn 1ν = n
n =0
et ( Xnν ) la suite de variables aléatoires définie par :
Xnν = Xn 1n<ν + Xν 1n≥ν ou encore Xnν = Xn∧ν
la suite X ν est la suite X arrêtée à ν.
5.1. Options américaines en temps discret 75
Définition 5.2 Une variable aléatoire ν qui prend ses valeurs dans {0, 1, 2, . . . , N } est un temps
d’arrêt si pour chaque n ∈ {0, 1, 2, . . . , N } :
{ν = n} ∈ Fn
Soit ( Xn )0≤n≤ N une suite adaptée à la filtration F0≤n≤ N et soit ν un
temps d’arrêt. La série arrêtée à ν est définie par :
Xnν (ω ) = Xν(ω )∧n (ω )
Donc sur l’ensemble ν = j, nous avons :

(
ν X j si j ≤ t
Xt =
Xn si j > t
Notons que Xnν (ω ) = Xν (ω )(= X j sur {ν = j}).
Proposition 5.1 Soit ( Xn ) une suite adaptée et ν un temps d’arrêt, alors la suite ( Xnν )0≤n≤ N est
une suite arrêtée adaptée, de plus si ( Xn ) est une martingale (resp. surmartingale)
alors ( Xnν ) est une martingale (resp. surmartingale).
Démonstration. nous pouvons voir que pour n ≥ 1 :

n
X ν ∧ n = X0 + ∑ φ j ( X j − X j − 1 )
j =1
où φj = 1{ j≤ν} . Comme { j ≤ ν} est le complémentaire de l’ensemble

{ν < j} = {ν ≤ j − 1}, le processus (φt )0≤t≤ N est un processus prévisible.
On voit que ( Xν∧n )0≤t≤ N est adaptés à la filtration (Fn )0≤t≤ N . De plus si
( Xn ) est une martingale, ( Xν∧n ) est aussi une martingale par rapport à
(Fn ) puisque c’est la transformée de martingale de ( Xn ).
5.1.2 L’enveloppe de Snell

Pour mieux comprendre les propriétés du processus défini par 5.1 : soit
Y = (Yn , n ∈ N) un processus intégrable, adapté, qui définit un nouveau
processus Z = ( Zn , n ∈ N) par :
(
ZT = YT
(5.2)
Zn = max (Yn , E[ Zn+1 |Fn ]), n = 0, 1, . . . , T − 1.
Le processus ( Zn ) est appelé l’enveloppe de Snell 1 du processus (Yn ),

qui est un processus adapté.
Théorème 5.1 Le processus ( Zn ) est une surmartingale, c’est la plus petite surmartingale majo-
rant (Yn ) tel que Zn ≥ Yn pour tout n ∈ T.
Démonstration. L’intégrabilité de Z découle de l’équation 5.2 et comme le

processus Y est intégrable :
E[| ZT |] = E[|YT |] < ∞

E[| Zn |] ≤ sup( E[|Yn |], E[| Zn+1 |]), n = 0, 1, . . . , T − 1.
1. Willebrord Snell van Royen, (Leyde, 1580-1626) est un mathématicien et physicien
néerlandais.
Alors :
E[| ZT −1 |] < max ( E[|YT −1 |] · E[| ZT |]) = max ( E[|YT −1 |] · E[| ZT |]) < ∞
En répétant le même argument pour n − T − 2, . . . , 0, le résultat est établi .

La propriété de surmartingale découle immédiatement de la définition de
5.1, c’est-à-dire : tout Zn > E[ Zn+1 |Fn ] vérifie le fait que Z domine Y. Pour
prouver la propriété de majoration la plus petite, soit W = (Wn , n ∈ T ) une
autre surmartingale qui majore le processus Y. Nous devons démontrer
que W domine Z. Il est clair que WT ≥ YT = ZT . Comme W est une
surmartingale :
WT −1 ≥ E[WT |FT −1 ] ≥ E[ ZT |FT −1 ]
Comme W majore Y, WT −1 > YT −1 , alors :
WT −1 ≥ max (YT −1 , E[ ZT |FT −1 ]) = ZT −1
Le résultat général est obtenu par récurrence.
Les temps d’arrêt jouent un rôle important dans l’étude de l’enveloppe

de Snell. Définissons :
τ = in f {n ∈ Z , Zn = Yn }
Proposition 5.2 τ est un temps d’arrêt borné.
Démonstration. Comme ZT = YT , τ prend ses valeurs dans l’ensemble T,

alors τ (ω ) ≤ T, pour tout ω ∈ Ω. τ est borné.
Pour prouver que τ est un temps d’arrêt, notons que les événements :
(τ = k) = ( Z0 > Y0 ) ∩ ( Z1 > Y1 ) ∩ . . . ∩ ( Zk−1 > Yk−1 ) ∩ ( Zk = Yk ) ∈ Fk
Comme τ prend ses valeurs dans T, nous pouvons écrire :
τ = min{n ∈ T, Zn = Yn }
D’après le théorème 5.1 et le théorème 5.2, nous trouvons que l’enve-

loppe de Snell arrêté ( Zτ ∧n , n ∈ T ) est une surmartingale.
Théorème 5.2 L’enveloppe de snell arrêté ( Zτ ∧n,n∈T ) est une martingale.
Démonstration. Nous utilisons la transformée de martingale pour écrire :

n
Zτ ∧n,n∈T = Z0 + ∑ Cj ( Zj − Zj−1 )
j =1
où tout Cj = 1τ ≥ j . Pour n ≤ T − 1 :
Zτ ∧(n+1) − Zτ ∧n,n∈T =Cn+1 ( Zn+1 − Zn )

(5.3)
=1τ ≥n+1 ( Zn+1 − Zn )
Par définition, Zn = max (Yn , E[ Zn+1 |Fn ]) et pour l’évènement (τ ≥ n + 1),

on a Zn > Yn , alors :
Zn = E[ Zn+1 |Fn ] sur ( τ ≥ n + 1) (5.4)
Nous pouvons montrer que :
Z(τ ≥n+1) − Zτ ∧n = 1(τ ≥n+1) ( Zn+1 − E[ Zn+1 |Fn ]) (5.5)
Supposons que (τ ≥ n + 1), le côté gauche de l’équation 5.5 sera Zn+1 −

Zn et le côté droit sera Zn+1 − E[ Zn+1 |Fn ], ce qui est approuver par 5.4.
Maintenant supposons que τ ≤ n, le côté gauche de 5.5 est Zτ − Zτ = 0.
Alors le côté droit est aussi égal à 0 quand l’indicateur de la fonction
disparaît. La formule 5.5 est vérifiée. Prenons maintenant la probabilité
conditionnelle dans 5.5. Comme (τ ≥ n + 1) = (τ ≤ n)c ∈ Fn , nous
obtenons :
h i
E[ Z(τ ≥n+1) − Zτ ∧n |Fn ] = 1(τ ≥n+1) E Zn+1 − E[ Zn+1 |Fn ]|Fn
D’où le résultat.
5.1.3 Décomposition de Doob

Cette décomposition est utilisée en finance pour décomposer l’évolu-
tion d’un portefeuille d’actifs financiers en une partie prévisible et une
partie non prévisible. La partie non prévisible sera en moyenne nulle.
Proposition 5.3 Toute surmartingale (Un )0≤n≤ N admet une décomposition unique :
Un = Mn − An
Où ( Mn ) est une martingale et ( An ) est un processus croissant nul en 0.
Démonstration. Pour n = 0, M0 = U0 , A0 = 0, nous avons :
Un+1 − Un = Mn+1 − Mn − ( An+1 − An )
En conditionnant les deux côté de l’équation par rapport à la filtration et

en utilisant les propriétés de M et de A :
−( An+1 − An ) = E[Un+1 |Fn ] − Un
et
Mn+1 − Mn = Un+1 − E[Un+1 |Fn ]
( Mn ) et ( An ) sont entièrement déterminés. En utilisant l’équation précé-
dente, nous pouvons voir que ( Mn ) est une martingale et que ( An ) est un
processus prévisible croissant (puisque (Un ) est une surmartingale).
Supposons que (Un ) est une enveloppe de Snell d’une suite adaptée
( Zn ). Nous pouvons donner une caractérisation du plus grand temps d’ar-
rêt optimal pour ( Zn ) en utilisant un processus croissant ( An ) et la décom-
position de Doob pour (Un ).
Proposition 5.4 Le plus grand temps d’arrêt optimal pour ( Zn ) est donné par :
(
N si A N = 0
νmax =
in f {n, An+1 6= 0} si A N 6= 0
Démonstration. En utilisant ( An )0≤n≤ N qui est un processus prévisible,

nous pouvons voir que νmax est un temps d’arrêt. De l’équation Un =
Mn − An et puisque A j = 0 pour j ≤ νmax , nous déduisons que Uνmax =
Mνmax , en conclusion Uνmax est une martingale. Pour prouver l’optimalité
de νmax il suffit de prouver que :
Uνmax = Zνmax
Notons que :
N −1
Uνmax = ∑ 1{νmax = j} Uj = 1{νmax = N } UN
j =0
N −1
= ∑ 1{νmax = j} max Zj , E[Uj+1 |F j ] + 1{νmax = N } ZN
j =0
Nous avons E[Uj+1 |F j ] = M j − A j+1 , sur l’ensemble {νmax = j}, A j = 0

et A j+1 > 0, alors Uj = M j et E[Uj+1 |F j ] = M j − A j+1 < Uj . On a

Uj = max Zj , E[Uj+1 |F j ] = Zj . Finalement :
Uνmax = Zνmax
Reste à démontrer que c’est le plus grand temps d’arrêt optimal. Si ν est
un temps d’arrêt tel que ν ≥ νmax et P(ν > νmax ) > 0, alors :
E[Uν ] = E[ Mν ] − E[ Aν ] = E[U0 ] − E[ Aν ] < E[U0 ]
Donc Uν ne peut être une martingale, ce qui établie la démonstration.
5.1.4 Enveloppe de Snell et chaîne de Markov

