Post on 12-Sep-2018
Equations différentielles stochastiques(EDS).
Francesco Russo,
ENSTA ParisTech
http://www.ensta-paristech.fr/∼russo/
CONFERENCE TIPE 2012, le 24 septembre 2011
Equations différentielles stochastiques (EDS). – p. 1/111
Plan
1. Pourquoi les équations différentielles stochastiques?
2. Un point de départ déterministe.
3. Mouvement brownien et diffusions.
4. Variation quadratique et formule d’Itô.
5. Le cas Lipschitz.
6. Diverses notions de solutions.
7. Sujets de recherche fondamentale associés.
8. Références.
Equations différentielles stochastiques (EDS). – p. 2/111
1 Pourquoi les équations
différentielles stochastiques?
1.1 Etymologie
Equation. Connue par les écoliers. Une égalité contenantune (ou plusieurs) variable(s). La variable est aussiappelée inconnue et les valeurs pour lesquellesl’égalité est vérifiée, est appelée solution.
Equations différentielles stochastiques (EDS). – p. 3/111
Equation Différentielle. Une équation dans laquelleopèrent des opérateurs différentiels, tels qu’unedérivée ou des dérivées partielles. L’inconnue est unefonction.
Stochastique. Terme provenant du grec correspondantau terme latin aléatoire. On parle de Processus stochastiquepour désigner des fonctions qui dépendent du hasardet d’un autre paramètre, qui est généralement le temps.
Equation différentielle stochastique Une équation danslaquelle opèrent formellement des opérateursdifférentiels et le ”hasard” intervient. Les solutions sontdes processus stochastiques.
Equations différentielles stochastiques (EDS). – p. 4/111
1.2 Quelques aspects qualitatifs
Une manière de modéliser le hasard dans l’évolution d’unsystème dynamique à temps continu.
Mots clés. Mouvement brownien, bruit blanc, processusà sauts, équations différentielles ordinaires (EDO),équations aux dérivées partielles (EDP).
Champs d’application. Biologie (évolution de populations,réseaux de neurones). Ingénierie. Economie, finance.Physique quantique.
Equations différentielles stochastiques (EDS). – p. 5/111
1.3 Deux grandes directions.
A) Une perturbation stochastique d’un modèledéterministe.
B) Une représentation microscopique d’un phénomènemacroscopique, souvent modélisé par une EDO ou uneEDP déterministe.
Equations différentielles stochastiques (EDS). – p. 6/111
1.4 Outils.
A) Des “analogues stochastiques” d’instruments“déterministes” classiques, tels que les intégrales, laformule d’intégration par partie, le théorème fondamental du calculdifférentiel et intégral.Intégrales stochastiques, formules d’ Itô ...
B) Des outils “propres” du monde stochastique commeles martingales, les semi-martingaless, les théorèmes dereprésentation correspondants.
C) Des outils d’autres disciplines tels que l’analysefonctionnelle (calcul de Malliavin).
Equations différentielles stochastiques (EDS). – p. 7/111
1.5 Notations fondamentales
Espace de probabilité(Ω,F , P ).
Ω: ensemble d’issues (réalisations du hasard).
F : famille des événements; sous-ensemble del’ensemble des parties de Ω.
P : probabilité fixée.
Une propriété est dite vérifiée p.s. (= presquesûrement) si elle vaut pour toute réalisation ω ∈ Ω−N ,où N ⊂ Ω est un ensemble de probabilité nulle.
Equations différentielles stochastiques (EDS). – p. 8/111
Processus stochastique (Xt) = (Xt(ω))
Fonction du temps et du hasard.Définie sur Ω× [0, T ]. T : échéance, maturité.(ω, t) 7→ Xt(ω).
Si temps t fixé, Xt est une variable aléatoire (v.a.).
Si ω ∈ Ω est fixé alors t 7→ Xt(ω) est une trajectoire .
On dit qu’un processus est continu, croissant, dérivable, àvariation finie etc... si p.s. toutes ses trajectoires sontcontinues, croissantes, dérivables, à variation finieetc...
Equations différentielles stochastiques (EDS). – p. 9/111
2 Un point de départ déterministe
2.1 Lipschitz, Hölder, . . .
Une fonction f : [0, T ] → R est dite hölderienne deparamètre 0 < H < 1 si
|f(t)− f(s)| ≤ const|t− s|H , ∀s, t ∈ [0, T ].
Une fonction γ : [0, T ]× Rm −→ R
d est dite Lipschitz(par rapport à x uniformément en t), s’il existe uneconstante C > 0 avec
Equations différentielles stochastiques (EDS). – p. 10/111
supt∈[0,T ]
|γ(t, x)− γ(t, y)| ≤ C|x− y| (1)
Une fonction γ : [0, T ]× Rm −→ R
d est dite à croissancepolynomiale (par rapport à x uniformément en t), s’ilexiste un n et une constante C > 0 avec
supt∈[0,T ]
|γ(t, x)| ≤ C(1 + |x|n) (2)
γ est dite à croissance linéaire si la condition (2) estvérifiée avec n = 1.
Equations différentielles stochastiques (EDS). – p. 11/111
2.2 Phénomène de Peano
Soit b : [0, T ]× Rm → R
d continu à croissance linéaire,mais non-nécessairement Lipschitz, x0 ∈ R
d.Considérons l’ équation
dXt
dt= b(t,Xt)
X0 = x0.(3)
Equations différentielles stochastiques (EDS). – p. 12/111
Exemple:
m = 1, b(t, x) =√
|x|, x0 = 0.
Problème mal posé: phénomène de Peano.Existence, mais pas unicité.
Equations différentielles stochastiques (EDS). – p. 13/111
Famille de solutions:
Xt ≡ 0.
Xt(c) =
0 : t ∈ [0, c](t−c)2
4: t ≥ c.
Si b mesurable, solutions de Filippov.
