Probabilt´e en Finance
Probabilit´ e et Processus stochastique
Introduction
El kettani Moummou
Facult´ee Polydisciplinaire Universit´e de T´etuan
13 mars 2017
Probabilt´e en Finance
Introduction
Incertitude des march´es Financi`eres
Probabilt´e en Finance
Les probabililit´ es en Finance
Sommaire Premi`ere Partie
Espace probabilis´e : Propri´et´e σ-additive
Variables al´eatoires Variables discr`etes Variables continues Lois de Probabilit´es
Lois discr`etes Loi Binimial Loi de Poisson Lois Continues
loi Normal Loi Log-Normal
Vecteurs al´eaoires
Introduction aux processus stochastiques
Probabilt´e en Finance
Les probabililit´ es en Finance
Sommaire Premi`ere Partie
Espace probabilis´e : Propri´et´e σ-additive Variables al´eatoires
Variables discr`etes Variables continues Lois de Probabilit´es
Lois discr`etes Loi Binimial Loi de Poisson Lois Continues
loi Normal Loi Log-Normal
Vecteurs al´eaoires
Introduction aux processus stochastiques
Probabilt´e en Finance
Les probabililit´ es en Finance
Sommaire Premi`ere Partie
Espace probabilis´e : Propri´et´e σ-additive Variables al´eatoires
Variables discr`etes
Variables continues Lois de Probabilit´es
Lois discr`etes Loi Binimial Loi de Poisson Lois Continues
loi Normal Loi Log-Normal
Vecteurs al´eaoires
Introduction aux processus stochastiques
Probabilt´e en Finance
Les probabililit´ es en Finance
Sommaire Premi`ere Partie
Espace probabilis´e : Propri´et´e σ-additive Variables al´eatoires
Variables discr`etes Variables continues
Lois de Probabilit´es Lois discr`etes
Loi Binimial Loi de Poisson Lois Continues
loi Normal Loi Log-Normal
Vecteurs al´eaoires
Introduction aux processus stochastiques
Probabilt´e en Finance
Les probabililit´ es en Finance
Sommaire Premi`ere Partie
Espace probabilis´e : Propri´et´e σ-additive Variables al´eatoires
Variables discr`etes Variables continues Lois de Probabilit´es
Lois discr`etes Loi Binimial Loi de Poisson Lois Continues
loi Normal Loi Log-Normal
Vecteurs al´eaoires
Introduction aux processus stochastiques
Probabilt´e en Finance
Les probabililit´ es en Finance
Sommaire Premi`ere Partie
Espace probabilis´e : Propri´et´e σ-additive Variables al´eatoires
Variables discr`etes Variables continues Lois de Probabilit´es
Lois discr`etes
Loi Binimial Loi de Poisson Lois Continues
loi Normal Loi Log-Normal
Vecteurs al´eaoires
Introduction aux processus stochastiques
Probabilt´e en Finance
Les probabililit´ es en Finance
Sommaire Premi`ere Partie
Espace probabilis´e : Propri´et´e σ-additive Variables al´eatoires
Variables discr`etes Variables continues Lois de Probabilit´es
Lois discr`etes Loi Binimial
Loi de Poisson Lois Continues
loi Normal Loi Log-Normal
Vecteurs al´eaoires
Introduction aux processus stochastiques
Probabilt´e en Finance
Les probabililit´ es en Finance
Sommaire Premi`ere Partie
Espace probabilis´e : Propri´et´e σ-additive Variables al´eatoires
Variables discr`etes Variables continues Lois de Probabilit´es
Lois discr`etes Loi Binimial Loi de Poisson
Lois Continues loi Normal Loi Log-Normal
Vecteurs al´eaoires
Introduction aux processus stochastiques
Probabilt´e en Finance
Les probabililit´ es en Finance
Sommaire Premi`ere Partie
Espace probabilis´e : Propri´et´e σ-additive Variables al´eatoires
Variables discr`etes Variables continues Lois de Probabilit´es
Lois discr`etes Loi Binimial Loi de Poisson Lois Continues
loi Normal
Loi Log-Normal
Vecteurs al´eaoires
Introduction aux processus stochastiques
Probabilt´e en Finance
Les probabililit´ es en Finance
Sommaire Premi`ere Partie
Espace probabilis´e : Propri´et´e σ-additive Variables al´eatoires
Variables discr`etes Variables continues Lois de Probabilit´es
Lois discr`etes Loi Binimial Loi de Poisson Lois Continues
Vecteurs al´eaoires
Introduction aux processus stochastiques
Probabilt´e en Finance
Les probabililit´ es en Finance
Sommaire Premi`ere Partie
Espace probabilis´e : Propri´et´e σ-additive Variables al´eatoires
Variables discr`etes Variables continues Lois de Probabilit´es
Lois discr`etes Loi Binimial Loi de Poisson Lois Continues
loi Normal
Introduction aux processus stochastiques
Probabilt´e en Finance
Les probabililit´ es en Finance
Sommaire Premi`ere Partie
Espace probabilis´e : Propri´et´e σ-additive Variables al´eatoires
Variables discr`etes Variables continues Lois de Probabilit´es
