DE L ’U NIVERSITÉ DE C LERMONT -F ERRAND 2 Série Mathématiques
M. M ETIVIER
J. P ELLAUMAIL
Une construction élémentaire de l’intégrale stochastique
Annales scientifiques de l’Université de Clermont-Ferrand 2, tome 61, série Mathéma- tiques, n
o14 (1976), p. 101-113
<http://www.numdam.org/item?id=ASCFM_1976__61_14_101_0>
© Université de Clermont-Ferrand 2, 1976, tous droits réservés.
L’accès aux archives de la revue « Annales scientifiques de l’Université de Clermont- Ferrand 2 » implique l’accord avec les conditions générales d’utilisation (http://www.
numdam.org/conditions). Toute utilisation commerciale ou impression systématique est constitutive d’une infraction pénale. Toute copie ou impression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
UNE CONSTRUCTION ELEMENTAIRE DE L’INTEGRALE STOCHASTIOUE
M. METIVIER ET J. PELLAUMAIL UNIVERSITE DE RENNES
INTRODUCTION : Le but de cet
exposé
estuniquement
de donner une construction élémentaire del’intégrale stochastique
dans un cadre trèslégèrement plus général
que celui considéré enC2~ ;
; cetexposé
necomporte
donc pas de ré-sultats nouveaux et,
même,
les conditionsd’intégrabilité
obtenues sontmoins
générales
que cellesindiquées
en~7~
ou[81.
La
technique
fondamentale est l’utilisation de la notion deprocessus régio-
nal
(cf.
A-5ci-après).
Notons que cecipermet
de donner un traitementsimple
et unifié del’intégrale stochastique
que ce soit parrapport
à unemartingale,
un processus croissant, ou unequasi-martingale
locale.A - PROCESSUS REGIONAL :
A-1 : Données et notations générales :
Dans toute cette
étude,
on considère :T =
[0,11 (intervalle
unité de la droiteréelle);un
espaceprobabilisé complet (Ç2,le , P) ;
une suite croissanteT de sous-
tribus
de e, chaque tribu
t contenant tous les ensembles de mesure nulle
de 1f (cette propriété
n’est pas nécessaire pour la construction du processusintégrale stochastique
à une modificationprès).
Quand
onparlera
de processusadapté,
detemps d’arrêt,
demartingale,
etc..., ce seratoujours
relativement à la base(~, $’",
P,)
Quand
onparlera
deprocessus
réel(sans préciser),
ils’agira
d’une
application
de(Q
xT) dans e ’ .,
contre, si(X ) t tcT
est une famil-le indexée par T, d’éléments de L
o 1(Q ,§F’, P),
ondira,
suivant l’abus de lan-gage
usuel,
que X est un"processus
défini à une modificationprès".
On notera :
1&
est donc une famille departie
de S~’.=
algèbre engendrée
pariq ;
~ =
tribuengendrée
parlt ;
~ cette tribu estappelée
tribudes
prévisibles ;
un processus Y est ditprévisible
si’il est mesurable parrapport
à cette tribu.On dira
qu’un
processus réel X estcadlag si,
pourP-presque
toutes
trajectoires
w, la fonction réelle t ~ X(w)
est continue à droite et admet en toutpoint
une limite àgauche.
On dira que deux processus X et X’ sont
indistinguables,
siP
{
W : :3 t, xt (W) 0
0. Enfait,
pourl’essentiel,
les processus considérés dans la suite le seront à uneindistinguabilité près.
Si u et vsont deux
temps d’arrêt,
onnotera ]u,v]
lapartie (intervalle stochastique)
de n x T définie par
(w,t) E J u,v)
_~u(w)
t ~v(w) ;
nous effectuonsainsi un abus de notation mais celui-ci ne semble pas
présenter
d’inconvé- nients pour le lecteuraverti ;
il faut donc noter que, si u et v sont destemps d’arrêt constants,
soit u = s et v = t,alors ]u,v] désigne
unepartie
de
QxT, aloxs que ]s,t] désigne
unepartie
de T.A-2 : Le
problème
del’intégrale stochastique :
---
Etant donnés un processus Y réel
(en général prévisible)
etun processus réel X défini à une modification
près,
leproblème
est :de pour
tde T
Zt
1°) de définir, pour
toutélément
tde T, la variable aléatoire Zt =
0t
y s .dX s
2°) d’étudier le processus ainsi défini à
unemodification près.