Le but de cette section est de calculer les enveloppes de Snell dans un
cadre markovien. Soit ( Xn )n≥0 une suite de variables aléatoires qui prend
ses valeurs dans un ensemble d’états fini E, cette suite est dite chaîne de
Markov, si pour chaque entier n ≥ 1 et chaque élément x0 , x1 , . . . , xn−1 , x, y
de E, nous avons :
P ( X n + 1 = y | X0 = x 0 , . . . , X n − 1 , X n = x n ) = P ( X n + 1 = y | X n = x )
La chaîne est homogène si la valeur P( x, y) = P( Xn+1 = y| Xn = x ) ne

dépend pas de n.
P(P( x, y))(x,y)∈E×E est la matrice de transition de la chaîne, elle sa-
tisfait ∑ P( x, y) = 1 , pour tout x ∈ E. Sur l’espace probabilisé
y ∈E
(Ω, F , (F )0≤n≤ N , P), nous pouvons définir la notion de chaîne de Mar-
kov par rapport à la filtration .
Définition 5.3 Une suite de variables aléatoires ( Xn )0≤n≤ N qui prend ses valeurs dans E est une
chaîne de Markov homogène par rapport à la filtration (F )0≤n≤ N , et admet une
matrice de transition P, si ( Xn ) est adaptée pour toute fonction à valeurs réelles
f de E. Nous avons :
E[ f ( Xn+1 )|Fn ] = P f ( Xn )
où P représente la fonction qui fait correspondre à tout élément x ∈ E l’élément
P f ( x ) = ∑ P( x, y) f (y).
y ∈E
Notons que si on interprète une fonction à valeurs réelles dans E

comme une matrice d’une seule colonne indexée par E, alors P f est en
effet un produit de deux matrice P et f .
Proposition 5.5 Soit ( Zn ) une suite adapté définie par Zn = ψ(n, Xn ) où ( Xn ) est une chaîne
homogène de Markov, de matrice de transition P, prenant ses valeurs dans E, et
ψ : E × E → R. Alors l’enveloppe de Snell (Un ) de la suite ( Zn ) est donnée par
Un = u(n, Xn ) où la fonction u est définie par :
u( N, x ) = ψ( N, x ) ∀x ∈ E
Pour n ≤ N − 1 :
u(n, ·) = max (ψ(n, ·), Pu(n + 1, ·))
5.1.5 Application aux options américaines

Nous allons travailler dans un marché viable complet. La modélisa-
tion sera basée sur un espace de filtration (Ω, F , (F )0≤n≤ N , P). Notons P∗
l’unique probabilité sous laquelle tout prix d’actif actualisé est une mar-
tingale.
Couverture des options américaines

Nous avons défini au début de ce chapitre (Un ) le processus de valeur
d’une option américaine décrite par la suite ( Zn ) par le système :

U N = Z N

Un = max Zn , Sn0 E∗ ( U0n+1 |Fn )
S n +1
Alors, la suite (Ũn ) définie par Ũn = Un /Sn0 (le prix actualisé de l’option)
est l’enveloppe de Snell de la suite ( Z̃n ) sous P∗ . On déduit, de la section
5.1.4, que :
Ũn = Sn0 sup E∗ [ Z̃ν |F ]
ν∈τn,N
En conséquence :
Zν
Un = Sn0 sup E∗ [ |F ]
ν∈τn,N Sν0
D’après la décomposition de Doob nous pouvons écrire :
Ũn = M̃n − Ãn

où ( M̃n ) est une P∗ -martingale et ( Ãn ) un processus prévisible non négatif

nul en 0. Puisque le marché est complet, il existe une stratégie d’autofi-
nancement φ telle que :
VN (φ) = S0N M̃ N i.e. ṼN (φ) = M̃ N
La suite est une P∗ -martingale, nous avons :
ṼN (φ) = E∗ [ṼN (φ)|Fn ]

= E∗ [ M̃ N |Fn ]
= M̃ N
Par conséquent :
Ũn = Ṽn (φ) − Ãn
Alors :
Un = Vn (φ) − An
où An = Sn0 Ãn .
D’aprés l’équation précédente, l’auteur d’une option peut lui-même se
couvrir parfaitement : une fois qu’il reçoit une prime U0 = V0 (φ), il peut
gérer une richesse égale à Vn (φ) à la date n qui est plus grande que Un et
Zn .
La date de l’exercice optimal sera choisie parmi tous les temps d’arrêts.
Pour le titulaire de l’option, il n’y a aucun sens à exercer l’option à la date
n quand Un > Zn , puisqu’il va échanger une option qui vaut Un pour un
montant d’exercice Zn . Alors il existe une date optimale d’exercice τ tel
que Uτ = Zτ . D’autre part, il n’y a aucun intérêt à exercer l’option après
la date :
νmax = in f { j, A j+1 6= 0}
qui est égale à in f { j, Ã j+1 6= 0}. A la date d’exercice, vendre l’option
fournit au titulaire un bénéfice Uνmax = Vνmax et, suivant la stratégie φ de
cette date, il crée un portefeuille d’une valeur strictement plus grande
que la valeur de l’option à la date Vνmax + 1, Vνmax + 2, . . . , N. Alors nous
posons comme deuxième condition τ ≤ Vνmax , qui nous permet de dire
que Uτ est une martingale. Une date optimale d’exercice est un temps
d’arrêt optimal pour la suite ( Z̃n ) sous la probabilité P∗ . Si l’émetteur
de l’option se couvre en utilisant une stratégie φ définie ci-dessus et le
détenteur exerce son option à la date τ qui n’est pas optimal, alors Uτ >
Zτ ou Aτ > 0. Dans les deux cas, l’émetteur fait un bénéfice Vτ (φ) − Zτ =
Uτ + Aτ − Zτ qui est positif.
Comparaison entre option américaine et européenne

Une option américaine offre à son titulaire plus de possibilités que son
homologue européenne, il paraît donc vraisemblable que son prix sera
plus élevé ; c’est ce que confirme la proposition ci-dessous dans laquelle
nous adopterons les notations suivantes :
• ( Zn , 0 ≤ n ≤ N ) désignera une option américaine.
• Cn sera le prix de cette option à la date n.
• cn désignera le prix à la date n de l’option européenne ZN .
5.2. Etude des options américaines comme inégalitées variationnelles 81
Proposition 5.6 1. Cn ≥ cn ∀n.

2. Si (cn ) ≥ ( Zn ), alors (Cn ) = (cn ).
Démonstration. Cn est le prix d’une option américaine, cn est celui d’une

option européenne, alors :
1. Comme (Cn ) est une surmartingale et (cn ) une martingale, nous
avons :
Cn ≥ E∗ [CN |Fn ] = E∗ [c N |Fn ] = cn
2. (cn ) est une surmartingale majorant ( Zn ), le caractère minimal d’une

enveloppe de Snell entraîne alors c N ≤ cn .
5.2 Etude des options américaines comme inégalitées

variationnelles
Une option américaine est comme une option européenne, avec la pos-
sibilité supplémentaire au titulaire d’exercer son droit à tout moment entre
la date du début du contrat et la date d’expiration. Le titulaire d’une op-
tion américaine doit par conséquent décider du moment auquel il devrait
exercer son droit afin de faire un profit maximal. Si à la date t l’option est
en dehors de la monnaie, il est clair qu’il ne faut pas l’exercer. Si l’option
est dans la monnaie, on peut l’exercer, mais il peut aussi être bénéfique
d’attendre une date ultérieure á laquelle le payoff pourrait être encore su-
périeur.
5.2.1 Cas du call et du put

On considère S(t) le prix du sous-jacent à la date t et K le prix d’exer-
cice.
Cas du call
Supposons que le titulaire souhaite exercer l’option à une date t < T,
ceci est avantageux uniquement si le payoff à la date t est S(t) − K. Une
alternative consiste pour le titulaire de prendre une position courte sur le
marché à la date t et ensuite acquérir l’actif à la date t = T, en exerçant
l’option et en achetant au prix du marché en même temps. Avec cette
stratégie, le titulaire fait un profit de S(t) − K à la date t et paye un montant
inférieur ou égal à K à la date T. Le gain est clairement meilleur que celui
de S(t) − K à la date t. Puisqu’il n’est jamais optimal d’exercer un call
américain avant sa date d’expiration, un call américain doit avoir la même
valeur qu’un call européen. Ceci n’est pas valable pour un put américain.
Cas du put
Avant la date d’expiration, il y a une grande partie des valeurs d’ac-
tifs S pour lesquelles la valeur du put européen est inférieure à sa va-
leur intrinsèque (la fonction payoff ). Si S se trouve dans le domaine
P(S, t) < max (K − S, 0) et si on considère l’exercice de l’option, il y a alors
une opportunité évidente d’arbitrage : je peux acheter l’actif sur le marché

pour S et vendre le titre pour P pendant le même temps. Si j’exerce immé-
diatement l’option en vendant l’actif pour K, je fais un payoff sans risque
de K − P − S. Quand l’exercice prématuré est permis, il faut imposer la
condition :
V (S, t) ≥ max (S − K, 0)
Les puts européens et américains doivent par conséquent avoir des valeurs
différentes. Pour les options américaines, il doit y avoir des valeurs de
S pour lesquelles il est optimal du point de vue du titulaire d’exercer
son droit. Si ce n’est pas le cas, alors l’option aura la valeur européenne
puisque l’équation de Black-Scholes sera valable pour tout S, figure 5.1.
Or nous avons vue que ce n’est pas le cas.
Figure 5.1 – Valeur d’option put européenne et américaine comme fonction de S, r =

0.1, σ = 0.4, K = 1, six mois avant l’expiration.
5.2.2 Problème de bornes libres

On distingue deux types de bornes rencontrées dans des problèmes
d’équations aux dérivées partielles paraboliques :
• La borne libre (free boundary) : borne dont on ne connaît pas l’emplace-
ment, bien qu’on connaisse sa condition.
• La borne mobile (moving boundary) : borne libre dont l’emplacement
(inconnu) bouge dans l’espace avec le temps.
Les bornes libres et mobiles sont des concepts utiles pour appréhen-
der un problème. Les formulations de complémentarité du problème de
borne mobile que présentent les options américaines sont généralement
préférées aux problèmes de bornes libres pour des raisons que nous déve-
loppons dans les sections suivantes. Cependant, nous détaillons les deux
5.2. Etude des options américaines comme inégalitées variationnelles 83
approches, la première étant utile pour comprendre la seconde.

