Lemme d'Itō

Le lemme d'Itō, ou encore formule d'Itō est l'un des principaux résultats de la théorie du calcul stochastique. Ce lemme offre un moyen de manipuler le mouvement brownien ou les solutions d'équations différentielles stochastiques (EDS).

Histoire

La formule d'Itō a été démontrée pour la première fois par le mathématicien japonais Kiyoshi Itō dans les années 1940.

Le mathématicien Wolfgang Doeblin avait de son côté ébauché une théorie similaire avant de se suicider à la défaite de son bataillon en juin 1940. Ses travaux furent envoyés à l'Académie des sciences dans un pli cacheté qui ne fut ouvert qu'en 2000.

Énoncé

Soit un processus d'Itô $X_{t}\ ,$ processus stochastique de la forme

X_{t}=X_{0}+\int _{0}^{t}\mu _{s}\,\mathrm {d} s+\int _{0}^{t}\sigma _{s}\,\mathrm {d} B_{s},

autrement formulé, on a

\mathrm {d} X_{t}=\mu _{t}\,\mathrm {d} t+\sigma _{t}\,\mathrm {d} B_{t}

avec ${\mathcal {}}\mu _{t}$ et ${\mathcal {}}\sigma _{t}$ deux processus aléatoires satisfaisant quelques hypothèses techniques d'adaptation au processus $B_{t}\$ (mouvement brownien).

Si $f(X_{t},t)\$ est une fonction de classe ${\mathcal {C}}^{2}(\mathbb {R} \times \mathbb {R} _{+},\mathbb {R} ),\$ alors la formule d'Itô s'écrit

\mathrm {d} (f(X_{t},t))={\frac {\partial f}{\partial t}}(X_{t},t)\mathrm {d} t+{\frac {\partial f}{\partial x}}(X_{t},t)\mathrm {d} X_{t}+{\frac {1}{2}}{\frac {\partial ^{2}f}{\partial x^{2}}}(X_{t},t)\sigma _{t}^{2}\mathrm {d} t.

Pour une semimartingale avec l'intégrale d'Itô

Soit $(X_{t})_{t\geq 0}=(X_{t}^{1},\dotsc ,X_{t}^{n})_{t\geq 0}$ une $\mathbb {R} ^{n}$ -semimartingale et $f\in C^{2}(\mathbb {R} ^{n},\mathbb {R} )$ . Alors $(f(X_{t}))_{t\geq 0}$ est encore une semimartingale et ce qui suit est vrai

{\begin{aligned}f(X_{t})-f(X_{0})=&\sum _{j=1}^{n}\int _{0+}^{t}{\frac {\partial f}{\partial x^{j}}}(X_{s-}){\rm {d}}X_{s}^{j}+{\frac {1}{2}}\sum _{j,k=1}^{n}\int _{0+}^{t}{\frac {\partial ^{2}f}{\partial x^{j}\partial x^{k}}}(X_{s-}){\rm {d}}[X^{j},X^{k}]_{s}\\&{}+\sum _{0<s\leq t}\left(\Delta f(X_{s})-\sum _{j=1}^{n}{\frac {\partial f}{\partial x^{j}}}(X_{s-})\Delta X_{s}^{j}-{\frac {1}{2}}\sum _{k,j=1}^{n}{\frac {\partial ^{2}f}{\partial x^{j}\partial x^{k}}}(X_{s-})\Delta X_{s}^{j}\Delta X_{s}^{k}\right),\end{aligned}}

nous avons utilisé la notation $\Delta f(X_{s}):=f(X_{s})-f(X_{s-})$ [1]. Si $(X_{t})_{t\geq 0}$ est continue, alors la somme $\sum _{0<s\leq t}\left(\cdots \right)$ disparaît.

Version pour les fonctions à variation quadratique bornée

Hans Föllmer a étendu la formule d'Itô aux fonctions (déterministes) avec une variation quadratique bornée[2].