Lois discr`etes Loi Binimial Loi de Poisson Lois Continues
Probabilt´e en Finance
Espace probabilis´ e
Notion deσ-algebre : D´efinition
On appelle espace probabilis´e le triple (Ω,Θ,P) tel que :
1 Ω est un ensemble non vide
2 Θ une famille de sous ensembles de Ω satisfaisant les conditions suivantes :
• Ω∈Θ ;
• pour toute suite d’´ev´enementsAi, i = 1,2, . . . , .../Ai ∈Θ, alors ∪∞i=1Ai ∈Θ
• pour tout ´ev´enementA∈Θ, on aAc = Ω−A∈Θ
Probabilt´e en Finance
Espace probabilis´ e
Mesure de Probabilit´e : Propri´et´e de σ-additivit´e
P assigne un nombre a chaque ´ev´enement, P : Θ−→[0,1]
• P(Ω) = 1 ;
• pour toute suite d’´ev´enementsAi, i = 1,2, . . . , .../Ai ∈Θ, disjoints deux a deux :
Ai∩Aj =∅;i 6=j
Probabilt´e en Finance
Espace probabilis´ e
Mesure de Probabilit´e : Probabilit´e conditionnelle
Etant donn´e (Ω,Θ,P), un espace probabilis´e ; soitB ∈Ω, un
´ev´enement tel que P(B)6= 0. On d´efini la nouvelle mesure, not´e PB(.), par
PB : Θ−→ [0,1]
A−→ PB(A) =P(A/B) = P(A∩B)P(B)
• Verifier que PB(.) est une mesure de probabilit´e.Elle s’appelle
Probabilt´e en Finance
Variables al´ eatoires et distribution de probabilit´ e
D´efinition
Etant donn´es deux espaces mesurables (Ω,Θ) et (E,B), une variable al´eatoireX est une fonction d´efinie sur Ω a valeur dansE
X Ω−→E telle que
∨B ∈ B,X−1(B)∈Ω ou
Probabilt´e en Finance
Variables al´ eatoires et distribution de probabilit´ e
D´efinition lit´eraire
Une variable al´eatoire est une r´ealisation d’une ´epreuve exprim´ee `a partir des quantit´es mesurables d’une mani`ere incertaine
Autrement dit, une variable al´eatoireX, est l’ application mesurable d´efinie para
X : Ω −→ E
ω −→ X(ω) =x Distribution de probabilit´e
A chaque variable al´eatoire X on peut associer une distribution de probabilit´ePX, appell´e “distribution deX”, d´efinie comme
Probabilt´e en Finance
Variables al´ eatoires et distribution de probabilit´ e
Exemple
Si on consid`ere l’´ev´enement prix de stock, l’actif en stock X, est une variable al´eatoire d´efinie par
X : (Ω,Θ,P) −→ (R,B,PX)
ω = prix de stock −→ X(ω) = actif en stock
p = prix spot −→ X(p) = actif encours de stock
Probabilt´e en Finance
Fonction de R´ epartition
D´efinition
Etant donn´ee une variable al´eatoire X, On appelle fonction de r´epartition de X, l’applicationF d´efinie par
F :I ⊂R −→ [0,1]
x −→ F(x) =P[X ≤x]
Exemple de la valeur en risque ”VaR()”
Exemple de la dominance stochastique ”stochastic dominance”
Probabilt´e en Finance
Fonction de r´ epartition
Valeur en risque
En finance, la fonction de r´epartition est utilis´e pour d´efinir la mesure du risque populair, appel´e “valeur en risque-VaR. Les banque doivent avoir un capital suffisant pour enfrenter les pˆertes potentielles en portefeuilles. Pour ´evaluer la croissance du capital exig´e, le VaR(99%)est souvent utilis´e. Elle est d´efinie comme le nombre “x tel que
P[X ≥x] = 1−F(x) = 0.99
Probabilt´e en Finance
Fonction de R´ epartition
Propri´et´es
F est une fonction positive croissante :
si x ≤y alors F(x)≤F(y)
F est une fonction continue adroite : limx→a+ =F(a)
limx→−∞F(x) = 0; limx→+∞F(x) = 1 P[x1 ≤X ≤x2] =F(x2)−F(x1)
P[X ≥x] = 1−P[X ≤x] = 1−F(x)
Probabilt´e en Finance
Fonction de R´ epartition
Propri´et´es
F est une fonction positive croissante : si x ≤y alors F(x)≤F(y)
F est une fonction continue adroite : limx→a+ =F(a)
limx→−∞F(x) = 0; limx→+∞F(x) = 1 P[x1 ≤X ≤x2] =F(x2)−F(x1)
P[X ≥x] = 1−P[X ≤x] = 1−F(x)
Probabilt´e en Finance
Fonction de R´ epartition
Propri´et´es
F est une fonction positive croissante : si x ≤y alors F(x)≤F(y)
F est une fonction continue adroite :
limx→a+ =F(a)
limx→−∞F(x) = 0; limx→+∞F(x) = 1 P[x1 ≤X ≤x2] =F(x2)−F(x1)
P[X ≥x] = 1−P[X ≤x] = 1−F(x)
Probabilt´e en Finance
Fonction de R´ epartition
Propri´et´es
F est une fonction positive croissante : si x ≤y alors F(x)≤F(y)
F est une fonction continue adroite : limx→a+ =F(a)
limx→−∞F(x) = 0; limx→+∞F(x) = 1 P[x1 ≤X ≤x2] =F(x2)−F(x1)
P[X ≥x] = 1−P[X ≤x] = 1−F(x)
Probabilt´e en Finance
Fonction de R´ epartition
Propri´et´es
F est une fonction positive croissante : si x ≤y alors F(x)≤F(y)
F est une fonction continue adroite : limx→a+ =F(a)
limx→−∞F(x) = 0; limx→+∞F(x) = 1
P[x1 ≤X ≤x2] =F(x2)−F(x1) P[X ≥x] = 1−P[X ≤x] = 1−F(x)
Probabilt´e en Finance
Fonction de R´ epartition
Propri´et´es
F est une fonction positive croissante : si x ≤y alors F(x)≤F(y)
F est une fonction continue adroite : limx→a+ =F(a)
