Chapitre 4

Semimartingales et calcul
stochastique

Dans une situation déterministe, on intègre une fonction mesurable par rapport à une mesure.
Dans la situation aléatoire, on va intégrer des processus progressifs par rapport à des semimar-
tingales (semimartingale=martingale locale + processus à variation finie).

1 Processus à variation bornée

1.1 Notion de variation bornée dans le cadre déterministe, mesure de
Stieljes
Soit T > 0.

Définition 1.1 On dit qu’une fonction f de [0, T ] à valeurs dans IR continue avec f (0) = 0 est
à variation bornée ou finie s’il existe deux fonctions croissantes F + , F − : [0, T ] → IR telles que
f = F + − F −.

Remarque 1.2 On peut toujours supposer que F + (0) = F − (0) = 0 et que les fonctions
F + , F − sont continues.
Preuve. Une fonction croissante admet des limites à gauche et à droite en tout point. Comme f
est continue, les sauts ont lieux en même temps et se compensent...on peut donc les “évacuer“. #

Définition 1.3 Soit F une fonction croissante càd sur IR, alors il existe une unique mesure γ
sur (IR, B(IR)) définie par : pour tout a < b γ([a, b]) = F (b) − F (a− ). La mesure γ est appelée
mesure de stieljes associée à la fonction F , et est en général notée dF .
Par exemple, pour F (x) = x on retrouve la mesure de Lebesgue, pour F = I[a,+∞[ on retrouve
la dirac δa .

On souhaite définir une intégrale par rapport à une fonction f à variation bornée en utilisant
sa décomposition en fonctions croissantes f = F + − F − . Mais une telle décomposition n’est pas
unique. Cependant, il existe une ”décomposition minimale“ au sens suivant :

Définition 1.4 Soit f une fonction à variation bornée sur [0, T ]. Il existe une unique décomposition
f = F + − F − , avec F + , F − : [0, T ] → IR croissantes, pour laquelle les mesures de stieljes
γ + = dF + et γ − = dF − associées à chaque fonction sont étrangères : i.e. il existe deux boréliens
B + et B − tels que

41
42

i) γ + (B + ) = γ + ([0, T ]) et γ − (B − ) = γ − ([0, T ]),

ii) γ + (B − ) = γ − (B + ) = 0.
Cette décomposition est appelée décomposition canonique.

Preuve.
i) Existence
On considère une décomposition de f : f = H + − H − . Alors H = H + + H − est une fonction
croissante. On note ν la mesure de stieljes associée à H, ν + = dH + et ν − = dH − .
Pour tout borélien B, on a ν(B) ≥ ν +/− (B), donc par le théorème de Radon-Nikodyn il existe
des fonctions mesurables g + et g − de [0, T ] dans [0, 1] telles que

ν + (dt) = g + (t)ν(dt) et ν − (dt) = g − (t)ν(dt).

On pose g = g + − g − . On a pour tout t ∈ [0, T ],

!
f (t) = H + (t) − H − (t) = g(s)ν(ds).
[0,t]
"
On pose f + (t) = g(t)Ig(t)>0 , γ̃ + (dt) = f + (t)ν(dt) et F + (t) = [0,t] dγ̃ + (dt).
"
De même, on pose f − (t) = −g(t)Ig(t)<0 , γ̃ − (dt) = f − (t)ν(dt) et F − (t) = [0,t] dν̃ − (dt).
Les fonction F + et F − sont croissantes, les mesures γ̃ + et γ̃ − sont étrangères (car à supports
disjoints) et on a encore
f (t) = F + (t) − F − (t).
ii) Unicité
Soit f = F + −F − avec les mesures de stieljes γ + et γ − étrangères associées. On définit la mesure
signée µ = γ + − γ − . On remarque que µ ne dépend pas de la décomposition car µ([0, t]) = f (t).
Soit B un borélien de [0, T ]. On a

γ + (B) ≥ γ + (B # ) pour tout borélien B # ⊂ B

≥ µ(B # ) pour tout borélien B # ⊂ B
≥ sup{µ(B # ), ∀B # ⊂ B}

En fait, on a γ + (B) = sup{µ(B # ), ∀B # ⊂ B} (les mesures γ + et γ − étant étrangères). Ceci

assure l’unicité car µ ne dépend pas de la décomposition. #

Remarque 1.5 Si f = F + − F − est la décomposition canonique et si f = H + − H − une autre

décomposition. Alors la fonction H + − F + = F − − H − est croissante.

Preuve. On introduit les mesures de Stieljes ν + , ν − des fonctions H + et H − . On pose ν =

ν + + ν − . Il existe deux fonctions k + et k − à valeurs dans [0, 1] telles que ν + (dt) = k + (dt)ν(dt)
et ν − (dt) = k − (dt)ν(dt). Alors par unicité de la décomposition canonique, la mesure de Stieljes
de F + vérifie γ + = Ik(t)>0 k(t)dν(t) où k = k + − k − .
Par conséquent, H + (t) − F + (t) = ν + ([0, t]) − γ + ([0, t]) ≥ 0. #

Définition 1.6 Soit f une fonction à variation bornée et f = F + − F − sa décomposition

canonique. On appelle variation totale "de f , notée |df | la mesure de stieljes associée à F + + F − .
Pout toute fonction mesurable h avec |h||df | < ∞, on définit l’intégrale de h par rapport à la
" "t
mesure df sur l’intervalle [0, t], notée [0,t] h(s)df (s) ou encore 0 h(s)df (s) :
! t ! !
h(s)df (s) = h(s)dF (s) −
+
h(s)dF − (s).
0 [0,t] [0,t]
Semimartingales et Calcul Stochastique 43

"t
Remarque 1.7 1. La fonction t )→ 0 h(s)df (s) est à variation bornée et sa décomposition
canonique est
#! t ! t $ #! t ! t $
h+ (s)dF + (s) + h− (s)dF − (s) − h− (s)dF + (s) + h− (s)dF − (s)
0 0 0 0

où h+ = h ∨ 0 et h− = h ∧ 0.
2. Associativité de l’intégrale : si f est une fonction
"t à variation bornée et h, g des fonctions
mesurables bornées, alors en notant f # (t) = 0 h(s)df (s) on a
! t ! t
g(s)df # (s) = g(s)h(s)df (s).
0 0

On peut faire le lien entre le variation totale de f et sa variation sur les subdivision de [0, T ] :

Proposition 1.8 Soit une fonction à variation bornée, alors

%n
|df |([0, T ]) = sup{ |f (ti ) − f (ti−1 )|}
i=1

où le sup est pris sur les subdivisions ∆ = (t1 , t2 , . . . , tn ) de [0, T ].

Preuve. On a pour tout i, |f (ti ) − f (ti−1 )| ≤ |df |[ti−1 − ti ], d’où
%n
sup{ |f (ti ) − f (ti−1 )|} ≤ |df |([0, T ]).
i=1

Il suffit de regarder les suites de subdivisions (∆n )n≥0 de [0, T ] emboitées (∆n ⊂ ∆n+1 ) de pas
|∆n | tendant vers 0. On note ∆n = (tn1 , . . . , tnmn ).
|df |
On considérons l’espace probabilisé filtré (Ω = [0, T ], B([0, T ]), (Fn )n≥0 , IP), avec IP =
|df |([0, T ])
et Fn la tribu engendrée par les intervalles [tni , tni+1 ] i ∈ {1, . . . , mn − 1}.
On note g la densité de df par rapport à |df |, g est à valeurs dans {−1, 1} (car df construite à
partir de mesures étrangères).
On définit la martingale Mn = E[g|Fn ]. C’est une martingale fermée, donc converge dans L1
vers M∞ . Comme F∞ = F, M∞ = g. En particulier, E[|Mn |] → E[|g|] = 1 quand n → +∞.
Explicitons la martingale Mn :
! tni+1
Mn (ω) = IP([ti , ti+1 ])
n n
g(s) IP(ds) si ω ∈ [tni , tni+1 ]
tn
i

f (tni+1 ) − f (tni )
=
|df |([0, T ]) IP([tni , tni+1 ])
Donc &mn −1
|f (tni+1 ) − f (tni )|
E[|Mn |] = i=1
−→ 1,
|df |([0, T ]) n→+∞

ce qui achève la preuve. #

1.2 Notion de variation bornée dans le cadre aléatoire

Soit (Ω, F, (Ft )t≥0 , IP) un espace probabilisé filtré.

