HAL Id: tel-00912273
https://tel.archives-ouvertes.fr/tel-00912273
Submitted on 1 Dec 2013
HAL is a multi-disciplinary open access
archive for the deposit and dissemination of
sci-entific research documents, whether they are
pub-lished or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est
destinée au dépôt et à la diffusion de documents
scientifiques de niveau recherche, publiés ou non,
émanant des établissements d’enseignement et de
recherche français ou étrangers, des laboratoires
publics ou privés.
multifractals
N. Perpète
To cite this version:
N. Perpète. Construction et étude de quelques processus multifractals. Probabilités [math.PR].
Uni-versité des Sciences et Technologie de Lille - Lille I, 2013. Français. �tel-00912273�
UFR DE MATHÉMATIQUES
ÉCOLE DOCTORALE SCIENCES POUR L'INGÉNIEUR
THÈSE
Présentéepour obtenir
LE GRADE DE DOCTEUREN SCIENCES
DE L'UNIVERSITÉ DELILLE I
Spé ialité:Mathématiques appliquées
par
Ni olas Perpète
Constru tion et étude de quelques pro essus multifra tals
Soutenue le19 février 2013 devant lejury omposé de :
M.Emmanuel BACRY (Rapporteur) M.Pierre CHAINAIS (Examinateur) MmeLaureCOUTIN (Examinatri e) MmeCarenneLUDENA (Rapporteur) M. FrançoisSCHMITT (Dire teur) M. CharlesSUQUET (Examinateur) M. Vin ent VARGAS (Examinateur) MmeMarie-Claude VIANO (Dire tri e)
Jeremer ied'abordMarie-ClaudeViano.Pendanttoutes esannées, son soutien aété onstant. Lorsde mes visitesà Lilleou dansnosé hanges par mail, elle apassé des entainesd'heuresàguider montravail,àlireetrelire mes brouillons, à orriger mon anglais approximatif... Qu'elle sa he i i que je suis ons ient de l'immense adeauqu'ellem'a fait.
C'estFrançoisS hmittquim'aproposédetravaillersurlesmultifra tals. Ilaluiaussiétéd'uneaide onstantetoutaulongdemathèse.Jeleremer ie d'avoir bien voulu partager ses très bonnes idées ave moi; je le remer ie également pour sadisponibilitéetsonétatd'esprit positif.
JesuistrèshonoréqueCarenneLudenaetEmmanuelBa ryaienta epté de rapporter mon travail.Je suis heureux que e travail les aitintéressés et qu'ilsyapportent leur aution s ientique. Je remer ie également à e titre les autresmembresdujury:Pierre Chainais,LaureCoutin, CharlesSuquet etVin entVargas.Jedisplusparti ulièrement mare onnaissan eàCarenne LudenaetCharlesSuquetpourleursremarquesquim'ontpermisd'améliorer laqualité de monmanus rit.
Malgré mon manque d'assiduité au thé du jeudi, j'ai eu de nombreuses o asionsd'appré ierla onvivialitéetlagentillessedesmembresdu labora-toirePaulPainlevédel'UniversitéLille1.Jelessaluetoustrèsami alement. Jeremer ie ennmafamilleetmesamispro hes.Enparti ulier mes pa-rents, dont le soutiena étéle plus indéfe tible;et évidemment mon épouse Caroline.C'estellequim'aa ompagné haquejour dans ettelongue aven-ture, ave délité, dans la joieetla souran e...Marie(aujourd'huisixans, née le21dé embre aumatin alors quej'avaispassélajournéedu20 àLille) et Chloé (trois ans) sont venuesé lairer notre paysage. Ellessont, bien au-delà du travail exposédans les ent-vingt pagesqui suivent, etmalgré mon atta hement à etravail,les merveilles quejegarderaide esseptannées...
Mis en éviden e dans les années 80 dans les domaines de la turbulen e etdesattra teursétranges,les multifra talsont rapidement gagné en popu-larité. Onles trouve aujourd'huiennan e, engéophysique,dansl'étudedu tra internet et dans bien d'autres domaines des s ien es appliquées. Cet essor s'esta ompagné de lané essité de onstruire desmodèles théoriques adaptés. La Mesure Aléatoire Multifra tale de Ba ry et Muzy est l'un de es modèles. Du fait de son ara tère très général, de sa grande souplesse etde sarelativesimpli ité, elle estdevenue un outil entral du domaine des multifra tals depuis dix ans.
Aprèsun hapitreintrodu tif,onproposedans ettethèsela onstru tion dedeuxfamillesdepro essusmultifra tals.Ces onstru tionsreposentsurles travauxdeS hmittetdeses o-auteurs etsur euxde Ba ryetMuzy.Dans le hapitre 2,on onstruit des pro essusmultifra tals à partir de moyennes mobiles
α
−
stables,tandisquele hapitre3est onsa réàla onstru tiondes Mar hesAléatoiresFra tionnaires Multifra talesd'indi e deHurst0 < H <
1/2.
Cestravauxsont omplétés parl'étudedeversionsanesparmor eaux et par des simulations numériques. De nombreux problèmes onnexes sont également étudiés.Sin etheiremergen einthe80'sintheareasofturbulen eandofstrange attra tors,multifra talshavegainedpopularity.Theyappearnowinnan e, geophysi s, study of network tra and in many other areas of applied s ien es. Thisdevelopment required adaptedtheoreti al models. Ba ryand Muzy'sMultifra talRandomWalkisone ofthesemodels.Thanks toits ge-nerality,its exibilityand to its relative simpli ity,itbe ame entral inthe domain of multifra tals overthe pasttenyears.
In this PhD thesis, two families of multifra tal pro esses are proposed. Their onstru tion is based on the works of S hmitt and o-authors and on those of Ba ry and Muzy.After the introdu tion ( hapter 1), we use in hapter2
α
−
stablemovingaveragestobuildmultifra talpro esses;whereas hapter 3 isdevotedto the onstru tion of Multifra talFra tional Random Walks with Hurst index0 < H < 1/2.
This work is omplemented by the study of linearversionsand bynumeri al simulations. We also study nume-rous relatedproblems.1 Introdu tion 11
1.1 Lespro essusmultifra tals . . . 11
1.1.1 Des fra tals... . . 11
1.1.2 ...auxmultifra tals . . . 12
1.1.3 Propriétés usuelles dessignaux multifra tals . . . 15
1.2 Etude de quelquesexemples . . . 16
1.2.1 Le mouvement Brownien fra tionnaire(fBm) . . . 16
1.2.2 Etude de deuxexemples on rets . . . 18
1.2.3 La as ade anonique . . . 19
1.3 La mesurealéatoire multifra tale (MRM) . . . 25
1.3.1 Un brefhistorique . . . 25
1.3.2 MRM: onstru tion dela as ade . . . 27
1.3.3 MRM:dénition etpropriétés . . . 29
1.3.4 MRM:deux exemples . . . 29
1.3.5 MRM:version dis rèteetsimulation . . . 30
1.4 Planetrésultats delathèse . . . 32
1.4.1 Chapitre2:Pro essusmultifra tals onstruitsàpartir de moyennes mobiles
α
−
stables . . . 321.4.2 Chapitre 3 : Mar he aléatoire fra tionnaire multifra -tale (MFRW) . . . 37
2 Pro essus multifra tals onstruitsà partir demoyennes mo-biles
α
−
stables 43 2.1 Lesvariables etlespro essusα
−
stables . . . 442.1.1 Dénition desloisstables . . . 44
2.1.2 Propriétés deslois stables,intégrales stables . . . 45
2.2 Etude du pro essusprin ipal . . . 46
2.2.1 Dénition de lasuite depro essus
X
S
l
etde salimite . 46 2.2.2 Propriété multifra tale . . . 492.3 Etude d'une versionanepar mor eaux . . . 54
2.3.1 Dénition de laversionane parmor eaux . . . 54
2.3.2 Des problèmes de prévision . . . 58
2.4 Le asgaussien . . . 66
2.4.1 Dénition . . . 66
2.4.2 Propriété multifra tale . . . 67
2.5 Représentations sousforme demoyennesmobiles . . . 70
2.6 Démonstrations deslemmes . . . 73
2.6.1 Démonstration duLemme 2.8 . . . 73
2.6.2 Démonstration duLemme 2.11 . . . 76
2.6.3 Démonstration duLemme 2.21 . . . 81
2.6.4 Démonstration duLemme 2.27 . . . 83
3 Mar he aléatoire fra tionnaire multifra tale (MFRW) 85 3.1 Intégrationpar rapport aufBm . . . 87
3.1.1 Intégration parrapport aufBm . . . 87
3.1.2 Pro essus gaussiensfra tionnaires. . . 89
3.1.3 Vers unedénition de
X
κ
l
. . . 91 3.2 Résultats prin ipaux . . . 94 3.2.1 Propriétés debase deY
l
etdeX
κ
l
. . . 95 3.2.2 Convergen e en loideX
κ
l
et étudede lalimiteX
κ
. . 993.3 Etude d'uneversionanepar mor eaux de
X
κ
. . . 1053.4 Démonstrations deslemmes . . . 107
3.4.1 Démonstration desLemmes3.1, 3.4, 3.7et3.10 . . . . 108
3.4.2 Démonstration duLemme 3.15 . . . 112
3.4.3 Démonstration duLemme 3.16 . . . 117
3.4.4 Démonstration duLemme 3.6 . . . 118
Introdu tion
Lebutprin ipalde ettethèseestde onstruireetd'étudierdenouveaux pro essussto hastiquespossédantdespropriétésmultifra tales.Dans e ha-pitre introdu tif, on présente le adre de travail : on explique e qu'est un pro essus multifra tal(sous- hapitre 1.1), puis ondonne quelquesexemples de sériestemporellesréelles outhéoriques entrant (ou non) dansledomaine desmultifra tals(sous- hapitre1.2). Lesous- hapitre 1.3présentele pro es-sus à la base de notre travail :la mesure aléatoire multifra tale (MRM)de Ba ry et Muzy. On trouve dans le sous- hapitre 1.4 un plan détaillé de la thèse etl'énon édes résultatsprin ipaux.