L’évaluation des options américaines est plus compliquée que celle des
options européennes dans le sens où, à chaque instant, il convient de
déterminer non seulement la valeur de l’option, mais également, pour
chaque valeur de S , si elle doit être exercée ou non. C’est ce que nous
appelons un problème de borne libre. A chaque date t, il existe une valeur
particulière de S qui marque la frontière entre deux régions : d’un côté
de cette frontière il faut maintenir l’option et de l’autre, il faut l’exercer.
Cette valeur appelé prix d’exercice optimal et noté S f (t) , varie en général
avec le temps t. Nous ne connaissons pas S f (t) à priori. Si nous consi-
dèrons le problème d’évaluation de l’option européenne correspondante,
nous remarquons alors qu’il nous manque une information : avec l’option
européenne, nous connaissons les conditions aux bornes et nous savons
en quels points les appliquer, avec le problème américain, nous ne savons
pas à priori où appliquer les conditions aux bornes. La borne inconnue
S f (t) est pour cette raison appelée la borne libre. Afin de comprendre la
formulation par équation aux dérivées partielles du problème des options
américaines, il est également utile de considérer un exemple classique de
problème de borne libre : le problème de l’obstacle.
5.2.3 Problème de l’obstacle

Le problème de l’obstacle survient lorsqu’un élastique est ancré aux
points A et B et un objet lisse et concave le pousse vers le haut entre A
et B. On connaît la forme exacte de l’objet et la hauteur des points A et B
est défini comme zéro. Il s’agit alors de déterminer la position verticale de
l’élastique entre A et B, figure 5.2.
Figure 5.2 – Problème de l’obstacle.
A nouveau, on ne connaît pas la région de contact entre l’élastique et

l’obstacle. Soit l’élastique repose sur l’objet puis sur la forme : dans ce
cas, sa position est connue ; soit il est au-dessus de l’objet et suit alors la
loi de mouvement approprié : l’élastique est droit si on néglige la gravité.
L’élastique doit de plus satisfaire deux contraintes relatives aux propriétés
de l’obstacle :
– L’objet étant concave, l’élastique a une courbure nulle ou négative
partout. Une autre interprétation importante est que l’obstacle ne

peut jamais exercer une force négative sur l’élastique : il peut le
pousser mais pas l’attirer.
– L’objet étant lisse, l’élastique a une pente continue.
Pour résumer les conditions du problème de l’obstacle :
• L’élastique doit être au-dessus ou sur l’obstacle,
• L’élastique doit avoir une courbure nulle ou négative,
• L’élastique doit être continu,
• La pente de l’élastique doit être continue.
Sous ces conditions, le problème de la position de l’élastique admet une
solution unique. Précisons que l’élastique et sa pente sont continus, mais
en général, la courbure de l’élastique, et donc sa dérivée seconde, pré-
sentent des discontinuités.
5.3 Option américaine en tant que problème de borne

libre
Le problème de l’évaluation des options américaines peut aussi être
spécifié de manière unique par un ensemble de contraintes très similaires
à celles données pour le problème de l’obstacle :
5.3.1 La valeur de l’option doit être supérieure ou égale à la fonction

payoff
Suite à une opportunité d’arbitrage sur un exercice prématuré de l’op-
tion, le profit doit être inférieur ou égal à 0, ceci pour éliminer les opportu-
nités d’arbitrage en cas d’exercice prématuré notamment. Par conséquent,
soit la valeur de l’option est la même que celle de la fonction payoff et
l’option doit être exercée, ou lorsque l’option excède la fonction payoff,
elle satisfait l’équation de Black-Scholes. Ces deux assertions peuvent être
combinées en une seul inégalité, notre deuxième contrainte :
5.3.2 L’équation de Black-Scholes est remplacée par une inégalité

Cette contrainte sera développée plus longuement ultérieurement.
5.3.3 La valeur de l’option doit être une fonction continue de S

Cette contrainte découle de la simple opportunité d’arbitrage : s’il y
avait une discontinuité dans la valeur de l’option en tant que fonction de
S, si cette discontinuité persistait pour plus qu’un temps infinitésimal et
si le prix de l’actif n’atteignait jamais la valeur à laquelle la discontinuité
survient, un portefeuille composé uniquement d’options ferait un profit
sans risque de manière sûre.
5.3. Option américaine en tant que problème de borne libre 85
5.3.4 Le delta de l’option doit être continu

Considérons un put américain de valeur P(S, t). On a déjà vu que cette
option admet une borne d’exercice S = S f (t) où l’option doit être exercée
si s < S f (t) sinon elle est conserver.
Figure 5.3 – Prix d’exercice, (a) trop bas, (b) trop haut.
En assumant que S f (t) < K, la pente de la fonction du payoff max (K −
S, 0) au point de contact est (−1). Il existe trois possibilités pour la pente
(delta) de l’option, ∂P/∂S, quand S = S f (t) :
• ∂P/∂S < −1
• ∂P/∂S > −1
• ∂P/∂S = −1
Nous allons montrer que les deux premières hypothèses sont incor-
rectes. Supposons en premier lieu que ∂P/∂S < −1. Alors comme S relève
de S f (t), P(S, t) descend au-dessous de la fonction de payoff max (K − S, 0),
puisque sa pente est plus négative, figure 5.3(a). Ce qui contredit l’hypo-
thèse de la borne d’arbitrage P(S, t) ≥ max (K − S, 0) ce qui est impossible.
Supposons maintenant que ∂P/∂S > −1 , figure 5.3(b). Dans ce cas,

nous soutenons que la valeur de l’option avec cette pente sera sous-
optimale pour le titulaire de l’option, dans le sens où il ne lui donne
pas sa valeur maximal dans la stratégie de couverture risque neutre de
Black-Scholes et la contrainte d’arbitrage P(S, t) ≥ max (K − S, 0). Pour
bien voir ceci, nous devons discuter la stratégie adoptée par le titulaire.
Il y a deux aspects à considérer : l’un est l’arbitrage au jour le jour basé
sur la stratégie de couverture qui, comme ci-dessus, nous conduit vers
l’équation de Black-Scholes.
L’autre aspect est la stratégie d’exercice : le titulaire doit décider dans

quelle mesure S doit descendre avant qu’il exerce l’option. La base de
cette décision est naturellement suffisante pour que la stratégie choisie
maximise une mesure appropriée de la valeur de l’option pour son titu-
laire. Puisque l’option satisfait une équation aux dérivées partielles avec
P(S f (t), t) = K − S f (t) comme une des conditions aux bords, le choix de
S f (t) affecte la valeur de P(S, t) pour toute les valeurs plus grande de S.
En plus clair le cas de la figure 5.3(a) correspond à une valeur trop basse
de S f (t), un bénéfice d’arbitrage est possible pour S juste au-dessus de
S f (t). Inversement, si ∂P/∂S > −1 pour S = S f (t), la valeur de l’option
près de S = S f (t) peut être augmenté en choisissant la plus petite valeur
de S f (t) : dans ce cas la valeur de l’exercice se déplace vers le haut de la
courbe du payoff et ∂P/∂S augmente. Le prix de l’option est sous-estimé
une seconde fois. En fait, l’augmentation dans P est transmise par l’équa-
tion aux dérivées partielles pour toute valeurs de S plus grande que S f (t)
et en faisant décroître S f (t), nous arrivons au point de croisement entre
nos deux possibilités incorrectes, qui, simultanément maximise le bénéfice
du titulaire de l’option et évite un arbitrage. Ce qui rend la condition au
bord pour ∂P/∂S = −1 une condition correcte.
Nous devons souligner que l’argument que nous venons de donner
n’est pas une dérivation formelle de la seconde condition de borne libre.
Nous pouvons dire que la formulation correcte d’un opérateur rationnel
de stratégie, lorsqu’ on détient une option américaine, peut nous conduire
à la condition suivante : la valeur de l’option doit rencontrer la fonction du
payoff en toute régularité aussi longtemps que cette dernière est régulière.
Une deuxième dérivation de la condition de régularité basée sur un argu-
ment d’arbitrage est comme suit : considérons un put américain d’un prix
P(S, t) et supposons que S est le plus près possible de S f (t) . Considèrons
un portefeuille simple Π, conçu d’un actif sans risque S et de l’option put
P:
Π = P+S
Le saut de la valeur du portefeuille dans un petit intervalle de temps dt
est :
dΠ = dP + dS
Puisque P = K − s quand S < S f , pour un S qui décroît, nous avons :
dΠ = 0 pour S < Sf
D’un autre côté, si S croît, alors :

∂P
dΠ = σS + σS dX + O(dt)
∂S
O(dt) contient le terme drift de ds et les restes du lemme d’Itô appliqué à
P. Donc :
r
1 ∂P 2dt ∂P
e[dΠ] = σS + 1 e[|dX |] = σS + 1 + O(dt)
2 ∂S π ∂S
√
Ce portefeuille admet √un rendement prévu d’ordre dt sur un temps dt.
Puisque le terme O(1/ dt) est plus grand en magnitude qu’un rendement
5.4. Black-Scholes pour les options américaines 87
sur un portefeuille sans risque, rΠdt , il ne peut tenir dans la présence

d’opportunité d’arbitrage. On conclut que :
∂P
= −1
∂S
Ce qui veut dire que le gradient ∂P/∂S doit être continu pour S = S f (t) .
5.4 Black-Scholes pour les options américaines

Dans cette partie, nous revenons sur la deuxième contrainte, à sa-
voir l’inégalité satisfaite par l’opérateur de Black-Scholes. Rappellons que
l’équation aux dérivées partielles de Black-Scholes découle d’un argument
d’arbitrage qui est partiellement valide pour les options américaines. Mais
la relation entre l’arbitrage et Black-Scholes persiste. Nous établissons un
portefeuille delta couvert avec le même choix de delta pour éliminer le
caractère aléatoire dans la formule de Black-Scholes pour une option eu-
ropéenne. Cependant dans le cas américain, il y a des moments où il est
optimal d’exercer. Le simple argument d’arbitrage utilisé pour les options
européennes ne conduit plus à une valeur unique pour la rentabilité du
portefeuille mais à un ensemble de valeurs. On peut seulement dire que la
rentabilité du portefeuille ne peut être supérieure à la rentabilité d’un dé-
pôt en banque, donc dΠ − rΠdt ≤ 0. Considérons l’équation aux dérivées
partielles de Black-Scholes pour l’évaluation d’un put européen :
∂P 1 2 2 ∂2 P ∂P
+ σ S + rS − rP = 0 (5.6)
∂t 2 ∂S2 ∂S
d’un payoff :
P(S, T ) = max (K − S, 0) (5.7)
Et des conditions aux bords :
P(0, t) = Ke−r(T −t) , P(S, t) → 0 quand s→∞ (5.8)
La valeur d’une option put européenne se trouve au-dessous de sa valeur

intrinsèque pour quelques valeurs de S. Ceci est facilement vue en consi-
dérant la valeur du put pour S = 0. Ici la valeur intrinsèque de l’option
est K mais, d’après les conditions aux bords 5.8, P(0, t) = Ke−r(T −t) ≤ K.
Alors la valeur de l’option est plus petite que sa valeur intrinsèque pour
t < T. Si l’option put américaine est évaluée selon la formule d’une option
put européenne alors il y aura des possibilités d’arbitrage. L’absence de
cette dernière nous oblige à imposer la condition :
P(S, T ) ≥ max (K − S, 0) (5.9)
pour un put américain.