Définition 1.9 On dit qu’un processus X est à variation bornée s’il est continu, adapté, avec
X0 = 0 et si p.s. pour tout T > 0 la fonction t )→ Xt (ω) est à variation bornée sur [0, T ].
On dit qu’un processus X est croissant s’il est adapté, avec X0 = 0, à trajectoires croissantes
et continues p.s.
44

Propriété 1.10 Soit H un processus progressivement mesurable et X un processus à variation

bornée avec pour presque tout ω :
! t
|Hs (ω)||dXs (ω)| < ∞.
0
"t
Alors le processus H.X défini par (H.X)t (ω) = 0
Hs (ω)dXs (ω) est un processus à variation
bornée.

Remarque 1.11 Associativité de l’intégrale pour les processus à variation bornée : Soient H, K
des processus progressivement mesurables et X un processus à variation bornée, on a

K.(H.X) = (KH).X

Preuve. Comme l’application (s, ω) )→ Hs (ω) sur [0, t]×Ω est mesurable par rapport à B([0, t])⊗
"t
Ft , l’intégrale (H.X)t (ω) = 0 Hs (ω)dXs (ω) est définie pour presque tout ω.
Par ailleurs, pour presque tout ω, la fonction t )→ (H.X)t (ω) est à variation bornée.
On doit maintenant montrer que le processus H.X est adapté.
On considère Et l’espace vectoriel des processus H bornés mesurables par rapport à B([0, t])⊗Ft
pour lesquels (H.X)t est Ft -mesurable. Il contient les constantes et est stable par convergence
monotone bornée.
Cet espace contient la classe des processus élémentaires : on considère une subdivision (t1 , . . . , tn )
de [0, t] et des ensemble Ai ∈ Ft
%n
Hs = Is≤ti IAi
i=1
&n
car (H.X)t = i=1 Xti IAi est bien Ft -mesurable. Par ailleurs, cette classe est stable par mul-
tiplication.
Donc d’après le théorème de convergence monotone, comme les ensembles {s ≤ ti } ∩ Ai en-
gendrent la tribu B([0, t]) ⊗ Ft , on obtient le résultat. #

Remarque 1.12 Le mouvement brownien n’est pas un processus à variation bornée car il est
nul part dérivable. On ne peut donc pas construire de cette manière l’intégrale par rapport au
brownien (voir [6] pour plus de détails).

2 Martingales locales et leur crochet

Soit (Ω, F, (Ft )t≥0 , IP) un espace probabilisé filtré avec les conditions habituelles (filtration
continue à droite et complète).

Définition 2.1 Un processus M est une (Ft )t≥0 -martingale locale s’il existe une suite croissante
de (Ft )t≥0 -temps d’arrêt (Tn )n≥0 avec lim Tn = +∞ p.s. telle que
n→+∞

i) M0 est F0 -mesurable,
ii) pour tout n ≥ 0, (Mt∧Tn − M0 , t ≥ 0) est une (Ft )t≥0 -martingale.
La suite de temps d’arrêt est dite réductrice pour la martingale locale M .

Remarque 2.2 On n’a pas besoin d’hypothèse d’intégrabilité sur M0 .

Remarque 2.3 Une martingale est une martingale locale, mais la réciproque est évidemment
fausse.
Attention il ne faut pas appliquer les théorèmes sur les martingales aux martingales locales
avant localisation.
Semimartingales et Calcul Stochastique 45

Proposition 2.4 Si M est une martingale locale, il existe une suite de temps d’arrêt bornés
(Sn )n≥0 telle que pour tout n ≥ 0, (Mt∧Sn − M0 , t ≥ 0) est une martingale uniformément
intégrable.
Preuve. Si M martingale locale et (Tn )n≥0 une suite réductrice de M . Alors (Tn ∧ n)n≥0 réduit
M par le théorème d’arrêt. En posant Sn = Tn ∧ n, temps d’arrêt borné, on a par ailleurs,
(Mt∧Sn − M0 , t ≥ 0) est une martingale U.I. #

Proposition 2.5 Si (Sn )n≥0 et (Tn )n≥0 sont deux suites réductrices de temps d’arrêt finis p.s.
de M , alors (Sn ∧ Tn )n≥0 réduit également M .
Par ailleurs, quand M est une martingale locale continue, on peut toujours prendre

Tn = inf{t ≥ 0 : |Mt − M0 | = n}.

Preuve. Le premier résultat est dû au théorème d’arrêt.

On pose Tn = inf{t ≥ 0 : |Mt − M0 | = n} et on considère (Sn )n≥0 réductrice de M .
On peut supposer M0 = 0 sans perte de généralité. Comme (Mt∧Sk , t ≥ 0) est une martingale
et Tn ∧ m temps d’arrêt borné, par le théorème d’arrêt, on a

E[MTn ∧m∧Sk |Ft ] = MTn ∧m∧Sk ∧t

On fait tendre k et m vers +∞, MTn ∧m∧Sk ∧t → MTn ∧t et par convergence dominée, E[MTn ∧Sk ∧m |Ft ] →
E[MTn |Ft ]. Donc E[MTn |Ft ] = MTn ∧t p.s. Donc (Tn )n≥0 réduit M et par continuité des trajec-
toires (Tn )n≥0 croı̂t vers +∞. #

Proposition 2.6 Soit M une martingale locale.

1. Si M0 ∈ L1 et si pour tout t ≥ 0, Mt ≥ 0 alors M est une surmartingale.
2. S’il existe A ∈ L1 tel que ∀t ≥ 0 |Mt | ≤ A, alors M est une martingale uniformément
intégrable.
Preuve.
1. Soit (Tn ) une suite réductrice de M . Comme M0 ∈ L1 , en appliquant le lemme de Fatou à
E[|[MTn ∧t |] et à E[MTn ∧t |Fs ], on obtient que pour tout t ≥ s ≥ 0, Mt ∈ L1 et E[Mt |Fs ] −
M0 = Ms − M0 .
2. On utilise la même raisonnement, en appliquant le théorème de convergence dominée.
#

Remarque 2.7 Si M est une martingale locale uniformément intégrable, en général M n’est
pas une martingale (cf [3] example 2.13 p182)
On ne travaillera désormais qu’avec des martingales locales continues.

On va maintenant comparer les martingales locales et les processus à variation bornée.

Proposition 2.8 Soit M une martingale locale continue, nulle en 0. Si M est à variation bornée,
alors M ≡ 0.