1.1 Les pro essus multifra tals
1.1.1 Des fra tals...
Le motfra tal a étéinventépar B.B. Mandelbrot dansles années 1970 pour qualier ertaines formes dont la des ription é happait à la géomé-trie traditionnelle. Pour reprendre ses propos, les nuages ne sont pas des sphères, ni les montagnes des nes, ni les îles des er les . Bien qu'une stru ture apparaisse souvent dans la forme de es objets, l'omniprésen e d'irrégularités rendleur des ription omplexe; 'estla re her he d'une des- riptiondèle etrigoureuse quia onduit audéveloppement delagéométrie fra tale
1
.Depuislors,l'étudedesfra talsa onnuunin royableessoret es notions se sontpopularisées.
Il n'existe ependant pas de dénition unique du terme fra tal en ma-thématiques. Sinous nous restreignons aux ourbes de
R
2
,
on peut hoisir
dedirequ'une telle ourbeestfra talesisadimension deHausdordépasse stri tement 1, ou si des irrégularités apparaissent à toutes les é helles; ou en ore si la ourbe possède une stru ture auto-similaire. Les exemples les plus simples, issus de la nature, appartiennent (au moins) à ette dernière atégorie; on pensera par exemple aux feuilles de fougères, aux o ons de neigeou auxvaisseauxsanguins.
Uneautreappro hepossible,surlaquellenousnousfo alisonsdésormais, onsisteà dénir les ourbesfra tales en termesd'os illation (ou de régula-rité)lo ale : onsidérons unefon tion
f
etdénissonsl'exposantpon tuel de HölderH
f
(t
0
)
def
ent
0
omme étant lesup desréelsα > 0
pour lesquels ilexisteun polynmeP
etune onstanteC
tels que,surun voisinagedet
0
,
|f(t) − P (t)| ≤ C |t − t
0
|
α
.
(1.1) La fon tionf
sera d'autant plus régulière ent
0
que la valeur deH
f
(t
0
)
seragrande.Parexemple, la onditionH
f
(t
0
) > 0
impliquela ontinuitédef
ent
0
;
etH
f
(t
0
) > 1
implique sa dérivabilité. La situation intéressante dans le domaine des fra tals est elle oùH
f
(t
0
) < 1
et où le polynmeP
est onstant en haque pointt
0
,
signe d'une grande irrégularité. Cette dernièresituation seren ontrepar exemple en probabilités lorsqu'onétudie le mouvement Brownien fra tionnaireB
H
présenté dans le sous- hapitre 1.2. La gure 1.1 montre de fortes os illations des traje toires deB
H
,
et e d'autant plus queH
est petit. En fait, presque toute traje toire deB
H
possède ununique exposant pon tuel de Hölder,égal àH.
1.1.2 ... aux multifra tals
Bien qu'il soit un objet entral dans les modélisations, le fait que le mouvement Brownien fra tionnaire possède un unique exposant de Hölder limitesonutilisation.Eneet,lessignauxobservésdanslaréalité possèdent des stru tures souvent plus ri hes (voir gures 1.2 et 1.3), présentant un ontinuum d'exposants de Hölder
2
. On dit dans e as que le signal est multifra tal.Ces onsidérationsontamenéFris hetParisi,travaillantdansle ontextede laturbulen e, àfaire leraisonnement suivant [41℄ :on onsidére à nouveau une fon tion
f,
déne sur[0, 1]
et l'on suppose que la fon tion suivante(fon tion departition) existeτ (q) = lim
n→∞
−
1
log n
log
X
1≤j≤n
f
j + 1
n
− f
j
n
q
.
(1.2)2. Il est possible de dénirun mouvement Brownien multifra tionnaire, 'est-à-dire unmouvementBrownien fra tionnaire dont l'exposant
H
est variable[42℄.Les gammesOndénit également
E (α) =
{t ∈ [0, 1] , H
f
(t) = α
} .
(1.3) Autrementdit,E (α)
estl'ensembledespointst
enlesquelsf
aunexposant pon tuel deHölder égal àα.
Soit
D (α)
ladimensiondeHausdordel'ensembleE (α)
(ave la onven-tionD (∅) =
−∞).
Pourn
grand, sij/n
∈ E (α) ,
on a l'approximationf
j+1
n
− f
n
j
≈ n
−α
.
Deplus, par dénitionde ladimension de Haus-dor, il existe environn
D(α)
intervalles de la formeh
j
n
,
j+1
n
h
pour lesquels on aunexposantde Hölderégal àα.
Ce inousamèneà réé rirelafon tion de partition souslaformeτ (q)
≈ lim
n→∞
−
1
log n
log
X
α
n
D(α)−αq
.
(1.4)Onpeuts'attendre à eque lasomme i-dessusse omporte omme
n
sup
α
(D(α)−αq)
(1.5)
(méthode du point-selle). Il viendraitdon
τ (q) = inf
α
(αq
− D (α)) .
(1.6)
Lafon tion
τ
apparaîtnalement ommelatransforméedeLegendredeD.
3Suivant e raisonnement informel,on peutdire que:
la situation où il y a un unique exposant de Hölder
α
0
orrespond à elle oùτ
est ane :τ (q) = α
0
q
− 1.
On parle alors de fon tion monofra tale;lorsqu'ilyaplusieursexposantsdeHölder,
τ
est on avenon aneet l'on parlede fon tion multifra tale4 .
En général, on dit que le formalisme multifra tal est vérié lorsque
D
etτ
sont on avesettransforméesde Legendre ré iproquesl'une de l'autre. Depuis 1985, le formalisme multifra tal a reçu des démonstrations rigou-reuses dansde nombreusessituations (on peut onsulternotamment [49℄ et [23℄).Onrempla eparfoisl'a roissementf
j+1
n
−f
n
j
parun oe ient3. LatransforméedeLegendresetrouveégalemententhermodynamiquestatistique; 'est equiadonnéàParisil'idéede etteméthode.
4. Ave es onventions,unefon tionpossédantdeuxexposantsdeHölder seulement est multifra tale. Onpeut êtreplusexigeantetdemanderaux multifra talsdeposséder
d'ondelettes 5
, ou ladimension de Hausdor par des on epts voisins.Il est aussipossible,ave uneprésentation légèrementdiérente,de onsidérerune mesure
µ
surladroiteréelleàlapla edelafon tionf ;
dans e asonparle demesure multifra tale6 .