Pratiquement,
on ne considère que des processus Xqui
admettentune modification
cadlag (définie
àl’indistinguabilité près)
que l’on va encore noter X. Une idée naturelle est,alors,
de définirl’intégrale stochastique
"par trajectoires",
c’est-à-dire de poser, pour tout élément c~ deS~,
t
z t (w) = lo y (w), dX (a)) . Malheureusement,
pour une classeindispensable
t
o
t t
de processus dont le mouvement
brownien, dXt(w)
ne définit pas une mesure(la
fonction t ~Xt(w)
n’est pas à variationbornée).
On est doncobligé
dedéfinir
l’intégrale stochastique
d’unefaçon plus globale.
A-3:
On
notera e l’ensemble des
processusc’est-à-dire l’ensemble des processus réels
Ytels que Y E
iEI
où (a.).
est unefamille finie de réels
etoù (A(i))iEI
est unefamille
finie associée d’éléments de A ;
on vérifie facilement que, dans cette
écriture,
onpeut
supposer que les ensemblesA(i)
sont deux à deuxdisjoints
etappartiennent
à
~.
Dans ce cas,
l’intégrale stochastique f
Y dXpeut
êtredéfinie
"par trajectoires",
le processus(Z )
défini parZ = ft 0
Y dXétant défini à une modification
près
s’il en est de même de X.L’intégrale stochastique fi
Y dX est alors uneapplication
linéaire définie sur3 ,
à valeurs dans
L
o( Q , el P),
caractérisée par lefait que,
- si A = Hxjs,t]
appartient
1Le
problème
est d’étendre cetteintégrale
à une classeplus
vaste que la classe des processuse-étagés.
Pour
alléger
lesnotations,
on poseraÎ
Y dX= ~]o ’ 1J y dX.
De
même,
si Y est un processusprévisible
et si a est une mesure définiesur la tribu des
prévisibles,
on noteraf
Y.da au lieu deL,Y.da.
A-4 : Une première-extension :
Considérons
un processusréel x défini à
unemodification près satisfaisant à la condition suivante :
(i) il existe
une mesurepositive a telle
que,pour
toutprocessus
Yréel
ait Y2. da
Dans ce cas,
l’application
Y dX définie sur~>
et à valeurs dansL2( 0 ,~, P)
est continue si onconsidère e
comme un sous-espace de
L2 (~ ’,~, a) ;
cetteapplication
seprolonge donc,
defaçon
uni-que, en une
application
linéaire continue définie surL2(Ç~l, a)
et àvaleurs dans
L2
( Q,~,
P).L’image,
par cetteapplication,
de Y sera notéefY
dX et seraappelée l’intégrale stochastique
de Y parrapport
à X.A-5 : Processus régional :
On
dira qu’un
processusréel
Xà
unemodification près
est un processusrégional si, pour
tout e >0, il existe
unélément
Fde 1f tel
queP(F~ .
1-e etil existe
une mesurea.-définie
etfinie
surZa tribu des prévisibles tels
que,pour
toutprocessus
Yréel
on
ait :
Notons que,
pour la
construction del’intégrale stochastique
donnée
ci-après,
il suffit de supposer que les mesurespositives
a sontcr -finies.
A-6: Proposition :
Un
processus
Xdéfini à
unemodification près
est unprocessus
régional si
etseulement si il existe
une mesurepositive
a, unesuite crois-
santede
constantes(K )
et unesuite croissante (F(n)) d’éléments
de tels que :
n n>o n>o
(i~ pour
tout n,pour
tout n etpour
toutprocessus
Yréel -étagé,
Preuve : Les conditions ci-dessus
impliquent
évidemment les conditions données en A-5.Réciproquement,
soit X un processusrégional
ausens
indiqué
en A-5. Pour tout n, soienta n
une mesurepositive
etG(n)
un élément de~’
tels que P[G(n)] >,
1 -2-(n+1)
et, pour tout processus Y réelon ait
Soient et a la mesure
positive
définiepar . On vérifie
immédiatement
que a,satisfont aux conditions A-6 -
(i)
et(ii).
A-7 : Remarque (régionalisation) :
La
proposition
A-6 revient à dire que le processus X estrégio-
nal
si,
pour tout n, le processus X "arrêté" à la variable aléatoireu (n) - lF(n) (qui
n’ est pas engénéral
untemps d’ arrêt)
satisfait à la condi-tion A-4
(i) (pour
la mesureKn.a (. ) ) .