Remarque 2.9 Si M0 1= 0, il suffit de considérer la martingale locale M − M0 et on obtient

M ≡ M0 .
Preuve. On considère la suite Tn = inf{t ≥ 0 : |Mt | = n} de réducteurs de M et on définit
"t
Sk = inf{t ≥ 0 : 0 |dMs | = k}. M Tn est une martingale bornée.
Alors par le théorème d’arrêt (Mt∧Tn ∧Sk , t ≥ 0) est une martingale bornée à variation bornée.
Il suffit donc de montrer le résultat pour les martingales bornées à variation bornée de variation
totale majoré par k.
46

Soit ∆ = {t0 = 0 < t1 < . . . < tp = t} une subdivision de [0, t]. On a

'p−1 (
%
E[Mt2 ] = E (Mt2i+1 − Mt2i )
i=0
'p−1 (
%
= E (Mti+1 − Mti ) 2
car martingale
i=0
' p−1
(
%
≤ E sup |Mti+1 − Mti | |Mti+1 − Mti |
i=0,...,p−1
i=0
' p−1
(
%
≤ E sup |Mti+1 − Mti | |Mti+1 − Mti |
i=0,...,p−1
i=0
) ! t *
≤ E sup |Mti+1 − Mti | |dMs |
i=0,...,p−1 0
) *
≤ kE sup |Mti+1 − Mti |
i=0,...,p−1

Comme M est uniformément continue sur [0, t], par convergence dominée le terme de droite
converge vers 0 quand le pas de la subdivision tend vers 0. Donc pour t > 0 E[Mt2 ] = 0, d’où
Mt = 0 p.s.. Comme M est continue, p.s. ∀t ≥ 0 Mt = 0. #

Définition 2.10 Un & processus X est dit à variation quadratique finie si pour tout t ≥ 0 la
limite en proba de i (Xti+1 − Xti )2 sur les subdivisions ∆ = {0 = t0 < t1 < . . . < tk = t) de
[0, t] quand le pas |∆| tend vers 0 est finie. On note
k−1
%
[X]t = lim (Xti+1 − Xti )2
i=0

aussi noté [X, X]t , et [X] est appelée crochet ou variation quadratique de M .
&
Remarque 2.11 [X]t = sup i (Xti+1 − Xti )2 où le sup est pris sur les subdivisions ∆ =
(t1 , . . . , tn ) de [0, t].
Si H ∈ L∞ et X à variation quadratique finie, alors H + X et HX sont à variation quadratique
finie : [H + X] = [X] et [HX] = H 2 [X].

Théorème 2.12 Soit M une martingale locale continue. Alors M est à variation quadratique
finie et < M > est l’unique processus croissant tel que M 2 − < M > soit une martingale locale.
Dans le cas de martingales locales continues, on a < M >= [M ].

Exemple 2.13 Si M = B le mouvement brownien, alors < B >t = t.

Preuve.
i) Unicité
Soient A et B deux processus à croissant tels que M 2 − A et M 2 − B soient des martingales
locales. Alors par différence A − B est une martingale locale à variation bornée, donc A = B.
ii) Existence de < M >
On va montrer que [M ] existe et vérifie les conditions du théorème.
Il suffit de montrer l’existence pour les martingales continues bornées nulle en 0. En effet, il
suffit de réduire la martingale locale par Tn = inf{t ≥ 0 : |Mt − M0 | = n}. Notons K la borne
de M .
Semimartingales et Calcul Stochastique 47

Pour ti ≤ s < ti+1 , on remarque que

E[(Mti+1 − Mti )2 |Fs ] = E[(Mti+1 − Ms )2 |Fs ] + (Ms − Mti )2 .

Soit ∆ = (t1 , . . . , tn , . . .) une subdivision de IR+ sans point d’accumulation. Pour t ≥ 0, il existe
k tel que tk ≤ t < tk+1 . On note alors Vt∆ (M ) (ou juste Vt∆ si pas d’ambiguité sur la martingale)
k−1
%
Vt∆ (M ) = (Mti+1 − Mti )2 + (Mt − Mtk )2 (2.1)
i=1

1. Montrons que (Mt2 − Vt∆ , t ≥ 0) est une martingale.

En utilisant cette notation, pour s ≤ t, il existe n ≤ k tels que
k−1
%
Vt∆ − Vs∆ = (Mti+1 − Mti )2 + (Mtn+1 − Mtn )2 + (Mt − Mtk )2 + (Ms − Mtn )2 .
i=n

Par conséquent, comme M est une martingale,

E[Vt∆ − Vs∆ |Fs ] = E[(Mt − Ms )2 |Fs ] = E[Mt2 − Ms2 |Fs ] (2.2)

En effet, si k = n,

E[Vt∆ − Vs∆ |Fs ] = E[(Mt − Mtn )2 − (Ms − Mtn )2 |Fs ]

= E[(Mt − Ms )2 |Fs ] + (Ms − Mtn )2 − (Ms − Mtn )2 .

Si k = n + 1,

E[Vt∆ − Vs∆ |Fs ] = E[(Mt − Mtn+1 )2 + (Mtn+1 − Mtn )2 − (Ms − Mtn )2 |Fs ]
= E[E[(Mt − Mtn+1 )2 |Ftn+1 ]|Fs ]
+E[(Mtn+1 − Ms )2 |Fs ] + (Ms − Mtn )2 − (Ms − Mtn )2
= E[Mt2 |Fs ] − E[Mt2n+1 |Fs ] + E[Mt2n+1 |Fs ] − Ms2

Par itération, on a le résultat quelque soit k ≥ n.

Par conséquent (Mt2 − Vt∆ , t ≥ 0) est une martingale.
2. On fixe maintenant t ≥ 0. Montrons que [M ]t existe.
Considérons une suite (∆n ) de subdivisions emboitées de [0, t] (∆n ⊂ ∆n+1 ) dont le pas tend
∆
vers 0. Soit 1 ≤ n ≤ p, on a ∆n ⊂ ∆p . Le processus X = (Vs∆n − Vs p , s ≤ t) est une martingale
d’après ce qui précède et en réutilisant (2.2) avec X au lieu de M et comme (x+y)2 ≤ 2(x2 +y 2 ),
on a
∆ ∆ ∆ ∆
E[(Vt∆n − Vt p )2 ] = E[Vt p (X)] ≤ 2(E[Vt p (Vt∆n )] + E[Vt p (Vt∆n )])
Soit sk ∈ ∆p et tl le point le plus à droite de ∆n tel que tl ≤ sk < sk+1 ≤ tl+1 , alors

Vs∆ n
k+1
− Vs∆
k
n
= (Msk+1 − Mtl )2 − (Msk − Mtl )2
= (Msk+1 − Msk )(Msk+1 + Msk − 2Mtl )
∆p
d’où par définition (2.1) de Vt (Vt∆n )
∆p ∆p
Vt (Vt∆n ) ≤ Vt sup |Msk+1 + Msk − 2Mtl |2
k

et par Cauchy-Schwarz
∆p ∆p 2
E[Vt (Vt∆n )]2 ≤ E[sup |Msk+1 + Msk − 2Mtl |4 ]E[(Vt ) ]
k
48

Comme M est continue et bornée, le terme de droite converge vers 0 quand n, p → +∞ à

∆
condition que (E[(Vt p )2 ])p≥1 soit borné.
On a
+k−1 ,2
∆p 2
%
(Vt ) = (Mti+1 − Mti ) 2

i=1
k−1
%% k−1
%
= 2 (Mtl+1 − Mtl )2 (Mti+1 − Mti )2 + (Mti+1 − Mti )4 en développant le carré
i=1 l>i i=n+1
k−1
% k−1
%
∆p ∆ ∆ ∆
= 2 (Vt p
− Vti+1 )(Vti+1
p
− Vti p ) + (Mti+1 − Mti )4
i=1 i=1

Comme (Mt2 − Vt∆ , t ≥ 0) est une martingale et M martingale,

∆p ∆
E[Vt p
− Vti+1 |Fti +1 ] = E[Mt2 − Mt2i+1 |Fti+1 ] = E[(Mt − Mti+1 )2 |Fti+1 ]