Comme une option américaine ne satisfait pas une égalité mais une inéga-
lité alors au lieu de 5.6 nous aurons :
∂P 1 2 2 ∂2 P ∂P
+ σ S 2
+ rS − rP ≤ 0 (5.10)
∂t 2 ∂S ∂S
Nous venons de montrer que la borne libre doit exister puisque la formule
d’un put européen ne satisfait pas la contrainte 5.9. Supposons en plus que
P = K − S pour S < K. Si c’est le cas, alors P ne satisfait certainement pas

l’équation de Black-Scholes (sauf si r = 0) puisque :
∂ 1 ∂2 ∂
(K − S) + σ2 S2 2 (K − S) + rS (K − S) − r (K − S) = −rK < 0
∂t 2 ∂S ∂S
Mais P satisfait cette inégalité. Quand P = K − S, la rentabilité du porte-
feuille est plus petite qu’un dépôt en banque équivalent, par conséquent
il est optimal d’exercer l’option.
Pour chaque date t, nous divisons l’axe des S en deux régions distinctes :
• Soit 0 ≤ S ≤ S f (t) : il s’agit de la région dans laquelle l’exercice préma-
turé est optimal. Nous avons :
∂P 1 2 2 ∂2 P ∂P
P = K − S, + σ S 2
+ rS − rP < 0
∂t 2 ∂S ∂S
• Soit S f (t) < S < ∞ : l’exercice prématuré n’est pas optimal et :
∂P 1 2 2 ∂2 P ∂P
P > K − S, + σ S 2
+ rS − rP = 0
∂t 2 ∂S ∂S
Considérons S f (t) définie comme la plus grande valeur de S, à la date
t, pour laquelle on a P(S, t) = max (K − S, 0). Alors :
P(S f (t), t) = max (K − S f (t), 0)
Mais :
P(S, T ) > max (K − S, 0) si S > S f (t)
Ce qui défini la borne libre S f (t), figure 5.4.
Figure 5.4 – Valeur d’un put américain(courbe supérieur) et européen (courbe inférieur)
avant l’expiration. La courbe supérieur rejoint en régularité la fonction du payoff.
De la section 5.3.4, nous avons :
∂P
( S ( t ), t ) = −1
∂S f
5.5. Inégalités variationnelles et problème de l’obstacle 89
Ce qui nous donne deux conditions aux bords pour la borne libre, à sa-
voir :
∂P
P(S f (t), t) = max (K − S f (t), 0), ( S ( t ), t ) = −1 (5.11)
∂S f
La première condition peut être vue comme une condition au bord pour
déterminer la valeur de l’option à la borne libre et la seconde pour déter-
miner la localisation de la borne libre. Il est très important de réaliser que
la condition :
∂P
( S ( t ), t ) = −1 si P ( S f ( t ), t ) = K − S f ( t )
∂S f
n’est pas impliquée par le fait que P(S f (t), t) = K − S f (t) . Puisque on ne
connaît pas à priori la position de S f (t), nous avons besoin d’une condi-
tion supplémentaire pour la déterminer. L’argument de l’arbitrage montre
que le gradient de P doit être continu, et ceci nous donne la condition
supplémentaire voulu.
5.5 Inégalités variationnelles et problème de l’obs-

tacle
Il est clair que l’analyse mathématique des options américaines est plus
complexe que celle des options européennes. Il est presque toujours im-
possible de trouver une solution explicite utile à un problème de borne
libre donné, et donc le but principal est de construire des méthodes nu-
mériques efficaces pour leur calcul. Ceci signifie que nous avons besoin
d’une structure théorique qui permet d’analyser les problèmes de borne
libre en des termes généraux. Puisqu’il est difficile de gérer des bornes
libres, notre but va être de reformuler le problème de telle sorte que toute
dépendance explicite avec la borne libre soit éliminée. Ainsi, elle n’inter-
férera pas avec le calcul de la solution mais pourra être retrouvée à partir
de la solution obtenue. On va tout d’abord considérer un exemple d’une
telle reformulation, appelé problème de complémentarité linéaire, dans le
contexte du problème de l’obstacle. Puis, nous appliquerons les résultats
obtenus à des options américaines. Ces problèmes ont des formulations de
complémentarité linéaire qui conduisent à des schèmas numériques effi-
caces et précis avec la propriété souhaitée de ne pas dépendre de la borne
libre.
5.5.1 Le problème de l’obstacle

Considérons un problème d’obstacle dans lequel les extrémités de
l’élastique sont fixées en x = ±1. Posons u( x ) le déplacement de l’élas-
tique et f ( x ) la hauteur de l’obstacle, pour −1 ≤ x ≤ 1. Supposons que
f (±1) < 0 et f ( x ) > 0 aux points −1 < x < 1 de manière à ce qu’il
y ait obligatoirement une région de contact entre l’obstacle et l’élastique.
00
Supposons également que f < 0, ce qui garantit que nous avons une
seul région de contact. Les bornes libres sont alors les points A et B, fi-
gure 5.2, où l’élastique commence à toucher l’objet. Ces deux bornes sont
a priori inconnues, et nous devons les déterminer comme une partie de
la solution. Dans la région de contact u = f , quand l’élastique n’est pas
00
en contact avec l’obstacle il est droit, alors u = 0. Normalement, nous
avons besoin de deux conditions aux bords pour déterminer la portion
droite de l’élastique uniquement. La valeur de u dans les deux extré-
mités de chaque partie droite le fait certainement. En effet, nous avons
u(−1) = 0, u( A) = f ( A) avec les mêmes conditions pour l’autre partie
droite. Cependant, comme A et B sont inconnus, nous avons besoin de
deux conditions supplémentaires aux bords pour les déterminer. Afin de
0
démontrer qu’aux points A et B, u et u doivent tout les deux être conti-
nus, voici un argument physique basé sur la vigueur de l’équilibre. Nous
pouvons écrire l’exemple particulier présenté dans la figure 5.2 comme un
problème de borne libre : le problème de trouver u( x ) et les points A et B
comme suit :
u(−1) = 0
00
u = 0, −1 < x < A
0 0
u ( A ) = f ( A ), u ( A) = f ( A)
u ( x ) = f ( x ), A<x<B (5.12)
0 0
u ( B ) = f ( B ), B ( A) = f ( B)
00
u = 0, B<x<1
u (1) = 0
5.5.2 La complémentarité linéaire

Une approche alternative du problème est de noter que l’élastique peut
se trouver dans deux positions :
• Soit il se trouve au dessus de l’obstacle, u > f dans ce cas il est droit
00
u = 0.
00 00
• Soit il est en contact avec l’obstacle, u = f et alors u = f < 0.
Ce qui signifie que nous pouvons écrire le problème en une formula-
tion dite de complémentarité linéaire : Trouver une fonction continue et
continûment différentiable u( x ) respectant :
00 00
u (u − f ) = 0, −u ≥ 0, (u − f ) ≥ 0 (5.13)
Sur l’intervalle [−1, 1], de même que les conditions aux bornes :
0
u(−1) = u(1) = 0, u et u continus (5.14)
00
La linéarité vient du fait que les deux termes u et u( x ) − f ( x ) sont
linéaires, dans le sens de la linéarité des équations aux dérivées par-
00
tielles. La complémentarité existe car pour tout point x, soit u = 0 ou
u( x ) − f ( x ) = 0. Cette formulation du problème présente un immense
avantage sur la version précédente : il n’y a aucune référence explicite aux
bornes libre A et B ; elles sont toujours présentes mais seulement implici-
tement via la contrainte u ≥ f .
5.5.3 Formulation par inégalité variationnelle

La formulation du problème comme une inégalité variationnelle est
motivé par le calcul suivant : Soit K l’ensemble de toutes les fonctions
v( x ) tel que :
• v(−1) = 0 et v(1) = 0 ;
• v( x ) ≥ f ( x ) pour −1 ≤ x ≤ 1 ;
• v( x ) est continue ;
0
• v ( x ) est continue par morceaux.
On appelle toute fonction v( x ) ∈ K une fonction tests et l’espace K
est nommé l’espace des fonctions tests. Notons que u( x ) ∈ K, et nous
prévoyons que u lui-même ait une dérivée continue par morceaux pour
tout x.
00
Pour chaque v ∈ K, nous avons (v − f ) ≥ 0 et puisque −u ≥ 0 :
00
−u (v − f ) ≥ 0
ce qui nous donne :

Z 1
00
−u (v − f )dx ≥ 0
−1
Nous avons aussi : Z 1
00
−u (v − f )dx = 0
−1
En faisant la soustraction nous trouvons :
Z 1
00
−u (v − u)dx ≥ 0 (5.15)
−1
Notons que l’équation 5.15 n’implique pas la fonction f ( x ) explicitement,

elle n’apparaît implicitement que par le fait que v et u appartiennent à K.
L’intégration de 5.15 par parties montre que :
Z 1
0 0 0
[−u (v − u)]1−1 + u (v − u) dx ≥ 0
−1
Puisque u = v pour x = ±, nous trouvons que :

Z 1
0 0
u (v − u) dx ≥ 0
−1
Ce qui est vrai pour tout v ∈ K, si u est une solution du problème original
5.12. Ce qui motive la formulation variationnelle du problème de la borne
libre, à savoir :
R1 0 0
Trouver v ∈ K tel que −1 u (v − u) dx ≥ 0 pour tout v ∈ K (5.16)
La valeur minimal de l’intégral, zéro, est obtenue pour u = v .
5.5.4 Une inégalité variationnelle pour le put américain

Le problème de l’obstacle et les options américaines sont deux pro-
blèmes mathématiquement similaires. Nous allons renforcer cette analogie
en montrant que la formulation de Black-Scholes du problème de borne
libre pour un put américain peut être réduie à un problème de complé-
mentarité linéaire et une inégalité variationnelle parabolique. L’équation
aux dérivées partielles de Black-Scholes 5.6 peut être transformée en une

équation de diffusion par une série de changement de variables. Posons :
τ 1 1 2
S = Ke x , t=T− 1 2
, P(S, t) = Ke− 2 (k−1)x− 4 (k+1) τ u( x, τ )
2σ
où k = τ/ 21 σ2 .
Avec les variables d’origine, nous avons S = S f (t) ce qui nous donne, avec
les nouvelles variables :
x = x f (τ )
De plus S f (t) < K, ce qui implique que x f (τ ) > 0. Alors, la fonction payoff
max (K − S, 0) devient :
1 2
1 1

g(0, τ ) = g( x, τ ) = e 2 (k+1) τ max e 2 (k−1)x − e 2 (k+1)x , 0 (5.17)
Nous avons toujours :
∂u ∂2 u
= pour x > x f (τ )
∂τ ∂x2 (5.18)
u( x, τ ) = g( x, τ ) pour x ≤ x f (τ )
La condition initiale de 5.18 est donnée par :