limx→−∞F(x) = 0; limx→+∞F(x) = 1 P[x1 ≤X ≤x2] =F(x2)−F(x1)
P[X ≥x] = 1−P[X ≤x] = 1−F(x)
Probabilt´e en Finance
Fonction de R´ epartition
Propri´et´es
F est une fonction positive croissante : si x ≤y alors F(x)≤F(y)
F est une fonction continue adroite : limx→a+ =F(a)
limx→−∞F(x) = 0; limx→+∞F(x) = 1 P[x1 ≤X ≤x2] =F(x2)−F(x1)
P[X ≥x] = 1−P[X ≤x] = 1−F(x)
Probabilt´e en Finance
Variable al´ eatoire discr` ete
D´efinition
Une variable al´eatoire X est dite discr`ete lorsque ses diff´erentes valeurs possible son en nombre fini (ou infini d´enombrable). c.a.d
Support(X) ={x1,x2, . . . ,xn, . . .}
Loi de probabilit´e(Distribution)
La loi de probabilit´e d’une variable al´eatoire X dont le support est Support(X) ={x1,x2, . . . ,xn}
est totalement d´efinie par les couples (xi,pi), i = 1,2, . . . ,n ou les pi indique les masses de probabilit´es :
P(X =xi) =pi, i = 1,2, . . . ,n
Probabilt´e en Finance
Variable al´ eatoire discr` ete
D´efinition
Une variable al´eatoire X est dite discr`ete lorsque ses diff´erentes valeurs possible son en nombre fini (ou infini d´enombrable). c.a.d
Support(X) ={x1,x2, . . . ,xn, . . .}
Loi de probabilit´e(Distribution)
La loi de probabilit´e d’une variable al´eatoire X dont le support est Support(X) ={x1,x2, . . . ,xn}
est totalement d´efinie par les couples (xi,pi), i = 1,2, . . . ,n ou les
Probabilt´e en Finance
Variable al´ eatoire discr` ete
On peut facilement verifier que
n
X
i=1
pi = 1
Exemple
Une enquˆete a montr´e que 5% des actions au sein de la bourse au Casablanca ont chut´e de prix. Supposons qu’ on pr´el´eve au hazard du march´e deux actions. On d´esigne par X la variable al´eatoire qui d´etermine le nombre des actions dont
Probabilt´e en Finance
Variable al´ eatoire discr` ete
Fonction de R´epartition Remarque
On a
F(x) =
j
X
i=1
P(X =xi) o`u
x1 ≤x2 ≤. . . ..≤xj ≤x
Probabilt´e en Finance
Variable al´ eatoire discr` ete
Moments d ’importance Financi`ere
Th´eorie standar du chiox de portefeuilles (Harry Markovitz ,1952).
les investisseurs−→ d´etenir un portefeuille
−→
Esp´erance = mesure du gain Variance = mesure du risque
Au sense math´ematique les investisseurs r´ealisent ” a tradeoff’” un compromis entre l’esperance et la variance. Ces deux notions sont
Probabilt´e en Finance
Variable al´ eatoire discr` ete
Esp´erance math´ematique. D´efinition
On appelle esp´erance math´ematique d’une variable al´eatoire discr`ete X de loi de probabilit´e (xi,pi), i = 1,2, , . . . ,n, la quantit´e
E(X) =
n
X
i=1
pixi
Variance math´ematique. D´efinition
On appelle variance math´ematique d’une variable al´eatoire discr`ete X de loi de probabilit´e (xi,pi), i = 1,2, , . . . ,n, la quantit´e
V(X) = E[X −E(X)]2
Probabilt´e en Finance
Variable al´ eatoire continue
D´efinition1
On dit qu’ une variable al´eatoireX est continue s’elle exite une fonctionf(x) continue (sauf au plus dans un ensemble fini ou d´enombrable), positive telque
P[X ≤x] = Z x
−∞
f(t)dt
Probabilt´e en Finance
Variable al´ eatoire continue
D´efinition2 [Remarque]
Une variable al´eatoire continue X est donc une variable qui prend des valeurs dans un intervalI = [a,b] deRavec une densit´e de probabilit´ef(x) telque :
f(x)≥0 et R+∞
−∞ f(t)dt = 1
Probabilt´e en Finance
Variable al´ eatoire continue
Apartir de cette fonction densit´e en calcul la probabilit´e d’ un
´ev´enement relatif `a la variable al´eatoire de la forme suivante : P[x1 ≤X ≤x2] =
Z x2
x1
f(x)dx
Noter bien
La valeur en un pointx de la fonction densit´e n’est pas la probabilit´e en ce point :
x
Probabilt´e en Finance
Variable al´ eatoire continue
Fonction de R´epartition (de distribution) La fonction de r´epartition d´efinie para
F(x) =P[X ≤x] = Z x
−∞
f(t)dt est reli´ee `a la fonction de densit´e par lexpression
f(x) = dF(x) dt
Probabilt´e en Finance
Variable al´ eatoire Continue
Esp´erance math´ematique. D´efinition
On appelle esp´erance math´ematique d’une variable al´eatoire continueX de densit´e de probabilit´e f(x), la quantit´e
E(X) =µX = Z +∞
−∞
xf(x)dx
Variance math´ematique. D´efinition
On appelle variance math´ematique d’une variable al´eatoire continueX de densit´e de probabilit´e f(x), la quantit´e
Probabilt´e en Finance
In´ egalit´ e de Chebychev
Noter bien
La variance d ’une variables al´eatoire controle la d´eviation des donn´ees parapport a l’´esperance (valeur moyenne).