Donc
k−1
% k−1
%
∆p 2 - ∆ ∆ ∆p ∆ .
E[(Vt ) ] = 2 E E[(Vt p − Vti p )|Fti+1 ](Vti+1 − Vti p ) + E[(Mti+1 − Mti )4 ]
i=1 i=1
k−1
% k−1
%
- ∆p ∆ .
= 2 E (Mt − Mti+1 )2 (Vti+1 − Vti p ) + E[(Mti+1 − Mti )4 ]
i=1 i=1
' (
/ 0 ∆
≤ E 2 sup |Mt − Mti+1 |2 + sup |Mti+1 − Mti |2 Vt p
i∈{1,...,k−1} i∈{1,...,k−1}

Comme M est une martingale bornée par K, et comme (Mt2 − Vt∆ , t ≥ 0) est une martingale,
∆ ∆ ∆
on a E[Vt p ] = E[Mt2 ] − E[Mt21 − Vt1 p ] et Vt1 p = Mt21 , d’où
∆p
E[Vt ] ≤ K 2.

Par conséquent,
∆p 2 ∆p
E[(Vt ) ] ≤ E[12K 2 Vt ] ≤ 12K 4 .
La borne est indépendante de k donc de p.
∆
Par conséquent, Vt∆n − Vt p & converge dans L2 et donc en proba quand p, n → +∞. Par
conséquent, la limite [M ]t de i (Mti+1 − Mti )2 existe. Il suffit de considérer des subdivisions
emboitées, car si ∆ et ∆# deux subdivisions, on peut construire une subdivision ∆ ˜ contenant les
˜ ˜
points de ∆ et ∆ (d’où ∆ ⊂ ∆ et ∆ ⊂ ∆, de pas par conséquent inférieur à ceux de ∆ et ∆# .
# #

1. Régularité de [M ].
Le processus V ∆n est continu pour tout n ≥ 0. Par ailleurs, par l’inégalité de Doob appliqué à
∆
la martingale (Vs∆n − Vs p )s≤t , on a
∆p 2
E[sup |Vs∆n − Vs∆p |2 ] ≤ cste E[(Vt∆n − Vt ) ].
s≤t

Donc la convergence est uniforme sur tout intervalle de temps borné, donc [M ] est continu
(convergence dans L2 implique qu’il existe une sous suite qui converge p.s.).
Le processus V ∆n n’est pas croissant. Par contre pour1s ≤ t, s, t ∈ ∆n , Vs∆n ≤ Vt∆n , donc par
passage à la limite le processus [M ] est croissant sur n≥0 ∆n . Comme [M ] est continu, il est
croissant sur IR+ .
Enfin, par passage à la limite dans (2.2) on a M 2 − [M ] martingale.
#
Semimartingales et Calcul Stochastique 49

Propriété 2.14 Soit M une martingale locale continue.

1. Si M est une martingale locale, et X0 ∈ L∞ (F0 ), alors < M + X0 >=< M > et <
X0 M >= X02 < M >.
2. Les intervalles sur lesquels M est constante sont exactement ceux pour lesquels < M >
est constant.
3. Si M est une martingale locale nulle en 0 alors

< M >≡ 0 ⇔ < M >≡ 0 ⇔ < M >∞ = 0.

4. Soit T un temps d’arrêt, alors < M T >t =< M >t∧T .

5. Soit M une martingale bornée dans L2 alors E[< M >∞ ] = E[M∞ 2
]. En particulier,
M − < M > est une vraie martingale dominée par une variable de L (donc uniformément
2 1

intégrable).
6. Réciproquement, si < M >∞ ∈ L1 et si M0 ∈ L2 alors M est une vraie martingale bornée
dans L2 et M 2 − < M > est une vraie martingale dominée par une variable de L1 .

Preuve.
1. Évident d’après la Proposition 2.8.
2. Évident.
3. Si M ≡ 0, alors M 2 martingale donc < M >≡ 0. Si < M >≡ 0, alors M constante
par définition du crochet et donc M ≡ 0. Comme < M > croissant, < M >≡ 0 ⇔
< M >∞ = 0.
4. Évident par définition du crochet.
5. On peut supposer M0 = 0. M est une martingale fermée. Soit (Tn ) une suite de temps
d’arrêt bornés réducteurs de M 2 − < M >. Alors E[MT2n ] = E[< M >Tn ]. Par convergence
dominée à gauche et convergence monotone à droite, on a E[M∞ 2
] = E[< M >∞ ]. Comme
la limite est fini, on a < M > borné par < M >∞ ∈ L1 . Donc M 2 − < M > est une
martingale dominée par une variable de L1 .
#

Définition 2.15 Soient M et N deux martingales locales continues, on définit le crochet de M

et N par
1/ 0
< M, N >= <M +N >−<M >−<N > .
2

Propriété 2.16 Soient M et N deux martingales locales continues.

1. < M, N > est un processus continu à variation bornée.
2. < M, N > est l’unique processus à variation bornée tel que M N − < M, N > soit une
martingale locale. Par conséquent, si M est N sont indépendantes, < M, N >= 0.
3. < M, M >=< M >
4. Si T est un temps d’arrêt, alors < M, N T >=< M T , N >=< M T , N T >=< M, N >T .

Preuve.
1. Évident
- .
2. M N − < M, N >= 12 (M + N )2 − M 2 − N 2 − < M + N > + < M > + < N > est
bien une martingale locale. Soit B un autre processus à variation borné tel que M N − B
martingale locale. Par différence, on a forcément B ≡< M, N >. Voir Remarque 3.5
lorsque M et N indépendantes.
3. Évident
50

4. Comme M N − < M, N > est une martingale locale, M T N T − < M, N >T est encore une
martingale locale, donc par unicité du crochet < M T , N T >=< M, N >T . Par ailleurs,
pour t ≥ T , < M T >t =< M >T et < M T + N >t =< M + N >T +(< N >t − < N >T ),
donc < M T , N >=< M, N >T .
#

Proposition 2.17 Soient M et N deux martingales locales continues. Alors

%
3M, N 4t = lim (Mti+1 − Mti )(Nti+1 − Nti ) en proba.
|∆|)0
ti ∈∆

Par conséquent, < ., . > est une application bilinéaire symétrique.

Preuve. Il suffit de dévellopper < M + N >t en utilisant la définition 2.10. #

Proposition 2.18 Soient M et M # deux martingales locales issues de 0. On a M = M # si et

seulement si pour toute martingales locales N on a < M, N >=< M # , N >.
Preuve. Il suffit de prendre N = M − M # . #
Le résultat est encore vrai si on travaille avec des martingales bornées dans L2 .

3 Intégrale stochastique
Soit (Ω, F, (Ft )t≥0 , IP) un espace probabilisé filtré, avec (Ft )t≥0 càd et complète.

3.1 Intégration par rapport au martingales continues bornées dans L2

Construction de l’intégrale
Définition 3.1 On note M2c l’espace vectoriel des martingales continues nulles en zéro et
bornées dans L2 . On le muni du produit scalaire :
(M, N )M2c = E[M∞ N∞ ] = E[< M, N >∞ ].
En effet, si M, N ∈ M2c , alors M N − < M, N > est une martingale uniformément intégrable.

Proposition 3.2 (M2c , ||.||M2c ) est un espace de hilbert, où ||M ||M2c = E[M∞ ]
2 1/2
= E[< M >∞
] . De plus, ||.||M2c est équivalente à ||M || = E[sup Mt ] .
1/2 2 1/2
t≥0

Preuve. Il suffit d’utiliser la croissance de < M > et l’inégalité de Doob. L’espace est bien
complet, car (M2c , ||.||) est complet. #

Exercice 3.3 Soient (M n )n≥0 une suite d’éléments de M2c .

