Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Les martingales
80-646-08 Calcul stochastique I
Geneviève Gauthier
HEC Montréal
Dé…nition Lemme 1 Exemple Lemme 2
Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Dé…nition
De…nition
Dé…nition. Sur l’espace probabilisé …ltré ( Ω , F , F , P ) , où F est la …ltration fF
t: t 2 f 0, 1, 2, ... gg , le processus
stochastique
M = f M
t: t 2 f 0, 1, 2, ... gg est une martingale à temps discret si
M1 8 t 2 f 0, 1, 2, ... g , E
P[ j M
tj ] < ∞ ;
M2 8 t 2 f 0, 1, 2, ... g , M
test F
tmesurable;
M3 8 s , t 2 f 0, 1, 2, ... g tel que s < t, E
P[ M
tjF
s] = M
s.
Dé…nition Lemme 1 Exemple Lemme 2
Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Martingale
Processus à espérance constante
Theorem
Lemme. Soit M = f M
t: t 2 f 0, 1, 2, ... gg , une martingale construite sur l’espace probabilisé …ltré ( Ω , F , F , P ) . Alors
8 t 2 f 1, 2, ... g , E
P[ M
t] = E
P[ M
0] . Preuve du lemme. 8 t 2 f 1, 2, ... g ,
E
P[ M
t] = E
Ph
E
P[ M
tjF
0] i par ( EC 3 )
= E
P[ M
0] par ( M 3 ) .
Interprétation. Une martingale est un processus
stochastique qui, en moyenne, est constant. Cela ne
signi…e pas pour autant que ce processus varie peu car la
variance Var
P[ M
t] , à tout instant, peut être in…nie.
Dé…nition Lemme 1 Exemple Lemme 2
Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Exemple I
Exemple. Soit f ξ
t: t 2 f 1, 2, ... gg , une suite de
( Ω , F ) variables aléatoires indépendantes et identiquement distribuées par rapport à la mesure P telles que
E
P[ ξ
t] = 0 et E
Pξ
2t< ∞ . Posons
F
0= f? , Ω g ; M
0= 0
8 t 2 f 1, 2, ... g , F
t= σ f ξ
s: s 2 f 1, ..., t gg ; M
t= ∑
ts=1ξ
s.
Le processus stochastique M est une martingale sur l’espace
( Ω , F , F , P ) .
Dé…nition Lemme 1 Exemple Lemme 2
Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Exemple II
En e¤et,
E
P[ j M
tj ] = E
P"
ts
∑
=1ξ
s#
ts
∑
=1E
P[ j ξ
sj ]
∑
t s=1q
E
Pξ
2s< ∞
où la deuxième inégalité provient du fait que pour toute variable aléatoire,
0 Var [ j X j ] = E h
j X j
2i ( E [ j X j ])
2) E [ j X j ] r
E h
j X j
2i .
Le choix de la …ltration fait en sorte que M est adapté
(c’est-à-dire que 8 t 2 f 0, 1, 2, ... g , M
test F
tmesurable).
Dé…nition Lemme 1 Exemple Lemme 2
Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Exemple III
En…n, 8 s, t 2 f 0, 1, 2, ... g tel que s < t, E
P[ M
tjF
s]
= E
P"
M
s+
∑
t u=s+1ξ
ujF
s#
= E
P[ M
sjF
s] +
∑
t u=s+1E
P[ ξ
ujF
s]
= M
s+
∑
t u=s+1E
P[ ξ
ujF
s]
| {z }
=EP[ξu]
par ( EC 1 ) car M
sest F
smesurable.et
par ( EC 7 ) car ξ
uest indépendante de ξ
1, ..., ξ
s.
= M
s.
Dé…nition Lemme 1 Exemple Lemme 2
Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Martingale I
Theorem
Lemme. Dans la dé…nition d’une martingale, la condition ( M3 ) est équivalente à
M3* 8 t 2 f 1, 2, ... g , E
P[ M
tjF
t 1] = M
t 1.
Démonstration du lemme. Clairement, ( M 3 ) ) ( M 3 ) car ( M3 ) n’est qu’un cas particulier de ( M3 ) . En e¤et, il su¢ t de poser s = t 1.
Nous devons donc montrer que ( M 3 ) ) ( M3 ) . Cela se démontre par induction. Intuitivement, si s < t alors
E
P[ M
tjF
s] = E
Ph
E
P[ M
tjF
t 1] jF
si par ( EC 3 ) ,
= E
P[ M
t 1jF
s] par ( M3 ) .
