Plusieurs données de marchés financiers, telles que les prix spot de marchés européens de l'électricité interconnectés, présentent de la longue mémoire, au sens de la décroissance hyperbolique des autocorrélations combinée avec un phénomène d'hétéroskédasticité et de cycles périodiques ou non. Pour modéliser de tels comportements, nous introduisons d'une part les processus GIGARCH à k facteurs et nous proposons deux méthodes d'estimation des paramètres. Nous développons les propriétés asymptotiques des estimateurs de chacune des méthodes. De plus, afin de comparer les propriétés asymptotiques des estimateurs, des simulations de Monté Carlo sont effectuées. D'autre part, nous proposons un modèle longue mémoire généralisé multivarié (MVGARMA à k facteurs) pour modéliser conjointement deux marchés européens de l'électricité interconnectés. Nous donnons une procédure pratique d'estimation des paramètres. Pour la prévision, nous fournissons les expressions analytiques des prédicteurs de moindres carrés pour les modèles proposés et les intervalles de confiance des erreurs de prévision. Enfin, nous appliquons ces deux modèles sur les prix spot de l'électricité des marchés français et allemand et nous comparons leurs capacités prédictives.

Ce document de synthèse présente différents travaux de recherche centrés sur le comportement asymptotique de processus stochastiques. Ces travaux analysent des équations différentielles stochastiques ou des systèmes d'EDS dirigés par des mouvements browniens. Ils font effectivement appel au calcul asymptotique: dans les questions posées, il s'agit bien souvent de considérer la limite d'un paramètre du système dynamique. Cela peut être: le coefficient de diffusion qui tend vers $0$, le temps qui croît à l'infini, le nombre de particules dans un système de particules en interaction qui tend vers l'infini, le pas de temps d'une marche aléatoire qui tend vers $0$. Les techniques utilisées sont donc spécifiques à ces passages à la limite: grandes déviations, estimation d'intégrales par la méthode de Laplace, limite de McKean-Vlasov, propagation du chaos, critère de tension des lois de processus, décomposition spectrale des semi-groupes.

Le but principal de cette thèse est de développer de nouveaux modèles non linéaires à longue mémoire pour modéliser des rendements financiers et leur estimation statistique. En plus de la longue mémoire, ces modèles sont capables de mettre en lumière d’autres faits stylisés comme l’asymétrie ou l’effet de levier. Les processus étudiés dans la thèse sont des solutions stationnaires de certaines équations aux différences stochastiques non linéaires impliquant un “bruit” i.i.d. Outre le fait de résoudre ces équations, qui est non trivial en lui-même, nous prouvons que leur solutions sont dépendantes à longue portée. Enfin pour un modèle non linéaire particulier à longue portée (GQARCH) nous prouvon la consistence et la normalité asymptotique de l’estimateur du quasi-maximum de vraisemblance (QMLE). / The thesis introduces new nonlinear models with long memory which can be used for modelling of financial returns and statistical inference. Apart from long memory, these models are capable to exhibit other stylized facts such as asymmetry and leverage. The processes studied in the thesis are defined as stationary solutions of certain nonlinear stochastic difference equations involving a given i.i.d. “noise”. Apart from solvability issues of these equations which are not trivial by itself, it is proved that their solutions exhibit long memory properties. Finally, for a particularly tractable nonlinear parametric model with long memory (GQARCH) we prove consistency and asymptotic normality of quasi-ML estimators.