La suite converge dans M2c vers M si et seulement si pour tout t ≥ 0 < M n , M >t converge
dans L1 vers < M >t et < M n >t converge dans L1 vers < M >t .
Preuve. Le résultat est évident car < M n + M >t =< M >t +2 < M n , M >t + < M n >t . #

Définition 3.4 Soit M ∈ M2c . On note L2 (M ) l’espace vectoriel des processus H progressive-
ment mesurables tels que !
- +∞ 2 .
E Hs d < M >s < ∞.
0
On munit l’espace de la norme
! +∞
- .1/2
||H||L2 (M ) = E Hs2 d < M >s
0
Semimartingales et Calcul Stochastique 51

Remarque 3.5 Comme < M >∞ ∈ L1 , L2 (M ) contient tous les processus progressivement
mesurables bornés.

Définition 3.6 On note E l’espace vectoriel des processus H progressivement mesurables élémentaires,
i.e. H ∈ E s’il existe 0 = t1 < . . . < tn < ∞ = tn+1 , et h0 , . . . , hn des v.a. telles que ∀i hi est
Fti -mesurable bornée tels que
n
%
H = h0 I{0} + hi I]ti ,ti+1 ] .
i=1

Remarque 3.7 Les processus de E sont dits prévisibles. Pour tout t ≥ 0, Ht est Ft− -mesurable.

Théorème 3.8 Pour tout M ∈ M2c , E est dense dans L2 (M ).

Preuve.
i) Montrons que E ⊂ L2 (M )
Soit H ∈ E, alors H bornée donc H ∈ L2 (M ).
ii) Soit H continu borné par K.
On pose Htn = H*2n t+2−n It≤n , où 5x6 est le plus grand entier strictement inférieur à x. On a
bien Htn ∈ E. Comme H continue, pour tout t ≥ 0 Htn converge vers Ht quand n → +∞ de
façon dominée par 2K. Donc la convergence a lieu dans L2 (M ).
iii) Soit H progressivement mesurable borné par K.
! t+1/n
On pose Ht = n
n
Hs ds. H n est bien un processus progressivement mesurable continu et
t
borné par K. À ω fixé, pour presque tout t ≥ 0, Htn (ω) → Ht (ω) quand n → +∞ de façon
dominé par 2K. Donc la convergence a donc lieu dans L2 (M ).
iv) Soit H ∈ L2 (M ).
On pose H n = HI|H|≤n qui est bien un processus progessivement mesurable borné. Comme
H ∈ L2 (M ), H est fini p.s., H n → Ht quand n → +∞. Par convergence dominée
! +∞ ! +∞
- . - .
E (Hsn − Hs )2 d < M >s =E Hs2 I|Hs |>n d < M >s
0 0

converge vers 0 quand n → +∞. #

Proposition 3.9 On munit L2 (M ) du produit scalaire

! +∞
- .
(H, K)L2 (M ) = E H s K s d < M >s .
0

Alors (L2 (M ), ||.||L2 (M ) ) est une espace de hilbert.

Preuve. On utilise juste le fait que L1 est complet et que la limite de processus progressivement
mesurables est progressivement mesurable. #
On introduit maintenant l’intégrale stochastique pour les processus simples :
n
%
Définition 3.10 Soit M ∈ M2c et H ∈ E avec H = h0 I{0} + hi I]ti ,ti+1 ] . On définit alors
i=1

n
%
(H.M )t = hi (Mti+1 ∧t − Mti ∧t ).
i=1
52

Remarque 3.11 1. H.M ∈ M2c .

2. Pour H ∈ E et M, N ∈ M2c , on a
! t
< (H.M ), N >t = Hs d < M, N >s = H. < M, N >t
0

Preuve.
1. Il reste juste à montrer que H.M est une martingale. Fixons i ≥ 0 et calculons la quantité
E[hi (Mti+1 ∧t −Mti ∧t )|Fs ] pour t ≥ s. On sait que (Mti+1 ∧t −Mti ∧t )t≥0 est une martingale.
Pour s ≥ ti , E[hi (Mti+1 ∧t −Mti ∧t )|Fs ] = hi E[(Mti+1 ∧t −Mti ∧t )|Fs ] = hi (Mti+1 ∧s −Mti ∧s ).
Pour s < ti ,

E[hi (Mti+1 ∧t − Mti ∧t )|Fs ] = E[E[hi (Mti+1 ∧t − Mti ∧t )|Fti ]|Fs ]

= E[hi (Mti ∧t − Mti ∧t )|Fs ] = 0

On a donc
E[hi (Mti+1 ∧t − Mti ∧t )|Fs ] = hi (Mti+1 ∧s − Mti ∧s )
/ 0
Donc hi (Mti+1 ∧t − Mti ∧t ) t≥0 est une martingale, par conséquent H.M est une martin-
gale.
2. Par bilinéarité du crochet il suffit montrer la propriété pour H = hi I]ti ,ti+1 ] . Comme
M N − < M, N > est une martingale, on a M ti+1 N − < M, N >ti+1 et M ti N − < M, N >ti
martingales. Par conséquent, (M ti+1 −M ti )N −(< M, N >ti+1 − < M, N >ti ) martingale.
Comme hi ∈ L∞ (Fti ), hi (M ti+1 − "M ti )N − hi (< M, N >ti+1 − < M, N >ti ) est une
.
martingale (cf 1.), donc (H.M )N − 0 Hs d < M, N >s est une martingale.
#

Théorème 3.12 Soit M ∈ M2c fixé. L’application linéaire

E → M2c
H )→ H.M

se prolonge de façon unique en une isométrie de L2 (M ) sur M2c , notée encore H.M .
On appelle H.M intégrale stochastique de H par rapport à M et on note souvent
! ! t
(H.M )t = Hs dMs = Hs dMs .
]0,t] 0

Preuve. L’application est bien linéaire. Par ailleurs, pour H ∈ E

n
-% .
||H.M ||2M2c = E[(H.M )2∞ ] = E ( hi (Mti+1 − Mti ))2
i=1
n
-% .
= E h2i (Mti+1 − Mti )2 car H.M martingale
i=1
%n
- .
= E h2i (Mt2i+1 − Mt2i ) car M martingale
i=1
n
-% .
= E h2i (< Mti+1 > − < Mti >) car M 2 − < M > martingale
i=1
= ||H||2L2 (M )

Comme E est dense dans L2 (M ) et M2c espace de Hilbert, l’application se prolonge à L2 (M )

en une isométrie. #
Semimartingales et Calcul Stochastique 53

Comportement de l’intégrale vis à vis du crochet

Donnons tout d’abord une inégalité essentielle dans le calcul stochastique :

Proposition 3.13 Inégalité de Kunita & Watanabe (1967)

Soient M, N ∈ M2c et H, K deux processus progressivements mesurables. Alors p.s. pour tout
t ≥ 0,
! t ! !
/ t 2 01/2 / t 2 01/2
|Hs Ks ||d < M, N >s | ≤ H s d < M >s K s d < N >s . (3.3)
0 0 0

Conséquence 3.14 On a | < M, N > |2 ≤< M >< N >.