On introduit ainsi une
technique
consistant à "arrêter" parune variable aléatoire
1 F (avec P(F)
aussi voisin de 1 que l’onveut)
que l’onappellera "régionalisation" ;
cettetechnique
est évidemmentplus générale
quecelle, classique,
de localisation.A-8 : Construction de la variable aléatoire J
Soit X un processus satisfaisant aux conditions A-6
(i)
et(ii) (c’est
à dire un processusrégional).
Soit Y un processusqui appartient
àa).
Pour tout n, on définit la variable aléatoireZ - n
=lF(n)’
.J
Y.dXcomme au
paragraphe A-4 ;
pour m > n, on a1 F (n) ° z m
.~1 Z
=Z
P-p.s. P-p.s.
(ceci
est vrai pour Y =1 A
avecA el,
donc ceci est vrai pour tout élémentY de
L2(~" 9 , a)
par linéarité etdensité) .
La variable aléatoireZ =
J
Y.dX est alors définie comme la variablealéatoire, unique P-p.s.,
telle que, pour tout n,
Zn
-Z.1F(n) .
" Cette variable aléatoire Z ne nP-p.s.
dépend
pas dutriplet (a, (F (n) ) n>o , (Kn) n>o
n>o n n>o) (ceci
est vrai pour Y =1A
A avec A6L ctet
donc dans le casgénéral
par linéarité etdensité).
Cette variablealéatoire, qui
nedépend
donc que de X et de Y estappelée l’intégrale
sto-chastique
de Y parrapport
à X et sera notéeJ
Y.dX .A-9 : Processus
intégrale stochastique :
Soit X un processus
qui
satisfait aux conditions A-6(i)
et(ii) .
Soit Y un processusqui appartient
à9 , a).
Pour tout élément t deT,
on
peut
poserLe
processus
Z =(Zt) t £ T
est unprocessus dé fini à
unemodifica-
tion près qui
estle processus intégrale stochastique de
Ypar rapport à
X.A-10 : Théorème de convergence dominée :
Plaçons-nous
dans le cadre deshypothèses
et des notationsindiquées
en A-9 ci-dessus.Supposons,
deplus,
que Xpossède
une modifica-tion
cadlag adaptée
que l’on notera encore X ; soit une suite den n o
processus
A-étagés
g telle que, pour q ’ p tout n, ’i
n1
2g-n,
n .Pour tout n, soit
z n
le processuscadlag
défini parZ n (t) ] y
n(Zn peut
être choisicadlag puisque
Yn est
-étagé).
Pour toutcouple (m,n)
d’entiers avec n m, soit
u(n,m)
letemps
d’arrêt défini par :(avec
laconvention, Cu (m, n) (ca) - 1
si l’ensemble ci-dessus estvide).
Soit
Pour tout
temps
d’arrêtétage
v, on a :On vérifie que la même
propriété
subsiste si v est untemps
d’arrêtquelconque (puisqu’un
teltemps
d’arrêt est limite d’une suite dé-croissante de
temps
d’arrêtétagés)
et donc, notamment, si v =u(m,n) ;
dansce cas on a :
Si on pose
G = f) { V
on a doncP(G) =0
et, si wG,
n>o
jzn
la suite de fonctions réelles t est uniformément de
Cauchy,
doncelle converge vers une
fonction Z t (w).
Le processus Z-ainsi défini à
l’indistinguabilité près
est unemodification
cadlag
du processus Z. On a donc montré que :Si
Xpnssède
unemodification cadlag, il
en estde même de
Z.En
fait,
on abeaucoup plus
quecela ;
soit X un processuscadlag qui
satisfait aux conditions A-6(i)
et(ii) ;
soit(Yn) n>o
est unesuite de processus
prévisibles
réelsqui
converge vers Y au sens de la con-vergence
dominée ; quitte
à considérer une sous-suite onpeut
supposer que l’on a, pour tout n,Pour tout n, soit
Zn
une modificationcadlag
du processus inté-grale stochastique f Yn . dX ;
le même raisonnement que ci-dessus montre que :Za suite de processus (Z) n n>0 converge P-p.s. un2formément par trajectoires
vers une
mod2fzcat2on du processus
Z =On
voit donc que stochastique
.Y ~JY. dX
à "un théorème de convergence dom2née"
et que,quitte à considérer
une sous-su2te,
on aalors
uneconvergence un2fcrme par trajectoires P-p.s.