Depuisleur introdu tion dans le adre de laturbulen e etdans elui de lathéorie du haos [19 ℄ au débutdes années 1980, les multifra tals se sont développés[15 ,52℄etontgagnéd'autresdomaines,enparti ulierless ien es naturelles[59,30 ℄ etlanan e[35 , 54,39,10 ,12℄
7 .
On étendde façon naturelle e qui pré ède aux pro essus sto hastiques réelsendonnant ladénition[35 ℄ :
Dénition 1.1 Soit
T > 0
et soitX =
{X (t)}
t∈[0,T ]
un pro essus sto has-tique.OnditqueX
est multifra tal lorsqu'ilexiste des onstantesC
q
etune fon tionstri tement on aveζ,
appelée spe tre multifra tal,telles queE |X (t + h) − X (t)|
q
= C
q
h
ζ(q)
(1.7) pour tous0
≤ t < t + h ≤ T, q ∈ Q ; Q
étant un sous-ensemble deR
qui ontient[0, 1] .
Sousles mêmes hypothèses, mais ave une fon tion ane
ζ,
lepro essusX
est ditmonofra tal.Lesmomentsdesin rémentsde
X
sontappelésfon tionsdestru ture de-puislestravauxdeKolmogoroventurbulen e[29 ℄.Onnoteraquelafon tionτ
(Eq. (1.2))a étérempla ée parζ = τ + 1.
Unequestionimportanteestdesavoirsiunpro essusquivérie(1.7)est réellement multifra tal au sens géométrique :presque toute traje toire possède au moins deux exposants pon tuels de Hölder, et les fon tions
D
etτ = ζ
− 1
sont on aves et transformées de Legendre ré iproques l'une de l'autre (on parle alors en ore de formalisme multifra tal). Une réponse positive à ette question a été apportée dans le as de la as ade ano-nique [20, 36℄, ainsi que pour une famille parti ulière de mesures aléatoires multifra tales[9 ℄ lesdémonstrationsutilisent notammentdesméthodesde grandesdéviations.Ce iestbrièvementexposéausous- hapitre1.2.Ilsemble5. Lesondelettessontenfaitmajoritairementutiliséesdanslalittératureré ente,àla foispourlespartiesthéorique(formalismemultifra tal)etpratique(estimationduspe tre multifra tal).
6. Voir parexemplele sous- hapitre1.2, où l'on présentela as ade anonique etla mesureasso iée.
qu'au une autre réponse n'ait été apportée on ernant les autres pro essus apparaissant dans ette thèse.
Le hapitre3delathèseestentièrement onsa réàl'étuded'unpro essus multifra tal au sens de laDénition 1.1. Dans le hapitre 2, onren ontrera despro essus vériant la ondition plusfaible :
Dénition 1.2 Soit
T > 0
et soitX =
{X (t)}
t∈[0,T ]
un pro essus sto has-tique.OnditqueX
est faiblementmultifra tal lorsqu'ilexiste des onstantesc
q
, C
q
et une fon tionstri tement on aveζ
telles quec
q
h
ζ(q)
≤ E |X (t + h) − X (t)|
q
≤ C
q
h
ζ(q)
(1.8) pour tous0
≤ t < t + h ≤ T, q ∈ Q ; Q
étant un sous-ensemble deR
qui ontient[0, 1] .
Remarque 1.3 Pour simplier la présentation et alléger les al uls, on onstruiratousnospro essussurl'intervalle
[0, 1] .
Onnoteraqu'unpro essus multifra talX
1
étant ainsi onstruit, on en obtient un autre sur l'intervalle[0, T ]
en posantX
2
(t) = X
1
(t/T ) .
Le fait de se ramener à l'intevalle[0, 1]
n'enlève don rien à la généralité du travail.1.1.3 Propriétés usuelles des signaux multifra tals
Considérons un signaldéterministe ou laréalisation d'un pro essus sto- hastique
(x
t
)
(dansle asd'unpro essus,x
t
= X (t, ω)
).Pour simplier la présentation, noussupposons quel'on observelesx
i/n
,
pouri = 0, 1, . . . , n.
Si l'on veutmettre en éviden e (ou au ontraire inrmer) le ara tère mul-tifra tal du signal,on ommen e par al ulerm
n
(q, ∆t) =
h|x
t+∆t
− x
t
|
q
i
(1.9) pour diérentes valeurs deq
et de∆
t
.
On représente ensuite sur un même graphiquelog [m
n
(q, ∆t)]
en fon tion delog ∆t,
pour haque valeur deq
onsidérée (graphiquesenhaut àdroite desgures1.2et1.3).Un pro essus multifra tal (resp.monofra tal)est ara térisépar (voirDéniton1.1)log [E
|X (t + h) − X (t)|
q
] = log C
q
+ ζ (q) log h, q
∈ Q,
(1.10) aveζ
q
stri tement on ave(resp.ane),relationquidevraitsetraduireparOn re onnaîtra graphiquement un signal multifra tal (ou monofra tal) au faitque,pourtouteslesvaleursde
q
onsidérées,legraphedelog [m
n
(q, ∆t)]
enfon tion delog ∆t
estane[35℄.On estimera le spe tre
ζ (q)
en évaluant la pente de la ourbe obte-nue dans(1.11) par laméthode desmoindres arrés. Unspe trestri tement on ave (resp.ane) estsigne d'unsignalmultifra tal (resp.monofra tal).Defaçon plusélémentaire, les indi esgraphiques immédiats dessignaux multifra talssontun ara tèreintermittent( 'est-à-diredespériodesdeforte a tivité suivies de périodes plus almes) et une grande variabilité à toutes lesé helles. Dans les hapitres 2et3,dessimulations numériques nous per-mettrontde mettreen éviden e espropriétésgraphiques pour lespro essus multifra tals quenous onstruirons.
1.2 Etude de quelques exemples
1.2.1 Le mouvement Brownien fra tionnaire (fBm)
Le fBmd'indi edeHurst
0 < H < 1,
notéB
H
,
estlepro essusgaussien entré de ovarian ecov (B
H
(t) , B
H
(s)) =
1
2
|t|
2H
+
|s|
2H
− |t − s|
2H
.
(1.12) C'est leseul pro essus gaussienà a roissements stationnaires possédant la propriétéd'auto-similarité{B
H
(at)
}
t
=
d
a
H
{B
H
(t)
}
t
(a > 0)
(1.13) (=
d
désignel'égalitéenloientrepro essus).Onrappelleégalement que
B
1/2
est le mouvement Brownien standard. Ces résultats, ombinés à ertaines propriétés de mémoire (voir [51 ℄, hapitre 7), expliquent l'omniprésen e du fBm depuis son introdu tion par Kolmogorov en 1940 et sa popularisation dansledomainedess ien esappliquéesparMandelbrotetVanNessen1968 [33 ℄.
Enutilisantlapropriétéd'auto-similarité,lastationnaritédesin réments etlefaitque
B
H
(0) = 0 p.s.,
onobtientE |B
H
(t + h)
− B
H
(t)
|
q
= E
|B
H
(h)
|
q
= h
qH
E |B
H
(1)
|
q
.
(1.14) LefBm estdon monofra tal au sensde laDénition 1.1,aveζ (q) = qH.
esti-utilisé la méthode de simulation des pro essus gaussiens par matri e ir- ulante pour simuler des traje toires de
B
H
sur l'intervalle[0, 1],
ave les valeursH = 0.3, H = 0.6
etH = 0.9.
Nousavonsestimé haque fon tionde partition en al ulantτ
n
(q) =
−
1
log n
log
X
1≤j≤n
B
H
j + 1
n
− B
H
j
n
q
,
(1.15) aven = 2
17
etpour
q = 0, 0.1, 0.2, . . . , 3.