Dé…nition Lemme 1 Exemple Lemme 2
Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Martingale II
Mais si s < t 1 alors nous pouvons reproduire ce raisonnement a…n d’obtenir
E
P[ M
t 1jF
s] = E
Ph
E
P[ M
t 1jF
t 2] jF
si par ( EC 3 ) ,
= E
P[ M
t 2jF
s] par ( M3 ) .
Il su¢ t alors de remplacer ce résultat dans la première équation:
E
P[ M
tjF
s] = E
P[ M
t 2jF
s] .
En itérant cet algorithme, nous obtiendrons éventuellement E
P[ M
tjF
s] = E
P[ M
s+1jF
s]
= M
spar ( M 3 ) .
Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Exemple I
ω ξ1 ξ2 ξ3 P Q
ω1
1 1 1
18 12 ω21 1 1
18 141 ω31 1 1
18 141 ω41 1 1
18 141ω ξ1 ξ2 ξ3 P Q
ω5
1 1 1
18 141 ω61 1 1
18 141 ω71 1 1
18 141 ω81 1 1
18 141Sur l’ensemble fondamental Ω = f ω
1, ..., ω
8g , nous utiliserons la tribu F = l’ensemble de tous les événements de Ω . La …ltration F est composée des sous-tribus
F
0= f?
,Ωg
,F
1=
σf
ξ1g =
σff
ω1,ω2,ω3,ω4g
,f
ω5,ω6,ω7,ω8gg
,F
2=
σf
ξ1,ξ2g =
σff
ω1,ω2g
,f
ω3,ω4g
,f
ω5,ω6g
,f
ω7,ω8gg
,F
3=
σf
ξ1,ξ2,ξ3g = F .
Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Exemple II
Le processus stochastique M , construit sur l’espace probabilisable …ltré ( Ω , F , F ) est dé…ni comme suit :
M
0= 0, M
1= ξ
1M
2= ξ
1+ ξ
2et M
3= ξ
1+ ξ
2+ ξ
3.
Par construction, M est adapté à la …ltration F .
Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Exemple III
M = f M
t: t 2 f 0, 1, 2, 3 gg est une martingale sur ( Ω , F , F , P ) .
En e¤et, la condition ( M 2 ) est déjà véri…ée car M est F adapté.
La condition ( M1 ) est aussi satisfaite car 8 t 2 f 0, 1, 2, 3 g , E
P[ j M
tj ] E
P[ j ξ
1j ] + E
P[ j ξ
2j ] + E
P[ j ξ
3j ] = 3.
Véri…ons la condition ( M3 ) .
Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Exemple IV
EP
[
M1jF
0] =
EP[
M1] par (
EC4 )
= 0
=
M08
ω2 f
ω1,ω2,ω3,ω4g
, EP[
M2jF
1] (
ω) = 1
12
2 1
8 2 1
8 + 0 1 8 + 0 1
8 = 1
M1
(
ω) = 1;
8
ω2 f
ω5,ω6,ω7,ω8g
, EP[
M2jF
1] (
ω) = 1
12
0 1
8 + 0 1
8 + 2 1 8 + 2 1
8 = 1
M1(
ω) = 1.
Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Exemple V
8
ω2 f
ω1,ω2g
, EP[
M3jF
2] (
ω) = 1
14
3 1
8 1 1
8 = 2 et
M2(
ω) = 2;
8
ω2 f
ω3,ω4g
, EP[
M3jF
2] (
ω) = 1
14
1 1
8 + 1 1
8 = 0 et
M2(
ω) = 0;
8
ω2 f
ω5,ω6g
, EP[
M3jF
2] (
ω) = 1
14
1 1
8 + 1 1
8 = 0 et
M2(
ω) = 0;
8
ω2 f
ω7,ω8g
, EP[
M3jF
2] (
ω) = 1
14
1 1
8 + 3 1
8 = 2 et
M2(
ω) = 2.
Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Exemple VI
Par contre M = f M
t: t 2 f 0, 1, 2, 3 gg n’est pas une martingale sur ( Ω , F , F , Q ) . En e¤et,
E
Q[ M
1jF
0]
= E
Q[ M
1] par ( EC 4 )
= 1
2 + 1
14 + 1 14 + 1
14 + 1 14 + 1
14 + 1 14 + 1
14
= 6
14 6 = 0
= M
0.
Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Exemple VII
Conclusion. Le fait qu’un processus stochastique soit une
martingale dépend de la …ltration et de la mesure. C’est
pourquoi on voit parfois la notation ( F , P ) martingale
Dé…nition Exemple Processus arrêté
Dé…nition Exemple Théorème Optional Stopping Theorem Processus Markovien
Processus arrêté
Dé…nition
De…nition
Dé…nition. Le processus stochastique X et le temps d’arrêt τ sont construits sur le même espace probabilisable …ltré
( Ω , F , F ) . Le processus stochastique X
τdé…ni par
X
tτ( ω ) = X
t^τ(ω)( ω ) (1)
est appelé le processus arrêté par τ.
Dé…nition Exemple Processus arrêté
Dé…nition Exemple Théorème Optional Stopping Theorem Processus Markovien
Processus arrêté I
Exemple
ω X
0X
1X
2X
3τ X
0τX
1τX
2τX
3τω
11
121
120 1 1 1 1 ω
21
121
123 1
121
12ω
31 2 1 1 1 1 2 2 2
ω
41 2 2 1 1 1 2 2 2
Dé…nition Exemple Processus arrêté
Dé…nition Exemple Théorème Optional Stopping Theorem Processus Markovien
Martingale arrêtée I
Théorème
Theorem
Théorème. Si la martingale M et le temps d’arrêt τ sont
construits sur le même espace probabilisé …ltré ( Ω , F , F , P )
alors le processus arrêté M
τest lui aussi une martingale sur cet
espace.
Dé…nition Exemple Processus arrêté
Dé…nition Exemple Théorème Optional Stopping Theorem Processus Markovien
Martingale arrêtée II
Théorème
Preuve du théorème. La clef de la démonstration est d’exprimer M
tτen termes des composantes du processus M .
M
0τ= M
0et 8 t 2 f 1, 2, ... g , M
tτ= M
tτt 1 k
∑
=0I
fτ=kg+ I
fτ tg!
=
t 1 k
∑
=0I
fτ=kgM
tτ+ I
fτ tgM
tτ=
t 1 k
∑
=0I
fτ=kgM
k+ I
fτ tgM
t.
Dé…nition Exemple Processus arrêté
Dé…nition Exemple Théorème Optional Stopping Theorem Processus Markovien
Martingale arrêtée III
Théorème
Véri…cation de la condition ( M 1 ) :
E
P[ j M
0τj ] = E
P[ j M
0j ] < ∞ et 8 t 2 f 1, 2, ... g ,
E
P[ j M
tτj ] = E
P"
t 1k
∑
=0I
fτ=kgM
k+ I
fτ tgM
t#
t 1 k
∑
=0E
PI
fτ=kgM
k+ E
PI
fτ tgM
tt 1 k
∑
=0E
P[ j M
kj ] + E
P[ j M
tj ] < ∞
car M étant une martingale, nous avons que
8 t 2 f 0, 1, 2, ... g , E
P[ j M
tj ] < ∞ .
Dé…nition Exemple Processus arrêté
Dé…nition Exemple Théorème Optional Stopping Theorem Processus Markovien
Martingale arrêtée IV
Théorème
Véri…cation de la condition ( M 2 ) :
M
0τ= M
0est F
0mesurable. (2) Maintenant, 8 t 2 f 1, 2, ... g ,
M
tτ=
t 1 k
∑
=0I
fτ=kg| {z }
Fk mesurable carfτ=kg2Fk
M
k|{z}
Fk mesurable carM est adapté.
| {z }
Ft mesurable cark<t)Fk Ft
+ I
fτ tg| {z }
Ft 1 mesurable car
fτ tg=fτ t 1gc2Ft 1
M
t|{z}
Ft mesurable carM est adapté.
est F
tmesurable.
Dé…nition Exemple Processus arrêté
Dé…nition Exemple Théorème Optional Stopping Theorem Processus Markovien
Martingale arrêtée V
Théorème
Véri…cation de la condition ( M 3 ) : 8 t 2 f 1, 2, ... g , M
tτM
tτ 1=
t 1 k
∑
=0I
fτ=kgM
k+ I
fτ tgM
t!
t 2 k
∑
=0I
fτ=kgM
k+ I
fτ t 1gM
t 1!
= I
fτ=t 1gM
t 1+ I
fτ tgM
tI
fτ t 1gM
t 1= I
fτ tgM
tI
fτ t 1gI
fτ=t 1gM
t 1= I
fτ tgM
tI
fτ tgM
t 1car f τ = t 1 g et f τ t g étant disjoints, I
fτ=t 1g+ I
fτ tg= I
fτ=t 1g[fτ tg= I
fτ t 1g.
= I
fτ tg( M
tM
t 1) .