Ceci montre, par
exemple,
que si X admet une modification conti-nue
(resp. prévisible),
il en est de même de Z. Demême,
si u est untemps
d’arrêt,
ceci montre que le processusintégrale stochastique
de Y parrapport
au processus X arrêté à u est le processus Z arrêté à u où Z est le
processus
intégrale stochastique
de Y parrapport
à X. Toutes cesproprié-
tés sont évidentes si Y est
Jé7-étagé ;
elles sont encore vraies dans le casgénéral compte
tenu du théorème de convergence dominéeindiqué pré-
cédemment.
A-11:
Proposition : (changement
deprobabilité)
On
considère la base de p rocessus P > dans
laquelle
on nesuppose
pas(Q -’~, P) complet.
une autreprobabili-
té définie
sur(Q.t~)’ Soit
X unprocessus défini
surq:
(X
estdonc
unefonction réelle définie
sur Q xT),qui
estrégional à
la fois pour la probabilité
P et pourla probabilité Q . Soit
Y un proces-sus
prévisible qui
eststochastiquement intégrable par rapport à
Xà la fois pour
P etpour Q . AZors, il existe
unevariable aléatoire
Zqui appartient à
LP+Q)
etqui
estP.. s. égale à f
YdX pour
P etQ.p.s. égale à f Y dX
pourQ.
Preuve : Soient a une mesure
positive
finie surP, (F (n)
n>O--- n>O
une suite croissante d’éléments
de F et
une suite croissante den n>0
constantes
positives
telles que, pour tout processus YdX) 2 P F (n) ,
1 -2 _ n .
Soient,
demême, b, (G(n))
n> 0 et
(K) n n> 0
associées à X pourla
probabilité Q.
Considérons d’abord le cas où Y est uniformément borné par la constante h. Soit une suite de processus
e-étagés
uniformémentn n>O
bornés par
h,
suitequi
converge(a
+b) -
p.s. vers Y. SoitZn
la variablealéatoire définie par
Yn
dX. La suite est deCauchy
dansL o (Q, ~ , P)
et dans L0
(Q,~, Q) ;
elle est donc deCauchy
dansL
0 ( S~ , ~ ,
P +Q)
d’où le résultat.Si Y n’est pas uniformément
borné,
on poseY - (Y A n) -
(YAn)
et on
reprend
le raisonnementqui précède
avec la suite(Yn).
A-12: Formule
de Ito :
Soit X un processus réel
cadlag régional ;
onpeut
alors prou-ver la formule de Ito pour X comme
indiqué
en[5] (sans
utiliser d’autresrésultats).
A-13:Cas où Y n’est pas prévisible :
Dans divers cas, notamment le cas où X est à
trajectoires
conti-nues,
l’intégrale stochastique jY
dX admet unprolongement canonique
à cer-tains processus
optionnels
Y(cf.,
parexemple, [6] ).
B - EXEMPLES DE PROCESSUS RECIONAUX :
B-1 : Mesure de Doléans et martingale de carré intégrable :
Le
problème
est maintenant de vérifier que la classe des proces-sus
régionaux
contient les processus étudiés usuellement. Pourcela,
la no-tion de mesure de Doléans est fondamentale.
Nous ne
reproduirons
pas icil’étude,
désormaisclassique,
decette
notion,
notamment l’existence d’une mesure de Doléans d’un processus croissantintégrable,
l’existence d’une mesure de Doléansquadratique
pourune
martingale
M de carréintégrable,
lespropriétés
d’isométrie de l’inté-grale stochastique associée f
YdM,
etc ...(pour
une étude directe deces
propriétés,
cf[4]).
Nous nous proposons seulement de prouver le théorème B-5 ci-
après.
B-2 : Lemme :
soit
CI une
finie de couples de réels positifs ;
on a :
Ce lemme est un cas
particulier
del’inégalité
deCauchy-Schwarz.
B-3 : Proposition :
processus réel cadlag à variation bornée ;
X estalors
un
processus régional.