Particuli`erement, une petite variance implique qu’une grande d´eviation n’est pas probable. La version pr´ecise de cette regle s’appelle ”In´egalit´e de Chebychev” :
P[|X −µ| ≥α]≤ σ2 α2
Probabilt´e en Finance
Transformation d’une variable al´ eatoire
Question ?
Si on connait la distribution de probabilit´e (d.p), d’une variable al´eatoire X donn´ee, peut on d´eduire la (d.p) d’une transformation
Y =g(X)
o`u g(.) est une fonction r´eguli`ere sauf dans un ensemble n´egligeable ?
Beaucoup d’exemples ´economique et financi`eres montrent que cette question est p´ertinente
Exemple−→Derivative security Est un contrat o`u le
rembouresement ”payoff” est une fonction g(.) du prix d’un bien sous-jacent, tel comme le prix de stock o`u Indice
Probabilt´e en Finance
Transformation d’une variable al´ eatoire
Question ?
Si on connait la distribution de probabilit´e (d.p), d’une variable al´eatoire X donn´ee, peut on d´eduire la (d.p) d’une transformation
Y =g(X)
o`u g(.) est une fonction r´eguli`ere sauf dans un ensemble n´egligeable ?
Beaucoup d’exemples ´economique et financi`eres montrent que cette question est p´ertinente
Exemple−→ Derivative security Est un contrat o`u le
Probabilt´e en Finance
Transformation d’une variable al´ eatoire Derivative security vs stock price
L’option ”appelle” sur le stock, avec le ”exercice price”K et
´ech´eanceT est un contrat qui paie
YT =g(XT) =max(XT−K,0) o`u XT est le prix de stock dans la periodeT
Derivative security Souvent prend la forme d’un accord pour acheter ou vendre un bien (actif)
Probabilt´e en Finance
Transformation d’une variable al´ eatoire
Proposition
Etant donn´ees une variable al´eatoireX de densit´e de probabilit´e fX(.) et une fonction g(.), monotone de classe C1[R,R], alors la densit´e de probabilit´e fY de la variable Y =g(X) est d´efinie par
fY(x) = ( f
X(g−1(x))
|g0(g(x)| si x∈Y(Ω)
0 sinon
o`u
Y(Ω) ={y ∈R/y =Y(ω), ω∈Ω}
Probabilt´e en Finance
Lois de Probabilit´ e usuelle dans les mod` eles financi` eres Lois discr` etes
Loi Binomial.
D´efinition1
On dit qu’une variable al´eatoire X suit une loi binomial de parametresn etp, si son support est
Support(X) ={0,1,2. . . ,n}
et sa masse de probabilit´e est d´efini par
Probabilt´e en Finance
Lois de Probabilit´ e usuelle dans les mod` eles financi` eres Lois discr` etes
Loi Binomial.
D´efinition2 [Remarque]
Elle s’´ecrit comme somme den variables ind´ependantes
Xi, i = 1,2, . . . ,n chaqu’une suit une loi de bernoulli de param`etre p, not´e B(p). On a donc :
X =
n
X
i=1
Xi
Probabilt´e en Finance
Lois de Probabilit´ e usuelle dans les mod` eles financi` eres Lois discr` etes
La loi binomial est tr`es c´el`ebre en finance←− fondation de la c´el`ebre option ”Mod`ele d’´evaluation” d´evelopp´e par Cox-Ross- Rubinstein (1979)
Loi Binomial Exemple
Revenues du stock
Implicitement l’ind´ependence des revenus successives fait r´ef´erence `a une hipoth`ese du march´e efficace (rentable). Ca
Probabilt´e en Finance
Lois de Probabilit´ e usuelle dans les mod` eles financi` eres Lois discr` etes
Loi Binomial Revenu du Stock
Ce mod`ele d´ecrit l’´evolution du prix de stock en temp discret. SiSt
est le prix de stock en tempt, en tempt+ 1 on aura St+1=StXt+1
avecXt+1 une variable al´eatoire de BernoulliB(p) dont le support est :Support(Xt+1) ={u,d} tel que
P(X =u) =p −→succ`es
Probabilt´e en Finance
Lois de Probabilit´ e usuelle dans les mod` eles financi` eres Lois discr` etes
Loi Binomial Revenu du Stock
Les variablesXt sont consid´er´ees ind´ependantes. Donc St est
´egalement d´efini par
St =S0
t
Y
s=1
Xt
Par cons´equent
log(St ) =
n
Xlog(X )
Probabilt´e en Finance
Lois de Probabilit´ e usuelle dans les mod` eles financi` eres Lois discr` etes
Loi Binomial Revenu du stock
Remarque
La distribution des revenus ”ri =log(SSi
i−1), i = 1,2, . . . ,n” ne d´epend pas de l ’indice ”i”, vu que ”P[ri =u] =p” et
”P[ri =d] = 1−p”. L’esp´eranceµ et la varianceσ2-qui presentent le revenu esp´er´e et le risque respectivement- ont plus d’importance. En pratique, on obtient souvent ces valeurs apartir des donn´ees empiriques, et apr`es en calcul (en estime) les valeurs
Probabilt´e en Finance
Lois de Probabilit´ e usuelle dans les mod` eles financi` eres Lois discr` etes
Loi BinomialB(n,p)
Moments de premier et second ordre Esp´erance math´ematique
E[X] =np Variance math´ematique
V[X] =np(1−p)
Probabilt´e en Finance
Lois de Probabilit´ e usuelle dans les mod` eles financi` eres Lois discr` etes
Loi de Poisson D´efinition
On dit qu’une variable al´eatoire X suit une distribution de poisson de param`etre λ(positif), si pour ∨k ∈N on a
P(X =k) =λk k!e−λ On noteX vP(λ)
Usage −→Cette loi est souvent utilis´ee en th´eorie de
Probabilt´e en Finance
Lois de Probabilit´ e usuelle dans les mod` eles financi` eres Lois discr` etes
Loi de Poisson Proposition
SiX ∼ P(λ), alors les moments de premier et second ordre sont Esp´erance−→ E[X] =λ
Variance −→ V[X] =λ
•Noter bien
La distribution de Poisson est utilis´ee d une mani`ere commune
Probabilt´e en Finance
Lois de Probabilit´ e usuelle dans les mod` eles financi` eres Lois discr` etes
Loi de Poisson
Exemple :Mod´elisation du risque de cr´edit
Consid´erer la situation d une societ´e d’assurance qui adopte certain type de risque en particulier, l’assureur s ’int´er´esse au montant des reclamations de toutes les polices suscrites. Le total est la somme de demandes individuelle des diff´erents montants ; l’assureur doit aussi avoir un fond suffisant comme garantie de risque. D’une mani`ere simplifi´e, la quantit´e suffisante est donn´ee par
Nombre de Casualit´e N×Montant moyen para declaration
Probabilt´e en Finance
Lois de Probabilit´ e usuelle dans les mod` eles financi` eres Lois continues
Th´eor`eme central limite−→plusieurs test statistiques sont bas´e sur la distributionnormal. Celle ci permet la mod´elisationdes revenus dustockavec pr´ecision raisonable.
