Nous étudions quelques applications du contrôle stochastique à la couverture d'options en présence d'illiquidité. Dans la première partie, nous nous intéressons à un problème de surcouverture d'option dans un modèle à volatilité stochastique. L'originalité provient du fait que l'actif servant à couvrir la volatilité n'est pas liquide et que l'agent devra donc opérer un montant total fini de transactions. La deuxième partie concerne la couverture d'option en présence de volatilité incertaine dont la dynamique n'est pas spécifiée. Nous introduisons un critère permettant d'obtenir des prix d'options non triviaux, en autorisant l'agent à perdre de l'argent pour des réalisations de la volatilité qu'il juge peu probables. Enfin dans une troisième partie nous étudions un problème de contrôle impulsionnel pour lequel les contrôles prennent effet avec retard. Cette étude s'applique notamment à la couverture d'options sur hedge funds, pour lesquels les ordres d'achat et de vente sont exécutés avec retard. Dans chaque partie, nous caractérisons la fonction valeur du problème comme étant l'unique solution de viscosité d'une équation aux dérivées partielles. Dans la première et la troisième partie, nous introduisons dans un second chapitre des algorithmes de résolution numériques de ces EDP par différences finies. La convergence de ces algorithmes est prouvée de manière théorique.

Cette thèse traite de la résolution numérique de problèmes de contrôle stochastique, illustrée d'applications sur les marchés d'électricité. Tout d'abord, nous proposons un modèle structurel pour le prix d'électricité, autorisant des pics de prix bien au delà du coût marginal de production lorsque le marché est tendu. Ce modèle permet de valoriser et couvrir partiellement des produits dérivés sur l'électricité, avec pour actifs de couverture des contrats à terme sur combustibles. Nous étudions ensuite un algorithme, à base de simulations de Monte-Carlo et régressions à base locale, pour résoudre des problèmes généraux de commutation optimale. Nous établissons un taux de convergence complet de la méthode. De plus, nous rendons l'algorithme parcimonieux en usage mémoire en permettant d'éviter le stockage du faisceau de trajectoires. Nous l'illustrons sur le problème d'investissements en centrales électriques (lesquelles se répercutent sur le prix d'électricité grâce à notre modèle structurel). Enfin, nous étudions des problèmes de contrôle stochastique plus généraux (où le contrôle peut être continu et modifier la dynamique du processus d'état), dont la solution peut être étudiée via des Équations Différentielles Stochastiques Rétrogrades contraintes, pour lesquelles nous développons un algorithme, qui combine randomisation du contrôle et optimisation paramétrique. Un taux de convergence entre l'EDSR contrainte et sa version discrète est fourni, ainsi qu'un estimateur du contrôle optimal. Nous appliquons ensuite cet algorithme au problème de sur-réplication d'option sous volatilité incertaine.