Preuve :
Il suffit de considérer le cas où X est un processus croissant tel que
X o
= 0. Dans ce cas, soit x n la mesure de Doléans du processus x An.Pour
chaque
entier n, on poseF(n)
= n}.
Soit Y un processus réel si wappartient
àF(n),
le lemme B-2 ci-dessusimplique :
ce
qui implique :
le processus Y étant
prévisible,
cettequantité
estplus petite
que n.Y2.dx n
B-4 : Lemme:
Soit
Z unesurmartingale cadlag qui admet
a comme mesurede Doléans. Soit
Ale processus "prévisible" associé à
a.Soit
u untemps d’arrêt prévisible.
Onsuppose
que,pour
toutélément (w, t~ de
d (où d
est uneconstante).
On aalors
Preuve :
Puisque 1[uj
(considérée comme fonction réelle définie surA u et A u-
sontprévisibles
etpuisque
A et X ont mêmes mesures deDoléans,
on a aussi :puisque
A est croissant.B-5 : Théorème :
Soit
X unprocessus qui
estla
sommed’un processus cadlag à
variation bornée (par trajectoires)
etd’une martingale locale (cadlag).
Alors
X est unprocessus régional.
preuve : La preuve
qui
suit est une modification de la preuve donnée parMeyer
dans[2].
L’espace
des processusrégionaux
étant un espace vec-toriel,
il suffit de montrerqu’une martingale
locale est un processus ré-gional compte-tenu
de laproposition
B-3. Il suffit donc de montrerqu’une martingale
M(uniformément intégrable)
est un processusrégional (la
techni-que de
"régionalisation"
étantplus générale
que celle de"localisation").
On
peut
supposer que cettemartingale
M est telle queMo =
0 et que 0.Par
localisation,
onpeut
se ramener au cas où il existe untemps
d’arrêtet une constante
d,
tels que d pour tu (w)
etMt (w) - Mu (w)
pour t ;
u (w) . (on
considère lestemps
d’arrêtu(n) définis
paru(n) =
inf.{t :
~n}
et on utilise le fait que lim P[u(n) 1] = 0).
n
Dans ce cas, soit
Soit a la mesure de Doléans de B
(et
donc de lasous-martingale - Z)
etsoit
A le processus "naturel"prévisible
associé à a. Pour tout n, on poseu’ (n)
= inf.{t : A ; n} . Puisque
0 = lim PCu - (n) 1]
il suffit det n-+--oo
montrer que M arrêtée à u’
(n) -
u’(n)
/~ u est un processusrégional. Puisque
le processus naturel de B arrêtée à
u’(n)
est le processusnaturel,
arrêtéà
u’(n),
de B, onpeut,
pouralléger
lesnotations,
supposer queu’~n) -
uce
qu’on
fera désormais. On a alors :(compte-tenu
du lemmeB-4) ,
de ce queIzt (w) 1 e
dquels
que soient t et w et de ce queu’ (n)
est untemps
d’arrêtprévisible) .
donc
On a donc
où B - A est un processus à variation bornée et Z + A est une
martingale
decarré
intégrable (puisque d2
et E(AZ )
+-) .
Le processus M1 1
est donc un processus
régional.
BIBLIOGRAPHIE
[1]
G. DELLACHERIE,Capacités
etprocessus stochastiques,
Springer Verlag (1972)
[2]
P.A. MEYER,Séminaire de Probabilités X,
Lecture Notes N° 511.
Springer Verlag (1976)
[3]
M. METIVIER,Stochastic Integrals and
Vectorvalued
measures.In Vector
and Operator valued
measuresand applications,
Academic Press
(1973)
[4]
J. PELLAUMAIL, Surl’intégrale stochastique
etla décomposition
de Doob-Meyer,
Astérisque
N°9,
SociétéMathématique
de France(1973)
[5]
J. PELLAUMAIL,Formule de
Itodans le
cas noncontinu,
Séminaire de Probabilités de Rennes
(1973)
[6]
J. PELLAUMAIL, Unlemme élémentaire de théorie de la
mesure, Séminaire de Probabilités de Rennes(1973)
[7]
J. PELLAUMAIL, Onthe
useof group-valued
measuresin stochastic processes.
Misure su
gruppi
e suspazi
vettoriali. Roma.Giugnio (1975).
[8]
M. METIVIER et Mesuresstochastiques à valeurs dans des espaces Lo
J. PELLAUMAIL Séminaire de Rennes