Cette thèse porte sur l'identification et l'estimation des ruptures structurelles pouvant affecter des données économiques et financières à mémoire longue. Notre étude s'est limitée dans les trois premiers chapitres au cadre univarié où nous avons modélisé la dépendance de long terme et les changements structurels simultanément et séparément au niveau de la moyenne ainsi que la volatilité. Dans un premier temps nous n'avons tenu compte que des sauts instantanés d'état ensuite nous nous sommes intéressés à la possibilité d'avoir des changements graduels et lisses au cours du temps grâce à des modèles nonlinéaires plus complexes. Par ailleurs, des expériences de simulation ont été menées dans le but d'offrir une analyse comparative des méthodes utilisées et d'attester de la robustesse des tests sous certaines conditions telle que la présence de la mémoire longue dans la série. Ce travail s'est achevé sur une extension aux modèles multivariés.Ces modèles permettent de rendre compte des mécanismes de propagation d'une variation d'une série sur l'autre et d'identifier les liens entre les variables ainsi que la nature des ces liens. Les interactions entre les différentes variables financières ont été analysées tant à court terme qu'à long terme. Bien que le concept du changement structurel n'a pas été abordé dans ce dernier chapitre, nous avons pris en compte l'effet d'asymétrie et de mémoire longue dans la modélisation de la volatilité. / This dissertation deals with the detection and the estimation of structural changes in long memory economic and financial time series. Within the rest three chapters we focused on the univariate case to model both the long range dependence and structural changes in the mean and the volatility of the examined series. In the beginning we just take into account abrupt regime switches but after we use more developed nonlinear models in order to capture the smooth time variations of the dynamics. Otherwise we analyse the efficiency of various techniques permitting to select the number of breaks and we assess the robustness of the used tests in a long memory environment via simulations. Last, this thesis was completed by an extension to multivariate models. These models allow us to detect the impact of some series on the others and identify the relationships among them. The interdependencies between the financial variables were studied and analysed both in the short and the long range. While structural changes were not considered in the last chapter, our multivariate model takes into account asymmetry effects and the long memory behaviour in the volatility.

Cette thèse fait appel à la théorie des ondelettes pour estimer le paramètre de mémoire longue dans le cadre stationnaire et non stationnaire lors de la modélisation des séries financières, et pour l'estimation non paramétrique de la copule lors de l'examen de leurs interdépendances. L'avantage de la méthode des ondelettes comparée à l'analyse de Fourier est d'être parfaitement localisée dans le domaine temporel et celui des fréquences.Dans une première étape, nous nous sommes intéressés à la modélisation de la dynamique des séries de variations. À cette fin, nous proposons un modèle économétrique qui permet de tenir compte, en plus de la composante mémoire longue dans la moyenne, une dépendance de long terme dans la variance conditionnelle.D'une part, nous étudions les liens de causalité entre les séries obtenus par décomposition en ondelettes à chaque niveau de résolution. D'autre part, nous nous orientons vers la théorie de cointégration fractionnaire. À cet égard,nous estimons un modèle vectoriel à correction d'erreur dans lequel la vitesse d'ajustement à l'équilibre de long terme est plus lente que la vitesse associée à la cointégration linéaire. L'atout de cette approche est de détecter la présence d'une relation de long terme en plus des fluctuations de court terme et de mettre en œuvre des liens de causalité durables.Dans une deuxième étape, nous proposons une analyse des dépendances multivariées entre les risques financiers et leurs impacts sur les mesures de risques communément rencontrées en gestion des risques. Nous exposons une application de la théorie des copules à l'analyse de la structure des dépendances entre différentes séries financières. Les résultats empiriques obtenus montrent que la structure de dépendance devient accentuée lorsque les séries sont filtrées de l'effet mémoire. Ensuite, nous étudions l'effet du changement de la structure de dépendance dans la frontière d'efficience et dans les mesures du risque sur l'ensemble des portefeuilles optimaux en considérant le modèle moyenne-variance-copules et en élaborant une mesure du risque basée sur l'approche CVaR-copules. Les résultats empiriques prouvent que nous sommes loin des portefeuilles optimaux de Markowitz.Enfin, nous proposons un nouvel estimateur dans le cadre des ondelettes qui constitue une extension de celui de Shimotsu et Phillips (2005, 2010). / This thesis uses wavelet theory to estimate the long memory parameter in the stationary and non stationary framework when modeling financial time series, and non parametric estimation of the copula in the examination of their interdependencies. The advantage of the wavelet method compared to the Fourier analysis is to be fully localized in the time domain and that of the frequency. In a first step, we are interested in modeling the dynamics of series of variations. To this end, we propose an econometric model that takes into account, in addition to the long memory component in the mean, a long term dependence in the conditional variance. On the first hand, we study the causal links between the series obtained by wavelet decomposition at each level of resolution. On the second hand, we are moving towards the theory of fractional cointegration. In this regard, we consider a vector error correction model in which the speed of adjustment to the long run equilibrium is slower than the speed associated with the linear cointegration. The advantage of this approach is to detect the presence of a long term relationship in addition to short term fluctuations and implement long run causal links.In a second step, we deal a multivariate analysis of dependencies between risks and their impacts on financial measures of risk commonly used in risk management. We present an application of copula theory to analyze the structure of dependencies between different financial series. The empirical results show that the dependence structure becomes accentuated when the series are filtered from the memory effect. Next, we investigate the effect of changing the structure of dependence in the efficiency frontier and the risk measures on all optimal portfolios considering the mean-variance-copulas model and developing a risk measure based on the CVaR-copula approach. The empirical results show that we are far from optimal portfolios Markowitz . Finally, we propose a new estimator in the wavelet domain which is an extension of the estimator of the Shimotsu and Phillips (2005, 2010).