Loi Normal D´efinition
On dit qu’une variable al´eatoire X est normal ou suit une loi normal si sa densit´e de probabilit´e est d´efinie para :
1
(x−µ)2
Probabilt´e en Finance
Lois de Probabilit´ e usuelle dans les mod` eles financi` eres Lois continues
Normal centr´e r´eduite
SiX ∼ N(µ, σ) alors la variable al´eatoire Z = X−µ
σ
s’appelleLoi normal centr´e r´eduiteet se note para Z ∼ N(0,1).
On donc
Esp´erance−→E[Z] = 0 Variance −→V[Z] = 1.
Probabilt´e en Finance
Lois de Probabilit´ e usuelle dans les mod` eles financi` eres Lois continues
Approximation de la Binomial `a la Normal
th´eor`eme des math´ematiciens DeMoivre et Laplace Lorsque ”n” est large/np≥5 et n(1−p)≥5 alors
B(n,p)∼ N(µ=np, σ2 =np(1−p))
•Exercice
Probabilt´e en Finance
Lois de Probabilit´ e usuelle dans les mod` eles financi` eres Lois continues
Loi Normal
Question importante←− Crise financi`ere de 2008
Le monde Guassien (normal) peut ˆetre une hipoth`ese dangereuse, lors de d´efinir les mesures de risque telle comme la VaR(). Ces mesures ne consid`erent pas les faillites, les crises de liquidit´e et autres mouvements extr`emes.
Noter bien :Ajustement non optimal
quelques ´etudes empiriques ont montr´e qu il ya des meilleures alt´ernatives qui tienent en compte les variations large,
reguli`erement rencontr´e dans les march´es financi`eres. Pourtant ces
Probabilt´e en Finance
Lois de Probabilit´ e usuelle dans les mod` eles financi` eres Lois continues
Choisir la loi log-normal comme mod`ele des prix de stock est une cons´equence de l’hypoth`ese de march´es efficaces et du th´eor`eme central limite.
Loi Log-Normal :Mod`ele des Prix de Stock D´efinition
On dit qu’une variable al´eatoire X positive suit une loi Log-normal si la variableY =logX suit une loi normal. c.a.d
que sa densit´e de probabilit´e fY(.) est d´efinie comme
Probabilt´e en Finance
Lois de Probabilit´ e usuelle dans les mod` eles financi` eres Lois continues
•On note la distribution de X para LN(µ, σ2) Loi Log-Normal :Mod`ele des Prix de Stock Proposition
SiX ∼ LN(µ, σ2), alors les moments de premier et second ordre sont
Esp´erance−→E[X] =exp(µ+σ2)
Variance−→V[X] =exp(2µ+σ2)(exp(σ2)−1)
Probabilt´e en Finance
Lois de Probabilit´ e usuelle dans les mod` eles financi` eres Lois continues
Exemple:Contrat d’ ”Option appelle”
SoitY ∼ N(0,1) et X une variable al´eatoire d´efinie par X =exp[(µ−σ2
2 ) +σY]
ouµet σ sont des nombres reels,σ >0.X repr´esente le prix de stock en premiere periode d’un stock dont le revenu est gaussien (normal) de param`etres µetσ, ou le prix spot de stock est 1. Le
Probabilt´e en Finance
Vecteurs al´ eatoires Gestion de Portefeuilles
G´en´eralement, en gestion de portefeuilles, on traite un nombre large des stocks (actions) dont les revenues sont al´eatoires.