Preuve. Par le théorème de convergence monotone, il suffit de montrer l’inégalité pour H et K
bornés. Par ailleurs, il suffit en fait de vérifier
! ! !
2 t 2 / t 2 01/2 / t 2 01/2
2 Hs Ks d < M, N >s 2 ≤ H s d < M >s K s d < N >s . (3.4)
0 0 0

En effet, si on note g la densité de la mesure de Stieljes d < M, N > par rapport à |d < M, N > |
(g est à valeurs dans {−1, 1}). En remplaçant H par g H sgn(HK) dans le terme de gauche de
(3.3), on obtient l’inégalité souhaitée.
i) Cas où HK = I]s,t] avec s ≤ t.
On a en proba
%
| < M, N >t − < M, N >s | = lim (Mti+1 − Mti )(Nti+1 − Nti )
|∆|)0
ti ∈∆ subdiv de [s,t]
/% 0 /
2 1/2
% 01/2
≤ lim (Mti+1 − Mti ) (Nti+1 − Nti )2 par Cauchy-Schwarz.
|∆|)0
ti ∈∆ ti ∈∆

Donc par continuité des trajectoires p.s. ∀t ≥ s

/ 01/2 / 01/2
| < M, N >t − < M, N >s | ≤ < M >t − < M >s < N >t − < N >s .

ii) Cas H et K processus progessivement mesurables simples.

Soient 0 = t0 < t1 &
< . . . < tn < ∞ = tn+1 , et h0 , . . . , hn des v.a. telles que ∀i hi ∈ L∞ (Fti ) tels
que H = h0 I{0} + hi I]ti ,ti+1 ] .
Soient 0 = s0 < s1 < .& . . < sm < ∞ = sk+1 , et k0 , . . . , km des v.a. telles que ∀j kj ∈ L∞ (Fsj )
tels que K = k0 I{0} + kj I]sj ,sj+1 ] .
On pose aij = ti ∨ sj et bij = ti+1 ∧ sj+1 , alors
%
HK = h0 k0 I{0} + hi kj ICij
i,j

où Cij =]aij , bij ] si aij < bij et Cij = ∅ sinon.

Alors
! t % ! bij
| Hs Ks d < M, N >s | = | hi kj d < M, N >s |
0 i,j:Ci,j ,=∅ aij

% ! bij ! bij
/ 01/2 / 01/2
≤ h2i d < M >s kj2 d < N >s
i,j:Ci,j ,=∅ aij aij

%/! ti+1 01/2 /

! sj+1 01/2
≤ h2i d < M >s kj2 d < N >s
i,j ti sj
! t ! t
/ 01/2 / 01/2
≤ Hs2 d < M >s Ks2 d < N >s
0 0
54

iii) Cas H et K processus progessivement mesurables bornés.

Il existe deux suites de processus simples (H n )n≥0 et (K n )n≥0 qui convergent respectivement
vers H et K de façon dominées. On conclut par le théorème de convergence dominé. #

Proposition 3.15 Soient M, N ∈ M2c et H ∈ L2 (M ). Alors

! .
< H.M, N >= H. < M, N >= Hs d < M, N >s .
0
! t
En particulier, < H.M >t = Hs2 d < M >s .
0

Preuve. L’égalité est évidente si H ∈ E.

Si H ∈ L2 (M ). On approche H par une suite (H n )n≥0 de E. D’après l’inégalité de Kunita-
Watanabé, < H n .M, N >t converge dans L1 vers < H.M, N >t pour tout N ∈ M2c . #
On peut alors donner une caractérisation de l’intégrale stochastique (voir proposition 2.17).

Proposition 3.16 H.M est l’unique élément de M2c tel que < H.M, N >= H. < M, N > pour
tout N ∈ M2c .

Théorème 3.17 Soit M ∈ M2c . Pour tout H ∈ L2 (M ), H.M est l’unique processus de M2c tel
que H.M ∈ M2c et pour tout N ∈ M2c
! ∞
(H.M, N )M2c = E[ Hs d < M, N >s ].
0

Preuve. Considérons la forme linéaire sur M2c définie par

! ∞
N )→ E[ Hs d < M, N >s ]
0

D’après l’inégalité de Kunita-Watanabé et Cauchy-Shwarz, on a

! ∞ ! ∞
E[ Hs d < M, N >s ] ≤ E[ Hs2 d < M >s ]1/2 E[< N >∞ ]1/2 ≤ ||H||L2 (M ) ||N ||M2c
0 0

L’application précédente est donc continue. D’après le théorème de Riesz, il existe un unique
processus Z de M2c tel que ∀N ∈ M2c
! ∞
(Z, N )M2c = E[ Hs d < M, N >s ]
0

Vérifions que Z coı̈ncide avec H.M . En effet, d’après la proposition précédente, pour tout
N ∈ M2c
(H.M, N )M2c = E[< H.M, N >∞ ] = E[H. < M, N >∞ ].
#

Propriété 3.18 1. Compatibilité avec les temps d’arrêt :

Soit M ∈ M2c , H ∈ L2 (M ) et T un temps d’arrêt, alors

(I[0,T ] H).M = H.M T = (H.M )T ,

c’est à dire ! ! !
t t∧T t
I[0,T ] (s)Hs dMs = Hs dMs = Hs dMsT .
0 0 0
Semimartingales et Calcul Stochastique 55

2. Associativité de l’intégrale :
Soit M ∈ M2c , H ∈ L2 (M ) et K ∈ L2 (H.M ), alors KH ∈ L2 (M ) et

(KH).M = K.(H.M ),

c’est à dire ! !
t t
Ks Hs dMs = Ks d(H.M )s .
0 0

Preuve. On utilise le fait que H.M est l’unique élément de M2c tel que pour tout N ∈ M2c ,
< H.M, N >= H. < M, N >.
1. Pour tout N ∈ M2c
! t
< (I[0,T ] H).M, N >t = I[0,T ] (s)Hs d < M, N >s
0
! t∧T ! t ! t
= Hs d < M, N >s = Hs d < M, N >s∧T = H s d < M T , N >s
0 0 0

2. Pour tout N ∈ M2c , en utilisant l’associativité de l’intégrale pour les processus à variation
bornée
< K.(H.M ), N >= K. < H.M, N >= KH. < M, N > .

Remarque 3.19 Le mouvement brownien est une martingale, mais n’est pas borné dans L2 .
On n’a toujours pas répondu à la question initiale qui est de construire une intégrale adaptée
au mouvement Brownien.

3.2 Extension aux semimartingales continues

Définition 3.20 Un processus aléatoire X est une semimartingale continue s’il admet une
décomposition de la forme
X =M +A
où M est une martingale locale continue et A un processus à variation bornée (adapté, continu
et nul en 0).
Une telle décomposition est unique, on parle de la décomposition canonique de la semimartingale
Si X = M + A et X # = M # + A# sont deux semimartingales, on définit < X, X # >:=< M, M # >.

Théorème 3.21 Décomposition de Doob-Meyer (voir [5] ou [4])

Soit X une surmartingale continue positive telle que pour tout T temps d’arrêt, X T est U.I.
Alors X admet une unique décomposition X = M − A avec M martingale et A processus
croissant

Proposition 3.22 Soient X et X # deux semimartingales continues. Alors

%
3X, X # 4t = lim (Xti+1 − Xti )(Xt#i+1 − Xt#i ) en proba
|∆|)0
ti ∈∆

où ∆ = {0 = t0 < t1 < . . . < tk = t) subdivision de [0, t]

Remarque 3.23 Si X ou X # est à variation bornée, alors 3X, X # 4 ≡ 0.

56

Preuve. L’égalité est vraie pour les martingales locales. Par Cauchy-Schwarz, on a
% % %
(Nti+1 − Nti )(Bti+1 − Bti ) ≤ ( (Nti+1 − Nti )2 )1/2 ( (Bti+1 − Bti )2 )1/2 .
ti ∈∆

Si B est à variation bornée, alors

% %
(Bti+1 − Bti )2 ≤ sup |Bti+1 − Bti | |Bti+1 − Bti | ≤ sup |Bti+1 − Bti ||dB|([0, t]).