1 1

u( x, 0) = g( x, 0) = max e 2 (k−1)x − e 2 (k+1)x , 0 (5.19)
Où la contrainte que P(S, T ) > max (K − S, 0) devient :
u( x, τ ) ≥ g( x, τ ) (5.20)
Finalement, nous avons la condition que :
u( x, τ ) → 0 quand x → ∞, u et ∂u/∂x sont partout continues (5.21)
Quand x → ∞, nous sommes dans la région où l’exercice prématuré est

optimal, et donc u = g. Un calcul direct nous donne :
∂g ∂2 g
− ≥0 pour x 6= 0 (5.22)
∂τ ∂x2
Ce qui signifie, d’un point de vue financier, que le bénéfice d’un porte-
feuille delta couvert d’actif sans risque est plus petit qu’un taux d’intérêt
r d’actif sans risque. Pour éviter les complications techniques, nous allons
réduire le problème à un intervalle fini. Pour cela, nous considérons les
expressions ci-avant seulement pour x dans l’intervalle − x − < x < x + ,
où x − et x + sont suffisamment grands. Nous imposons les conditions aux
bornes :
u( x + , τ ) = 0, u(− x − , τ ) = g(− x − , τ ) (5.23)
En termes financiers, nous supposons que nous pouvons remplacer les
conditions exactes aux bornes par des approximations pour des petites
valeurs de S, P = K − S , et pour les grandes valeurs, P = 0. Le fait que le
problème de l’obstacle et celui du put américain satisfont des contraintes,
suggère que le put admet aussi une formulation de complémentarité li-

néaire. Le problème de l’option est très similaire à celui de l’obstacle mais
avec un obstacle dépendant du temps, c’est-à-dire une fonction de payoff
transformée g( x, τ ). Nous pouvons donc écrire notre problème sous la
forme de complémentarité :
∂u ∂2 u
− · (u( x, τ ) − g( x, τ )) = 0
∂τ ∂x2 (5.24)
∂u ∂2 u
− 2 ≥ 0, (u( x, τ ) − g( x, τ )) ≥ 0
∂τ ∂x
Avec les conditions initiales et aux bords :
u( x, 0) = g( x, 0), u(− x − , τ ) = g(− x − , τ ), u( x+ , τ ) = g( x+ , τ )
Et les conditions que u( x, τ ) et ∂u/∂x ( x, τ ) sont continus. Les deux possi-

bilités dans cette formulation correspondent aux situations dans lesquelles
il est optimal d’exercer l’option (u = g) , ou non (u > g). En suivant le
modèle du problème de l’obstacle, nous introduisons un espace de fonc-
tions teste K , et nous convertissons la formulation de complémentarité
linéaire d’une option américaine en une inégalité variationnelle (parabo-
lique). L’espace des fonctions tests K est constitué de fonctions qui satis-
font les conditions suivantes :
• φ( x, τ ) et ∂φ/∂τ sont toute deux continues et ∂φ/∂x est continue par
morceaux ;
• φ( x, τ ) ≥ g( x, τ ) pour tout x et τ ;
• φ( x + , τ ) = g( x + , τ ) = 0 et φ( x − , τ ) = g( x − , τ ) = 0 ;
• φ( x, 0) = g( x, 0).
Remarquons que u( x, τ ) est un élément de K. Procèdons comme dans
le problème de l’obstacle, notons que pour chaque φ ∈ K nous avons
φ ≥ g, et puisque :
∂u ∂2 u
− (φ( x, τ ) − g( x, τ )) ≥ 0
∂τ ∂x2
Par conséquent, pour chaque 0 ≤ τ ≤ 12 σ2 T :

Z x+
∂u ∂2 u
− (φ( x, τ ) − g( x, τ ))dx ≥ 0
− x− ∂τ ∂x2
Nous avons aussi :
Z x+
∂u ∂2 u
− (u( x, τ ) − g( x, τ ))dx = 0
− x− ∂τ ∂x2
Puisque les intégrantes disparaissent identiquement. Par soustraction,
nous trouvons que :
Z x+
∂u ∂2 u
− (φ( x, τ ) − u( x, τ ))dx ≥ 0
− x− ∂τ ∂x2
Cette inégalité est vraie pour chaque φ ∈ K ; elle ne contient aucune ré-
férence à l’obstacle g( x, τ ) : la contrainte n’intervient que dans la formu-
lation par l’espace des fonctions tests K. L’intégration par partie, nous
donne :
Z x+ i x+
∂u ∂u ∂φ ∂u h ∂u
(φ − u) + − dx − (φ − u) − ≥ 0
− x − ∂τ ∂x ∂x ∂x ∂x −x
Comme toutes les fonctions tests, y compris u( x, τ ), satisfont les même

conditions en x + et − x − , il nous reste l’inégalité variationnelle pour
u( x, τ ) :
• Trouver u( x, t) ∈ K, tel que pour tout φ( x, t) ∈ K, et pour tout
0 ≤ t ≤ 21 σ2 T :
Z x+
∂u ∂u ∂φ ∂u
(φ − u) + − dx ≥ 0 (5.25)
− x− ∂τ ∂x ∂x ∂x
Alternativement, il existe une formulation globale :
• Trouver u( x, t) ∈ K telle que, pour tout φ( x, t) ∈ K :
1 2 Z x+
2σ T
Z
∂u ∂u ∂φ ∂u
(φ − u) + − dxdτ ≥ 0 (5.26)
0 − x− ∂τ ∂x ∂x ∂x
Il s’avère que se sont deux manières équivalentes pour indiquer le pro-
blème comme une inégalité variationnelle. Comme le terme d’inégalité va-
riationnelle parabolique est utilisé quelques fois pour indiquer que le pro-
blème se pose comme une équation aux dérivées partielles parabolique,
le problème de l’obstacle est appelé une inégalité variationnelle elliptique
étant donné que l’équation sous-jacent est elliptique. Notons qu’aucune
des inégalités 5.25 et 5.26 n’assume l’existence d’une seconde dérivée par-
tielle pour u( x, t) par rapport à x. Pour cette raison ces deux inégalités
sont aussi appelées : formulation faible du problème originale de l’équa-
tion aux dérivées partielles, puisque elles admettent de faible conditions
par rapport à l’existence des dérivées.
5.6 Evaluation des options américaines par la méthode

des différences finies
5.6.1 Call européen
Théorie
L’équation de Black-Scholes pour la valeur
√ Y (S, t) d’un call européen
sur un actif de valeur S avec la volatilité v et le taux d’intérêt r s’écrit :
∂Y 1 2 2 ∂2 Y ∂Y
+ v S 2
+ rS − rY = 0
∂t 2 ∂S ∂S
La condition terminale est Y (S, T ) = max (S − K, 0), K étant le prix d’éxer-
cice. De la même manière que lors de la résolution de l’équation en section
4.3, nous allons appliquer le changement de variables suivant :
1 2τ 1
y( x, τ ) = Y (Ke Lx , ) = Y (S, t)
K v K
5.6. Evaluation des options américaines par la méthode des différences finies 95
L’expression finale obtenue est :
∂y ∂2 y ∂y 2r
= − L−2 2 − (k − 1) L−1 + ky avec k= , x ∈ [−1, 1]
∂τ ∂x ∂x v
La condition finale est alors :
vT 1 vT
y( x, τ ) =y x, = Y Ke Lx ,
2 K 2
1 vT
= Y max − Ke Lx , = max e Lx − 1, 0
K 2
et les conditions aux frontières s’écrivent :
y(−1, τ ) =0
y(1, τ ) =e L − e−k(Tv/2−τ )
Si nous notons y(τ ) = y( x, τ ) pour les valeurs aux noeuds et i = 2 : N − 1

pour les indices des noeuds internes, en appliquant la formule d’approxi-
mation différentielle des matrices f (d) ( x ) ≈ D (d) f ( x ), la discrétisation de
notre équation donne :
0 (2)
yi = − L−2 Di,: y − (k − 1) L−1 Di,: y + kyi , i = 2, N − 1
avec les conditions aux bornes :

(
y1 ( τ ) = 0
y N (τ ) = e L − e−k(Tv/2−τ )
Implémentation
Les conditions aux bornes sont notées matriciellement :
(
I1,: y = 0
IN,: y = e L − e−k(Tv/2−τ )
On déduit l’équation différentielle algébrique à coefficients linéaires

constant liée à notre équation dicrétisée :
0
My = Ay + (e L − e−k(Tv/2−τ ) ) I:,N
où :  
(2)
− L−2 Di,: − (k − 1) L−1 Di,: + kIi,:
A=
 
I1,: 
− IN,:
et :  
Ii,:
M= 0 
0
∂y
Lors du calcul, la dérivée première de y par rapport à x, Dy = ∂x , sera
approximée pour les noeuds internes (i = 2, N − 1) en utilisant la formule
centrée des différences finies :
y i +1 − y i −1
yi =
2δ
Pour les points extrémités, en i = 1, nous utilisons la formule progres-
sive :
−3yi + 4yi+1 − yi+2

yi =
2δ
et en i = N, nous utilisons la formule régressive :
yi−2 − 4yi−1 + 3yi

yi =
2δ
Nous déduisons alors la matrice :
−3/2 −1/2
 
2
 −1/2 0 1/2 
 
1 −1/2 0 1/2 
D (1) = 

. .. .. .. 
δ
 . . 

 −1/2 0 1/2 
1/2 −2 3/2
∂2 y
δ le pas de temps. D (2) y = ∂x2 sera approximée en utilisant la formule
centrée incluant la dérivée seconde :
yi+1 − 2yi + yi−1
yi =
δ2
d’où la forme matricielle :
1 −2 1
 
 1 −2 1 
 
1  1 −2 1 
D (2) = 2
 
.. .. .. 
δ 
 . . . 

 1 −2 1 
1 −2 1
5.6.2 Put américain

Discrétisation
Rappellons que l’équation différentielle de Black-Scholes s’écrit :
∂Y 1 2 2 ∂2 Y ∂Y
+ v S 2
+ rS − rY = 0
∂t 2 ∂S ∂S
Nous effectuons la même discrétisation que dans la section 5.6.1, ce qui
nous amène à l’équation :
0
yi = − L−2 Di,:
2
y − (k − 1) L−1 Di,: y + kyi i = 2, N − 1
Comme nous sommes en présence d’un put et non d’un call, la condition
finale est donc :
Y (S, T ) = max (K − S, 0)
En suivant le même changement de variable effectué dans 5.6.1, la

condidtion finale par rapport aux nouvelles variables est :
vT 1 vT
y( x, τ ) =y x, = Y Ke Lx ,
2 K 2
1
= max K − Ke Lx , 0
K
= max 1 − e Lx , 0
Les conditions aux frontières sont alors :
y(−1, τ ) =1 − e− L
y(1, τ ) =0
En se ramenant à notre formule discrétisée, sur l’intervalle [1, N ], nous
obtienons les conditions aux bornes :
(
y1 ( τ ) = 1 − e − L
y N (τ ) = 0
Nous pouvons écrire l’équation différentielle algébrique à coefficients li-
néaires constants :
0
yi = Ayi + b
avec :
(2)
A = − L−2 Di,i − (k − 1) L−1 Di,i + kIi,i
(2)
b =(− L−2 Di,1 − (k − 1) L−1 Di,1 + kIi,1 )(1 − e− L )
Les matrices d’approximation D (1) et D (2) sont déterminées à partir de
la formule centrée des différences finies, de la même manière que pour le
call européen.
5.6.3 Résolution du problème discrétisé

Cette section est consacrée à la résolution numérique du problème que
nous venons de discrétiser. Tout d’abord, nous présentons le schéma nu-
mérique que nous allons utiliser. Ensuite, nous introduisons le problème
de complémentarité linéaire correspondant au modèle défini et nous le
résolvons par l’algorithme de Brennan et Schwarz.
Présentation du schéma
En utilisant le shéma de Crank-Nicolson puis en développant avec
notre équation différentielle algébrique, nous obtenons :
h f (t , y ) + f (t , y ) i
n n n +1 n +1
y n +1 = y n + h
2
h1 1 1 1 i
=yn + h Ayn + bn + Ayn+1 + bn+1
2 2 2 2
1 1 1 1
[ I − Ah]yn+1 =yn + hAyn + h[ bn + bn+1 ]
2 2 2 2
Considèrons un b indépendant du temps pour un put standard, d’où la
formule finale :
1 1
[ I − Ah]yn+1 = yn + hAyn + hb
2 2
Algorithme de Brennan et Schwartz et décomposition de LU