D´efinition
Etant donn´e (Ω,Θ,P) et (ERn,BRn) : un espace probabilis´e et un espace mesurable respectivement. On appelle vecteur al´eatoire de dimension n, l’applicationX d´efinie sur Ω a valeur dans ERn :
X : (Ω,Θ,P) −→ (ERn,BRn)
ω −→ X(ω) = (X1(ω),X2(ω), . . . ,Xn(ω)) X(ω) = (x ,x , . . . ,x )
Probabilt´e en Finance
Vecteurs al´ eatoires
Fonction de r´epartition D´efinition
Cas discret
Etant donn´e X = (X1, . . . ,Xn) un vecteur al´eatoire, sa fonction de r´epartition est l’application d´efinie par
FX : Rn −→ [0,1]
x −→ FX =P(∩ni=1Xi ≤xi)
n
Probabilt´e en Finance
Vecteurs al´ eatoires
Fonction de r´epartition D´efinition
Cas continue
Si les (Xi)ni=1 son continues la densit´e de probabilit´e conjointe deX est une fonction positive : fX :Rn−→R+ telle que
FX(x) = Z x1
−∞
Z x2
−∞
. . . . . Z xn
−∞
fXdx1. . .dxn
Probabilt´e en Finance
Vecteurs al´ eatoires
Moments de premier et second ordre
Les propri´et´es d’ une variable al´eatoire restent valables pour un vecteur al´eatoire. En particulier, on dit qu’ un vecteur est de classe C2[Rn]si toutes ces composantes son de classeC2[R]. Dans ce cas on note par
Esp´erance math´ematique −→E[X] = (E[X1, . . . ,E[Xn]) Variance math´ematique −→V[X]
V[X] =
V[X1] . . . Cov[X1,Xn] Cov[X2,X1] V[X2] . . . Cov[X2,Xn]
... ... ... ...
Probabilt´e en Finance
Vecteurs al´ eatoires
Moments de premier et second ordre
Proposition
SoientX un vecteur al´eatoire de dimension-n, integrable deux fois etU,W deux vecteurs deRn. Alors on a
1 E[U0X] =U0E[X]
2 E[U0X,W0X] =U0E[XX0]W
3 V[U0X] =U0V[X]U
4 Cov[U0X,W0X] =U0V[X]W
Probabilt´e en Finance
Vecteurs al´ eatoires Exemple
Gestion de portefeuille
Consid´erer un march´e financi`ere de n stocks en action ; dont X est le revenu etU ∈Rn la proportion investi enn stocks. On note par R le revenu al´eatoire du portefeuille U. Supposer qu’ au moins deux ´el´ements deE[X] son distinct. On veut minimiser le risque en revenu de portefeuille en esp´erant un gain de ”m$”. Modeliser ce probl`eme en utilisant la th´eorie standart du choix de portefeuille
Probabilt´e en Finance
Vecteurs al´ eatoires, cas de dim − n = 2 Variable Bivariante
Distribution de probabilit´es conjointes Cas discret-Exemple
Consid´erer l’espace Ω ={ω1, ω2, ω3, ω4}et la varibales al´eatoire bivari´eeZ = (X,Y), telle que
Support(Z) ={(1,1),(−1,2),(1,2),(−1,1)}
HH HH
HH X
Y y1 = 1 y2= 2 Total pi•
x1 = 1 1 p11= 14 1 p12= 14 2 24−→ p11+p12 x2 =−1 1 p21= 14 1 p22= 24 2 14−→ p21+p22
2 2 4
Probabilt´e en Finance
Vecteurs al´ eatoires Variable Bivariante
Distribution de probabilit´es conjointes Cas discret-Exemple
Masse de probabilit´e −→PZ(Ω) ={p11,p12,p21,p22} avec
p11 = P(X = 1,Y = 1) = PZ(1,1) = 14 p12 = P(X = 1,Y = 2) = PZ(1,2) = 14 p = P(X = 2,Y = 1) = P (2,1) = 1
Probabilt´e en Finance
Vecteurs al´ eatoires Variable Bivariante
Distributions de probabilit´es marginales Cas discret-Exemple
Observer que la veriable al´eatoireX prend les valeurs−1 et 1, donc le support deX est Support(X) ={−1,1}, reste `a d´et´erminer P(X = 1) etP(X =−1)
P(X = 1) = Pz(1,1) +PZ(1,2) = 14 −→p1•
P(X =−1) = Pz(−1,1) +PZ(−1,2) = 14 −→p2•
Probabilt´e en Finance
Vecteurs al´ eatoires Variable Bivariante
Distribution de probabilit´es Cas discret-Forme g´en´erale
Consid´erer la varibales al´eatoire bivari´eeZ = (X,Y), dont le Support(Z) ={(xi,yj);i = 1, . . . ,n j = 1, . . . ,m}telleque PZ(xi,yj) =pij alors les distributions marginales de X et Y sont
Marginale de X −→(xi,pi•) avecpi• =P
jpij
Marginale de Y −→(y,p ) avecp =P p
Probabilt´e en Finance
Vecteurs al´ eatoires Variable Bivariante
Moments de premier et de second ordre Cas discret-Forme g´en´erale
Esp´erance Math´ematique :
E(Z) =E(X,Y)−→(E[X],E[Y]) = (P
ixipi•,P
jyjp•j) Covariances :
Cov(X,Y) = P
i,j(xi −E(X))(yj −E(Y))pij, i = 1,2. . .; j = 1,2, . . . Distribution conditionnelleX/Y
Probabilt´e en Finance
Vecteurs al´ eatoires Variable Bivariante
Distribution de probabilit´es Cas continu-Forme g´en´erale
Consid´erer un vecteur al´eatoire Z = (X,Y) continu ; donc il existe une fonctionfz, appel´e fonction de densit´e telle que
fZ ≥0 R+∞
−∞ fZ(z)dz =R+∞
−∞
R+∞
−∞ fZ(x,y)dxdy = 1 avec dz=dxdy
•Fonction de r´epartition
Probabilt´e en Finance
Vecteurs al´ eatoires Variable Bivariante
Distribution de probabilit´es Cas continu-Forme g´en´erale