Comme B est continu et à variation bornée, le terme de gauche converge vers 0. Par conséquent,
si N est soit une martingale locale soit un processus à variation bornée, on a
%
lim (Nti+1 − Nti )(Bti+1 − Bti ) = 0.
|∆|)0
ti ∈∆

D’où le résultat en décomposant les semimartingales et en développant le produit (Xti+1 −

Xti )(Xt#i+1 − Xt#i ). #

Définition 3.24 On dit qu’un processus progressif H est localement borné s’il existe une suite
croissante de temps d’arrêt (Tn )n≥0 avec Tn → +∞ p.s. tel que pour tout n ≥ 0 le processus
arrêté H Tn soit borné.

Remarque 3.25 Si H est localement borné alors pour t ≥ 0, p.s. sups≤t |Hs | < ∞. La
réciproque est fausse (par exple, prendre H0 non borné).
Par contre, si H est continu et H0 borné, alors H est localement borné (prendre Tn = inf{t ≥
0 : |Ht − H0 | = n}).
"t
Définition 3.26 On définit l’intégrale stochastique (H.X)t = 0 Hs dXs d’un processus locale-
ment borné H par rapport à une semimartingale X par localisation successives.
Supposons X0 = 0 et X = M + "A sa décomposition canonique.
t
On définit pour presque tout ω, 0 Hs (ω)dAs (ω) sans problème (dA(ω) est la mesure de Stieljes
associée à A(ω)).
Soit (Tn ) une suite croissante de temps d’arrêt avec Tn → +∞ p.s. qui localise à la fois H et
"t
M telle que M Tn ∈ M2c . Alors 0 HsTn dMsTn a un sens. Par ailleurs pour t ≤ Tn , gràce à la
compatibilité de l’intégrale avec les temps d’arrêt, on a
! t ! t
Hs Tn+1 Tn+1
dMs = HsTn dMsTn
0 0

Il existe donc un processus, noté H.M, tel que sur {t ≤ Tn } (H.M )t = (H Tn .M Tn )t . On définit
alors
(H.X)t = (H.M )t + (H.A)t .
Si X0 1= 0, on a H.X = H.(X − X0 ).

Proposition 3.27 Soit X une semimartingale et H un processus localement borné, alors H.X
est une semimartingale de décomposition canonique H.X = H.M + H.A.
Les propriétés de l’intégrale restent vraies :

Propriété 3.28 Soient X, X # deux semimartingales locales et H, K deux processus localement

bornés.
1. Inégalité de Kunita & Watanabe : p.s. pour tout t ≥ 0,
! t ! !
/ t 2 01/2 / t 2 01/2
|Hs Ks ||d < X, X # >s | ≤ Hs d < X >s Ks d < X # >s .
0 0 0
Semimartingales et Calcul Stochastique 57

2. Compatibilité avec les temps d’arrêt : Soit T un temps d’arrêt, alors

(I[0,T ] H).X = H.X T = (H.X)T .

3. Associativité de l’intégrale :
(KH).X = K.(H.X).

4. Si X = M martingale locale nulle en 0, H.M est l’unique martingale locale telle que
< H.M, N >= H. < M, N > pour toute martingale locale N .

Convergence des intégrales stochastiques

Théorème 3.29 Soit M une martingale locale avec M0 = 0 et H un processus localement
borné.
Soit (H n )n≥0 une suite de processus localement bornés tels que pour tout t ≥ 0
! t
(Hsn − Hs )2 d < M >s −→ 0 p.s.
0 n→+∞

Alors ! !
t t
Hsn dMs −→ Hs dMs en probabilité.
0 n→+∞ 0

Preuve.
Rappel : Théorème de Lévy
Une suite de fonctions continues et croissantes qui converge simplement vers une
fonction continue sur un intervalle I, alors la convergence est uniforme sur I.
"t
Soit T > 0. Le processus t )→ 0 (Hsn − Hs )2 d < M >s est croissant, donc la convergence est
"t
uniforme sur [0, T ]. En particulier, supn 0 (Hsn )2 d < M >s est une fonction continue.
"t
On pose At =< M >t + supn 0 (Hsn )2 d < M >s . C’est un processus croissant (adapté, continu
et nul en 0).
On pose Tk = inf{t ≥ 0 : At = k}. C’est une suite croissante de temps d’arrêt qui converge vers
+∞ p.s.
On a < M >Tk ≤ k. Par conséquent, la martingale locale M Tk est une vraie martingale bornée
dans L2 (voir Proposition 2.14). De plus, on a H n ∈ L2 (M Tk ) car
! t
(Hsn )2 d < M Tk >s ≤ k
0

Par convergence dominée, on a

! ∞
||H n − H||L2 (M Tk ) = E[ (Hsn − Hs )2 d < M Tk >s ] −→ 0
0 n→+∞

Par isométrie, on a donc H n .M Tk converge vers H.M Tk dans M2c . Comme (Tk ) converge vers
+∞ p.s., on a le résultat. #

Proposition 3.30 Soit H un processus progressif continu avec H0 borné. Soit X une semimar-
tingale et ∆ = {0 = t0 < t1 < . . . < tk = t) une subdivision de [0, t]. Alors
! t %
(H.X)t = Hs dXs = lim Hti (Xti+1 − Xti ) en probabilité
0 ti ∈∆

quand le pas |∆| tend vers 0.

58

Preuve. Comme H est continu et H0 borné, H est localement borné.

On décompose X = M + A.
Considérons une suite (∆n )n≥0 de subdivision de [0, t] dont le pas |∆n | tend vers 0 quand
n → +∞.
On a %
Hti (Mti+1 − Mti ) = (H n .M )t
ti ∈∆n

où H est le processus simple Hsn = Hti sur ]ti , ti+1 ] et Hsn converge p.s. vers Hs car H continu,
n

d’où comme H localement borné

! t
(Hsn − Hs )2 d < M >s −→ 0 p.s.
0 n→+∞

Donc, il y a convergence des intégrales stochastiques. Par ailleurs les sommes de ”Riemann“
converges par convergence dominée. #

Corollaire 3.31 Formule d’intégration par partie

Soit X, Y deux semimartingales continues. On a
! t ! t
Xt Yt − X0 Y0 = Xs dYs + Ys dXs + < X, Y >t .
0 0

Conséquence 3.32 Le produit de deux semimartingales est une semimartingale.