L’algorithme de Brennan et Schwartz est couramment utilisé pour la
résolution de problèmes de complémentarité linéaire.
Selon Ikonen et Toivanen, l’algorithme de Brennan et Schwartz peut être
reformulé en une forme simple utilisant une décomposition LU. Dans
cette méthode, la contrainte liée à la possibilité d’exercice prématuré de
l’option américaine est prise en compte dans une substitution par remon-
tée et, par conséquent, la solution de l’algorithme diffère seulement légè-
rement de la solution d’un système d’équations linéaires avec une matrice
tridiagonale. Cependant, dans leur document, ils considèrent un call. Nous
nous intéressons ici à un put, l’algorithme sera donc légèrement différent
mais la structure générale reste la même. La matrice ( I − 21 hA) sera dé-
composée sous la forme LU, avec U matrice triangulaire supérieure et L
matrice triangulaire inférieure à diagonale unité.
Si nous appelons ȳ la solution à l’étape n − 1 et y la solution à l’étape n,
alors :
1
y = U −1 L−1 (ȳ + hAȳ + hb)
2
Dans le cas de l’option américaine, nous devons également respecter
la condition :
1
y ≥ U −1 L−1 (ȳ + hAȳ + hb)
2
pour éviter les opportunités d’arbitrage.
De plus, dans la résolution de notre système, il ne faut pas oublier la
contrainte sur le payoff :
y = max (1 − e Lx , 0)
Comme nous l’avons vu, le profit doit être négatif ou nul pour éviter
les opportunités d’arbitrage suite à un exercice avant la date d’échéance.
Donc, la valeur de l’option doit être supérieure ou égale à la fonction
payoff :
y ≥ 1 − e Lx
Cette contrainte sur le payoff est appliquée à notre cas de la façon suivante :
nous retenons à chaque étape la valeur maximale entre la fonction payoff
et le résultat numérique calculé à partir de notre schéma. Au départ, notre
solution suit la fonction payoff jusqu’à un certain seuil à partir duquel elle
suit le schéma.
Formulation de complémentarité linéaire

Ceci nous amène à exprimer notre problème de façon concise. Si nous
notons y∗ = (ȳi + 12 yAȳi + hb), en considérant toutes les valeurs du sous-
jacent à la fois, c’est-à-dire pour toutes les valeurs de n, nous avons le
problème de complémentarité linéaire :

∗
 LUy ≥ y


y ≥ 1 − e Lx

 y − (1 − e Lx ) · ( LUy − y∗ ) = 0


Nous trouvons donc le prix de l’option au temps 0, soit y0 , en résolvant

séquentiellement tous les problèmes de complémentarité linéaire pour les
valeurs n = N − 1, N − 2, . . . , 0. Nous résolvons donc une suite de pro-
blèmes de complémentarité linéaire, alors que dans le cas européen, nous
résolvons une suite de systèmes d’équations linéaires.
Programmation
Sous Matlab, pour effectuer le calcul de la valeur de l’option, nous
utilisons la boucle :
for it=2
y=1\(y+0.5*h*A*y+h*b);
y(end)=max(g(end), y(end)/u(end, end));
for ii=length(y)-1:-1:1
y(ii)=max(g(ii),(y(ii)-u(ii,ii+1)*y(ii+1))/u(ii,ii));
end
end
Résultats numériques
On présente ci-dessous le résultat obtenu lors de la programmation,
figure 5.5.
Figure 5.5 – Put américain calculé avec l’algorithme de Bernnan-Shwartz, K = 50, σ =

0.4, r = 0.1, t = 1.
Dans le cas de l’option américaine, nous n’avons pas de solution

analytique, nous cherchons à prouver l’exactitude de notre modèle en
comparant les résultats obtenus avec ceux donnés par des calculateurs
appelés pricers. Le premier pricer que l’on utilisera s’appelle Multi Options
Pricer (MOP). Ce logiciel permet, entre autres fonctionnalités, d’évaluer
des primes d’options. Le deuxième pricer que nous considérons est Option
Pricing Calculator 1.0.0 (OPC). Il permet notamment de calculer les valeurs
d’options américaines avec un modèle binomial. Les tableaux suivants
comparent les différents résultats obtenus, à paramètres égaux, entre les
deux pricers et notre code de Brennan-Schwartz. Nous précisons que les
paramètres de notre modèle, L = log2, N = 501 et nt = 500, ne sont pas
modifiés au cours des deux études qui suivent. Les paramètres que nous
ferons varier sont la volatilité σ, le taux r, la date d’échéance T, et le cours
du sous-jacent S.
K = 50, σ = 0.4, r = 0.1, T = 1
Valeur de S 30 40 50 60 70
Multi Option Pricer 16.3928 9.6901 5.4011 2.9153 1.5514
Option Pricing Calculator 20.0000 11.1344 5.9619 3.1816 1.6417
Brennan-Schwartz 19.9799 11.1069 5.9768 3.1417 1.6211
80 90
0.8231 0.4384
0.8622 0.4543
0.8064 0.3327
Figure 5.6 – Put américain calculé avec l’algorithme de Bernnan-Shwartz, MOP, OPC :
K = 50, σ = 0.4, r = 0.1, t = 1.
K = 50, σ = 0.3, r = 0.05, T = 5/12

Valeur de S 30 40 50 60 70
Multi Option Pricer 18.9831 9.6224 3.3227 0.7928 0.1436
Option Pricing Calculator 20.0000 10.1091 3.4137 0.8190 0.1432
Brennan-Schwartz 19.9799 10.0605 3.4153 0.8023 0.1424
80 90
0.0217 0.0029
0.0217 0.0027
0.0215 0.0029
Figure 5.7 – Put américain calculé avec l’algorithme de Bernnan-Shwartz, MOP, OPC :
K = 50, σ = 0.3, r = 0.05, t = 5/12.
Les deux figures 5.6, 5.7, permettent de comparer les résultats obtenus
pour la valeur d’un put américain en considérant des méthodes et modèles
différents pour les calculs. Nous pouvons voir que les deux pricers que
nous avons utilisé donnent des valeurs très similaires, valeurs qui sont
très proches des résultats obtenus avec notre code de Brennan-Schwartz.
Nous pouvons donc conclure que le code implémenté est correct.
Conclusion générale
L’étude et la compréhension de l’évaluation des prix des options

constituent un enjeu toujours plus important sur les marchés financiers.
De nos jours, les mathématiciens cherchent à développer de nouveaux mo-
dèles plus précis pour représenter les dynamiques aléatoires telles que les
évaluations boursières. La formule de Black-Sholes a permis de répondre
à la question de l’évaluation du prix d’une option européenne.
L’analyse mathématique des options américaines est plus complexe que
celle des options européenne. Il est presque toujours impossible de trou-
ver une solution explicite utile à un problème de borne libre donné, et
donc le but principal est de construire des méthodes numériques efficaces
pour leur calcul. Ceci signifie que nous avons besoin d’une structure théo-
rique qui permet d’analyser les problèmes de borne libre en des termes
généraux. Puisqu’il est difficile de gérer des bornes libres, notre but est
de reformuler le problème de telle sorte que toute dépendance explicite
avec la borne libre est éliminée. Ainsi, elle n’interférera pas avec le calcul
de la solution mais peut être retrouvée à partir de la solution obtenue.
Nous avons, tout d’abord, considérer un exemple d’une telle reformula-
tion, appelé problème de complémentarité linéaire, dans le contexte du
problème de l’obstacle. Puis, nous avons appliquer les résultats obtenus à
des options américaines. Ces problèmes ont des formulations de complé-
mentarité linéaire qui conduisent à des schémas numériques efficaces et
précis avec la propriété souhaitée de ne pas dépendre de la borne libre.
103
Annexes
A
Sommaire
A.1 Convergence de variables aléatoires . . . . . . . . . . . . . 107
A.1.1 Convergence presque sûre . . . . . . . . . . . . . . . .
. . . 107
A.1.2 Convergence quadratique . . . . . . . . . . . . . . . .
. . . 107
A.1.3 Convergence en probabilité . . . . . . . . . . . . . . .
. . . 108
A.1.4 Convergence en loi . . . . . . . . . . . . . . . . . . . .
. . . 108
A.2 Espérance conditionnelle . . . . . . . . . . . . . . . . .
. . . 108
A.2.1 Conditionnement par rapport à un évènement . . . .
. . . 108
A.2.2 Espérance conditionnelle par rapport à une tribu . .
. . . 108
A.2.3 Espérance conditionnelle par rapport à une variable
. . . 109
A.2.4 Propriétés de l’espérance conditionnelle . . . . . . . .
. . . 109
A.2.5 Variance conditionnelle . . . . . . . . . . . . . . . . .
. . . 109
A.2.6 Formule de Bayes . . . . . . . . . . . . . . . . . . . . .
. . . 110
A.3 Processus stochastique . . . . . . . . . . . . . . . . . . .
. . . 110
A.3.1 Processus càdlàg . . . . . . . . . . . . . . . . . . . . .
. . . 110
A.3.2 Processus mesurable . . . . . . . . . . . . . . . . . . .
. . . 110
A.3.3 Processus gaussien . . . . . . . . . . . . . . . . . . . .
. . . 110
A.4 Inégalitées célèbres et définitions . . . . . . . . . . .
. . . 111
A.4.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . .
. . . 111
A.4.2 Inégalitées célèbres . . . . . . . . . . . . . . . . . . . .
. . . 111
A.5 Distribution lognormale . . . . . . . . . . . . . . . . . .
. . . 112
A.6 Option américaine : programme Brennan-Schwartz . . . 112
105
A.1. Convergence de variables aléatoires 107
A.1 Convergence de variables aléatoires

L’espace (Ω, F , P) est fixé, toutes les variables aléatoires sont définies
sur cet espace. On distingue plusieurs types de convergence :
A.1.1 Convergence presque sûre

Une suite de variables aléatoires ( Xn ) converge p.s. vers X si pour tout
p.s.
ω : Xn (ω ) → X (ω ) quand n → ∞. On note Xn −→ X.
Théorème de convergence monotone

Si Xn est une suite de variables aléatoires monotones (Xn ≤ Xn+1 ) et si
X = limXn , nous avons :
p.s.
E[ X ] = lim( Xn )
Théorème de Lebesgue dominé

Si Xn est une suite de variables aléatoires qui converge p.s. vers X et
s’il existe une variable aléatoire Y intégrable tel que | Xn | ≤ Y, alors E[ Xn ]
converge vers E[ X ].
Loi des grands nombre