Equations différentielles stochastiques (EDS). – p. 14/111
Perturbons (3) par un bruit aléatoire.
Un bruit est modélisé comme un processus stochastique(ξt)t≥0 à valeurs dans R
d.
L’équation (3) devient
dXt
dt= b(t,Xt) + ξt
X0 = x0.(4)
Equations différentielles stochastiques (EDS). – p. 15/111
2.3 Modélisation du bruit
Une situation raisonnable est la suivante (bruit blanc).
1) C’est une famille de v.a. indépendantes.
2) (ξt)t≥0 est stationnaire i.e. pour chaque entier n ∈ N∗,
des réels h, t0, t1, . . . , tn, la loi de (ξt0+h, . . . , ξtn+h) nedépend pas de h.
Equations différentielles stochastiques (EDS). – p. 16/111
2.4 Problème
Plaçons-nous par simplicité dans le cas d = 1.Il n’y a pas de processus “raisonnable” vérifiant lespropriétés précédentes.
Si (ξt) existait alors il ne pourrait pas être un processuscontinu.
Si (ξt) existait et pour chaque t, ξt était une v.a. ayantune espérance et une variance, alors le processus nepourrait pas être mesurable par rapport à Ω× [0, T ].
Equations différentielles stochastiques (EDS). – p. 17/111
Supposons cependant que ξ existe. Notons
Bt =
∫ t
0
ξsds, t ≥ 0.
Au niveau de B les propriétés précédentes se traduisentcomme suit.
1. B est à incréments indépendants , c’à d. pour chaquet0, . . . , tn, les v.a. Bt1 − Bt0 , . . . , Btn − Btn−1
sont desv.a. indépendantes.
2. B est à incréments stationnaires , c’à d. tel que pourchaque t0, . . . , tn, h ≥ 0, la loi de(Bt1+h − Bt0+h, . . . , Btn+h − Btn−1+h) ne dépend pas deh.
Equations différentielles stochastiques (EDS). – p. 18/111
Par ailleurs il est naturel de demander
a) B0 = 0 p.s.
b) B est un processus continu , i.e. presque toutes lestrajectoires sont continues.
Equations différentielles stochastiques (EDS). – p. 19/111
3 Mouvement brownien et diffusions.
3.1 Un fait fondamental
Un résultat fondamental de théorie des probabilités affirmequ’un processus stochastique (Bt) vérifiant les propriétés1., 2. et a), b) est essentiellement un mouvement brownien,voir définition ci-dessous.Plus précisément, il existe des constantes réelles b, σ tellesque Bt = bt+ σWt où (Wt) est un mouvement brownien
standard voir définition ci-dessous.
Equations différentielles stochastiques (EDS). – p. 20/111
Définition 1 (Mouvement brownien standard .) Un processusstochastique (continu) (Wt) tel que
1. W0 = 0 p.s.;
2. W est à accroissements indépendants;
3. la loi de Wt −Ws est gaussienne N(0, t− s).
Mouvement brownien multidimensionnel
Vecteur de mouvements browniens indépendants
W = (W 1,W 2, . . . ,Wm).
Equations différentielles stochastiques (EDS). – p. 21/111
−0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4−0.8
−0.6
−0.4
−0.2
0
0.2
0.4
0.6
0.8
1
1.2
Figure 1: Mouvement brownien 2-dimensionnel sur [0, 1]
Equations différentielles stochastiques (EDS). – p. 22/111
3.2 Retour sur l’EDO perturbée par un bruit.
L’équation (4) se réécrit comme une équation intégrale:
Xt = x0 +
∫ t
0
b(s,Xs)ds+Bt (5)
Dans ce cas le problème est bien posé.
Question:
Si b(x) =√
|x| et B = εW , que se passe-t-il lorsque ε
converge vers zéro?
Equations différentielles stochastiques (EDS). – p. 23/111
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
−1.5
−1
−0.5
0
0.5
1
1.5ε =1
ε =0.5
ε =0.01
So l. Ex. (ε =0)
Figure 2: Trajectoire de la solution X pour t ∈ [0, 1], pour
différentes valeurs de ε
.Equations différentielles stochastiques (EDS). – p. 24/111
L’équation (4) admet des généralisations via le bruitmultiplicatif:
dXt
dt= b(t,Xt) + a(t,Xt)ξt
X0 = x0.(6)
où a : [0, T ]× Rm → R
d.
Equations différentielles stochastiques (EDS). – p. 25/111
3.3 Quelques propriétés du mouvement
brownien.
Comme attendu, les trajectoires d’un mouvementbrownien sont presque toutes nulle part différentiable .
Les trajectoires ne sont pas à variation finie c’à d. pourpresque tout ω, la dérivée au sens des distributions det 7→ Bt(ω) (c’à d. ξt(ω) n’est pas une mesure).
Equations différentielles stochastiques (EDS). – p. 26/111
Les trajectories du mouvement brownien ne sont pashölderiennes de paramètre H ≥ 1
2.
Les trajectories du mouvement brownien sonthölderiennes de paramètre H < 1
2.
Equations différentielles stochastiques (EDS). – p. 27/111
3.4 Processus de diffusion
Solutions de
dXt
dt= b(t,Xt) + a(t,Xt)ξt
X0 = x0.(7)
où a : [0, T ]× Rd×m → R
d.Terminologie. a: diffusion; b drift (ou dérive).
Equations différentielles stochastiques (EDS). – p. 28/111
Problèmes: déjà pour m = d = 1.
1. Multiplication de la fonction a(t,Xt(ω)) avec ladistribution ξt(ω).
2. En réalité on représente l’équation (7) par sa formeintégrale:
Xt = x0 +
∫ t
0
b(s,Xs)ds+
∫ t
0
a(s,Xs)dWs (8)
3. Comment définir l’ intégrale stochastique∫ t
0a(s,Xs)dWs, vu que les trajectoires de W ne sont
même pas à variation finie?
