Calcul stochastique

Le calcul stochastique est l'étude des phénomènes aléatoires dépendant du temps. À ce titre, il est une extension de la théorie des probabilités.

Catégories :

Processus stochastique - Mathématiques financières - Finance

Le calcul stochastique est l'étude des phénomènes aléatoires dépendant du temps. À ce titre, il est une extension de la théorie des probabilités.

Applications

Le domaine d'application du calcul stochastique comprend :

Processus aléatoires

Un processus aléatoire $X$ est une famille de variables aléatoires indexée par un sous-ensemble de $\R$ ou $\N$ , fréquemment assimilé au temps (voir aussi Processus stochastique). C'est par conséquent une fonction de deux variables : le temps et l'état du monde $ω$ . La totalité des états du monde est habituellement noté $Ω$ . L'application qui à un $ω$ fixé associe $X (ω, t)$ , $t$ variable, est nommée trajectoire du processus; c'est une simple fonction du temps (sans caractère aléatoire) qui représente la réalisation spécifique du processus sous l'occurrence $ω$ . Pour un $t$ donné, $X (ω, t)$ est une simple variable aléatoire dont la valeur exacte n'est connue qu'en t. Le mouvement brownien est un exemple spécifiquement simple de processus aléatoire indexé par $\R$ . Il peut être défini comme l'unique processus $W t$ à accroissement gaussien tel que la corrélation entre $W t$ et $W s$ soit $min (t, s)$ . On peut aussi le voir comme la limite d'une marche aléatoire quand le pas de temps tend vers 0.

Filtrations

Une filtration $F t$ , $t\in \mathbb{N}$ est une famille de sous-tribus emboîtées de $Ω$ , qui peut s'interpréter comme l'information disponible qui évolue au cours du temps. Ainsi, une filtration est une famille de sigma-algèbres, indexée par le temps $t \ge 0$ telle que $F_s \subset F_t$ si $s \le t$ , ce qui reflète l'augmentation de l'information disponible.

Espérance conditionnelle selon une filtration

Processus d'Itō

Article détaillé : Processus d'Itô.

Le processus d'Itō, selon le nom de son inventeur Kiyoshi Itō, traite des opérations mathématiques dans un processus stochastique. Principal est l'intégrale stochastique d'Itō.

Intégrale d'Itô

Article détaillé : Intégrale d'Itô.

Avant le calcul, indiquons que :

Les majuscules telles que $X$ notent les variables aléatoires.
Les majuscules avec en indice un $t$ (par exemple $B t$ ) notent un processus stochastique qui est une famille de variables aléatoires indexée par $t$ .
Un petit $d$ à gauche d'un processus (par exemple $d B t$ ) veut dire un changement illimitétésimal dans le processus aléatoire qui est une variable aléatoire.

L'intégrale stochastique d'un processus $X t$ comparé à un processus $B t$ est décrite par l'intégrale :

$\int_{a}ˆ{b} X_t\, \mathrm dB_t$

et est définie comme la limite en moyenne quadratique des sommes correspondantes de la forme :

$\sum X_{t_i} (B_{t_{i+1}} - B_{t_i}).$

Un point essentiel lié à cette intégrale est le lemme d'Itô.

La somme comme le produit de variables aléatoires est définie dans la théorie des probabilités. La somme implique une convolution de la fonction de densité des probabilités, et la multiplication est une addition répétée.

Définition d'un processus d'Itô

Une fois précisée la définition choisie pour une intégrale stochastique, on définit alors un processus d'Itô comme étant une processus stochastique $X t$ de la forme

$X_t(\omega) = X_0(\omega) +\int_0ˆt u_s(\omega){\rm d}s +(\int_0ˆt v_s {\rm d}B_s)(\omega)$

avec $u$ et $v$ deux fonctions aléatoires satisfaisant quelques hypothèses techniques d'adaptation au processus $B t$ et $ω$ est une réalisation dans l'espace de probabilité sous-jacent.

Dans le formalisme du calcul différentiel avec la prescription d'Itô on note de façon équivalente la relation précédente comme

${\rm d}X_t = u_t\,{\rm d}t + v_t\,{\rm d}B_t$

Il existe une autre prescription notable pour définir une intégrale stochastique, c'est la prescription de Stratonovich. L'intégrale de Stratonovich est définie comme la limite des sommes discrètes

$\sum X_{\frac{t_i+t_{i+1}}{2}} (B_{t_{i+1}} - B_{t_i}).$

La différence notable avec la prescription d'Itô est que la quantité $X_{(t_i+t_{i+1})/2}$ n'est pas indépendante au sens des probabilités de la variable $B_{t_{i+1}} - B_{t_i}$ . Ainsi, au contraire de la prescription d'Ito, dans la prescription de Stratonovich on a

$E\left[\int_{a}ˆ{b} X_t\, \mathrm dB_t\right]\neq 0$

ce qui complique, de ce point de vue, certains calculs. Cependant l'utilisation de la prescription de Stratonovich ne choisit pas une direction du temps privilégiée au contraire de celle d'Itô ce qui implique que les processus stochastiques définis par l'intégrale de Stratonovich satisfont des équations différentielles stochastiques invariantes par renversement du temps. Pour cette raison, cette prescription est fréquemment utilisée en physique statistique.

Il faut noter cependant qu'il est envisageable de passer de l'une à l'autre des prescriptions en effectuant des changements de variables simples ce qui les rend équivalentes. Le choix de prescription est par conséquent une question de convenance.