Lestrois ourbessont pro hesde lafon tion aneτ (q) = qH
− 1,
signe d'unpro essusmonofra tal (ave un unique exposant deHölder, égalàH
).−2
−1.5
−1
−0.5
0
0.5
H=0.3
0
0.2
0.4
0.6
0.8
1
1.2
1.4
H=0.6
−0.15
−0.1
−0.05
0
0.05
H=0.9
0
1
2
3
−1
−0.5
0
0.5
1
1.5
2
q
τ
(q)
H=0.9
H=0.6
H=0.3
Figure 1.1 Simulation du fBm. Chaque traje toire du fBm semble possèder une irrégularité homogène (exposant de Hölder unique); et ette irrégularité est d'autant plus grande que
H
est petit. Ces résultats sont onrmés par les al uls deτ
n
(q)
(Eq. (1.15)) (diamants), qui s'ajustent bien surlesfon tions anesτ (q) = qH
− 1
(lignes ontinues).Remarque1.4 Dans etteremarque, on expliquedans quelle mesure
τ
n
(q)
est unbon estimateur deτ (q) = qH
− 1
dans le as du fBm d'indi eH.
Soit0 < H < 1, q > 0.
Le Théorème ergodique entraîne la onvergen e en probabilitéde la suite de variables aléatoiresS
n
= n
qH−1
X
1≤j≤n
B
H
j + 1
n
− B
H
j
n
q
(1.16) versE |B
H
(1)
|
q
(on renvoie au al ul p.4 de [40℄ pour les détails). Par onséquent
log S
n
onverge en probabilité verslog E
|B
H
(1)
|
q
;
et omme
τ
n
(q) = qH
− 1 − log S
n
/ log n, τ
n
(q)
onverge en probabilitéversqH
− 1.
81.2.2 Etude de deux exemples on rets
Nous nousintéressons maintenant à deux séries de données réelles 9
, is-sues des domaines de la nan eet de la turbulen e (gures 1.2 et1.3). La premièresériedonnelelogarithmedutauxde hange euros/dollarsjour par jourde janvier1993 àjanvier2005 (gure1.2). La représentation graphique de
log [m
n
(q, ∆t)]
(dénie par (1.9)) en fon tion delog ∆t
pour diérentes valeurs deq,
puis l'estimation du spe treζ (q) ,
mettent en éviden e le a-ra tèremultifra tal delasérie.Eneet,onobtient surlepremier graphique desfon tionsanes pour haque valeur deq ;
etsurle se ondune fon tion stri tement on ave.L'introdu tion desmultifra tals ennan e remonteà [16 ℄ et à[35 ℄,ave l'étude d'ungrand nombre de situations analogues à elle que nousvenons de présenter, mettant en lumière le ara tère multifra tal des signaux étu-diés itons également [54 ℄, ave de nombreux exemples. Ce i pose, depuis plusieurs années, la question de la pertinen e des modèles de type ARCH, habituellement utilisés en nan e; etdont les traje toires ne sont pas m ul-tifra tales.
Le deuxième exemple que nous présentons est un hamp de vitesse du vent, mesuré en m/s toutes les 0.1 s pendant 25 min (gure1.3). La même méthode que elle utiliséepour la sériede taux de hange i-dessusmet en éviden ele ara tère multifra tal dusignal.
8. Cequipré èdeseveutêtreuneillustrationsimpledel'utilisationquel'onpeutfaire delafon tion departition.Ontrouvedans l'arti le deHuangetal. [22 ℄ uneétude nu-mériquebienpluspoussée,ave notammentune omparaisonsystématiquedesdiérentes méthodespossiblesd'estimationduspe tredufBm.
jan 93
jan 99
jan 05
−0.4
−0.2
0
0.2
0.4
log(EUR/USD)
0
1
2
3
4
0
0.5
1
1.5
2
q
10
0
10
2
10
−8
10
−6
10
−4
10
−2
10
0
∆
t
m
n
(q,
∆
t)
q/2
ζ
(q)
Figure 1.2 Taux de hange. On étudie le logarithme du taux de hange euro/dollar de 1993 à 2005. Le graphique en haut à droite montre
log [m
n
(q, ∆t)]
(Eq. (1.9)) en fon tion delog ∆t,
pour les valeursq =
0.5, 1, 2, 3, 4
(debasenhaut)etlesajustementsanes orrespondants.Pour haquevaleurdeq,
lasériedepoints orresponddefaçonassezpré iseàune fon tion ane, e qui indique lapropriété d'é helle attendue.La fon tionζ
est estimée en bas àgau he; sastri te on avité onrme le ara tère mul-tifra tal du signal. Pour les valeurs de0
≤ q ≤ 2, ζ (q)
est pro he deq/2,
résultat lassique ennan e.1.2.3 La as ade anonique
La as ade anoniqueaétéintroduitedansle adredelaturbulen epar Yaglom en 1966 [61 ℄. Ses propriétés mathématiques et elles de la mesure asso iée ont ensuite été étudiées par Mandelbrot [34℄, puis par Kahane et Peyrière [24℄.Ci-dessous,nousdénissons la as ade ommedans[24 ℄.
d'espé-0
5000
10000
15000
2.8
2.9
3
3.1
3.2
3.3
temps (en 1/10 de s)
log(vitesse en m/s)
0
2
4
6
8
0
1
2
3
4
q
10
0
10
1
10
2
10
−15
10
−10
10
−5
10
0
∆
t
m
n
(q,
∆
t)
q/2
ζ
(q)
Figure 1.3 Vitesse du vent. On étudie un hamp de vent pendant 25 min.Commesurlagure1.2,lapropriétéd'é helleapparaîtsurlegraphique enhautàdroite;ondoit ependantlimiterlavaleurdel'in rément
∆t
(∆t
≤
2
5
) pour avoirdesrésultatsprobants ( 'est-à-diredesdroites). L'estimation de la fon tionζ
(en bas) indique le ara tère multifra tal de la série e derniern'apparaissant qu'au-delà du moment d'ordre4.
ran e1.On onsidère lesintervalles
b
−
adiquesde[0, 1] :
I (j
1
, j
2
, . . . , j
n
) =
"
n
X
k=1
j
k
b
−k
,
n
X
k=1
j
k
b
−k
+ b
−n
"
(1.17)(n = 1, 2 . . . , j
k
= 0, 1, . . . , b
− 1).
Ondésigne ensuite parW (j
1
, j
2
, . . . , j
n
)
unefamille de variablesaléatoires indépendantesde même loi queW.
La mesure
µ
n
asso iée à ette as ade est dénie sur[0, 1]
ommeétant lamesurealéatoire dont ladensité estsur l'intervalle
I (j
1
, j
2
, . . . , j
n
)
(premier graphique delagure1.4).Autrement dit, on part du segment
[0, 1] ,
que l'on divise enb
pavés, puis ànouveau enb
pavés,et ., haquepavé sevoyant asso ierune variable aléatoire; puison al ule unproduit en as ade .Cette onstru tion est appelée as ade anonique.Figure 1.4 Les diérentes as ades. Ona représenté en haut la as- ade anonique dans le as
b = 2, n = 3.
La densité deµ
3
sur l'intervalle[0.25, 0.375[
estégale àW (0) W (0, 1) W (0, 1, 0) .
Le neA
l
(t)
de laMRM [8℄ est représenté sur le graphique en bas à gau he; tandis que le neA
t
déni par S hmitt etMarsan[55 ℄ estreprésentéen basà droite.Sur les quatre premiers graphiques de la gure 1.5, on a représenté la densité de
µ
n
et sa fon tion de répartition dans les asb = 2, n = 3,
puisb = 2, n = 12,
aveW
log-normale :W = log G,
oùG ∼
N (−0.5, 1) .
Ons'intéresse àprésent àlamesureµ
n
etàuneéventuellemesurelimiteµ.
On onsidèrepour elaunréelx
∈ [0, 1] ,
dontledéveloppementb
−
adique s'é ritx =
P
x
k
b
−k
.
La densitédeµ
n
enx
estdµ
n
(x) = W (x
1
) W (x
1
, x
2
)
· · · W (x
1
, x
2
, . . . , x
n
) ;
(1.19) et si la loi deW
n'est pas dégénérée, ette suite de variables aléatoiresonvergepresquesûrementvers
0.
10Commenousavonsunensemble dénom-brable de variables
W (.) ,
presque sûrement, pour toutx
∈ [0, 1] , dµ
n
(x)
onverge vers0.