Equations différentielles stochastiques (EDS). – p. 29/111
3.5 Intégrales stochastiques
Soit W = (Wt) un mouvement brownien standard.
Interprétation formelle de l’intégrale stochastique: on fixe ωréalisation du hasard.
(∫ T
0
YsdWs
)
(ω) :=′′
∫ T
0
Ys(ω)dWs(ω)
dsds′′.
L’intégrale se passe par rapport au temps.
Le résultat est donc une variable aléatoire.
Equations différentielles stochastiques (EDS). – p. 30/111
Remarque 2 1. La définition n’est pas univoque.
2. Supposons Y non-anticipant (progressivementmesurable):Yt ne dépend que de (Ws, s ≤ t) pour chaque t.
3. Intégrale d’ Itô:∫ T
0YsdWs: Si les trajectoires de Y sont
continues (ou Riemann-intégrables) alors ce sera lalimite de
N−1∑
i=0
Yti(Wti+1−Wti) (9)
Equations différentielles stochastiques (EDS). – p. 31/111
où 0 = t0 < t1 < . . . < tN = T est élément d’une suite desubdivisions dont le pas
N−1maxi=0
(ti+1 − ti)
converge vers zéro.
Equations différentielles stochastiques (EDS). – p. 32/111
3.6 Intégrale d’Itô∫ T
0 YsdWs.
L’intégrale stochastique la plus populaire et utilisée.
Elle se base sur le fait que l’intégrateur X = W est unemartingale.
Elle est définie pour les intégrands Y progressivementmesurables (essentiellement la propriété denon-anticipation précédente) tels que
∫ T
0Y 2s ds < ∞ p.s.
Si E(
∫ T
0Y 2s ds
)
< ∞, Xt =∫ t
0YsdWs a une espérance
nulle. X est même une martingale.
Equations différentielles stochastiques (EDS). – p. 33/111
3.7 Au coeur de la prédiction .
Soit Z une v.a.
Esperance de Z notée E(Z).“Valeur moyenne attendue”.Si E(Z2) est finie alors Z est dite de carré intégrable .
Espérance conditionnelle.Soit G une famille d’événements observables(modélisée par la notion de “tribu”).L’espérance conditionnelle de Z sachant G est notéeE(Z|G): valeur moyenne attendue, en considérant quenous disposons des observations G.
Equations différentielles stochastiques (EDS). – p. 34/111
Si l’on n’a pas d’informations, G est triviale.
“Espérance conditionnelle = Espérance tout court.”
Martingale.
Un processus M = (Mt) est une martingale si pour tout0 ≤ s < t ≤ T , l’espérance conditionnelle de Mt
sachant que l’on dispose de l’information jusqu’autemps s (symbolisée par Gs) est Ms.
Formellement: E(Mt|Gs) = Ms.
Equations différentielles stochastiques (EDS). – p. 35/111
Attention: L’intégrale d’Itô n’est pas une intégrale deRiemann. Par exemple, si Y est continu
N−1∑
i=0
Yti+1(Wti+1
−Wti) (10)
ne converge pas vers l’intégrale d’ Itô.
La limite précédente, lorsqu’elle existe, s’appellel’intégrale rétrograde de Kunita.
Equations différentielles stochastiques (EDS). – p. 36/111
Lorsqu’elle existe, la limite de
N−1∑
i=0
(Yti + Yti+1)(Bti+1
− Bti) (11)
converge vers l’intégrale dite de Stratonovich .
Equations différentielles stochastiques (EDS). – p. 37/111
3.8 Le modèle de Samuelson-Black-Scholes
(1965)
Considérons l’équation
dXt
dt= (r + σξt)Xt
X0 = x0.(12)
Si σ = 0, la solution est Xt = x0ert: evolution d’un
capital à taux d’intérêt constant.
Equations différentielles stochastiques (EDS). – p. 38/111
Cours d’une action: r 7→ r + σξt. L’équation devient
Xt = x0 +
∫ t
0
rXsds+
∫ t
0
rXsdWs.
LA SOLUTION N’EST PAS
Xt = x0 exp(σWt + rt), t ≥ 0.
Equations différentielles stochastiques (EDS). – p. 39/111
3.9 Processus d’Itô
Processus du type.
Xt = X0 +
∫ t
0
Hs · dWs +
∫ t
0
Ksds
avec W mouvement brownien d-dimensionnel.H,K processus progressivement mesurables tels que
∫ T
0
|Hs|2ds+∫ T
0
|Ks|ds < ∞ p.s.
Equations différentielles stochastiques (EDS). – p. 40/111
Un processus d’Itô est encore un processus intégrateur .
Si Y est un processus progressivement mesurable parrapport à W alors on définit
∫ t
0
YsdXs :=
∫ t
0
YsKs · dWs,
à condition que le membre de droite ait un sens.
Semi-Martingales: Martingale locale + Processus àvariation finie.
Un processus d’Itô est une semi-martingale.
Equations différentielles stochastiques (EDS). – p. 41/111
4 Variation quadratique et formule
d’Itô
4.1 Covariation de deux processus
Soit X, Y deux processus stochastiques dont l’un au moinsest continu.Définition 3 Considérons une famille de subdivisions0 = t0 < t1 < · · · < tN = T dont le pas converge vers 0.Supposons que
∑N
i=1(Xti∧t −Xti−1∧t)(Yti∧t − Yti−1∧t)
converge en probabilité vers un certain processus(continu) (Zt)t∈[0,T ] et cette limite ne dépend pas de la suitede subdivisions choisie. Equations différentielles stochastiques (EDS). – p. 42/111
Définition 4 Dans ce cas, le processus limite s’appellecovariation de X et Y et il se note ([X, Y ]t∈[0,T ]).
Equations différentielles stochastiques (EDS). – p. 43/111
Si [X,X] existe alors
il est toujours croissant;
on le note aussi [X].
