Le calcul stochastique : le calcul pour ce qui ne tient jamais en place

Le cours d'une action ne se déplace jamais selon une courbe lisse. Zoomez autant que vous voulez — une minute, une seconde, une milliseconde — et il reste saccadé, imprévisible à cette échelle. Le calcul ordinaire a été conçu pour des choses lisses : des courbes avec une pente bien définie en tout point. Le calcul stochastique existe parce qu'un très grand nombre de grandeurs réelles — cours boursiers, positions de particules, mesures de capteurs bruitées — ne sont tout simplement pas lisses, et pourtant nous devons quand même faire du calcul sur elles : les intégrer, les dériver, construire des modèles à partir d'elles.

L'élément de base : le mouvement brownien

Le processus aléatoire fondamental derrière le calcul stochastique s'appelle le mouvement brownien, généralement noté W(t). Il a trois propriétés qui le définissent : il part de zéro, ses accroissements sur des intervalles de temps non chevauchants sont indépendants les uns des autres, et chaque accroissement suit une loi normale dont la variance est égale à la durée écoulée. Ensemble, ces trois règles simples produisent une trajectoire continue partout mais dérivable nulle part — quel que soit le niveau de zoom, elle ne ressemble jamais à une ligne droite.

Cette dernière propriété est tout le problème. Le calcul ordinaire repose sur l'idée que df/dt existe — qu'une fonction a un taux de variation réel et bien défini. Pour le mouvement brownien, dW/dt n'existe tout simplement pas en ce sens. On ne peut pas le dériver de façon normale. Il faut donc une nouvelle boîte à outils pour les fonctions qui en dépendent.

Le lemme d'Itô : la règle de dérivation en chaîne stochastique

En calcul ordinaire, la règle de dérivation en chaîne pour une fonction f(W(t)) serait simplement f'(W) dW. Le lemme d'Itô dit que ce n'est pas tout à fait exact lorsque W est un mouvement brownien — il y a un terme supplémentaire :

df = f'(W) dW + ½f''(W) dt

Ce second terme est la caractéristique étrange et déterminante du calcul stochastique, et il découle d'un fait véritablement singulier : pour les fonctions lisses ordinaires, (dt)² est si petit qu'on peut l'ignorer, mais pour le mouvement brownien, (dW)² se comporte comme dt lui-même, pas comme zéro. Il ne s'annule pas à la limite comme ce serait le cas pour une trajectoire lisse. Une fois ce fait étrange accepté, le reste du lemme d'Itô découle d'un développement de Taylor ordinaire — ce n'est pas un autre type de mathématiques, juste un raisonnement ordinaire appliqué avec soin à un processus qui se comporte de façon inhabituelle à petite échelle.

L'intuition à retenir : le mouvement brownien est si saccadé que son oscillation au carré s'accumule à un rythme constant dans le temps — c'est le fait (dW)² ≈ dt — et cette accumulation constante est exactement ce qui apparaît comme le terme supplémentaire dans le lemme d'Itô.

Un exemple concret : modéliser le cours d'une action

Le modèle standard pour un cours d'action S(t) est le mouvement brownien géométrique, écrit comme l'équation différentielle stochastique :

dS = μS dt + σS dW

En mots : l'action dérive vers le haut en moyenne au taux μ (le terme dt), tout en étant secouée par un bruit aléatoire mis à l'échelle par sa propre valeur et une volatilité σ (le terme dW) — un cours plus élevé signifie des variations absolues plus importantes, ce qui correspond au comportement réel des prix. Appliquer le lemme d'Itô à ln(S) — et non le calcul ordinaire, qui donnerait ici la mauvaise réponse — produit le résultat célèbre selon lequel S(t) suit une loi log-normale. Cette seule équation, et la mécanique nécessaire pour la résoudre correctement, sont l'ancêtre direct du modèle de valorisation d'options de Black-Scholes.

Pourquoi cela compte au-delà de la finance

La même boîte à outils — un terme de dérive plus un terme de bruit, dérivé correctement avec le lemme d'Itô — décrit une particule qui diffuse dans un fluide en physique, le bruit électrique dans un circuit, et des tailles de population qui fluctuent sous des événements aléatoires de naissance et de mort en biologie. Plus récemment, ce sont aussi les mathématiques qui font fonctionner les modèles d'IA générative par diffusion : ils entraînent un réseau à inverser une équation différentielle stochastique qui transforme progressivement une image réelle en bruit pur, puis exécutent ce processus inverse pour en générer une nouvelle à partir de rien.

Le calcul stochastique a la réputation d'être l'un des coins les plus difficiles d'un diplôme de mathématiques, surtout parce qu'il est généralement enseigné comme un mur de définitions relevant de la théorie de la mesure avant que l'intuition réelle — un processus aléatoire trop saccadé pour le calcul ordinaire, et un terme supplémentaire qui en tient compte — n'ait la moindre chance de s'installer. Une fois cette intuition en place en premier, la mécanique formelle cesse de paraître arbitraire. Si les études supérieures ou les mathématiques appliquées de dernière année sont la destination de votre enfant ou la vôtre, c'est exactement l'ordre dans lequel nous l'enseignons — voyez notre tutorat pour études supérieures ou le parcours d'apprentissage complet ici.