Preuve. Soit ∆ une subdivision de [0, t]. On a

%
Xt Yt − X0 Y0 = (Xti+1 Yti+1 − Xti Yti )
% % %
= Xti (Yti+1 − Yti ) + Yti (Xti+1 − Xti ) + (Xti+1 − Xti )(Yti+1 − Yti )

On obtient le résultat en passant à la limite. #

Exercice 3.33 Soit B un mouvement brownien et (FtB )(t≥0) sa filtration naturelle. Le processus
Mt = Bt2 − t est une martingale. Montrer que < M, B > est un processus gaussien dont on
déterminera la covariance.
"t "t
Preuve. On remarque que Mt = 2 0 Bs dBs . Par conséquent, < M, B >t = 2 0 Bs ds. C’est bien
un processus gaussien (il suffit de voir l’intégrale comme limite de sommes de Riemann), centré
(Fubini), de covariance (Fubini)
! t ! s ! t! s ! t! s
E[2 Bu du2 Bv dv] = 4 E[Bu Bv ]dudv = 4 u ∧ vdudv.
0 0 0 0 0 0

Le processus < M, B > est à variation borné, donc ce n’est pas une martingale. #

La formule d’Itô
Théorème 3.34 Soit (Ω, F, IP, (Ft )t≥0 ) un espace probabilisé filtré satisfaisant les conditions
habituelle.
1. Soit f : IR → IR une fonction de classe C 2 et X une semimartingale continue. On a alors
! !
t
1 t
f (Xt ) = f (X0 ) + f # (Xs )dXs + f ## (Xs )d < X >s .
0 2 0
Semimartingales et Calcul Stochastique 59

2. Soit f : IRd → IR une fonction de classe C 2 et X = (X 1 , . . . , X d ) une semimartingale

continue à valeurs dans IRd . On a alors
d !
% d !
t
∂f 1 % t ∂2f
f (Xt ) = f (X0 ) + (Xs )dXsi + (Xs )d < X i , X j >s .
i=1 0 ∂xi 2 i,j=1 0 ∂xi xj

Remarque 3.35 Les résultats de la théorie de la mesure classique sur les intégrales multiples ne
s’appliquent pas à l’intégrales stochastique. Notamment, il n’y a pas de théorème de Fubini. Par
exemple, soit B un mouvement brownien et H un processus borné progressivement mesurable
par rapport à la filtration brownienne,
! t ! s ! t ! t
/ 0 / 0
Hu dBu dBs 1= dBs Hu dBu
0 0 0 u
"t
car u dBs = Bt − Bu n’étant pas adapté, le terme de droite n’est pas défini. Par ailleurs, de
nombreux papiers étudient des intégrales stochastiques dépendant d’un paramètre, voir [].

4 Que se passe t’il dans le cas càdlàg ?

On peut par exemple regarder les livres de Dellacherie-Meyer [4] et de Protter [8]. (Attention à
la définition de l’intégrale chez Protter !)
Soit (Ω, F, (Ft )t≥0 , IP) un espace probabilisé filtré avec les conditions habituelles.
On définit l’espace des processus prévisibles l’espace des processus (Ft− )t≥0 -adaptés et càg. On
définit l’espace des processus optionnels l’espace des processus (Ft )t≥0 -adaptés et càd.
Dans le cadre càdlàg la décomposition d’une semimartingale en une partie martingale locale et
un processus à bornée n’est plus unique (on peut jouer sur les sauts), par contre si on impose
que le processus à variation fini soit prévisible, il y a unicité de la décomposition.

Proposition 4.1 Soit M une martingale locale càdlàg de carré intégrable. Les processus sui-
vants existent
%
[M ]t = lim (Mti+1 − Mti )2
|∆|→0
ti ∈∆
%
< M >t = lim E[(Mti+1 − Mti )2 |Fti ]
|∆|→0
ti ∈∆

Les processus [M ] et < M > sont à variation bornée, et < M > est prévisible.

Remarque 4.2 Si M est continue, on a [M ]t =< M >t .

Théorème 4.3 Décomposition de Doob-Meyer (voir [4])

Soit X une surmartingale càdlàg positive telle que pour tout T temps d’arrêt, X T est U.I. Alors
X admet une unique décomposition X = M − A avec M martingale et A processus croissant
prévisible.

Proposition 4.4 Soit M une martingale locale de carré intégrable. Alors < M > est l’unique
processus prévisible tel que M 2 − < M > soit une martingale locale.

On considère E l’espace vectoriel des processus H prévisibles élémentaires, i.e. H ∈ E s’il existe
0 = t1 < . . . < tn < ∞ = tn+1 , et h0 , . . . , hn des v.a. telles que ∀i hi est Fti -mesurable bornée
tels que
%n
H = h0 I{0} + hi I]ti ,ti+1 ] .
i=1
60

On définit l’espace de Skorohod D des processus adaptés à trajectoires càdlàg et L l’espace des
processus adapté à trajectoires làdcàg.
Alors l’espace E est dense dans L pour la convergence en probabilité uniforme sur les compact
(notée ucp) : H n converge vers H au sens ucp si
∀t > 0, sup0≤s≤t |Hsn − Hs | converge en probabilité vers 0.

Définition 4.5 On définit le processus de sauts ∆X d’un processus X par

∆Xt = Xt − Xt− .

On peut alors définir l’intégrale stochastique H.X pour X semimartingale càdlàg et H ∈ L

comme limite ucp de H n .X où H n ∈ E. Alors H.X est une semimartingale càdlàg. On a pour
t≥s ! ! !
t
Hs dXs = Hs dXs = Hs dXs − Hs ∆Xs .
s ]s,t] [s,t]

Propriété 4.6 Soit X une semimartingales càdlàg et H ∈ L.

1. Si T est une temps d’arrêt, alors (H.X)T = HI[0,T ] .X = H.X T .
2. Le processus de saut ∆(H.X) est indistinguable de H(∆X), i.e. p.s. les trajectoires t )→
∆(H.X)t sont les mêmes que t )→ Ht (∆X)t .
3. Associativité : Si H, G ∈ L, alors G.(H.X) = GH.X.
4. si X est une martingale locale càdlàg de carré intégrable et H ∈ L, alors H.X est aussi
une martingale locale càdlàg de carré intégrable.

Remarque 4.7 Soit N un processus de Poisson d’intensité λ > 0 et Ñ le processus de Poisson

compensé associé à N . On note (Tk ) la suite des instants de saut de N . Soit Ht = I[0,T1 ) (t), on
a H ∈ D et
! t ! t ! t !
Hs dÑs = Hs dNs − λ Hs ds = dNs − λ(t ∧ T1 ) = −λ(t ∧ T1 ).
0 0 0 ]0,t∧T1 [

Ce n’est pas une martingale, ceci explique pourquoi on travaille avec des processus de L.

Théorème 4.8 Soit X une semimartingale càdlàg et Y ∈ D ou Y ∈ L.

Soit ∆n une suite de subdivision aléatoire ∆n = {0 = t0 < t1 < . . . < tk < +∞} de IR+ dont le
pas |∆n | tend vers 0. On note
%
Y n = Y0 I{0} + Yti I]ti ,ti+1 ] .
ti ∈∆n
! .
"
Alors le processus ]0,.]
Y n dXs converge ucp vers Ys− dXs .
0

Propriété 4.9 Le crochet [., .] vérifie alors pour X, Y semimartingales càdlàg

1. Si X, Y martingales locales de carré intégrable càdlàg, alors [X, Y ] est l’unique processus
càdlàg à variation finie nul en 0 tel que XY − [X, Y ] martingale locale et ∆[X, Y ] =
∆X∆Y .
! t ! t
2. Xt Yt − X0 Y0 = Xs− dYs + Ys− dXs + [X, Y ]t ,
0 0
3. ∆[X, Y ] = ∆X∆Y .
Bibliographie

[1] Jean-François Le Gall. Introduction au mouvement brownien. Gazette des Mathématiciens,

40, 1989.
[2] Dominique Foata et Aimé Fuchs. Processus stochastiques. Dunod, 1998.
[3] Daniel Revuz et Marc Yor. Continuous martingales and brownian motion. Springer, 1991.
[4] Claude Dellacherie et Paul-André Meyer. Probabilités et potentiels. Hermann, 1975.
[5] Ioannis Karatzas et Steven E. Shreve. Springer, 1991.
[6] Hui-Hsiung Kuo. Introduction to stochastic integration. Springer, 2006.
[7] Edward Nelson. Dynamical theories of Brownian motion. http ://www.math.princeton.edu
/∼nelson/books/bmotion.pdf.
[8] Philip Protter. Stochastic integration and differential equations. Springer, 1995.

61