Il est appelé variation quadratique de X.
X est dit processus à variation quadratique finie .
Généralisation possible au cas avec sauts.
Equations différentielles stochastiques (EDS). – p. 44/111
Proposition 5 1. Si X est un processus d’Itô de la formeprécédente alors X est à variation quadratique finie et
[X]t =
∫ t
0
|Hs|2ds.
2. Si X continu et à variation finie alors [X] ≡ 0.En particulier
La variation quadratique d’un mouvement brownienstandard W vaut [W ]t = t.
La variation quadratique d’un processus différentiablevaut zero.
Equations différentielles stochastiques (EDS). – p. 45/111
4.2 Formule d’Itô
Cas unidimensionnel (pour simplifier).
Proposition 6 Soit X un processus d’Itô,f : [0, T ]× R → R de classe C1,2. Alors
F (t,Xt) = F (0, X0) +
∫ t
0
∂sF (s,Xs)ds+
∫ t
0
∂xF (s,Xs)dXs
+1
2
∫ t
0
∂(2)xx F (s,Xs)d[X]s.
Equations différentielles stochastiques (EDS). – p. 46/111
Remarque 7 Si X est différentiable alors le résultatest vrai avec F différentiable et on retrouve le théorèmefondamental du calcul différentiel et intégral.
La preuve se fait par un développement de Taylor ausecond ordre.
Equations différentielles stochastiques (EDS). – p. 47/111
Idée de la preuve . Supposons F indépendant du temps. Soit0 = s0 < s1 . . . < sN = T élément d’une famille desubdivisions de [0, T ] dont le pas converge vers zéro.Soit t ∈ [0, T ]. Posons ti = si ∧ t, 0 ≤ i ≤ N.
Equations différentielles stochastiques (EDS). – p. 48/111
Pour i = 0, . . . , N − 1 on écrit
F (Xti+1)− F (Xti) = F ′(Xti)(Xti+1
−Xti) (13)
+1
2F ′′(Xti)(Xti+1
−Xti)2 +R. (14)
On somme sur i et on passe à la limite lorsque le pas de lasubdivision converge vers zéro.
Equations différentielles stochastiques (EDS). – p. 49/111
4.3 Théorème de représentation de Lévy du
mouvement brownien
Si (Mt) est une martingale continue, telle que [Mt] ≡ t,alors M est un mouvement brownien standard.
Equations différentielles stochastiques (EDS). – p. 50/111
5 Le cas Lipschitz
5.1 Existence et unicité
Comme pour les équations différentielles ordinaires,l’équation (8) est posée si les coefficients a, b sont Lipschitz,à croissance linéaire .
Méthode de démonstration : Méthode du point fixe de Picard.
Equations différentielles stochastiques (EDS). – p. 51/111
Une fonction γ : [0, T ]× Rm → R
d est dite localementLipschitz (par rapport à x uniformément en t), si pourchaque t ∈ [0, T ], K > 0, γ|[0,T ]×[−K,K] est Lipschitz (parrapport à x uniformément par rapport à t).
Equations différentielles stochastiques (EDS). – p. 52/111
Soit a : [0, T ]× Rd×m −→ R
d, b : [0, T ]× Rd −→ R
d, desfonctions boréliennes.
Soit (Wt)t≥0 un mouvement brownien (standard)m-dimensionnel.η une variable aléatoire à valeurs dans R
d indépendantede W .
Equations différentielles stochastiques (EDS). – p. 53/111
Theorem 8 (Equation E(a, b)).Supposons a et b localement Lipschitz à croissancelinéaire. Supposons η de carré intégrable.Alors il existe un unique processus continu(progressivement mesurable) X = (Xt)t∈[0,T ] solution de
Xt = η +
∫ t
0
b(s,Xs)ds+
∫ t
0
a(s,Xs)dWs (15)
De plus
E
(
supt≤T
|Xt|2)
< ∞. (16)
Equations différentielles stochastiques (EDS). – p. 54/111
Remarque 9 1. L’équation (15) se dénote aussi de façondifférentielle.
dXt = a(t,Xt)dWt + b(t,Xt)dt
X0 = η.(17)
Elle est bien posée en mettant x comme conditioninitiale au temps s ∈ [0, T ]. Si η ≡ x est un pointdéterministe de R
d, nous notons Xs,x la solution de ceproblème.
2. Si les coefficients sont localement Lipschitz, l’équationadmet une solution jusqu’ à un certain temps, dit tempsd’arrêt.
Equations différentielles stochastiques (EDS). – p. 55/111
3. Si d = 1, il est possible de poser de poser conditionsnécessaires et suffisantes pour la non-explosion (testde Feller) .
4. Le théorème précédent admet diversesgénéralisations.Par exemple le mouvement brownien peut êtreremplacé (semi-martingale, processus à sauts).
Equations différentielles stochastiques (EDS). – p. 56/111
5.2 Théorème de Feynman-Kac
Supposons m = d.A(t, x) = a(t, x)a(t, x)∗
où ∗ signifie transposition pour les matrices.
(t, x) → A(t, x) = (Aij(t, x)) est une fonction matricielled× d.
Soitf : Rd → R
d, k : [0, T ]× Rd → R
d, g : [0, T ]× Rd → R
d
continue à croissance polynomiale (ou non-negative sid = 1).
Equations différentielles stochastiques (EDS). – p. 57/111
Pour f de classe C2, nous définissons (Lt, t ∈ [0, T ])posant
Ltf(x) =1
2
d∑
i,j=1
Aij(t, x)∂2ijf(x) + b(t, x) · ∇f(x).
L s’appelle générateur associé à l’EDS (15).
Le Théorème de Feynmann-Kac permet de représenter lasolution d’une EDP par un processus stochastique.