La mémoire longue, aussi appelée la dépendance à long terme (LRD), est couramment détectée dans l’analyse de séries chronologiques dans de nombreux domaines, par exemple,en finance, en économétrie, en hydrologie, etc. Donc l’étude des séries temporelles à mémoire longue est d’une grande valeur. L’introduction du processus ARFIMA (fractionally autoregressive integrated moving average) établit une relation entre l’intégration fractionnaire et la mémoire longue, et ce modèle a trouvé son pouvoir de prévision à long terme, d’où il est devenu l’un des modèles à mémoire longue plus populaires dans la littérature statistique. Précisément, un processus à longue mémoire ARFIMA (p, d, q) est défini comme suit : Φ(B)(I − B)d (Xt − µ) = Θ(B)εt, t ∈ Z, où Φ(z) = 1 − ϕ1z − · · · − ϕpzp et Θ(z) = 1 + · · · + θ1zθpzq sont des polynômes d’ordre p et q, respectivement, avec des racines en dehors du cercle unité; εt est un bruit blanc Gaussien avec une variance constante σ2ε. Lorsque d ∈ (−1/2,1/2), {Xt} est stationnaire et inversible. Cependant, l’hypothèse a priori de la stationnarité des données réelles n’est pas raisonnable. Par conséquent, de nombreux auteurs ont fait leurs efforts pour proposer des estimateurs applicables au cas non-stationnaire. Ensuite, quelques questions se lèvent : quel estimateurs doit être choisi pour applications, et à quoi on doit faire attention lors de l’utilisation de ces estimateurs. Donc à l’aide de la simulation de Monte Carlo à échantillon fini, nous effectuons une comparaison complète des estimateurs semi-paramétriques, y compris les estimateurs de Fourier et les estimateurs d’ondelettes, dans le cadre des séries non-stationnaires. À la suite de cette étude comparative, nous avons que (i) sans bonnes échelles taillées, les estimateurs d’ondelettes sont fortement biaisés et ils ont généralement une performance inférieure à ceux de Fourier; (ii) tous les estimateurs étudiés sont robustes à la présence d’une tendance linéaire en temps dans le niveau de {Xt} et des effets GARCH dans la variance de {Xt}; (iii) dans une situation où le probabilité de transition est bas, la consistance des estimateurs quand même tient aux changements de régime dans le niveau de {Xt}, mais les changements ont une contamination au résultat d’estimation; encore, l’estimateur d’ondelettes de log-regression fonctionne mal dans ce cas; et (iv) en général, l’estimateur complètement étendu de Whittle avec un polynôme locale (fully-extended local polynomial Whittle Fourier estimator) est préféré pour une utilisation pratique, et cet estimateur nécessite une bande (i.e. un nombre de fréquences utilisés dans l’estimation) plus grande que les autres estimateurs de Fourier considérés dans ces travaux. / Long memory, also called long range dependence (LRD), is commonly detected in the analysis of real-life time series data in many areas; for example, in finance, in econometrics, in hydrology, etc. Therefore the study of long-memory time series is of great value. The introduction of ARFIMA (fractionally autoregressive integrated moving average) process established a relationship between the fractional integration and long memory, and this model has found its power in long-term forecasting, hence it has become one of the most popular long-memory models in the statistical literature. Specifically, an ARFIMA(p,d,q) process X, is defined as follows: cD(B)(I - B)d X, = 8(B)c, , where cD(z)=l-~lz-•••-~pzP and 8(z)=1-B1z- .. •-Bqzq are polynomials of order $p$ and $q$, respectively, with roots outside the unit circle; and c, is Gaussian white noise with a constant variance a2 . When c" X, is stationary and invertible. However, the a priori assumption on stationarity of real-life data is not reasonable. Therefore many statisticians have made their efforts to propose estimators applicable to the non-stationary case. Then questions arise that which estimator should be chosen for applications; and what we should pay attention to when using these estimators. Therefore we make a comprehensive finite sample comparison of semi-parametric Fourier and wavelet estimators under the non-stationary ARFIMA setting. ln light of this comparison study, we have that (i) without proper scale trimming the wavelet estimators are heavily biased and the y generally have an inferior performance to the Fourier ones; (ii) ail the estimators under investigation are robust to the presence of a linear time trend in levels of XI and the GARCH effects in variance of XI; (iii) the consistency of the estimators still holds in the presence of regime switches in levels of XI , however, it tangibly contaminates the estimation results. Moreover, the log-regression wavelet estimator works badly in this situation with small and medium sample sizes; and (iv) fully-extended local polynomial Whittle Fourier (fextLPWF) estimator is preferred for a practical utilization, and the fextLPWF estimator requires a wider bandwidth than the other Fourier estimators.