Cette onvergen e est en partie visible sur la gure 1.5, puisque ladensité deµ
12
y est presque partout pro he de0
(elle l'est bien davantageque elledeµ
3
).Par ontraste,ladensitédeµ
12
sembleportéepar quelquesintervalles où elle est très élevée et lamassetotale deµ
12
est plus importante que elle deµ
3
(valant un peu moins de0.8)
le même travail pourµ
16
(nonreprésenté)donnedesrésultatssensiblementidentiques.Cette apparente ontradi tion se omprendmieuxsil'onétudie lasuiteµ
n
(I) ,
oùI
est unintervalleb
−
adiquequel onque : ette suite est unemartingale po-sitive d'espéran e|I| ,
elle onverge don presque sûrement vers une limiteµ (I) ;
par onséquentµ
n
onverge presquesûrement versune mesureµ,
au sensde latopologiefaible.Cette situation omplexe a été étudiée dans [34 , 24℄. La question de la non-dégénéres en ede lamesurelimite
µ,
l'étudegéométriquede sadensité etl'existen edumomentd'ordreq
sontrésumés danslapropriétésuivante: Propriété 1.5 (Kahane et Peyrière (1976))On poseZ = µ ([0, 1])
et pourq
≥ 0 :
ψ
b
(q) = log
b
EW
q
(1.20)(qui peut éventuellement être inni). On onsidère également un intervalle
b
−
adiqueI.
1. (Condition de non dégénéres en e) Si
ψ
′
b
(1
− 0) < 1,
alorsEZ > 0 ;
et ré iproquement.2. (Existen edes moments) Soit
q > 1.
Siψ
b
(q) < q
− 1,
alorsµ (I)
a un moment d'ordreq
etµ
n
(I)
onverge versµ (I)
dansL
q
.
3. (Etude de la mesure
µ
) On suppose queE (Z log Z) <
∞.
Alorsµ
est presque sûrement portée par un Borélien de dimension de HausdorD = 1
− ψ
′
b
(1
− 0) .
La mesurealéatoire
µ
vérie lapropriétéµ (I
n
) =
d
b
−n
W
1
× · · · × W
n
× µ ([0, 1])
(1.21) pour tout intervalleb
−
adiqueI
n
de longueur|I
n
| = b
−n
;
et où les
W
i
sont des opies indépendantes deW,
également indépendantes deµ ([0, 1]) .
La propriété (1.21) de type auto-similaire (ou d'invarian e d'é helle), dans10. Eneet,ave la onvention
log 0 = −∞, log [dµ
n
(x)]
apparaît omme unesomme devariables i.i.d. D'après l'inégalité de Jensen,E (log W ) < log (EW ) = 0,
don la loi fortedesgrandsnombresdonnelim
n
log [dµ
n
(x)] = −∞, p.s.
laquelle le oe ient d'é helle est aléatoire est la lef pour obtenir un pro- essus multifra tal. En eet, si
µ ([0, 1])
a un moment d'ordreq,
on obtient dire tement à partirde (1.21)E [µ (I
n
)]
q
=
|I
n
|
q−ψ
b
(q)
E [µ ([0, 1])]
q
.
(1.22) Malheureusement, rien ne permet d'armer que l'on puisse rempla er l'in-tervalleb
−
adiqueI
n
par un intervalle quel onque dans ette égalité; par onséquent il n'est pas ertain queµ
(vu omme un pro essus) soit stri -tement multifra tal au sens de la Dénition 1.1. La mesureµ
est pourtant devenue l'ar hétype du pro essus multifra tal, la plupart des onstru tions ee tuées dans e domaine étant des généralisations de la as ade ano-nique11
. La onstru tion d'une as ade danslaquelle on puisse s'aran hir de l'hypothèse
I
n
intervalleb
−
adique n'aétépleinement a hevée qu'ave la mesure aléatoire multifra tale (voirlesous- hapitre 1.3).Holley et Waymire [20℄ ont démontré des résultats de formalisme mul-tifra tal géométrique pour la mesure
µ
dans le as oùW
est bornée, puis Mol han[36℄atraitéle asgénéral.Leursrésultatssontillustréssurlesdeux derniers graphiquesde lagure1.5:onrappelle quel'on aprisun poidsW
log-normaletquel'ons'intéresseàlamesureµ
12
lorsqueb = 2.
Pourvérier le ara tèremultifra taletmettreen lumièrelefaitquel'on devraitpouvoir sepasser de l'hypothèseI
n
intervalleb
−
adique dansl'équation (1.21),on a représenté12
m
12
(q, ∆t) =
hµ ([t, t + ∆t[)
q
i
(1.23) pour diérentes valeursdeq
etpour :
∆t = 1, 2
−1
, . . . , 2
−7
et
[t, t + ∆t[
intervalle delaforme[k∆t, (k + 1) ∆t[
dansunpremier temps;∆t = 1, 3
−1
, . . . , 3
−7
et
[t, t + ∆t[
intervalle quel onque dansun deuxième temps.On a
EW
q
= e
1
2
(
q
2
−q
)
, don d'après le Point 2 de la Propriété 1.5, les moments de
µ
n
divergent lorsque1
2 log 2
q
2
− q
< q
− 1.
Pour ette raison, nousavonsrestreintle al uldem
12
(q, ∆t)
àq
≤ 1.3.
On onstatequelefait de hoisir∆t = 2
−k
ounon,etdesintervalles ommedansl'équation (1.21) ounon,ne hangeenrienl'alluredessériesdepointsobtenues(graphiqueen basà gau he de lagure1.5).C'est un bon argument enfaveurdu faitque l'on puisse se passer de l'hypothèse
I
n
intervalleb
−
adique dans l'équation 11 . Au undespro essus quenous onsidéreronsàpartirdemaintenantn'é happeraà etterègle.12 . Pourêtre ohérentave lesnotationsutiliséesplustt,ilfaudraitnormalementé rire
m
2
12
(q, ∆t) ,
puisqu'ilya2
12
(1.21). Le fait que les séries de points soient alignées (graphique en bas à gau he de la gure 1.5) et l'allure stri tement on ave de
ζ
(estimée sur le graphique en bas à droite) illustrent le ara tère multifra tal de la mesureµ.
0
0.2
0.4
0.6
0.8
1
0
0.2
0.4
0.6
0.8
Densité de
µ
3
0
0.2
0.4
0.6
0.8
1
0
0.1
0.2
0.3
0.4
F° répart. de
µ
3
0
0.2
0.4
0.6
0.8
1
0
200
400
600
800
Densité de
µ
12
0
0.2
0.4
0.6
0.8
1
0
0.2
0.4
0.6
0.8
F° répart. de
µ
12
10
0
10
1
10
2
10
−5
10
0
Etoiles :
∆
t = 2
−k
Cercles :
∆
t = 3
−k
m
12
(q,
∆
t)
0
0.5
1
0
0.5
1
q
ζ
(q)
Figure1.5Cas ade anonique.Lesquatregraphiquesduhautmontrent les densités et les fon tions de répartition de
µ
3
etµ
12
dans le as d'une as ade log-normale, aveb = 2.
La nature géométrique omplexe de la mesure limiteµ
(Propriété 1.5) apparaît bien sur les graphiques du mi-lieu. Sur le graphique en bas à gau he, on a onstruitm
12
(q, ∆t) ,
pourq = 0.25, 0.5, 0.75, 1, 1.25,
ave deuxfamillesd'intervallesdiérentes(l'une orrespondant àl'équation(1.21) etl'autrenon).Lepeudediéren esentre lesdeux sériesde points laisse penser qu'il estpeut-être possiblede généra-liserl'équation (1.21). Le spe treζ,
asso iéà lamesurelimiteµ,
estestimé surlegraphiqueen basà droite.1.3 La mesure aléatoire multifra tale (MRM)
1.3.1 Un bref historique
La as ade anonique, présentée dans la se tion pré édente, possède le défaut de faire jouer à l'entier
b
un rle privilégié (Eq. (1.21),(1.22)). Une généralisationdela as ade,évitant eté ueil,aétéproposéeparKahanedès 1985[25℄:on onsidèreunefamilledepro essusgaussiensréelsindépendantsX
1
, X
2
, . . .