Equations différentielles stochastiques (EDS). – p. 58/111
Theorem 10 Soit v : [0, T ]× Rd → R
d une fonctioncontinue à croissance polynomiale de classeC1,2([0, T [×R
d) satisfaisant le problème de Cauchy
(∂tv + Lt)v − kv = g
v(T, x) = f(x).(18)
Alors
v(s, x) = E
(
f(XT ) exp(−∫ T
s
k(θ,Xθ)dθ
−∫ T
s
g(t,Xt) exp−∫ t
s
k(θ,Xθ)dθdt)
.
Equations différentielles stochastiques (EDS). – p. 59/111
pour (s, x) ∈ [0, T ]× Rd où X = Xs,x. En particulier, une
telle solution est unique.
Preuve (Idée).Posons s = 0 et k = 0 pour simplifier.
Equations différentielles stochastiques (EDS). – p. 60/111
Application de la formule d’Itô.
f(XT ) = u(T,XT ) = u(0, x) +
∫ T
0
∂su(r,Xr)dr
+
∫ T
0
∂xu(r,Xr)dXr +1
2
∫ T
0
∂(2)xx u(r,Xr)d[X]r
= u(0, x) +
∫ T
0
∂su(r,Xr)dr
+
∫ T
0
∂xu(r,Xr)a(r,Xr)dWr +
∫ T
0
∂xu(r,Xr)b(r,Xr)dr
+1
2
∫ t
0
∂(2)xx (r,Xr)a
2(r,Xr)dr
Equations différentielles stochastiques (EDS). – p. 61/111
En prenant l’espérance, nous obtenons le résultat:
u(0, x) = E
(
f(XT )−∫ T
0
g(r,Xr)dr
)
.
Equations différentielles stochastiques (EDS). – p. 62/111
Remarque 11 Pour avoir des “solutions classiques” duproblème de Cauchy précédent, il est nécessaired’imposer des conditions.Par exemple, c’est le cas sous les conditions d’ ellipticitésuivantes sur A (cas non-dégénéré):
∃c > 0, ∀(t, x) ∈ [0, T ]× Rd
(19)
∀(ξ1, . . . , ξn) ∈ Rd :
d∑
i,j
Aij(t, x)ξiξj ≥ c
d∑
i=1
|ξi|2.
Equations différentielles stochastiques (EDS). – p. 63/111
Dans le cas dégénéré, il est possible de considérer dessolutions (généralisées) dites de viscosité dans le sensde Crandall et P. L. Lions.
Remarque 12 Le théorème précédent, établit un lienimportant entre solutions d’EDP déterministes et EDS.
Le théorème suggère: des solutions numériquesd’EDP peuvent être obtenues en simulant desprocessus de diffusions et apres en utilisant la loi fortedes grands nombres via Monte-Carlo.
Méthode plus efficace en haute dimension d’espace.
Equations différentielles stochastiques (EDS). – p. 64/111
Remarque 13 Une généralisation naturelle duthéorème précédent est la représentation probabilisted’EDP paraboliques avec une non-linéarité impliquantla solution u et son gradient ∇u.
EDS couplées avec une équation différentiellerétrograde au sens de E. Pardoux et S. Peng.
Applications à la théorie du contrôle stochastique.
Equations différentielles stochastiques (EDS). – p. 65/111
5.3 Autre pont entre EDP non-linéaires et les
diffusions: les systèmes de particules en
intéraction.
Il s’agit de représentation d’EDP non-linéaire avec avecconservation de masse.
Cas typique: les équations de type milieux poreux.
Soit β : R → R monotone telle que β(0) = 0.
Equations différentielles stochastiques (EDS). – p. 66/111
Exemples
β(u) = u (toy model): équation de la chaleur.
β(u) = um.
m > 1: équation milieux poreux (PME).
0 < m < 1: ”fast diffusion equation” .
β(u) = H(u− uc)u.Self-organized criticality (Heav.)
Equations différentielles stochastiques (EDS). – p. 67/111
Posons Φ : R → R+ telle que β(u) = Φ2(u)u.
Φ(u) = 1: équation de la chaleur (toy model).
Φ(u) = um−1
2 .m > 1: equation milieux poreux (PME)0 < m < 1: equation fast diffusion.
Φ(u) = H(u− uc). Self-organized criticality model Heav.
Equations différentielles stochastiques (EDS). – p. 68/111
Une solution de
∂tu = 12∂2xx(β(u))
u(0, ·) = u0.(20)
peut être représentée par la diffusion non-linéaire suivante:
Xt = X0 +∫ t
0Φ(u(s,Xs))dWs
u(t, ·) = densite de la loi de Xt
u(0, ·) = u0.
(21)
Attention : parfois Φ(u(t, ·)) seulement mesurable.
Equations différentielles stochastiques (EDS). – p. 69/111
Preuve . Partie facile.
Pour simplifier supposons Φ bornée.Une solution de (21) produit une solution de (20).Soit ϕ ∈ C∞
0 (R), Y une solution de (21) telle que v(t, ·) estla densité de la loi de Yt, pour t positif. Nous appliquons laformule d’Itô à ϕ(Y ), pour obtenir
ϕ(Yt) = ϕ(Y0) +
∫ t
0
ϕ′(Ys)Φ(u(s, Ys))dWs
+1
2
∫ t
0
ϕ′′(Ys)Φ2(u(s, Ys))ds
Equations différentielles stochastiques (EDS). – p. 70/111
En prenant l’espérance nous obtenons∫
R
ϕ(y)u(t, y)dy =
∫
R
ϕ(y)u0(y)dy
+1
2
∫ t
0
ds
∫
R
ϕ′′(y)Φ2(u(s, y))u(s, y)dy.
D’où le résultat (au sens des distributions).
Equations différentielles stochastiques (EDS). – p. 71/111
−3 −2 −1 0 1 2 30
0.05
0.1
0.15
0.2
0.25
0.3
0.35
PME−15 −10 −5 0 5 10 150
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
HEAT
Ex.