Consid´erer la variable al´eatoire bivarianteZ = (X,Y) dont la fonction de densit´e est fz, alors les distributions marginales deX et deY son
Marginale de X −→fX(x) =R+∞
−∞ fz(x,y)dy Marginale de Y −→fY(y) =R+∞
−∞ fz(x,y)dx
Probabilt´e en Finance
Vecteurs al´ eatoires Variable Bivariante
Distribution de probabilit´es Conditionnelle Notion d’ind´ependance entre variables
On dit que deux variable al´eatoires X et Y sont independantes (au sense statistique), si la fonction de densit´e de probabilit´e conjointe est le produit des densit´e de probabilit´e marginales.c.a.d
fZ(x,y) =fX(x)fY(y) ce qui est ´equivalent `a
Probabilt´e en Finance
Vecteurs al´ eatoires Variable Bivariante
Distribution de probabilit´es Conditionnelle Notion d’ind´ependance entre variables
•Distribution de probabili´e conditionnelle P[X ≤x/Y ≤y] =
Z x
−∞
fX(x/y)dx = Z x
−∞
fZ(x,y) fY(y) dx
•Remarques
La variable X est dite independante de Y si P[X ≤x/Y ≤y] =P[X ≤x]
Probabilt´e en Finance
Notion de processus Stochastiques Introduction
D´efinition g´en´erale
On entend par Processus stochastique une collection de variables al´eatoires {Xt;t∈T} d´efinies sur un mˆeme espace probabilis´e (Ω,F,P) a valeurs dansR.T s’appelle l’ensemble indice, ou bien l’espace param´etrique; g´en´eralement inclu dansR. L’ensembles des valeurs qui peut prendreXt s’appelle ensemble d’´etats
Autrement dit un processus stochastiqueX est une application d´efinie comme :
Probabilt´e en Finance
Notion de processus Stochastiques Introduction
L’application
X(ω, .) : T −→ R
t −→ X(ω,t) =Xt(ω) s’appelle ”Trajectoire” du processus, ou bien ”r´ealisation”
Notion de FiltrationF
Pour sep´ecifier un processus stochastique on a pas besoin seulement d’unσ−algebre Θ, mais d’une suite croissante des σ−algebre F = (F ) , appel´e Filtration:
Probabilt´e en Finance
Notion de processus Stochastiques Introduction
Notion de FiltrationF
(Ft)t∈T est un mod`ele abstract qui nous offre une information sur le chemin du processus (disons que c’ est un code a suivre jusqu `a le temps ”t=n”), De telle sorte que si on connait que
l’´ev´enement `aFn a ´et´e ou non r´ealis´e, on peut inf´erer le chemin suivit par le processus jusqu `a la fin,
Exemple
Probabilt´e en Finance
Notion de processus Stochastiques Introduction
• Ω = n
S3(uuu),S3(uud),S3(udu),S3(udd),S3(duu),S3(dud),S3(ddu),S3(ddd)o
= {ω1, ω2, ω3, ω4, ω5, ω6, ω7, ω8}
• F0 ={∅,Ω}
• F1 = {∅,Ω,{ω1, ω2, ω3, ω4},{ω5, ω6, ω7, ω8}}
= n
∅,Ω,S3(uuu),S3(uud),S3(udu),S3(udd)},{S3(duu),S3(dud), S3(ddu),S3(ddd)}o
• F2 = n
∅,Ω,{S3(uuu),S3(uud),S3(udu),S3(udd)},{S3(duu),S3(dud),
S(ddu),S(ddd)},{S(uuu),S(uud)},{S(udu),S(udd)},{S(duu),S(dud)},{S(ddu),S(ddd)}o
Probabilt´e en Finance
Processus stochastiques Caract´ eristiques Probabilistes
Distribution de probabilit´es
Sous certaines condition on peut d´emontrer qu’ un processus stochastique est d´et´emin´e , d une mani`ere unique, par ces distributions conjointes finis (voir breiman 1992) :
Ft1,t2,...,tn(x1,x2, . . . ,xn) =P[Xt1 ≤x1,Xt2 ≤x2, . . . ,Xtn ≤xn] o`u
t ≤t ≤. . .≤t ⊂T
Probabilt´e en Finance
Processus stochastiques Caract´ eristiques Probabilistes
Si le premier saut est une hausse:=u
E[S3/F1](u) = P[X1(u),X2(u),X3(u)]ω1+P[X1(u),X2(u),X3(d)]ω2
+ P[X1(u),X2(d),X3(u)]ω3+P[X1(u),X2(d),X3(d)]ω4
•Noter bien
Cette possibilit´e se r´ealise avec une probabili´e : P[X1(u)] =P[X1=u]
Si le premier saut est une baisse:=d
E[S3/F1](d) = P[X1(d),X2(u),X3(u)]ω5+P[X1(d),X2(u),X3(d)]ω6 + P[X1(d),X2(d),X3(u)]ω7+P[X1(d),X2(d),X3(d)]ω8
•Noter bien
Probabilt´e en Finance
Processus stochastiques Caract´ eristiques Probabilistes
D’ une mani`ere similaire on peut calculer E[S3/F2]
•Noter bien
E[S3/F2]est une variable al´eatoire F2-m´esurable, et ces valeurs d´ependent des deux premi`ers sauts.
Valeur Probabilit´e
E[S3/F2](uu) =p(u,u,u)S3(u,u,u)+p(u,u,d)S3(u,u,d) P[X1=u,X2=u]
E[S3/F2](ud) =p(u,d,u)S3(u,d,u)+p(u,d,d)S3(u,u,d) P[X1=u,X2=d] E[S /F ](du) =p(d,u,u)S(d,u,u)+p(d,u,d)S(d,u,d) P[X =d,X =u]
Probabilt´e en Finance
Processus stochastiques Caract´ eristiques Probabilistes
Les acroissements ind´ependants D´efinition
Si pour toust1≤t2≤. . .≤tn⊂T, les variables al´eatoires Xt1,Xt2−Xt1,Xt3−Xt2, . . . ,Xtn−Xtn−1, sont ind´ependentes, on dit donc que le processus{Xt,t ∈T}est d’accroissement ind´ependents.