Dans cette thèse nous combinons les processus à mémoire longue ainsi que les modèles à changement de régime markovien afin d’étudier la dynamique non linéaire des rentabilités des hedge funds et leur exposition au risque de marché. L’attractivité des hedge funds réside dans leur capacité à générer des rentabilités décorrélées avec celles des actifs traditionnels tout en permettant d’améliorer les rentabilités et/ou de réduire le risque, indépendamment des conditions de marché. Cependant, certaines spécificités des rentabilités des hedge funds (non linéarité, asymétrie et présence d’une forte autocorrélation émanant des problèmes d’illiquidités) remettent en cause cet aspect qui n’est valable que dans un univers gaussien. Nous adoptons de ce fait une approche économétrique permettant de réconcilier la notion de mémoire longue et celle de la persistance pure des performances. Nous mettons l’accent sur le risque de confusion entre vraie mémoire longue et mémoire longue fallacieuse dans la mesure où certains processus peuvent générer des caractéristiques similaires à celles des processus à mémoire longue. Il ressort de cette étude non seulement l’insuffisance des modèles standards à prendre en compte les caractéristiques des séries des rentabilités financières mais aussi la pertinence du recours aux modèles mixtes pour mieux cerner l’ensemble de ces spécificités dans un cadre unifié. Le modèle Beta Switching ARFIMA-FIGARCH que nous proposons révèle la complexité de la dynamique des rentabilités des hedge funds. Il est donc nécessaire de mieux appréhender cette dynamique afin d'expliquer convenablement les interactions qui existent entre les hedge funds eux-mêmes et entre les hedge funds et les marchés standards. La composante mémoire longue est prise en compte à la fois au niveau de la moyenne conditionnelle à travers le processus ARFIMA ainsi qu’au niveau de la variance conditionnelle à travers plusieurs spécifications des processus hétéroscédastiques fractionnaires notamment les processus FIGARCH, FIAPARCH et HYGARCH. Cette modélisation mieux adaptée aux spécificités des hedge funds met en évidence le risque caché de ces derniers et représente une nouvelle perspective vers laquelle les gérants et les responsables d’agence pourraient s’orienter. / In this thesis we combine long memory processes and regime switching models to study the nonlinear dynamics of hedge funds returns and their exposure to market risk. The attractiveness of hedge funds lies in their ability to generate returns uncorrelated to those of traditional assets while allowing to improve returns and/or reduce the risk, regardless of market conditions. However, some specificity of returns of hedge funds as their nonlinear and asymmetric nature as well as the presence of a strong autocorrelation in related to illiquidity problems make this aspect only valid in a Gaussian framework. In this study, we adopt an econometric approach that reconciles the notion of long memory and that of pure performance persistence. In this regard, we focus on the risk of confusion between real and spurious long memory long memory since certain processes can generate similar characteristics to that of long memory processes. It appears from this study not only the inadequacy of standard models to take into account the characteristics of the series of financial returns but also the relevance of using mixed models to better understand all of these features within a unified framework. The Beta Switching ARFIMA-FIGARCH mode we suggest reveals the complexity of hedge fund return dynamics and proves the need to better understand the dynamics of returns of hedge funds in order to explain the interactions between hedge funds themselves and between hedge funds and standard markets. The long memory component is taken into account both at the conditional mean through the ARFIMA process and at the conditional variance through several specifications heteroscedatic fractional processes including FIGARCH, FIAPARCH and HYGARCH models. This model take into account several features of hedge fund returns, highlights their hidden risks and represents a new perspective to which managers could move.