Approx
Ex.
Approx.
Figure 3: Solutions exactes et approchées , dans le cas PME
(T = 1.5) et dans le cas de l’équation de la Chaleur (T = 4)Equations différentielles stochastiques (EDS). – p. 72/111
Illsutration dans le cas ”Heaviside”
La condition initiale est
u0(x) =1
3(p(x, µ1, σ1) + p(x, µ2, σ2) + p(x, µ3, σ3)) , (22)
où,
p(x, µ, σ) =1√2πσ
exp(−(x− µ)2
2σ2 ). (23)
µ1 = −µ3 = −4, µ2 = 0 et σ1 = 0.1, σ2 = 0.2, σ3 = 0.3.
Valeur critique: uc = 0.08.
Equations différentielles stochastiques (EDS). – p. 73/111
−10 −5 0 5 100
0.2
0.4
0.6
0.8
1
1.2
1.4
t=0−10 −5 0 5 100
0.02
0.04
0.06
0.08
0.1
0.12
t=1.5−5 0 5
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
t=T=4
Figure 4: Solutions numériques déterministe (trait noir) et
probabiliste (pointillés rouges) , dans le cas Heaviside à différents
instants.Equations différentielles stochastiques (EDS). – p. 74/111
0 0.5 1 1.5 2 2.5 3 3.5 4−6
−4
−2
0
2
4PME
HEAT
Figure 5: Trajectoires des processus associés à la PME, et à
l’équation de la Chaleur, sur l’intervalle de temps [0, 4]
Equations différentielles stochastiques (EDS). – p. 75/111
0 0.5 1 1.5 2 2.5 3 3.5 43.8
4
4.2
4.4
4.6
4.8
5
5.2
Figure 6: Trajectoires du processus associé au cas Heaviside,
sur l’intervalle de temps [0, 4]
Equations différentielles stochastiques (EDS). – p. 76/111
6 Diverses notions de solutions
Le monde des EDS est beaucoup plus riche que celuides EDO.
Beaucoup de théorèmes d ’existence et d’unicité sousdes conditions diverses, sur un espace de probabilitéet un mouvement brownien fixé.
Beaucoup de notions d’existence et d’unicité.
Equations différentielles stochastiques (EDS). – p. 77/111
6.1 Les notions
Soit a : [0, T ]× Rd × R
n → Rd,
b : [0, T ]× Rd → R
d. Soit x0 ∈ Rd.
Définition 14 (Existence forte ).On dit que l’equation E(a, b) admet une existence forte dansle cas suivant.
Soit un espace de probabilité, (Ω,F , P ), un mouvementbrownien (Wt)t≥0 et une v.a. η de carré intégrableindépendante de W . Alors il existe un processus (Xt)t≥0
solution de E(a, b) avec X0 = η p.s.
Equations différentielles stochastiques (EDS). – p. 78/111
Définition 15 (Unicité trajectorielle )
L’équation E(a, b) admet une unicité trajectorielle si lapropriété suivante est vérifiée.
Soit (Ω,F , P ) un espace de probabilité, un mouvementbrownien (Wt)t≥0. Si deux processus X, X sont solutionsde E(a, b) avec X0 = X0 a.s., alors X et X coïncident.
Equations différentielles stochastiques (EDS). – p. 79/111
Définition 16 (Existence en loi ou Existence faible. )Soit ν une loi de probabilité sur Rd. On dit que E(a, b; ν)admet une existence faible s’il existe un espace deprobabilité (Ω,F , P ), un mouvement brownien (Wt)t≥0 unprocessus (Xt)t≥0 solution de E(a, b), ν étant la loi de X0.
On dit que E(a, b) admet une existence faible si E(a, b; ν)admet une existence faible pour chaque ν.
Equations différentielles stochastiques (EDS). – p. 80/111
Définition 17 (Unicité en loi )Soit ν une loi de probabilité sur Rd. Nous disons queE(a, b; ν) admet une unique solution en loi dans le cassuivant.
Considérons un espace de probabilité (Ω,F , P ) (resp.(Ω, F , P )) muni d’un mouvement brownien (Wt)t≥0, (resp.un mouvement brownien (Wt)t≥0).Soit un processus (Xt)t≥0 (resp. un processus (Xt)t≥0)solution de E(a, b) sur le premier (resp. sur le second)espace de probabilité.
Equations différentielles stochastiques (EDS). – p. 81/111
Supposons que la loi de X0 et la loi X0 sont identiques à ν.
Alors X et X ont la même loi en tant que v.a. à valeursdans E = C[0, T ].
On dit que E(a, b) admet une unique solution en loi siE(a, b; ν) a une unique solution en loi pour chaque ν.
Equations différentielles stochastiques (EDS). – p. 82/111
6.2 Ponts entre les différentes notions
Proposition 18 (Yamada-Watanabe)Considérons l’équation E(a, b).
i) L’unicité trajectorielle implique l’unicité en loi.
ii) L’existence faible et l’unicité trajectorielle impliquentl’existence forte.
Equations différentielles stochastiques (EDS). – p. 83/111
Remarque 19 i) Supposons a et b Lipschitz aveccroissance linéaire.Le Théorème 8 implique que E(a, b) admet uneexistence forte et une unicité trajectorielle.
ii) Si a et b sont seulement localement Lipschitz, alorsl’unicité trajectorielle est aussi vérifiée.
Equations différentielles stochastiques (EDS). – p. 84/111
6.3 Unicité en loi via le Théorème de
Girsanov.
a = 1, b: croissance linéaire.
Soit X une solution de E(a, b) vérifiant (16).
Sous une probabilité équivalente à P ,Wt = Wt +
∫ t
0b(s,Xs)ds est un mouvement brownien
standard.
