Estimation ultra haute fréquence de la volatilité et de la co-volatilité
|
|
- Samuel Savard
- il y a 8 ans
- Total affichages :
Transcription
1 Estimation ultra haute fréquence de la volatilité et de la co-volatilité Christian Y. Robert 1 et Mathieu Rosenbaum 2 1 CREST-ENSAE Paris Tech, 2 CMAP-École Polytechnique Paris Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 1
2 Plan 1 Données haute fréquence et bruit de microstructure Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 2
3 Outline 1 Données haute fréquence et bruit de microstructure Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 3
4 Modèles classiques Habituellement, les actifs sont supposés suivre des processus d Ito de la forme : d log X t = µ t dt + σ t db t, t [0, T ]. Ces modèles sont «valides» dans les basses fréquences. Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 4
5 Contrat Bund, du au , une donnée par heure Bund Time. Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 5
6 Contrat Bund, du au , une donnée par seconde value time. Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 6
7 Contrat Bund, , une donnée par seconde value time. Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 7
8 Contrat Bund, , de 10h à 11h, une donnée par seconde value time. Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 8
9 Données haute fréquence Les données haute fréquence ne se comportent pas comme des observations d une semi-martingale d Ito. En particulier, elles vérifient les propriétés suivantes : données discrètes, dates d observation aléatoires, saisonnalité intraday. Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 9
10 Bruit de microstructure La différence entre le logarithme du prix observé et celui du prix efficient définit le bruit de microstructure. Les principales caractéristiques du bruit de microstructure sont : variation quadratique finie, covariation négative avec le log prix efficient, saisonnalité intraday. Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 10
11 Outline 1 Données haute fréquence et bruit de microstructure Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 11
12 Une quantité pertinente Il est nécessaire de construire des modèles pour les données haute fréquence afin d obtenir des estimations de la volatilité. Quelles utilisations? Modèles de market impact, Modèles d exécution d ordre limite, Algorithmes d optimisation, Probabilités d exécution, Prévision de volatilité, Mesures de risque, Pricing d option. Voir en particulier Lehalle (2008). Une quantité pertinente : la volatilité intégrée 1 0 σ 2 t dt. Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 12
13 Modèles de bruit de microstructure Différents types de modèle ont pour but de tenir compte du bruit de microstructure. Des procédures statistiques spécifiques leur sont associées (l estimateur classique «Realized Volatility» étant extrêmement biaisé dans les hautes fréquences). Modélisation du bruit Bruit additif : Aït-Sahalia, Mykland and Zhang (2006), Zhang (2006), Barndorff-Nielsen et al. (2008). Contamination du prix efficient à travers un noyau markovien : Li and Mykland (2007), Jacod et al. (2007). Modèles de prix discrets : Delattre and Jacod (1997), Large (2007), R. (2007), Fukasawa (2008). Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 13
14 Le modèle d arrondi pur Certains des modèles précédents ne permettent pas d obtenir des prix discrets. Un modèle de diffusion observé avec erreur d arrondi est un moyen simple d obtenir des prix discrets et un comportement diffusif pour un échantillonnage basse fréquence. Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 14
15 Bund, , une donnée par seconde et 20W t, sur [0, 1], n = 2 15 value value time Time Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 15
16 Bund, ,de 10h à 11h, une donnée par seconde et 20W t, sur [0, 0.1] value value time Time Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 16
17 Inconvénients du modèle d arrondi pur Un modèle d arrondi pur n est pas «valide» dans les échelles extrêmement fines (trop d oscillations). Comme beaucoup d autres modèles, il est traité dans le cadre d un échantillonnage déterministe et régulier. Quelle fréquence utiliser : 1 seconde? 10 secondes? 1 minute? Quel prix utiliser : prix bid? prix midquote? prix last traded? Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 17
18 Outline 1 Données haute fréquence et bruit de microstructure Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 18
19 Aversion aux changements de prix Aversion aux changements de prix Dans un cadre idéal, les transactions n auraient lieu que lorsque le prix efficient croise la grille des ticks. En pratique, incertitude par rapport au prix efficient et aversion aux changements de prix des participants de marché. Le prix change seulement lorsque les participants de marché sont convaincus que le prix efficient est suffisamment loin du dernier prix traité. On introduit un paramètre η qui quantifie cette aversion aux changements de prix. Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 19
20 : notations Prix efficient : X t. t i : date de la i e transaction avec changement de prix. P ti : prix de transaction à la date t i. L i = P ti+1 P ti : taille en tick du i e changement de prix. Variables explicatives pour la taille des sauts : χ t. Zones d incertitude : U k = [0, ) (d k, u k ) avec d k = (k + 1/2 η)α et u k = (k + 1/2 + η)α. τ i : i e temps de sortie d une zone d incertitude. Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 20