Si ( Xi , i ≥ 1) est une suite de variables aléatoires indépendantes et
1 2
identiquement distribuées d’espérances finies, alors ∑ Xi converge
n i =1
p.s. vers E[ X1 ].
A.1.2 Convergence quadratique

qR p
On note k X k2 = Ω
X 2 dP = E[ X 2 ]. On identifie deux variables
aléatoires égales p.s., la norme k . k sur l’espace des variables aléa-
toires de carré intégrable : on dit que X ∈ L2 (Ω) si k X k2 < ∞.
Soit Xn ∈ L2 (Ω) et X ∈ L2 (Ω) , la suite de variables aléatoires ( Xn )
converge en moyenne quadratique (dans L2 (Ω) ) vers X si :
(k Xn − X k2 )2 = E[ Xn − X ]2 → 0 quand n → ∞
Si Xn → X dans L2 (Ω), on a :
E[ Xn2 ] → E[ X 2 ]
Loi des grands nombre

Si ( Xi , i ≥ 1) est une suite de variables aléatoires indépendantes et
1 n
identiquement distribuées de variance finie, ∑ Xi converge en moyenne
n i =1
quadratique vers E[ X1 ].
Si une suite de variables aléatoires gaussiennes converge en moyenne qua-
dratique, la limite est une variable aléatoire gaussienne.
108 A. Annexes
A.1.3 Convergence en probabilité

Une suite de variables aléatoires ( Xn ) converge en probabilité vers X
si :
∀ε ≥ 0 P(| Xn − X |≥ ε) −→ 0 quand n −→ ∞.
P
On note Xn −
→ X.
– La convergence p.s. =⇒ la convergence en probabilité.
– La convergence en probabilité =⇒ qu’une sous suite converge p.s.
– La convergence quadratique =⇒ la convergence en probabilité.
A.1.4 Convergence en loi

Une suite de variables aléatoires Xn converge en loi vers X si pour
toute fonction Φ continue et bornée :
E(Φ( Xn )) → E[Φ( X )] quand n→∞

L
On note Xn → X.
La convergence en loi est également définie par la convergence simple

des fonctions caractéristique soit : ψn (t) → ψ(t) pour tout t , où ψn
désigne la fonction caractéristique de Xn et ψ celle de X.
Si X est une variable aléatoire de fonction de répartition F continue et

si Xn est une suite de variables aléatoires de fonction de répartition Fn tel
que Fn ( x ) converge vers F ( x ) pour tout x, alors Xn converge en loi vers X
et réciproquement.
La convergence en probabilité implique la convergence en loi.
A.2 Espérance conditionnelle

Soit l’espace probabilisé (Ω, F , P)
A.2.1 Conditionnement par rapport à un évènement

Soit A et B deux évènements, on définit la probabilité conditionnelle
de A par rapport à B par :
P( A ∩ B )
P( A | B ) =
P( B )
Pour tout B telle que P( B) 6= 0.
A.2.2 Espérance conditionnelle par rapport à une tribu

Soit X une variable aléatoire intégrable définie sur (Ω, F , P) et G une
sous-tribu de F , l’espérance conditionnelle E[ X | G ] de X quand G est
l’unique variable aléatoire G-mesurable tel que :
Z Z
E[ X | G ]dP = XdP, ∀ A ∈ G.
Ω A
A.2. Espérance conditionnelle 109
C’est aussi l’unique variable G-mesurable tel que :
E[ E( X | G )Y ] = E[ XY ]
pour toute variable Y, G-mesurable.
A.2.3 Espérance conditionnelle par rapport à une variable

On définit l’espérance conditionnelle d’une variable aléatoire X inté-
grable par rapport à Y comme étant l’espérance conditionnelle de X par
rapport à la tribu σ(Y ), on la note E[ X | Y ]. C’est une variable mesurable
par rapport à la tribu engendrée par Y, donc c’est une fonction de Y. Il
existe ψ : R → R borélienne telle que E[ X | Y ] = ψ(Y ), caractérisée par :
1. C’est une variable σ(Y ) ;
R R
2. A E[ X | Y ]dP = A XdP ∀ A ∈ σ (Y )
A.2.4 Propriétés de l’espérance conditionnelle

Les égalités suivantes sont vraies p.s. à condition que les variables
aléatoires soient intégrables, G est une sous tribu de F .
1. Linéarité : Soit a et b deux constantes
E[ aX + bY | G ] = aE[ X | G ] + bE[Y | G ]
2. Croissance : Soit X et Y deux variables aléatoires tel que X ≤ Y.

Alors :
E ( X | Y ) ≤ E [Y | G ]
3. E[ E[ X | G ]] = E[ X ].
4. Si X est G-mesurable, E[ X | G ] = X.
5. Si Y est G-mesurable, E[ XY | G ] = YE[ X | G ].
6. Si X est indépendante de G , E [ X | G ] = E [ X ].
7. Si G est la tribu grossière (composée de l’ensemble vide et de Ω ),
E [ X | G ] = E [ X ].
8. Si G et H sont deux tribus tel que H ⊂ G, alors
E[ X | H ] = E[ E[ X | H ] | G ] = E[ E[ X | G ] | H )]
On note souvent : E[ E[ X | H ] | G ] = E[ E[ X | G ] | H ].
9. Si ( X, Y ) sont indépendantes et φ une fonction borélienne bornée :
E[φ( X, Y ) | Y ] = [ E[φ( X, y)]]Y =y
A.2.5 Variance conditionnelle

On définit :
Var ( X | G ) = E[ X 2 | G ] − E2 [ X | G ]
C’est une variable aléatoire positive d’après le théorème de Jensen :
Théorème A.1 pour toute fonction convexe φ , on a :
E[φ( X )|F ] ≥ φ( E[ X |F ])
110 A. Annexes
A.2.6 Formule de Bayes

Soit une probabilité P, Q une probabilité équivalente à P définie par
dQ = LdP. On peut exprimer l’espérance conditionnelle d’une variable
sous Q en fonction de l’espérance conditionnelle sous P :
EP [ LX | G ]
EQ [ X | G ] = .
EP [ L | G ]
A.3 Processus stochastique

Pour représenter l’état d’un système dépendant du temps et du ha-
sard, le modèle mathématique se présente sous la forme d’un espace de
probabilité (Ω, F , P) et d’une fonction (t, ω ) → Xt (ω ) représentant l’état
du système. Pour t fixé, l’état du système est une variable aléatoire Xt (ω ).
Définition A.1 Un processus stochastique (ou fonction aléatoire) est une famille de variables aléa-
toires ( Xt , t ∈ [0, ∞[) définie sur le même espace de probabilité.
On dit qu’un processus est à trajectoires continues (ou est continue) si les appli-
cations t → Xt(ω ) sont continue pour presque tout ω.
Définition A.2 Deux processus ( Xt )t∈T et (Yt )t∈T sont dit équivalent ssi. :
∀n ∈ N ∗ , ∀(t1 , ..., tn ) ∈ T n ( T ⊂ R+ ) ( Xt1 , ..., Xtn ) = ( Xt1 , ..., Xtn )
Un processus ( Xt )t∈T est une modification d’un processus (Yt )t∈T ssi. :
∀t ∈ T Xt = Yt P − p.s.
A.3.1 Processus càdlàg

On dit qu’un processus est càdlàg si ses trajectoires sont continues à
droite, pourvues de limite à gauche.
A.3.2 Processus mesurable

Un processus est dit mesurable si la fonction :
(t, ω ) ∈ (R+ , B(R+ )) → Xt (ω ) ∈ (R, B(R))
est mesurable.
A.3.3 Processus gaussien

Un processus est dit gaussien si toute combinaison linéaire finie de
( Xt , t ≥ 0) est une variable aléatoire gaussienne, c’est-à-dire si :
n
∀n, ∀ti , 1 ≤ i ≤ n, ∀ a i , ∑ a i Xti
i =1
est une variable aléatoire gaussienne.

A.4. Inégalitées célèbres et définitions 111
A.4 Inégalitées célèbres et définitions

A.4.1 Définitions
Ensemble négligeable
Un ensemble est dit négligeable s’il est de probabilité nulle.
Une propriété est vraie p.s. si elle est vraie en dehors d’un ensemble né-
gligeable, on dit aussi que la propriété est vraie pour presque tout ω .
Probabilités équivalentes
Deux probabilités P et Q définies sur le même espace (Ω, F ) sont
équivalentes si elles ont le même ensemble négligeable, c’est-à-dire si :
P( A ) = 0 ⇔ Q( A ) = 0
Une propriété vraie P p.s. est alors vraie Q p.s.
Loi faible des grands nombres

Soit ( Xn ) une suite de variables aléatoires indépendantes et identique-
ment distribuées :
On suppose X ∈ L1 . En notant Sn = X1 + · · · + Xn , on a :
Sn P
−
→ E [ X1 ]
n
Si E[| X1 |] = +∞ la suite Sn diverge p.s.
A.4.2 Inégalitées célèbres

Inégalité de Jensen
Soit X une variable aléatoire telle que E[| X1 |] < ∞ et soit ϕ : R → R
une fonction convexe. Alors on a :
ϕ( E[ X ]) ≤ E[ ϕ( X )].
Inégalité de Tchebychev
Si X est une variable aléatoire telle que E[ X ] = µ < +∞ et var ( X ) =
σ2 < +∞. Alors :
σ2
∀ε > 0, P(| X − µ |> ε) ≤ 2
ε
Inégalité de Markov
Si X est une variable aléatoire positive telle que E[| X |] < ∞, on a :
E[ X ]
∀λ > 0, P( X > λ) ≤
λ
112 A. Annexes
A.5 Distribution lognormale

df d2 f
Si on prend une fonction f (S) = log(S), alors dS = S1 et dS2 = − S12 .
On a donc d f = σdX + (µ − 21 σ2 )dt. Le saut d f est normalement distribué.
f correspond à la somme des d f . A la limite, cette somme devient une
intégrale. f − f 0 ayant une distribution normale de moyenne (µ − 12 σ2 )t et
de variance σ2 t, la densité de f (S) est :
1 1 2 2 2
√ e−( f − f0 −(µ− 2 σ )t) /2σ t − ∞ < f < +∞
σ 2πt
A partir de la densité de probabilité de f (S) = log(S), on en déduit celle
de S :
1 −(log SS −(µ− 12 σ2 )t)2 /2σ2 t
√ e 0 0 < S < +∞
σ 2πt
A.6 Option américaine : programme Brennan-Schwartz

Ce programme résout numériquement l’équation de Black-Scholes
pour un put américain en utilisant l’algorithme de Brennan-Schwartz avec
un schéma de Crank-Nicolson.
K=50; v=(0.4)^2; r=0.1; T=1;