Equations différentielles stochastiques (EDS). – p. 85/111
6.4 Un contrexemple
Pas d’unicité trajectorielle mais unicité en loi.Example 20
Xt =
∫ t
0
sign(Xs)dWs. (24)
avec
sign(x) =
1 if x ≥ 0,
0 if x = 0,
−1 if x < 0,
(25)
E(a, b; δ0) avec b = 0 et a(x) = sign(x).
Equations différentielles stochastiques (EDS). – p. 86/111
Toute solution est un mouvement brownien car [X] = t.
Si X est une solution sur un espace de probabilité, −Xest aussi solution.
Equations différentielles stochastiques (EDS). – p. 87/111
Le résultat suivant est aussi vrai dans le casmulti-dimensionnel.Proposition 21 (Stroock-Varadhan). Soit ν une probabilitésur Rd telle que
∫
R
‖x‖2nν(dx) < +∞, (26)
pour un certain n > 1.Supposons que a, b sont continues à croissance linéaire.Alors E(a, b; ν) admet une existence faible.
Equations différentielles stochastiques (EDS). – p. 88/111
A partir de maintenant une fonction γ : [0, T ]× Rm → R
d
sera appelée Hölder continue si elle est hölderienne dans lavariable d’espace x ∈ R
m uniformément par rapport à lavariable temps t ∈ [0, T ].Proposition 22 Supposons a, b Hölder continues, bornéestelles que la conditon (19) est vérifiée. Alors l’ EDSE(a, b; ν) admet l’ unicité en loi.
Equations différentielles stochastiques (EDS). – p. 89/111
Remarque 23 1. La condition “Hölder” et (19) dans laProposition 22 peut-être relaxée et remplacée avec lasolvabilité du problème de Cauchy d’une EDPparabolique avec condition terminale.
2. Dans le cas d = 1, si a, b sont bornées et boréliennesavec (19) pour x dans chaque compact, alors E(a, b; ν)admet existence faible et unicité en loi. VoirStroock-Varadhan exercises 7.3.2 and 7.3.3.
3. Si d = 2, la même chose vaut au point précédent pointpourvu que a soit indépendant du temps.
Equations différentielles stochastiques (EDS). – p. 90/111
6.5 Cas unidimensionnel. Approche de
Engelbert et Schmidt
Conditions nécessaires et suffisantes pour l’ existence faible etl’unicité d’EDS.Pour une fonction σ : R → R, nous définissons lesensembles suivants.
Z(σ) = x ∈ R|σ(x) = 0;I(σ) l’ensemble des réel x tels que
∫ x+ε
x−ε
dy
σ2(y)= ∞, ∀ε > 0.
Equations différentielles stochastiques (EDS). – p. 91/111
Proposition 24 (Critère d’Engelbert-Schmidt). Supposonsque a : R → R, ne dépend pas du temps. Considéronsl’EDS sans drift E(a, 0).
i) E(a, 0) admet une existence faible (sans explosion) si etseulement si
I(a) ⊂ Z(a) (27)
ii) E(a, 0) admet une existence faible et une unicité en loisi et seulement si
I(a) = Z(a) (28)
Equations différentielles stochastiques (EDS). – p. 92/111
Remarque 25 i) Si a est continue alors (27) est toujoursvérifiée. En fait, si a(x) 6= 0, il existe ε > 0 tel que
|a(y)| > 0, ∀y ∈ [x− ε, x+ ε].
Par conséquent, x ne peut pas appartenir à I(a).
ii) (27) est vérifié aussi pour des fonctions continues, parexemple a(x) = sign(x). Ceci confirme ce qui a étéaffirmé auparavant, i.e. l’existence faible (et l’unicité enloi) pour E(a, 0).
iii) Si a(x) = 10(x), (27) n’est pas vérifiée.
iv) Si a(x) = |x|α, α ≥ 12
alors
Z(a) = I(a) = 0.
So there is at most one solution in law for .
Equations différentielles stochastiques (EDS). – p. 93/111
6.6 Résultats d’unicité trajectorielle
Proposition 26 (Yamada-Watanabe) Soienta, b : R+ × R → R et considérons encore E(a, b).Supposons b globalement Lipschitz et h : R+ → R+
strictement croissant continu tel que
h(0) = 0;∫ ε
0
1
h2(y)dy = ∞, ∀ε > 0;
|a(t, x)− a(t, y)| ≤ h(x− y).
Alors l’unicité trajectorielle est vérifiée.
Equations différentielles stochastiques (EDS). – p. 94/111
Remarque 27 A la Proposition 26, un choix typiqueest h(u) = uα, α > 1
2.
Si b globalement Lipschitz et a est Hölder continue deparamètre égal à 1
2alors on a la propriété d’ unicité
trajectorielle pour E(a, b).Corollaire 28 Supposons que les hypothèses de laProposition 26 sont vérifiées et a, b sont continues àcroissance linéaire. Alors E(a, b; ν) admet une existenceforte et une unicité trajectorielle, pourvu que ν vérifie lacondition (26).
Equations différentielles stochastiques (EDS). – p. 95/111
Proof. Le résultat suit des Propositions 26 et 21 avec laProposition 18 ii).
Equations différentielles stochastiques (EDS). – p. 96/111
Remarque 29 Supposons d = 1. L’unicité trajectoriellepour E(a, b) est également assurée sous les hypothèsessuivantes.
1. a, b bornées, a indépendant du temps et a ≥ const > 0,h comme à la Proposition 26.
2. a indépendant du temps, b bornée et a ≥ const > 0; deplus |a(x)− a(y)|2 ≤ |f(y)− f(x)| et f croissantebornée.
Equations différentielles stochastiques (EDS). – p. 97/111
6.7 Quelques exemples pour illustration.
Example 30
Xt =
∫ t
0
|Xs|αdWs, t ≥ 0. (29)
Posons a(x) = |x|α, 0 < α < 1. C’est l’équation E(a, 0) aveca(x) = |x|α. A partir des notations d’ Engelbert-Schmidt,nous avons Z(a) = 0. De plus
Si α ≥ 12
alors I(a) = 0.Si α < 1
2alors I(a) = ∅.
