Dérivation mathématique du mouvement brownien géométrique

Le mouvement brownien géométrique (GBM) constitue un pilier fondamental de l'économie financière moderne. Ce modèle stochastique sert de socle théorique à la célèbre formule de Black-Scholes pour la prise de prix d'options. Il décrit l'évolution aléatoire des prix des actifs dans le temps, en supposant un taux d'intérêt constant et une volatilité constante. Contrairement aux modèles linéaires simples, le GBM se caractérise par une nature multiplicative : le logarithme du prix de l'actif suit un processus de mouvement brownien avec un terme de dérive. Cette article explore la déduction rigoureuse de ce modèle, en mettant l'accent sur les équations différentielles stochastiques et leurs implications pour la modélisation financière.

L'équation différentielle stochastique du mouvement brownien géométrique

L'équation différentielle stochastique (EDS) qui régit le GBM découle de l'hypothèse que les prix des actifs évoluent de manière continue et sont influencés par des fluctuations aléatoires. Soit $ S(t) $ le prix d'un actif au temps $ t $, avec $ S(0) $ représentant le prix initial. L'EDS du GBM s'écrit sous la forme suivante :

$$
dS(t) = \mu S(t) dt + \sigma S(t) dW(t)
$$

Dans cette formulation, les paramètres clés sont :

$ \mu $ : le rendement attendu (ou terme de dérive), représentant la tendance moyenne de la croissance du prix.
$ \sigma $ : la volatilité, définie comme l'écart-type du rendement de l'actif.
$ dW(t) $ : un processus de Wiener (ou mouvement brownien standard), un processus stochastique continu à accroissements indépendants.

Cette équation capture deux composantes essentielles : la croissance déterministe du prix (le terme $ \mu S(t) dt $) et les fluctuations aléatoires (le terme $ \sigma S(t) dW(t) $). Le second terme introduit l'incertitude inhérente à l'évolution du prix sur le temps.

Dérivation de l'équation différentielle par le lemme d'Itô

Pour établir l'EDS du GBM, nous partons de l'hypothèse que le logarithme du prix de l'actif suit un mouvement brownien avec dérive. Posons $ X(t) = \ln(S(t)) $. En appliquant le lemme d'Itô à la fonction $ f(t, S(t)) = \ln(S(t)) $, nous obtenons une transformation cruciale qui linéarise le processus multiplicatif.

Le lemme d'Itô stipule que pour une fonction $ f(t, S(t)) $, la différentielle $ df $ est donnée par :
$$
df = \left( \frac{\partial f}{\partial t} + \mu S \frac{\partial f}{\partial S} + \frac{1}{2} \sigma^2 S^2 \frac{\partial^2 f}{\partial S^2} \right) dt + \sigma S \frac{\partial f}{\partial S} dW(t)
$$

En appliquant cette formule à $ f = \ln(S) $, où les dérivées partielles sont :

$ \frac{\partial f}{\partial t} = 0 $
$ \frac{\partial f}{\partial S} = \frac{1}{S} $
$ \frac{\partial^2 f}{\partial S^2} = -\frac{1}{S^2} $

Nous substituons ces valeurs dans l'équation générale :
$$
d(\ln S) = \left( 0 + \mu S \cdot \frac{1}{S} + \frac{1}{2} \sigma^2 S^2 \cdot \left(-\frac{1}{S^2}\right) \right) dt + \sigma S \cdot \frac{1}{S} dW(t)
$$

Après simplification, l'équation devient :
$$
d \ln(S(t)) = \left( \mu - \frac{\sigma^2}{2} \right) dt + \sigma dW(t)
$$

Ce résultat révèle une propriété fondamentale : le logarithme du prix suit un processus de mouvement brownien avec une dérive ajustée à $ \mu - \frac{\sigma^2}{2} $. En intégrant cette équation par rapport au temps, nous obtenons la solution fermée :
$$
S(t) = S(0) e^{(\mu - \frac{\sigma^2}{2})t + \sigma \sqrt{t} Z}
$$
où $ Z $ est une variable aléatoire normale standard. Cette expression montre explicitement comment le prix initial est amplifié exponentiellement par la somme de la dérive ajustée et du bruit brownien.

Propriétés du mouvement brownien géométrique

Le GBM présente plusieurs caractéristiques qui en font un outil indispensable pour la modélisation financière :

Nature multiplicative : L'évolution du prix est multiplicative plutôt qu'additive. Cela garantit que le logarithme du prix suit un processus gaussien, ce qui simplifie considérablement l'analyse statistique.
Évolution continue : Le modèle suppose un temps continu et des accroissements stochastiques, évitant ainsi les sauts discrets qui pourraient survenir dans les modèles à temps discret.
Croissance exponentielle : La valeur attendue de $ S(t) $ croît exponentiellement avec le temps, reflétant la nature de l'intérêt composé des rendements.
Volatilité constante : Le paramètre $ \sigma $ détermine l'amplitude des fluctuations aléatoires. Bien que le prix fluctue, la volatilité relative (le pourcentage de variation) reste constante.

Ces propriétés assurent que le GBM est un modèle bien défini et gérable pour l'évaluation des actifs et la gestion des risques. L'EDS dérivée ci-dessus fournit les bases mathématiques pour analyser le comportement des prix en conditions d'incertitude.

Implications pour la modélisation financière

La dérivation du GBM via le lemme d'Itô met en lumière l'interaction complexe entre les facteurs déterministes et stochastiques des marchés financiers. L'équation $ dS(t) = \mu S(t) dt + \sigma S(t) dW(t) $ encapsule le compromis entre le rendement attendu et le risque associé aux fluctuations de prix.

Dans un contexte d'investissement, cette équation permet de modéliser l'évolution des prix pour calculer les rendements attendus, les primes de risque et les prix d'options. La solution fermée $ S(t) = S(0) e^{(\mu - \frac{\sigma^2}{2})t + \sigma \sqrt{t} W(t)} $ souligne le rôle central du GBM dans la théorie financière. Elle permet de déterminer la valeur moyenne et la variance du prix de l'actif, éléments cruciaux pour l'optimisation de portefeuille et l'évaluation du risque. De plus, la distribution normale des rendements logarithmiques facilite l'utilisation de méthodes statistiques dans l'analyse financière.

Conclusion

La déduction mathématique du mouvement brownien géométrique offre un cadre rigoureux pour comprendre le comportement stochastique des prix des actifs. En appliquant le lemme d'Itô au logarithme du prix, nous obtenons une équation différentielle qui intègre à la fois la croissance déterministe et les fluctuations aléatoires. Cette approche confirme le statut du GBM comme pierre angulaire de la théorie financière moderne. La démonstration souligne l'importance du calcul stochastique pour modéliser des processus complexes, permettant une analyse approfondie du risque, du rendement et de la valuation des actifs. La solution analytique du modèle reste un outil puissant pour les praticiens et les chercheurs en finance quantitative.