Dé…nition Exemple Processus arrêté
Dé…nition Exemple Théorème Optional Stopping Theorem Processus Markovien
Martingale arrêtée VI
Théorème
Par conséquent, puisque I
fτ tgest F
t 1mesurable E
P[ M
tτjF
t 1] M
tτ 1= E
P[ M
tτM
tτ 1jF
t 1]
= E
PI
fτ tg( M
tM
t 1) jF
t 1= I
fτ tgE
P[ M
tM
t 1jF
t 1]
= I
fτ tgE
P[ M
tjF
t 1] E
P[ M
t 1jF
t 1]
= I
fτ tg( M
t 1M
t 1) = 0 d’où
E
P[ M
tτjF
t 1] = M
tτ 1.
Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Optional Stopping Theorem
Theorem
Théorème (Optional Stopping Theorem). Soit X = f X
t: t 2 f 0, 1, 2, ... gg un processus construit sur l’espace probabilisé …ltré
( Ω , F , F , P ) , où F est la …ltration fF
t: t 2 f 0, 1, 2, ... gg . Supposons que le processus stochastique X est F adapté et qu’il est intégrable, c’est-à-dire que E
P[ j X
tj ] < ∞ . Alors X est une martingale si et seulement si
E
P[ X
τ] = E
P[ X
0]
pour tout temps d’arrêt τ borné, c’est-à-dire que pour chaque temps d’arrêt τ considéré, il existe une constante b telle que
8 ω 2 Ω , 0 τ ( ω ) b.
Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Optional Stopping Theorem I
Preuve du théorème.
Première partie. Supposons que X est une martingale et montrons qu’alors, E
P[ X
τ] = E
P[ X
0] pour tout temps d’arrêt borné.
Soit τ, un temps d’arrêt borné quelconque. Il existe donc une
constante b telle que 8 ω 2 Ω , 0 τ ( ω ) b. Par
Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Optional Stopping Theorem II
Preuve du théorème.
conséquent,
EP
[
Xτ] =
EP" b
k=0
∑
XkIfτ=kg
#
=
EP"
∑
b k=0Xk Ifτ kg Ifτ k+1g
#
=
∑
b k=0EPh
XkIfτ kgi b
k
∑
=0EPh
XkIfτ k+1g
i
=
EP[
X0] +
∑
b k=1EPh
XkIfτ kgi b 1
k=0
∑
EPh
XkIfτ k+1g
i
car
Ifτ 0g=
IΩ= 1 et
Ifτ b+1g=
I?= 0.
=
EP[
X0] +
∑
b k=1EPh
XkIfτ kg
i b
k=1
∑
EPh
Xk 1Ifτ kg
i
Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Optional Stopping Theorem III
Preuve du théorème.
=
EP[
X0] +
∑
b k=1EPh
(
Xk Xk 1)
Ifτ kgi=
EP[
X0] +
∑
b k=1EPh EPh
(
Xk Xk 1)
Ifτ kgjF
k 1ii
par (
EC3 )
,=
EP[
X0] +
∑
b k=1EPh
Ifτ kgEP
[
Xk Xk 1jF
k 1]
ipar (
EC6 )
,=
EP[
X0]
car X étant une martingale,
E
P[ X
kX
k 1jF
k 1] = E
P[ X
kjF
k 1] E
P[ X
k 1jF
k 1]
= X
k 1X
k 1= 0.
Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Optional Stopping Theorem IV
Preuve du théorème.
Deuxième partie. Supposons maintenant que pour tout temps d’arrêt τ borné, E
P[ X
τ] = E
P[ X
0] et montrons qu’alors, le processus stochastique adapté et intégrable est une martingale.
Par hypothèse, X satisfait déjà aux conditions ( M 1 ) et ( M 2 ) . Il ne reste plus qu’à véri…er que 8 s, t 2 f 0, 1, 2, ... g tel que s < t, E
P[ X
tjF
s] = X
s.
Fixons donc s et t 2 f 0, 1, 2, ... g tel que s < t . Nous dénotons par P
s= n A
(s)1, ..., A
(s)nso
la partition …nie
qu’engendre F
s.
Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Optional Stopping Theorem V
Preuve du théorème.
Pour tout i 2 f 1, ..., n
sg nous construisons un temps aléatoire :
S
i( ω ) = 8 >
<
> :
s si ω 2 A
(is)t si ω 2 / A
(is). S
iest un temps d’arrêt (évidemment borné) puisque 8 u 2 f 0, 1, 2, ... g ,
f ω 2 Ω : S
i( ω ) = u g = 8 >
> >
> >
<
> >
> >
> :
A
(is)si u = s 2 F
sA
(is) csi u = t 2 F
sF
t? sinon 2 F
0F
u.
Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Optional Stopping Theorem VI
Preuve du théorème.
Ainsi, par hypothèse, nous avons que E
P[ X
Si] = E
P[ X
0] .
Par ailleurs, comme le temps aléatoire τ
tdé…ni par 8 ω 2 Ω , τ
t( ω ) = t est aussi un temps d’arrêt borné, nous avons, toujours par hypothèse, que
E
P[ X
t] = E
P[ X
τt] = E
P[ X
0] d’où
E
P[ X
Si] = E
P[ X
t] .
Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Optional Stopping Theorem VII
Preuve du théorème.
Par conséquent, 8 i 2 f 1, ..., n
sg , 0 = E
P[ X
t] E
P[ X
Si]
= E
P[ X
tX
Si]
= E
P( X
tX
Si) I
A(s)i
+ ( X
tX
Si) I
A(s) ic
= E
P( X
tX
s) I
A(s)i
+ ( X
tX
t) I
A(s) ic
= E
Ph
( X
tX
s) I
A(s) ii
= ∑
ω2A(is)
( X
t( ω ) X
s( ω )) P ( ω )
d’où ∑
ω2A(is)
X
t( ω ) P ( ω ) = ∑
ω2A(is)
X
s( ω ) P ( ω ) .
Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Optional Stopping Theorem VIII
Preuve du théorème.
Nous pouvons maintenant conclure la preuve puisque, E
P[ X
tjF
s] =
ns
i
∑
=1I
A(s)i
P A
i(s)∑
ω2A(is)
X
t( ω ) P ( ω )
=
ns
i
∑
=1I
A(s)i
P A
i(s)∑
ω2A(is)
X
s( ω ) P ( ω )
= E
P[ X
sjF
s]
= X
s.
Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Processus Markovien I
Dé…nition
De…nition
Dé…nition. Un processus stochastique X = f X
t: t 2 T g , où T est un ensemble d’indices
a, est dit markovien si, pour tout t
1< t
2< ... < t
n2 T , la distribution conditionnelle de X
tnétant donné X
t1, ..., X
tn 1est égale à la distribution
conditionnelle de X
tnétant donné X
tn 1, c’est-à-dire que pour tout x
1, ..., x
n2 R ,
P [ X
tnx
nj X
t1= x
1, ..., X
tn 1= x
n 1]
= P [ X
tnx
nj X
tn 1= x
n 1] .
a
Par exemples, T = f 0, 1, 2, ... g , T = f 0, 1, 2, ...,
Tg où
Test un
entier positif, T = [ 0,
T] où
Test un nombre réel positif, T = [ 0,
∞) , etc.
Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Processus Markovien II
Dé…nition
Intuitivement, si nous supposons que les indices t sont temporels, le processus X est markovien si sa distribution dans le futur étant donné le présent et le passé ne dépend que du présent.
”Une chaîne de Markov est donc un phénomène aléatoire sans mémoire: la distribution d’une observation à venir, étant donné la connaissance actuelle du système et de toute son histoire, est la même lorsque nous n’avons accès qu’à la
connaissance de son état actuel.”
1L’ensemble des valeurs pouvant être prises par le processus est appelé l’ espace d’états de X et nous le dénotons par E
X.
1
Jean Vaillancourt.
Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Processus Markovien I
Exemple
Exemple. Nous lançons un dé à répétition.
La variable aléatoire ξ
nreprésente le nombre de points obtenus au n ième lancer.
Le processus stochastique X représente le total des points obtenus à tout instant, c’est-à-dire que pour tout entier naturel t,
X
t=
∑
t n=1ξ
n.
Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Processus Markovien II
Exemple
X est un processus markovien. En e¤et, X
t=
∑
t n=1ξ
n=
t 1 n
∑
=1ξ
n+ ξ
t= X
t 1+ ξ
t.
Or le résultat du t ième lancer de dé, ξ
t, est indépendant
des résultats obtenus aux t 1 ièmes premiers lancers,
σ f ξ
n: n 2 f 1, ..., t 1 gg . Par conséquent, la distribution
de X
tne dépend du passé du processus stochatique,
σ f ξ
n: n 2 f 1, ..., t 1 gg , qu’à travers σ f X
t 1g .
Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien
Processus Markovien
Remarque
Question. Pourquoi avons-nous besoin d’un espace probabilisé? L’espace probabilisable n’aurait pas été su¢ sant?
Réponse. Nous avons besoin de la mesure de probabilité
pour nous assurer que la propriété d’indépendance est
satisfaite.
Dé…nition Exemple Processus arrêté Optional Stopping Theorem Processus Markovien