Equations différentielles stochastiques (EDS). – p. 98/111
Par conséquent, d’après la Proposition 24, E(a, 0) admetune existence faible. Par ailleurs, si α ≥ 1
2,
|xα − yα| ≤ h(|x− y|), (30)
où h(z) = zα. D’après la Proposition 26, (29) admet uneunicité trajectorielle; par le Corollaire 28, aussi existenceforte. L’unique solution est X ≡ 0.Si α < 1
2, X ≡ 0 est toujours une solution. Ce n’est pas
toujours la seule. Même l’unicité en loi n’est pas vérifiée.
Equations différentielles stochastiques (EDS). – p. 99/111
Example 31 Soit a(x) =√
|x|, b Lipschitz.Alors E(a, b) admet une existence forte et une unicitétrajectorielle.En fait, si a est hölderienne de paramètre 1
2alors la
Remarque 27 2) s’applique; donc on a l’unicitétrajectorielle.L’existence forte est une conséquence des Propositions 21et 18 ii).
Equations différentielles stochastiques (EDS). – p. 100/111
Une situation particulière significative
Soit x0, σ, δ ≥ 0, k ∈ R. L’EDS suivante admet existenceforte et unicité trajectorielle.
Zt = x0+σ
∫ t
0
√
|Zs|dWs+
∫ t
0
(δ−kXs)ds, t ∈ [0, T ]. (31)
L’équation (31) est largement utilisée en mathématiquesfinancières.Elle constitue le modèle de Cox-Ingersoll-Ross:modélisation du taux d’intérêt court.
Equations différentielles stochastiques (EDS). – p. 101/111
Cas particulier: k = 0, σ = 2.
La solution Z es toujours non-négative (théorèmes detype comparaison).
La valeur absolue peut être enlevée:
Zt = x0 + 2
∫ t
0
√
ZsdWs + δt. (32)
Equations différentielles stochastiques (EDS). – p. 102/111
Définition 32 L’unique solution Z de
Zt = x0 + 2
∫ t
0
√
ZsdWs + δt (33)
est appelé δ-dimensionnel carré de Bessel partant de x0.Notation: BESQδ(x0).
Equations différentielles stochastiques (EDS). – p. 103/111
Comme Z ≥ 0, on appelle processus de Bessel
δ-dimensionnel Bessel partant de x0 le processus X =√Z.
Notation: BESδ(x0).Remarque 33 Soit d ≥ 1. Soit W = (W 1, · · · ,W d) unmouvement brownien d−dimensionnel.
Le processus Xt = ‖Wt‖. (Xt)t≥0 est un processus deBessel d-dimensionnel.Justification du terme dimension.
Equations différentielles stochastiques (EDS). – p. 104/111
Remarque 34 δ > 1, il est possible de voir (formule d’Itô)que
Xt = Wt +δ − 1
2
∫ t
0
ds
Xs
.
Equations différentielles stochastiques (EDS). – p. 105/111
7 Sujets de recherche fondamentale
associés
Equations perturbées par d’autres bruits que le bruitblanc gaussien; par exemple des bruits de Poisson,Lévy.
Equations aux dérivées partielles stochastiques.(EDPS = EDP déterministes perturbée par des bruitsaléatoires).
EDS rétrogrades avec condition terminale prescrite(Pardoux-Peng).
Equations différentielles stochastiques (EDS). – p. 106/111
EDP a drift distributionnel.Le drift b peut être aussi la dérivée d’une fonctioncontinue. Par exemple la réalisation d’un bruit blancindépendant de W . (Milieux aléatoires).
Calcul différentiel en dimension infinie, calcul deMalliavin.
EDS dirigées par des processus qui ne sont pas dessemi-martingaless (i.e. mouvement brownienfractionnaire). L’intégrale d’Itô n’est pas définie.
Modélisation financière, fluidodynamique, mécaniquestochastique, théorie quantique des champs.
Equations différentielles stochastiques (EDS). – p. 107/111
8 Références
Les principales sont dans le document sur la page web dela Journée TIPE.
Russo, F., Stochastic differential equations. Encyclopediaof Mathematical Physics, eds. J.-P. Françoise, G.L. Naberand Tsou S.T. Oxford: Elsevier, 2006 (ISBN978-0-1251-2666-3), volume 5 page p. 63-70
Equations différentielles stochastiques (EDS). – p. 108/111
Belaribi, N., Cuvelier, F., Russo, F., A probabilisticalgorithm approximating solutions of a singular PDE ofporous media type. A paraître: Monte Carlo Methodsand Applications.
Blanchard, Ph., Röckner, M., Russo, F., Probabilisticrepresentation for solutions of an irregular porousmedia type equation. Annals of Probability, vol. 38, no.5, pp. 1870–1900, oct, 2010
Equations différentielles stochastiques (EDS). – p. 109/111
Barbu, V., Röckner, M., Russo, F., Probabilisticrepresentation for solutions of an irregular porousmedia type equation: the degenerate case. ProbabilityTheory and Related Fields, vol. 151, no 1-2, pp. 1-43,Springer, sep, 2011.
Engelbert, H.J., Schmidt, W., On solutions ofone-dimensional stochastic differential equationswithout drift. Z. Wahrscheinlichkeitstheorie verw.Gebiete 68, 287-314 (1985).
Equations différentielles stochastiques (EDS). – p. 110/111
Russo, F., Trutnau, G., Some parabolic PDEs whosedrift is an irregular random noise in space. Annals ofProbability, Vol. 35, No. 6,. 2213-2362, 2007.
Stroock, D. W., Varadhan S.R.S., Multidimensionaldiffusion processes. Springer-Verlag, 1979.
Simulations effectuées par Madame Nadia BELARIBI
Equations différentielles stochastiques (EDS). – p. 111/111