L=log(2); N=501; nt=500;
TT=T*v/2; h=-TT/nt; t=TT:h:0;
[x,D,D2]=get_diffmatrix(’fd’,N);
k=r/(v/2); I=speye(N); i=2:N-1;
S=K*exp(L*x); g=1-S(i)/E; g=g;
y=max(1-S(i)/K,0); y1=1-S(1)/K;
A=-1/L^2*D2(i,i)-(k-1)/L*D(i,i)+k*I(i,i);
[l,u]=lu(I(i,i)-0.5*h*A);
b=(-1/L^2*D2(i,1)-(k-1)/L*D(i,1))*y1;
for it=2:length(t)
y=l\(y+0.5*h*A*y+h*b);
y(end)=max(g(end),y(end)/u(end,end));
for ii=length(y)-1:-1:1
y(ii)=max(g(ii),(y(ii)-u(ii,ii+1)*y(ii+1))/u(ii,ii));
end
end
Y=[K-S(1);K*y;0];
plot(S,Y,S,max(K-S,0),’--’)
xlabel(’S’),legend(’valeur du put’,’condition finale’)
box off
ValeursDeS=[30:10:90];
k=1;
j=1;
while (k<=length(ValeursDeS))
while (j<length(S))
if (S(j)>=ValeursDeS(k))
ValeurSolution(k)=Y(j);
j=length(S);
A.6. Option américaine : programme Brennan-Schwartz 113
end
j=j+1;
end
j=1;
k=k+1;
end
ValeursDeS
ValeurSolution
Bibliographie
[1] L. Bachelier : Théorie de la spéculation, Annales scientifiques de

l’école normale supérieure, 17,21-86, 1900.
[2] F. Black, M. Scholes : The pricing of options and corporate liabilities,

Journal of Political Economy, 81, No.3, 637-645, 1973.
[3] N. Bouleau, D. Talay : Probabilités numériques, INRIA,1992.
[4] J.C. Cox, S.A. Ross, M. Rubinstein : Options Pricing : a simplified

approach, Journal of Financial Economics, 7, 229-263, 1979.
[5] J.P. Fouque, G. Papanicolaou and K.R. Sircar :Derivatives in Financial

markets with Stochastic volatility, Cambridge University Press, 2000.
[6] E. Fournier and AL : Application of Malliavin calculus to Monte-Carlo

methods in finance, Finance and Stochastics, 3, 391-412, 1999.
[7] H. Gemam, M. Yor : Pricing and Hedging Double-Barrier Options : A

Probabilistic Approach, Mathematical Finance, vol.6, Issue 4, 1996.
[8] M.H. Grouard, S. Lévy, C. Lubochinsky : La volatilité boursière : des

constats empiriques aux difficultés d’interprétation, Banque de France, RSF,
2003.
[9] J.C. Hull : Options, Futures and other derivatives, Prentice Hall, 2003.
[10] N. El Karoui, M. Jeanblanc-Picqué, S. Shreve : Robustness of the

Black and Scholes Formula, Mathematical Finance, vol.8, Issue 2, 93-126,
1998.
[11] D. Lamberton, B. Lapeyre : Introduction au calcul stochastique appli-

qué à la finance, Ellipses, Paris, 1997.
[12] B. Lapeyre, E. Temam : Competitive Monte Carlo Method for the

pricing of asian options, Journal of computational finance, 2002.
[13] D. Mackenzie : An Equation and its Worlds : Bricolage, Exemplars,

Disunity and Performativity in Financial Economics, Social Studies of Science,
33(6) : 831-868, 2003.
115
116 Bibliographie
[14] R. Merton : Theory of Rational Option Pricing, Bell Journal of Eco-

nomics and Management Science, 4, 141-183, 1973.
[15] D. Nualart : The Malliavin Calculus and related Topics, Springer

Verlag, New York, 1995.
[16] B. Oksendal : An introduction to Malliavin Calculus with Applications

to Economics, 1996.
[17] B. Pochart : Processus multifractals en finance et valorisation d’options

par minimisation de risques extrêmes, Thèse de Doctorat, 2003.
[18] R. Zvan, K.R. Vetzal, and P.A. Forsyth : PDE Methods for Pricing
Barrier Options, Journal of Economic Dynamics and Control, 1998.
[19] R. Zvan, K.R. Vetzal, and P.A. Forsyth : Robust numerical methods
for PDE models of asian options, J. Computational Finance, 1, 39-78, 1998.
[20] P. Wilmott, S. Howison, J. Dewynne : The Mathematics Financial

Derivatives, A Student Introduction, Cambridge University Press, 1995.
[21] Desmond J. Higham : An Introduction to Financial Option Valuation,

Cambridge University Press, 2004.
[22] R. Kangro, R. Nicolaides : Far Field Boundary Conditions For Black-

Sholes Equations, Siam J. Numer. Anal., vol. 38, No.4, 1357-1368.
[23] M. J. Bernnan, Eduardo S. Schwartz : The valuation of American Put

Options, Journal of Finance, 32, 449-462, 1977.
[24] P. Wilmott, J. Dewynne, S. Howison Option Pricing, Mathematical

models and computation.
[25] S. Ikonen, J. Toivanen : Pricing American Options using LU decompo-

sition, Applied Mathematical Sciences, vol.1, No.51, 2529-2551, 2007.
[26] http ://www.wikipedia.org/
[27] Multi Options Pricer : http ://entreprise.01net.com/windows/Bureautique/

bourse_et_finance/fiches/27403.html.
[28] Option Pricing Calculator 1.0.0 http ://www.shareup.com/Option_Pricing

_Calculator-download-35276.html.
Notations
p.s. presque sûrement

ssi. si et seulement si
i.e. identiquement équivalent
EDS équation différentielle stochastique
R, R+ ensembles des réels et des réels positifs
P, E probabilité et espérance
Ft filtration
(Ω, F , P) espace probabilisé
Bt mouvement brownien
117
Ce document a été préparé à l’aide de l’éditeur de texte GNU Emacs et du
logiciel de composition typographique LATEX 2ε .
118
Titre Evaluation des options américaines
Résumé La plupart des options négociées sur les marchés organisés sont
de type européen ou américain. Les options européennes sont bien dé-
crites par le modèle de Black-Scholes. Par contre, les options américaines
sont plus difficiles à analyser, le modèle de Black-Scholes fournissant des
prix inférieurs à la valeur intrinsèque de l’option. Le cadre développé par
la méthode est utile mais doit être adapté, la liberté d’exercice de l’option
implique la présence d’une borne libre. Afin de comprendre la formula-
tion par EDP de l’équation de Black-Scholes, nous considérons un exemple
classique : le problème de l’obstacle. La formulation de complémentarité
linéaire du problème de l’obstacle conduit à des schémas numériques ef-
ficaces et précis pour l’évaluation des options américaines.
Mots-clés Option américaine, formule de Black-Scholes, Problème de

l’obstacle, formulation variationnelle.
Title Pricing of american option
Abstract The greater part of the options traded on organized markets are
European or American type. European options are well described by the
Black-Scholes model. American options are more difficult to analyze, the
Black-Scholes formula providing lower prices than the intrinsic value of
the option. The framework developed by the method is useful but must be
adapted, the exercise free of the option implies the presence of a free boun-
dary. To understand the PDE formulation of the Black-Scholes equation,
we consider a classic example : the obstacle problem. The linear comple-
mentarity formulation of the obstacle problem leads to efficient numerical
results for the american options pricing.
Keywords American option, Black-Scholes formula, Obstacle problem,

variational formulation.

Evaluation Des Options Américaines (ATTALLAH Sabrina)

Transféré par

Droits d'auteur :

Formats disponibles

Evaluation Des Options Américaines (ATTALLAH Sabrina)

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Evaluation Des Options Américaines (ATTALLAH Sabrina)

Transféré par

Droits d'auteur :

Formats disponibles

Université Badji Mokhtar Annaba

Evaluation des options

Thèse soutenue devant le jury composé de :

M. Pr .BOUTABIA Hacène Université Badji Mokhtar (Rapporteur)

Je remercie mon encadreur, Monsieur R. Remita, Maître de conférence

Je remercie vivement Monsieur H. Boutabia, Professeur à l’Université

Je remercie Madame A. Chadli, Maître de Conférence à l’Univer-

Toute ma gratitude va aussi à Monsieur M. Hayour, Maître de Confé-

Je suis profondément reconnaissante à Madame R. Amiar, de m’avoir

Table des matières vi

Liste des figures ix

2 Equation différentielle stochastique 23

Conclusion générale 103

1.1 Mouvement brownien d’une particule. . . . . . . . . . . . . . 4

3.1 Marché à n périodes. . . . . . . . . . . . . . . . . . . . . . . . 44

5.1 Valeur d’option put européenne et américaine comme fonc-

D epuis les travaux de Black-Scholes et Merton en 1973, les marchés

Le modèle de Black-Scholes fournit une formule analytique pour l’évalua-

Le premier chapitre est consacré à l’étude du mouvement brownien :

rapide des greques.

En 1905, Einstein donne une définition raisonnable : On note Xt la

La seconde hypothèse signifie que la situation est identique à elle-même

P( Xt+h ∈ dy| Xh = x ) = q(t, x, y)

et à relier ses résultats à l’équation de la chaleur :

La première étude mathématique rigoureuse est faite par Norbert Wie-

Figure 1.1 – Mouvement brownien d’une particule.

1.1 Rappel de probabilité

Un processus ( Xt )t∈R+ est progressivement mesurable si ∀ T > 0 la fonction :

(t, ω ) ∈ ([0, T ], B([0, T ))] × (Ω, FT ) → Xt (ω ) ∈ (R, B(R))

E[sup Xs2 ] ≤ 4E[ XT2 ].

1.1.3 Temps d’arrêt

3. Si T est un temps d’arrêt, T est F T -mesurable.

P[τk < τk+1 ] = 1

P[τk → +∞ quand t → +∞] = 1

Théorème d’arrêt de Doob

Si M est uniformément intégrable, Mt converge p.s. dans L1 vers M∞

1.1.4 Théorème de Radon Nikodym

2. On dit que P et Q sont équivalentes (P ∼ Q) si :

3. On dit que P et Q sont étrangères (P⊥Q) si :

Théorème de Radon Nikodym

On appelle Z la densité de Radon Nikodym de P par rapport à Q, elle

1.2 Mouvement brownien

Définition 1.10 Le processus ( Bt , t ≥ 0) est un mouvement brownien standard si :

4. Soit ∀s 6 t, la variable Bt − Bs est indépendante de la tribu du passé avant

Démonstration. Nous allons démontrer :

cov( Bt , Bs ) = E[ Bt Bs ] = E[( Bt − Bs ) Bs ] + E[( Bs )2 ] = s.

2. ⇐) Nous vérifions la définition point par point :

– Pour t1 ≤ . . . ≤ s < t, le vecteur ( Bt1 , ..., Btn , Bt − Bs ) est gaussien

Démonstration. Ce résultat est admis. Le mouvement brownien peut être

1.4.1 Randomisation d’un espace de Hilbert

La série converge dans L2 vers une variable gaussienne, centrée, de va-

1.4.2 Représentation de Wiener (1923)

où la série converge uniformément et p.s. sur [0, 1].

1.4.3 Méthode du point milieu (construction de Paul Lévy)

1.4.4 Principe d’invariance de Donsker

1.5 Propriétés du mouvement brownien

1.5.1 Propriété de martingale

D’aprés la proposition de Paul Lévy :

1.5.2 Processus Gaussien