On dénitensuiteles poids aléatoiresP
n
(t) = e
X
n
(t)−
1
2
EX
n
2
(t)
,
(1.24) etlamesureν
n
([0, t]) =
Z
t
0
Q
n
(s) ds,
(1.25) oùQ
n
= P
1
. . . P
n
.
(1.26)On retrouve l'idée de la as ade, mais les variables asso iées aux pavés du
k
−
ième étageont été rempla ées par une mesure aléatoire sur l'étage om-plet. Kahane donne des onditions d'existen e de la mesureν = lim
n
ν
n
et étudie ses propriétés géométriques.Il expliqueégalement lelienave la tur-bulen e et, e faisant, propose pratiquement une méthode de onstru tion de pro essusmultifra tal :ilnotep
i
(t, s) = cov (X
i
(t) , X
i
(s))
(1.27) etq
n
(t, s) =
n
X
i=1
p
i
(t, s) ,
(1.28)etmontre qu'il estpossiblede hoisir les pro essus
X
i
de tellesorte quelim
n
q
n
(t, s) =
−log
+
|t − s| + O (1) .
(1.29)
Kahaneindiqueque edernierexempleest onvenable ommemodèledela turbulen eisotrope.Aumomentde etarti le,lesmultifra talsnesontpas en oredéveloppésetKahanen'abordepas edomaine.Orsa onstru tionest très pro hede laMRM[8℄, présentéedans lase tionsuivante; etil surait de hoisirjudi ieusement les
X
i
pour obtenir unpro essusmultifra tal.Quelques années plus tard, Ba ry, Delour et Muzy [7 ℄ font une autre avan ée. Ils dénissent (nous modions légèrement leur présentation, sans enaltérer lesens)
X
n
(t) =
⌊nt⌋
X
i=1
ǫ
n
(i) e
ω
n
(i)
,
(1.30)où
ǫ
n
est un bruit blan gaussien entré de varian e1/n,
indépendant du pro essus gaussienω
n
d'espéran eE (ω
n
(i)) =
−λ
2
log n
etde ovarian ecov (ω
n
(i) , ω
n
(j)) =
(
−λ
2
h
log
|i−j|+1
n
i
si|i − j| ≤ n − 1,
0
sinon.
(1.31)Lesauteurs de [7℄étudient lesmomentsentiersetles propriétésde mémoire d'un pro essus limite
X
et vérient son ara tère multifra tal ave le même type de simulationsnumériquesque elles quenousavonsfaitesdans le sous- hapitre 1.2. Ce pro essus est très pro he de la mar he aléatoire multifra tale (MRW), présentée dans le hapitre 3 (et pro he parente de la MRM).Laper éedé isive estmenéelamêmeannéepar S hmittetMarsan[55 ℄, ave l'idéesuivante:ladensitéenunpoint
x
dun
−
ième étagedela as ade anoniques'é rit sousforme de produit(voir Eq. (1.19))dµ
n
(x) = W (x
1
) W (x
1
, x
2
)
· · · W (x
1
, x
2
, . . . , x
n
) ;
(1.32) autrementdit ommeleproduitdevariablesaléatoiresasso iéesàdespavés dessinant un ne au-dessus dex
(en haut de la gure1.4). S hmitt et Marsanrempla ent leproduit(1.32) pare
M (A
x
)
,
(1.33)
où
A
x
estun neplusrégulier onstruitau-dessusdex
(enbasàdroitede lagure1.4)etM
estune mesurealéatoireinniment divisible.Lesauteurs de [55 ℄ vérient que le pro essus obtenu est bien multifra tal et proposent d'é rire(1.33) sous formede moyenne mobiledansle aslog-stable.Unanplustard 13
,BarraletMandelbrot[9 ℄proposentunedénition voi-sineen utilisant toute une famillede mesures aléatoires onstruitesà partir d'un pro essus de Poisson. Ils vérient ensuite les propriétés géométriques
13. Nous présentons les diérentes onstru tions dansleur ordrede publi ation, sans attribuerdepaternitéàtel outel auteur.L'examendesdatesdes premièressoumissions desarti lesdesunsetdesautrespermetdevoirquelesdiérentstravaux[7 ,55 ,9 ℄sont
desmesures limites ainsi ontruites. Leurtravailest un asparti ulier de la MRM;à ma onnaissan e e sont les seulesMRM pour lesquelles le forma-lisme multifra tal aitétédémontré.
Ce long pro essus de re her he est on lu en 2002 par Ba ry et Muzy [8℄. Dans et arti le aujourd'hui fondamental, ils présentent une méthode de onstru tion de pro essus multifra tals, appelés MRM, qui englobe et généraliseles travauxpré édents surlesujet
14
.Leur onstru tion,à labase de mon travail de thèse, est rappelée de façon détaillée dans les se tions suivantes.
1.3.2 MRM : onstru tion de la as ade
Notre présentation suit [8℄ 15
. Soit
S
+
=
{(x, y), x ∈ R, y ∈]0, ∞[}
le demi-plan supérieurdans
R
2
.
Ondénit surS
+
lamesuredµ(x, y) =
dxdy
y
2
.
(1.34)Onsedonneàprésentunevariablealéatoireinniment divisible
W.
Onpeut é rireEe
iqW
= e
ϕ(q)
,
oùϕ(q) = imq +
Z
e
iqx
− 1 − iq sin x
x
2
ν(dx)
(1.35)etoù
m
estun réeletν,
lamesurede Lévyasso iée àW,
vérieZ
|x|>y
ν(dx)
x
2
<
∞
(1.36)pour tout
y > 0.
Danslasuite, onsupposequeν
n'est pasdégénérée. Rappelonsqu'unemesurealéatoireinnimentdivisiblesurS
+
estun pro- essus
{P (A)}
A
indexépar lesboréliens deS
+
telque, pour tousboréliens disjoints
A
1
, A
2
, . . .
:les variables
P (A
1
) , P (A
2
) , . . .
sont inniment divisibles et mutuel-lement indépendantes;
P (
∪
i=1
A
i
) =
P
i
P (A
i
) ,
p.s.D'après la Proposition 2.1 de [48 ℄, on dénit une unique mesure aléatoire inniment divisible
P
surS
+
par laformule :
Ee
iqP (A)
= e
ϕ(q)µ(A)
(1.37)14 . UntravailtrèsvoisinaétéproposéparChainaisetal.àlamêmeépoque[11 ℄. 15 . Nousfaisons ependantlapetitesimpli ationqui onsisteàprendre
T
= 1,
'est-à-direàtravaillersurl'intervalle[0, 1]
uniquement(voirRemarque1.3).pour tout
q
∈ R, A
borélien deS
+
.
Pour tout ouple
(t, l)
dansR×]0, ∞[,
Ba ryetMuzydénissent le sous-ensembleA
l
(t)
deS
+
par
A
l
(t) =
{(x, y), l ≤ y, |x − t| ≤ inf(y/2, 1/2)}
(1.38) (graphiqueen basà gau hede lagure1.4) et lavariablealéatoireω
l
(t) = P (A
l
(t)).
(1.39)Leur onstru tion estunegénéralisation de la as ade anonique(voir sous- hapitre pré édent) :
A
l
(t)
est le ne etω
l
(t)
doit être vu omme le logarithmedeladensitéd'unemesureaupointt.
Cette onstru tions'inspire de[55℄ en l'améliorant.Finalement, Ba ryetMuzydénissent la mesure
M
l
(I) =
Z
I
e
ω
l
(x)
dx.
(1.40)
Pour que ette mesuresoit biendénie, deshypothèses sont né essaires sur laloide
ω
l
:1. D'après ladénitionp.454 de[8 ℄,lepro essus
ω
l
admetune modi a-tion àdlàg.C'est ette modi ationque l'onutilise dans ladénition deM
l
pour évitertoutproblème d'intégrabilité.2. Il existe une fon tion
ψ : R
+
→ R
+
telle que, pour tout borélien
A
dansS
+
telque
0 < µ (A) <
∞,
Ee
qP (A)
= e
ψ(q)µ(A)
(1.41) siψ(q) <
∞
etEe
qP (A)
=
∞
autrement.On dénitq
max
= max
q≥0
{Ee
qP (A)
<
∞},
(1.42)où
A
est unborélien quel onque telque0 < µ(A) <
∞.