Processus usuels

Martingales exponentielles

Intégrale de Wiener et intégrale stochastique

Soit $Z$ le mouvement brownien standard défini sur l'espace probabilisé $(Ω, A, F, P)$ et $σ$ un processus adapté à $F$ . On suppose d'autre part que $σ$ vérifie :

$E\left(\int_0ˆT \sigma_sˆ2 \mathrm ds\right) < + \infty$ .

Alors, l'intégrale stochastique de $σ$ comparé à $Z$ est la variable aléatoire :

$\left(\int_0ˆT \sigma_s \mathrm dZ_s \right) = \lim_{N\to +\infty} \sum_{n=1}ˆN \sigma_{n-1} \left(Z_n - Z_{n-1}\right)$ .

Lemme d'Itô

Article détaillé : Lemme d'Itô.

Soit $x$ un processus stochastique tel qu'on ait $d x = a d t + b d z$ où $z$ est un processus de Wiener standard.

Alors selon le lemme d'Itô, on a pour une fonction $G = G (x, t)$

$\mathrm dG = \frac{\mathrm dG}{\mathrm dt} \mathrm dt + \frac{\mathrm dG}{\mathrm dx} \mathrm dx + \frac{1}{2} bˆ2 \frac{\mathrm dˆ2 G}{\mathrm dxˆ2} \mathrm dt$

Équations différentielles stochastiques

Article détaillé : équation différentielle stochastique.

Une équation différentielle stochastique (EDS) est la donnée d'une équation du type $d X = μ (X, t) d t + σ (X, t) d W t$ , où $X$ est un processus aléatoire inconnu, qu'on nomme couramment équation de diffusion. Intégrer l'EDS, c'est trouver la totalité des processus vérifiant la diffusion entière.

Processus d'Ornstein-Uhlenbeck

Le processus d'Ornstein-Uhlenbeck est un processus stochastique décrivant (entre autres) la vitesse d'une particule dans un fluide, en dimension 1.

On le définit comme étant la solution $X t$ de l'équation différentielle stochastique suivante :

$\mathrm dX_t=\sqrt2\mathrm dB_t-X_t\mathrm dt$ ,

où $B t$ est un mouvement brownien standard, et avec $X 0$ une variable aléatoire donnée. Le terme $d B t$ traduit les nombreux chocs aléatoires subis par la particule, tandis que le terme $- X t d t$ représente la force de frottement subie par la particule.

La formule d'Itô appliquée au processus $e t X t$ nous donne :

$\mathrm d({eˆt}X_t)={eˆt}{X_t}\mathrm dt+{eˆt}(\sqrt{2}{\mathrm dB_t}-{X_t}\mathrm dt)={eˆt}\sqrt{2}{\mathrm dB_t}$ ,

soit, sous forme intégrale :

$X_t={X_0}eˆ{-t}+\sqrt{2}eˆ{-t}\int_0ˆt{eˆs}\mathrm dB_s$

A titre d'exemple, si $X 0$ vaut presque sûrement $x$ , la loi de $X t$ est une loi gaussienne de moyenne $x e - t$ et de variance $1 - e - 2 t$ , ce qui converge en loi lorsque $t$ tend vers l'infini vers la loi gaussienne centrée réduite.

Problèmes de contrôle optimal

Méthodes de simulation

Méthode de Monte-Carlo

Les méthodes de Monte-Carlo reposent sur la Loi des grands nombres : en répétant la plupart de fois une expérience, de façon (théoriquement) indépendante, on obtient une approximation de plus en plus fiable de la vraie valeur de l'espérance du phénomène observé.

De telles méthodes sont surtout utilisées en finance pour la valorisation d'options pour lesquelles il n'existe pas de formule fermée, mais seulement des approximations numériques.

Simulation par arbres recombinants

Bibliographie

Nathalie Bartoli et Pierre Del Moral, Simulation & algorithmes stochastiques, Cépaduès, 2001 (ISBN 2-85428-560-3)
Mario Lefebvre, Processus stochastiques appliqués, Hermann, 2006 (ISBN 2-7056-6561-7)
Francis Comets et Thierry Meyre, Calcul stochastique et modèles de diffusions, Dunod, 2006 (ISBN 2-10-050135-6)
Bassel Solaiman, Processus stochastiques pour l'ingénieur, Presses Polytechniques et Universitaires Romandes, 2006 (ISBN 2-88074-668-X)

Notes

Recherche sur Google Images :

"Calcul stochastique et modèles"
L'image ci-contre est extraite du site decitre.fr

Il est possible que cette image soit réduite par rapport à l'originale. Elle est peut-être protégée par des droits d'auteur.

Voir l'image en taille réelle (330 × 475 - 40 ko - gif)

Refaire la recherche sur Google Images

Recherche sur Amazone (livres) :

Principaux mots-clés de cette page : processus - stochastique - aléatoires - intégrale - itô - variables - prescription - temps - équations - calcul - probabilités - fonction - stratonovich - différentielles - loi - famille - simple - filtrations - ito - détaillé - sommes - lemme - méthodes - isbn -

Ce texte est issu de l'encyclopédie Wikipedia. Vous pouvez consulter sa version originale dans cette encyclopédie à l'adresse http://fr.wikipedia.org/wiki/Calcul_stochastique.
Voir la liste des contributeurs.
La version présentée ici à été extraite depuis cette source le 26/10/2010.
Ce texte est disponible sous les termes de la licence de documentation libre GNU (GFDL).
La liste des définitions proposées en tête de page est une sélection parmi les résultats obtenus à l'aide de la commande "define:" de Google.
Cette page fait partie du projet Wikibis.