Many phenomena in our world can be described as differential equations in high dimensions. However, they are notoriously challenging to solve numerically due to the exponential growth in computational cost with increasing dimensions. This thesis explores an algorithm, known as deep BSDE, for solving high-dimensional partial differential equations and applies it to finance, namely European option pricing. In addition, an implementation of the method is provided that seemingly shortens the runtime by a factor of two, compared with the results in previous studies. From the results, we can conclude that the deep BSDE method does handle high-dimensional problems well. Lastly, the thesis gives the relevant prerequisites required to be able to digest the theory from an undergraduate level.

Dans cette thèse, nous proposons une approche progressive (forward) pour la représentation probabiliste d'Equations aux Dérivées Partielles (EDP) nonlinéaires et nonconservatives, permettant ainsi de développer un algorithme particulaire afin d'en estimer numériquement les solutions. Les Equations Différentielles Stochastiques Nonlinéaires de type McKean (NLSDE) étudiées dans la littérature constituent une formulation microscopique d'un phénomène modélisé macroscopiquement par une EDP conservative. Une solution d'une telle NLSDE est la donnée d'un couple $(Y,u)$ où $Y$ est une solution d' équation différentielle stochastique (EDS) dont les coefficients dépendent de $u$ et de $t$ telle que $u(t,cdot)$ est la densité de $Y_t$. La principale contribution de cette thèse est de considérer des EDP nonconservatives, c'est-à- dire des EDP conservatives perturbées par un terme nonlinéaire de la forme $Lambda(u,nabla u)u$. Ceci implique qu'un couple $(Y,u)$ sera solution de la représentation probabiliste associée si $Y$ est un encore un processus stochastique et la relation entre $Y$ et la fonction $u$ sera alors plus complexe. Etant donnée la loi de $Y$, l'existence et l'unicité de $u$ sont démontrées par un argument de type point fixe via une formulation originale de type Feynmann-Kac. / This thesis performs forward probabilistic representations of nonlinear and nonconservative Partial Differential Equations (PDEs), which allowto numerically estimate the corresponding solutions via an interacting particle system algorithm, mixing Monte-Carlo methods and non-parametric density estimates.In the literature, McKean typeNonlinear Stochastic Differential Equations (NLSDEs) constitute the microscopic modelof a class of PDEs which are conservative. The solution of a NLSDEis generally a couple $(Y,u)$ where $Y$ is a stochastic process solving a stochastic differential equation whose coefficients depend on $u$ and at each time $t$, $u(t,cdot)$ is the law density of the random variable $Y_t$.The main idea of this thesis is to consider this time a non-conservative PDE which is the result of a conservative PDE perturbed by a term of the type $Lambda(u, nabla u) u$. In this case, the solution of the corresponding NLSDE is again a couple $(Y,u)$, where again $Y$ is a stochastic processbut where the link between the function $u$ and $Y$ is more complicated and once fixed the law of $Y$, $u$ is determined by a fixed pointargument via an innovating Feynmann-Kac type formula.