Il estpossible d'étendreladénitiondeϕ
detellesortequeψ(q) = ϕ(
−iq)
pour toutq
∈ [0, q
max
[
( omparez les équations (1.41) et (1.37)). Le pro essusM
l
(t)
estbiendénidèsqueq
max
≥ 1.
Danslasuite,onferal'hypothèse plus forteq
max
> 1
(1.43)etl'on supposera de plusque
1.3.3 MRM : dénition et propriétés
Lesauteursde [8℄prouvent que,pour
0 < λ
≤ 1, 0 < l ≤ 1,
onal'égalité en loi entre pro essus{ω
λl
(λt)
}
t
=
d
{ω
l
(t) + Ω
λ
}
t
(1.45) oùΩ
λ
estindépendantedupro essusω
l
(dénipar(1.39))etapourfon tion ara téristiqueEe
iqΩ
λ
= λ
−ϕ(q)
.
(1.46)
L'égalité (1.45) estl'outil lef pour obtenir une mesurelimitemultifra tale. En utilisant (1.45)et deste hniquesde KahaneetPeyrière notamment [24, 26℄, Ba ryetMuzydémontrent :
Théorème 1.6 (Ba ry et Muzy (2002)) On suppose qu'il existe
ǫ > 0
tel queψ(1 + ǫ) < ǫ.
1. Presque sûrement, la mesure
M
l
(dt),
dénie sur l'intervalle[0, 1] ,
onverge faiblement lorsquel
tend vers0
vers une mesure limite non dégénéréeM (dt),
appelée MRM.2. Le pro essus
M
vérie la propriétémultifra tale(1.1) aveζ(q) = q
−
ψ(q),
'est-à-dire queE
|M([0, t[)|
q
= E
|M([0, 1[)|
q
t
q−ψ(q)
(1.47) pourtout0
≤ q ≤ 1
ettout1 < q < q
max
tel queψ(q) < q
− 1.
1.3.4 MRM : deux exemples
Lamesurealéatoire
P
(Eq.(1.37))estentièrementdénieparleségalitésEe
iqP (A)
= e
ϕ(q)µ(A)
et
Ee
P (A)
= 1
ette dernière ondition est en eet équivalente à (1.44). Ainsi obtient-on une grande famille de MRM, dont haquemembre orrespondàun hoixparti ulierdelamesure
ν
(Eq.(1.35)). Voi i deuxexemples, liésauxtravauxque nousméneronsdansles hapitres 2 et3:1. Le as log-normal. On prend
ν (dx) = λ
2
dδ
0
(x) ,
aveλ
2
> 0.
Dans e as,
ψ (q) = mq + λ
2
q
2
/2
et
P
estune mesurealéatoire gaus-sienne. On a donq
max
= +
∞
et la onditionψ (1) = 0
impose la relationm =
−λ
2
/2.
Le spe treest don dénipar
ζ (q) =
1 +
λ
2
2
q
−
λ
2
2
q
2
.
(1.48)Onretrouvebienl'expressionde
ζ (q)
tellequetrouvéeparKolmogorov en1962[29℄.Pourdesraisonshistoriquesetdufaitdu ara tère entral des pro essus gaussiens, e modèle log-normal est la MRM la plus étudiée etla plusutiliséedansles appli ations.2. Le aslog-stable.Onprend
ν (dx) = σ
|x|
1−α
1
{x<0}
dx,
aveσ > 0
et0 < α < 2.
Dans e asq
max
= +
∞
etl'onaψ (q) = σ
α
(q
α
− q) ;
la mesure
P
estalors unemesurealéatoireα
−
stable( hapitre 3de[51 ℄). Le spe tre de laMRMestdonné par laformuleζ (q) = (1 + σ
α
) q
− σ
α
q
α
.
(1.49) On retrouve l'expression deζ (q)
telle que donnéedans les arti lesen turbulen e surlesujet [52 , 28,53 ℄.1.3.5 MRM : version dis rète et simulation
Ilestintéressantd'avoirdesversionssimplesdespro essus 16
,en parti u-lierpourfaire dessimulations etfournirdesmodèles utilisablesen pratique. Ba ryetMuzy[8℄ prouvent ques'ilexiste
ǫ > 0
tel queψ (2 + ǫ) < 1 + ǫ,
˜
M
1/2
n
([0, t[) =
1
2
n
⌊2
n
t⌋−1
X
k=1
e
ω
1/2n
(k/2
n
)
(1.50)onverge en moyenne quadratique verslaMRM
M
lorsquen
tendvers l'in-ni. Nous proposons sur la gure 1.6 une illustration numérique basée sur e résultat :nous représentons le pro essus gaussien{ω
l
(kl)
}
k=1,...,2
10
,
son exponentielleetlamesure˜
M
l
lorsquel = 1/2
10
.
On onstruitaussiun histo-grammeà partir de
10000
valeurs de˜
M
l
([0, 1[) .
Le pro essusω
l
est simulé en utilisant la méthode de simulation des pro essus gaussiens par matri e ir ulante, àpartirde sonespéran eEω
l
(s) =
−
λ
2
2
(1
− log l)
(1.51)etdesafon tion de ovarian e (voirleLemme 1dans[8℄)
cov (ω
l
(s) , ω
l
(u)) = λ
2
r
l
(s
− u) ,
(1.52) 16. Danstoutelathèse,lemotversionseraàprendredanssonsensusuelenfrançais.Il nefaudradon pasle onfondreave lemotmodi ation,qu'onemploieratoujoursdansoù
r
l
est lafon tion pairedénie parr
l
(u) =
1
− log l − u/l
si0
≤ u ≤ l
− log u
sil < u
≤ 1
0
si1 < u.
(1.53)D'autresexemplesdeMRMetuneméthodegénéraledesimulationadaptée également àdespro essusnon gaussiens sontproposés dans[38 ℄.
0
0.2
0.4
0.6
0.8
1
−8
−6
−4
−2
0
2
4
6
t
ω
l
(t)
0
0.2
0.4
0.6
0.8
1
0
0.5
1
1.5
2
t
M
l
([0,t[)
0
0.2
0.4
0.6
0.8
1
0
20
40
60
80
100
t
exp(
ω
l
(t))
−6
−4
−2
0
2
4
0
200
400
600
800
1000
Histogramme de log M
l
([0,1[)
Figure 1.6 MRM : le as log-normal. On a représenté sur les gra-phiquesduhautunetraje toiredupro essusgaussien
ω
1/2
10
(aveλ =
√
0.5
) et de son exponentielle sur l'intervalle[0, 1] ,
en prenant un pas de1/2
10
.
On observe surle graphique en haut à droite de fortes variations etun a-ra tère intermittent, propriétés usuelles des pro essus multifra tals. Sur les graphiques du bassont représentés :à gau he,la fon tion derépartition de lamesure
M
˜
l
,
onstruiteàpartirdupro essuse
ω
l
simuléau-dessus;àdroite un histogramme de
log ˜
M
l
([0, 1[) ,
réalisé à partir d'un é hantillon de taille1.4 Plan et résultats de la thèse
Al'imagedelaMRM(sous- hapitre1.3),lespro essusmultifra talssont souvent dénis omme limitesde pro essusde laforme
X
l
(t) =
Z
t
0
exp γ
l
(s) dµ (s)
(1.54)lorsque
l
tend vers0, γ
l
étant un pro essus sto hastique etµ
une mesure (éventuellement aléatoire).Letravail prin ipalde ette thèseestla onstru tion dedeuxfamillesde pro essusbaséessur emodèle:dansle hapitre2,on onstruitdespro essus multifra tals en prenant pour
γ
l
une moyenne mobileα
−
stableetpourµ
la mesurede Lebesgue; dans le hapitre 3, on aγ
l
=
1
2
ω
l
− (2H − 1) log l
(ω
l
estdéni par (1.39)) etµ
est le fBm d'indi e de Hurst0 < H < 1/2.
Dans ha un de esdeux hapitres, leplan d'étude estsensiblement lemême :on prouve d'abord que
X
l
(Eq. (1.54)) est bien déni et qu'il admet une modi ation ontinue;on établitla onvergen e enloi dans
C [0, 1]
deX
l
versune limiteX ;
on démontre une propriétéde typemultifra tal pour le pro essusX.