Les grandes matrices de covariance constituent certainement l’un des modèles les plus utiles pour les applications en statistiques en grande dimension, en communication numérique, en biologie mathématique, en finance, etc. Les travaux de Marcenko et Pastur (1967) ont permis de décrire le comportement asymptotique de la mesure spectrale de telles matrices formées à partir de N copies indépendantes de n observations d’une suite de variables aléatoires iid et sa convergence vers une distribution de probabilité déterministe lorsque N et n convergent vers l’infini à la même vitesse. Plus récemment, Merlevède et Peligrad (2016) ont démontré que dans le cas de grandes matrices de covariance issues de copies indépendantes d’observations d’un processus strictement stationnaire centré, de carré intégrable et satisfaisant des conditions faibles de régularité, presque sûrement, la distribution spectrale empirique convergeait étroitement vers une distribution non aléatoire ne dépendant que de la densité spectrale du processus sous-jacent. En particulier, si la densité spectrale est continue et bornée (ce qui est le cas des processus linéaires dont les coefficients sont absolument sommables), alors la distribution spectrale limite a un support compact. Par contre si le processus stationnaire exhibe de la longue mémoire (en particulier si les covariances ne sont pas absolument sommables), le support de la loi limite n'est plus compact et des études plus fines du comportement des valeurs propres sont alors nécessaires. Ainsi, cette thèse porte essentiellement sur l’étude des asymptotiques et des fluctuations des plus grandes valeurs propres de grandes matrices de covariance associées à des processus stationnaires à longue mémoire. Dans le cas où le processus stationnaire sous-jacent est Gaussien, l’étude peut être simplifiée via un modèle linéaire dont la matrice de covariance de population sous-jacente est une matrice de Toeplitz hermitienne. On montrera ainsi que dans le cas de processus stationnaires gaussiens à longue mémoire, les fluctuations des plus grandes valeurs propres de la grande matrice de covariance empirique convenablement renormalisées sont gaussiennes. Ce comportement indique une différence significative par rapport aux grandes matrices de covariance empirique issues de processus à courte mémoire, pour lesquelles les fluctuations de la plus grande valeur propre convenablement renormalisée suivent asymptotiquement la loi de Tracy-Widom. Pour démontrer notre résultat de fluctuations gaussiennes, en plus des techniques usuelles de matrices aléatoires, une étude fine du comportement des valeurs propres et vecteurs propres de la matrice de Toeplitz sous-jacente est nécessaire. On montre en particulier que dans le cas de la longue mémoire, les m plus grandes valeurs propres de la matrice de Toeplitz convergent vers l’infini et satisfont une propriété de type « trou spectral multiple ». Par ailleurs, on démontre une propriété de délocalisation de leurs vecteurs propres associés. Dans cette thèse, on s’intéresse également à l’universalité de nos résultats dans le cas du modèle simplifié ainsi qu’au cas de grandes matrices de covariance lorsque les matrices de Toeplitz sont remplacées par des matrices diagonales par blocs / Large covariance matrices play a fundamental role in the multivariate analysis and high-dimensional statistics. Since the pioneer’s works of Marcenko and Pastur (1967), the asymptotic behavior of the spectral measure of such matrices associated with N independent copies of n observations of a sequence of iid random variables is known: almost surely, it converges in distribution to a deterministic law when N and n tend to infinity at the same rate. More recently, Merlevède and Peligrad (2016) have proved that in the case of large covariance matrices associated with independent copies of observations of a strictly stationary centered process which is square integrable and satisfies some weak regularity assumptions, almost surely, the empirical spectral distribution converges weakly to a nonrandom distribution depending only on the spectral density of the underlying process. In particular, if the spectral density is continuous and bounded (which is the case for linear processes with absolutely summable coefficients), the limiting spectral distribution has a compact support. However, if the underlying stationary process exhibits long memory, the support of the limiting distribution is not compact anymore and studying the limiting behavior of the eigenvalues and eigenvectors of the associated large covariance matrices can give more information on the underlying process. This thesis is in this direction and aims at studying the asymptotics and the fluctuations of the largest eigenvalues of large covariance matrices associated with stationary processes exhibiting long memory. In the case where the underlying stationary process is Gaussian, the study can be simplified by a linear model whose underlying population