Soit $f\in C^{2}$ une fonction à valeurs réelles et $x:[0,\infty [\to \mathbb {R}$ une fonction càdlàg avec variation quadratique bornée. Alors

{\begin{aligned}f(x_{t})&=f(x_{0})+\int _{0}^{t}f'(x_{s-})\mathrm {d} x_{s}+{\frac {1}{2}}\int _{]0,t]}f''(x_{s-})d[x,x]_{s}\\&+\sum _{0\leq s\leq t}\left(f(x_{s})-f(x_{s-})-f'(x_{s-})\Delta x_{s}-{\frac {1}{2}}f''(x_{s-})(\Delta x_{s})^{2}\right).\end{aligned}}

Un exemple : le modèle Black-Scholes

Le mouvement brownien géométrique est souvent utilisé en finance comme le plus simple modèle d'évolution de cours de bourse. Il s'agit de la solution de l'équation différentielle stochastique :

\mathrm {d} S_{t}=\mu S_{t}\,\mathrm {d} t+\sigma S_{t}\,\mathrm {d} B_{t}\,

où

$S_{t}\,$ est le prix de l'action sous-jacente,
${\mathcal {}}\mu$ (constant) est le taux de dérive (en) du prix de l'action,
${\mathcal {}}\sigma$ (constante) est la volatilité du prix de l'action,
$B_{t}\,$ est un mouvement brownien.

Si $\sigma =0\ ,$ alors nous sommes face à une équation différentielle ordinaire dont la solution est

S_{t}=S_{0}\exp \left(\mu t\right).

En posant $f(S_{t},t)=\ln S_{t}\ ,$ on obtient grâce à la formule d'Itô :

{\begin{aligned}d(\ln S_{t})&=0dt+{\dfrac {1}{S_{t}}}dS_{t}+{\dfrac {1}{2}}\left(-{\dfrac {1}{S_{t}^{2}}}\right)(\sigma S_{t})^{2}dt,\\&={\dfrac {1}{S_{t}}}(\mu S_{t}\,dt+\sigma S_{t}\,dB_{t})-{\dfrac {1}{2}}\sigma ^{2}dt,\\&=\left(\mu -{\dfrac {1}{2}}\sigma ^{2}\right)dt+\sigma dB_{t}.\end{aligned}}

On peut alors intégrer et il en découle que :

S_{t}=S_{0}\exp \left[\sigma B_{t}+(\mu -{\frac {1}{2}}\sigma ^{2})t\right].

Applications

La formule d'Itô est l'une des pierres angulaires du calcul stochastique, et est utilisée dans de très nombreux domaines : mathématiques appliquées, physique, finance, biologie, mécanique quantique, traitement du signal, etc.

En calcul stochastique,

Elle permet de faire le lien entre les solutions d'EDS et des opérateurs différentiels du second ordre, et donc entre la théorie des probabilités et celle des équations aux dérivées partielles.

Elle permet d'affirmer l'existence de solutions d'EDS sous des conditions (très) faibles de régularité sur les coefficients.

Notes et références

Philip E. Protter, Stochastic Integration and Differential Equations, Springer, 2004 (ISBN 3-540-00313-4), p. 81-82
Hans Föllmer, « Calcul d'Ito sans probabilités », Séminaire de probabilités de Strasbourg, vol. 15,‎ 1981, p. 143-144 (lire en ligne)

Voir aussi

Bibliographie

C. G. Gardiner. Handbook of Stochastic Methods (3^e éd.), Springer, 2004. (ISBN 3-540-20882-8)
I. Karatzas et S. Shreve. Brownian Motion and Stochastic Calculus, Graduate Texts in Mathematics (2^e éd.), Springer, 2004. (ISBN 0-387-97655-8).
B. Øksendal. Stochastic Differential Equations: An Introduction With Applications (6^e éd.), Springer, 2005. (ISBN 3-540-04758-1)
(ouvrage de vulgarisation) G. Pagès et C. Bouzitat. En passant par hasard… les probabilités de tous les jours, Vuibert, 1999. (ISBN 2-7117-5258-5)
D. Revuz et M. Yor. Continuous Martingales and Brownian Motion, (3^e éd.), Springer, 2004. (ISBN 3-540-64325-7)
L.C.G. Rogers et D. Williams. Diffusions, Markov processes and martingales (2^e éd.), Cambridge Mathematical Library, Cambridge University Press, 2000. (ISBN 0-521-77593-0)
(en) Karlin S, Taylor H M : A First Course in Stochastic Processes. Academic Press, (1975)
(en) Karlin S, Taylor H M : A Second Course in Stochastic Processes. Academic Press, (1981)
(en) Schuss Z : Theory And Applications of Stochastic Differential Equations. Wiley Series in Probability and Statistics, (1980)

Cet article est issu de wikipedia. Text licence: CC BY-SA 4.0, Des conditions supplémentaires peuvent s’appliquer aux fichiers multimédias.