Desproblèmes onnexes sont également étudiés. Certainssont résolus om-plètement,tandisqued'autressontsimplementévoqués sousformede ques-tionsouvertes.1.4.1 Chapitre2 :Pro essusmultifra tals onstruitsà partir de moyennes mobiles
α
−
stablesDans e hapitre, on onstruit une famille de pro essus multifra tals en remplaçant, dans la dénition de la MRM (sous- hapitre 1.3), le pro essus
ω
l
(Eq. (1.39)) par une simple moyenne mobileρ
l
.
On étudie le as général oùρ
l
estα
−
stable, puisle asparti ulier où ilest gaussien. Onprouve que lespro essusmultifra tals ainsi onstruitssontleslimitesenloidepro essus anesparmor eauxparti ulièrementsimples;ons'intéresseégalementàdes problèmes de prévision. On fournit ainsi un nouveau modèle de pro essus multifra tal, pro hedelaMRM,maisdont l'utilisationsembleplusaisée du faitde sasimpli ité.Ce hapitre reprend l'arti le [43 ℄, mais ave une présentation diérente, pour établir un lienpré is ave laMRM. Il estaussi plus omplet, de nom-breuxrésultatsétablisi in'apparaissantpasdans[43 ℄.Cetravailtrouveses sour es dans plusieurs arti les é rits par S hmitt notamment [55 , 56, 57 ℄.
de ma thèse,suggérant l'idée de lamoyenne mobilestableet d'unlien ave les pro essus FARIMA (lien quiapparaîtra à plusieurs reprises au ours du hapitre).
Lesous- hapitre2.1est onsa réàdesrappelssurlesvariablesaléatoires et ertains pro essus
α
−
stables.Dans le sous- hapitre 2.2, on étudie la suite de pro essus indexés par
0 < l < 1
:X
l
S
(t) =
Z
t
0
e
ρ
l
(s)
ds, t
∈ [0, 1] ,
(1.55)où
ρ
l
est lamoyenne mobile dé entréeρ
l
(s) = µ
Z
s
s−1
f
l
(s
− u) dM
α
(u) +
µ
α
(1
− log l)
cos (πα/2)
,
(1.56) lafon tionf
l
étant dénie parf
l
(u) =
l
−1/α
si0
≤ u < l
u
−1/α
sil
≤ u ≤ 1
0
autrement,
(1.57)µ > 0
étant un paramètre etM
α
étant une mesure aléatoireα
−
stable de paramètres1 < α
≤ 2, β = −1.
17
Lepro essus
ρ
l
aétéproposépar S hmittetMarsanen2001[55 ℄ omme substitut à la as ade anonique (voir se tion1.3.1);il a ensuiteété étudié par S hmittetChainais [57 ℄ .Dans e sous- hapitre 2.2, on démontre lesrésultatssuivants:
Résultat 1 (Propriété2.6) Il est possiblede hoisir
ρ
l
de telle sortequeX
S
l
soit bien déni et qu'il soit presque sûrement dérivable.Le spe tre multifra talest dénipar
ζ (q) = q +
µ
α
cos (πα/2)
(q
α
− q) .
(1.58)
Résultat 2 (Propriété 2.7) Sous l'hypothèse
ζ (2) > 1, X
S
l
onverge en moyenne quadratique et en loi dansC [0, 1]
, lorsquel
tend vers0,
vers un pro essus limiteX
S
.
Résultat 3 (Propriété2.9)Soit
t
∈ [0, 1] .
Onsupposequ'ilexisteq
∈ N
∗
tel que
ζ (2) > 2
− 1/q.
Alors : 17 . LeS dunomX
S
1. Pour tout réel
0 < p
≤ 2q, X
S
(t)
a unmoment d'ordrep
etlim
l→0
E
X
S
(t)
− X
S
l
(t)
p
= 0.
(1.59)2. Pour tout entier
0 < p
≤ 2q,
il existe deux réels stri tement positifsc
α,p
, C
α,p
(indépendants det
)tels quec
α,p
t
ζ(p)
≤ E X
S
(t)
p
≤ C
α,p
t
ζ(p)
.
(1.60) Onnote que l'on retrouve le même spe tre que pour la MRM onstruite à partird'une mesureα
−
stable(Eq. (1.49) dansle sous- hapitre 1.3.4), sug-gérant unlien fortentrenotre onstru tion et ellede Ba ryetMuzy[8℄.On dénit dansle sous- hapitre 2.3une version ane par mor eaux du pro essus
X
S
1/n
:
X
n
S,d
(t) =
Z
t
0
e
g
n
(⌊ns⌋)
ds,
(1.61)où
g
n
est une moyenne mobile dis rète (dé entrée) par rapport à un bruit blanα
−
stable:g
n
(u) = µ
n
X
k=1
k
−1/α
ǫ
u−k
+
µ
α
cos
πα
2
n
X
k=1
1/k,
(1.62)ave
(ǫ
p
)
p∈Z
suitedevariablesaléatoiresindépendantesS
α
(1,
−1, 0).
18Cette versionanepar mor eaux estdénie dans[43 ℄.Ondémontre :
Résultat 4 (Propriété 2.12) Le pro essus
X
S,d
n
onverge enloi dansC [0, 1]
versX
S
lorsque
n
tend vers l'inni. Lasimulationdupro essusX
S,d
n
(t)
surl'intervalle[0, 1]
né essiteseulement de générer le bruit blan stable(ǫ
u
)
u∈[[−n,n−1]]
etne omporte au une di- ulté te hnique. A notre onnaissan e, il n'existe pas d'autre modèle aussi simplede pro essusmultifra tal danslalittérature.Par ailleurs,lepro essus
g
n
appartient àlafamille despro essusARMA (auto-regressive moving average). En démontrant qu'un ertain polynme n'admetpasdera ine dansle disqueunité fermédeC,
onobtient :Résultat 5 (Propriété 2.16) Onpose
ǫ
⋆
t
= µǫ
t−1
(1.63)g
n
⋆
(t) = g
n
(t)
−
µ
α
cos
πα
2
n
X
k=1
1/k.
(1.64) 18. Led dunomX
S,d
Le pro essus
g
⋆
n
admet la représentation auto-régressiveǫ
⋆
t
=
+∞
X
k=0
c
n,k
g
⋆
n
(t
− k).
(1.65)On utilise ette représentation dans des problèmes de prévision. On dé-montre :
Résultat 6 (Propriété 2.17)La solutiondu problème
(
γ
d
n,0
,
γ
d
n,1
, . . . ) = argmin
(γ
n,0
,γ
n,1
,... )
E
g
⋆
n
(t + h)
−
+∞
X
k=0
γ
n,k
ǫ
⋆
t−k
.
(1.66) est donnée par
γ
d
n,k
= 0, k
≥ n − h,
γ
d
n,k
= (k + h + 1)
−1/α
, 0
≤ k ≤ n − h − 1
Ondéduitde erésultatquelemeilleurprédi teurde
g
⋆
n
(t + h)
onnais-santg
⋆
n
(t) , . . . , g
⋆
n
(1) , g
⋆
n
(0) , . . .
est\
g
⋆
n
(t + h) =
n−h−1
X
k=0
(k + h + 1)
−1/α
ǫ
⋆
t−k
=
n−h−1
X
k=0
+∞
X
j=0
(k + h + 1)
−1/α
c
n,j
g
⋆
n
(t
− k − j).
(1.67)Sil'on supposequel'on observe uniquement
g
⋆
n
(t) , . . . , g
⋆
n
(1) ,
ondé ide de prévoirg
⋆
n
(t + h)
par\
\
g
⋆
n
(t + h) =
n−h−1
X
k=0
t−k−1
X
j=0
(k + h + 1)
−1/α
c
n,j
g
n
⋆
(t
− k − j).
(1.68)Autrement dit, on rempla e les
g
⋆
n
(i)
non observés par leur espéran e (qui est égaleà0
). Onprouve que ette tron ature estd'uneet mineurlorsque lenombre d'observations est susamment grand :Résultat 7 (Propriété 2.18)La quantité