• Noter bien
{Xt,t ∈T} est d’accroissement ind´ependents ssi W
t, τ ∈T avec
Probabilt´e en Finance
Notion de processus Stochastiques Introduction
Classification
G´eneralement, les processus stochastiques sont classifi´es en quatres types, selon la nature des deux espaces concern´es, espace d ´etats et des param`etres respectivement
´etats et temps discrets ´etats discrets et temps continu
´etats continus et temps discret ´etats et temps continus
Exemples
Probabilt´e en Finance
Notion de processus Stochastiques Introduction
Cas speciales des Processus stochastiques
G´en´eralement il ya deux classes importantes des processus stochastiques
Les Martingales−→E[Xt/Xs] =E[Xs]
Les Markoviens −→E[Xt/Xt−1,Xt−2, . . . ,X0] =E[Xt−1] La propri´et´e de Martingaleveut dire que le processusXt , sachant le pr´esent “tempss” , n’ a aucune tendance au future ; ce que signifie que la moyenne de toute les possibilit´es future d’etats Xt
Probabilt´e en Finance
Notion de processus Stochastiques Processus Markovien
Processus de Bernoulli D´efinition
Le processus deBernoulliest une serie (collection) des variables al´eatoires X1,X2, . . . ,Xn, . . .; binaires ind´ependentes et
identiquement distribu´ees telle que
P[Xn= 1] =p et P[Xn= 0] = 1−p Remarque
Le processus de Bernoulli est un cas particulier des processus
Probabilt´e en Finance
Notion de processus Stochastiques Processus Markovien
Dite autrement
Consid´erer une serie d’essais ind´ependents, dont on ne peut obtenir que deux r´esultas
1 Succ`es−→ P[Succ`es] =p
2 Echec −→ P[Echec] =1-p
Le nombreN(t) des succ`es dans “t” essais, o`u “t =n00∈N s’appelleProcessus de Bernoulli
Le mod`ele
Probabilt´e en Finance
Notion de processus Stochastiques Processus Markovien
•Noter bien
Certains mod`eles peuvent ˆetre incrust´e dans autres processus stochastique ; en particulier, le mod`ele de Bernoulli
Processus de Bernoulli
Exemple de prix de stock (risk security)
Consid´erant {St,t∈T} le processus stochastique d´ecrivant le parcours d’une actions boursi`ere (selon un mod`ele binomialde prix de stock), il vient que
Probabilt´e en Finance
Notion de processus Stochastiques
Processus Markovien : Mod` ele de Bernoulli
Le mod`ele de Bernoulli est un des processus ´el´ementairesde Markov
Propriet´e Markovienne
P[Xn+1=xn−1/Xn=xn, . . . ,X1 =x1] =P[Xn+1=xn−1/Xn=xn]
Probabilit´es des transitions→P =
p sixn=xn+1+ 1 1−p sixn=xn+1
0 sinon
•Noter Bien
Probabilt´e en Finance
Notion de processus Stochastiques Processus Markovien
Un chemin al´eatoire est une formalisation math´ematique d’une trajectoire d´efinie `a partir d’une serie des “sauts al´eatoires”
Chemin al´eatoire ←− Etudes commenc´es avec Bacheliers (1990) D´efinition
Un chemin al´eatoire {Xn,n∈N} est une collection des variables al´eatoires ind´ependantes identiquement distribuy´esi.i.d dontles accroissements finissont ind´ependants
•Noter bien
Probabilt´e en Finance
Notion de processus Stochastiques Processus Markovien
Chemin al´eatoire simple D´efinition
Le chemin al´eatoire simple est un processus{Sn}n≥0 de markov telque :
Sn+1 =Sn+ξn+1, o`u chaque ξn∈ {−1,1}.
Les variables al´eatoires {ξn}n≥0 sont ind´ependantes et identiquement distribu´ees telles que
P[Sn+1 =k+ 1/Sn=k] =p; P[Sn+1=k−1/Sn=k] = 1−p
Probabilt´e en Finance
Notion de processus Stochastiques
Mouvement Brownien←− R.Brown (1773-1858)
Bachelier (1870-1946) faisait usage de ce mouvement pour d´ecrire le comportement de prix de stock en finance(paris)
Mouvement Brownien-Processus de Wiener D´efinition
Le mouvement Brownien se d´efine comme un processus stochastique{B(t),t ≥0} tel que
1 B(0) = 0
2 B(t) est d’acroissements ind´ependents avec
Probabilt´e en Finance
Notion de processus Stochastiques
Mouvement Brownien←− R.Brown (1773-1858)
Remarque
les trajectoires du M.B “B(t)” sont continues presque sˆur Lemme
Etant donner un Processus de wiener (M.B){B(t),t ≥0}, alors on a pour√
s,t ≥0
1 E[B(s +t)−B(s)/B(r),0≤r ≤s] = 0
2 Cov[B(s),B(t)] =min(t,s)
Probabilt´e en Finance
Notion de processus Stochastiques Processus de poisson
D´efinition
Un processus{Nt,t ∈T}est dite de poisson de param´etreλ≥0 si
N0= 0
Pour tout s ≥0, t ≥0, la variable al´eatoireNt−Ns suit une loi de poisson P((t−s)λ)
Les acroissements N1−N0,N2−N1, . . . ,Nt−Nt−1 sont