covariance matrix is a Hermitian Toeplitz matrix. In the case of stationary Gaussian processes exhibiting long memory, we then show that the fluctuations of the largest eigenvalues suitably renormalized are Gaussian. This limiting behavior shows a difference compared to the one when large covariance matrices associated with short memory processes are considered. Indeed in this last case, the fluctuations of the largest eigenvalues suitably renormalized follow asymptotically the Tracy-Widom law. To prove our results on Gaussian fluctuations, additionally to usual techniques developed in random matrices analysis, a deep study of the eigenvalues and eigenvectors behavior of the underlying Toeplitz matrix is necessary. In particular, we show that in the case of long memory, the largest eigenvalues of the Toeplitz matrix converge to infinity and satisfy a property of “multiple spectral gaps”. Moreover, we prove a delocalization property of their associated eigenvectors. In this thesis, we are also interested in the universality of our results in the case of the simplified model and also in the case of large covariance matrices when the Toeplitz matrices are replaced by bloc diagonal matrices

Cette thèse proposée utilise les ondelettes de Haar à créer de nouveaux indicateurs techniques, d’en évaluer leurs performances afin de tester la validité de l’efficience faible des marchés financiers. L’approche choisie vise à mettre en œuvre les capacités des indicateurs techniques à capter la mémoire longue présente dans les indices boursiers américains et européens à travers l’estimation de la tendance par le processus de lissage. De plus, cette dernière est une composante importante dans les séries économiques et financières. En effet, elle a fait l’objet d’innombrables investigations tant en analyse technique, qu’en traitement du signal et dans la théorie des cycles économiques. Toutefois, sa présence n’entre pas en ligne de compte dans la théorie classique de la finance, car les principaux modèles utilisés se focalisent sur les variations des cours boursiers. À cet effet, la tendance constitue une source de non-stationnarité entraînant des difficultés majeures pour la modélisation économétrique ou financière. Exploiter cette tendance s’affranchit, dans ce cas, des hypothèses de non-stationnarité tendancielle ou de racine unitaire. En plus, à l’issue des résultats que nous avons obtenus à partir du modèle à changement de régime. Nous confirmons qu’il est possible d’exploiter la présence de mémoire longue dans les cours, et également de battre le marché en présence de coûts de transactions sur les marchés américains et européens. / This proposed thesis uses the Haar wavelets to create new technical indicators, to evaluate their performance in order to test the validity of the weak form of efficient market hypothesis. The chosen approach aims to implement the capabilities of technical indicators to capture the long memory present in the US and European stock indices through the estimation of the trend by the smoothing process. Moreover, the trend is an important component in the economic and financial series. Indeed, it has been the subject of innumerable investigations in technical analysis, in signal processing and in the theory business cycle theory. However, its presence is not taken into account in the classic theory of finance because the main models used focus on changes in stock prices. For this purpose, the trend constitutes a source of non-stationarity leading to major difficulties for econometric or financial modeling. Exploit trend is freed, in this case, from the hypotheses of tendancy or unit root. In addition, the issue of the results we obtained from the regime change model. We confirm that it is possible to exploit the presence of long memory in the series, and also to beat the market in the presence of transaction costs on the American and European markets.

Cette thèse, composée de trois parties, est centrée sur l'application du calcul de \text{Malliavin} à différents domaines de l'analyse stochastique, tels que les théorèmes limites, le calcul stochastique fractionnaire et la régularité des solutions d'équations différentielles stochastiques. La première partie porte sur l'étude asymptotique de modèles de regression fractionnaire et fait appel au calcul stochastique par rapport au mouvement Brownien fractionnaire et au calcul de Malliavin. La deuxième partie est centrée sur la méthode de Stein sur l'espace de Wiener et présente des résultats ayant attrait aux théorèmes limites pour des fonctionnelles de champs Gaussiens (processus moyenne mobile à mémoire longue, sommes autonormalisées) ainsi que des résultats portant sur des propriétés de déconvolution de la loi Gamma. La troisième et dernière partie a pour objet l'étude, par le calcul de Malliavin, des solutions d'équations différentielles stochastiques rétrogrades, et en particulier l'existence de densité ainsi que d'estimées de densité pour ces solutions.