21 : dynamiques d log X u = a u du + σ u dw u. P[L i = s F τi ] = φ s (χ τi ). τ i+1 = inf { t > τ i, X t = X (α) τ i ± α(l i η)}, avec X (α) τ i la valeur de X τi arrondie au plus proche multiple de α. τ i t i < τ i+1 et P ti = X (α) τ i. Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 21
22 Price (α) X τ 0 α 2ηα (α) X τ 1 (α) X τ 2 L 1 = 1 L 0 = L 2 = 1 Observed Price Theoretical Price L 3 = 1 L 6 = 2 L 4 = 1 Tick Mid Tick Uncertainty Zone Limits Barriers To Reach τ0 τ1 τ2 τ3 τ4 τ6 10:00:00 10:01:00 10:01:07 10:01:52 10:02:00 10:02:41 10:03:0010:03:32 10:04:00 10:04:50 10:05:00 Time Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 22
23 Discussion Commentaires sur le modèle Modèle Variations/Durations pour les prix last traded. Prix efficient latent semi-martingale. Dates de transaction aléatoires. Relation inverse entre durations et volatilité. Dates de transaction non nécessairement égales aux temps de sortie. Sauts de plusieurs ticks. Taille des sauts déterminée par des variables explicatives, liées par exemple au carnet d ordre. Modèle structurel pour le bruit de microstructure. Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 23
24 Le paramètre η Interprétation de η Quantifie l aversion aux changements de prix (par rapport à la taille du tick) des participants de marché. Un η petit (< 1/2) signifie que pour les participants de marché, la taille du tick est trop grande et inversement. Dans les UHF, le carnet d ordre ne peut pas suivre le prix efficient et est réticent aux changements de prix. Réticence mesurée par η. η comme une mesure de la profondeur de prix moyenne explorée par le volume des transactions. Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 24
25 Propriétés : Durations Volatility :00:00 10:00:00 11:00:00 12:00:00 13:00:00 14:00:00 15:00:00 16:00:00 17:00:00 Duration :00:00 10:00:00 11:00:00 12:00:00 13:00:00 14:00:00 15:00:00 16:00:00 17:00:00 Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 25
26 Propriétés : Le prix Observed price :00:00 10:04:00 10:08:00 10:12:00 10:16:00 10:20:00 10:24:00 10:28:00 Theoretical price :00:00 10:04:00 10:08:00 10:12:00 10:16:00 10:20:00 10:24:00 10:28:00 Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 26
27 Propriétés : ACF log rendements (η < 1/2) second sampling period 1 second sampling period seconds sampling period seconds sampling period minute sampling period minutes sampling period Tick time sampling, unit = 1 price change Tick time sampling, unit = 5 price changes Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 27
28 Outline 1 Données haute fréquence et bruit de microstructure Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 28
29 Reconstruction du prix efficient Prix efficient X τi = P ti α( 1 2 η)sign(p t i P ti 1 ). ˆX τi = P ti α( 1 2 ˆη)sign(P t i P ti 1 ). t i : date d observation, τ i : temps de sortie, P t : prix observé, X t : prix efficient. Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 29
30 Estimation de η Soit N α,t = card{t i, t i t}. Pour k = 1,..., m, On définit avec λ α,t,k = m j=1 Nα,t N (c) α,t,k = I { Xτi X τi 1 =αk}, i=1 i=1 Nα,t N (a) α,t,k = I { Xτi X τi 1 =α(k 1+2η)}. ˆη t = N (a) α,t,k + N(c) α,t,k m λ α,t,k u α,t,k, k=1 [ N (a) α,t,j + N(c) α,t,j ] et u α,t,k = 1 2 (k (N(c) α,t,k N (a) α,t,k 1 ) ) + 1. Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 30
31 Estimation dans le modèle avec zones d incertitude Théorème Soit On a N α,t ( RV t = log( ˆX τi ) log( ˆX τi 1 ) ) 2. i=1 α 1 ( RV t RV t ) Ls γ t t 0 v u dw θu, où W est un mouvement brownien indépendant de B et θ u, γ u et v u dépendent de X u, σ u et de variables explicatives, liées par exemple au carnet d ordre. Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 31
32 Discussion Commentaires sur le théorème a u est seulement progressivement mesurable et localement borné. σ u est seulement càdlàg adapté. En particulier, σ u n est pas nécessairement une semi-martingale d Ito. L arrondi a lieu sur l échelle des prix et non des log-prix. Estimer la variation quadratique du log-prix est donc plus difficile qu estimer celle du prix. Les dates d observation sont aléatoires, endogènes. Ainsi, les théorèmes classiques pour échantillonnage déterministe ne s appliquent pas. L idée clé est de se placer dans un temps modifié dans lequel les observations sont équidistantes puis d utiliser des propriétés de stabilité de la convergence dans D[0, T ]. Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 32
33 Estimation de η sur données equity Semaine : du au TICKER ˆη ˆη ˆη ˆη ˆη Jour 1 Jour 2 Jour 3 Jour 4 Jour 5 AIRF ALSO BNPP CAGR DANO EAD FTE RENA SGOB TOTF Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 33
34 1000 simulations MC, intervalle de confiance à 90% Realized Volatility 0e+00 3e 04 6e Pure Rounding estimator 0e+00 3e 04 6e Kernel estimator 0e+00 3e 04 6e e+00 3e 04 6e 04 ZMA 1s _ ZMA 2s ZMA 4s _ _ ZMA 8s _ _ GK _ _ RR _ Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 34
35 Outline 1 Données haute fréquence et bruit de microstructure Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 35
36 Cadre On considère maintenant 2 actifs. Dynamique des log-prix efficients d log X t = µ X t dt + σ X t dw t, d log Y t = µ Y t dt + σ Y t db t, avec d W, B t = ρ t dt. Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 36
37 Quantité d intérêt Covariance intégrée On souhaite estimer 1 ρ t σt X σt Y dt. 0 Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 37
38 Difficultés Problèmes pratiques 2 difficultés principales : Données asynchrones, Bruit de microstructure. Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 38
39 Estimateur habituel de la covariance Covariation réalisée On observe (X i/n, Y i/n ), i = 0,..., n. Soit n i X = log X i/n log X (i 1)/n. Un estimateur de 1 ρ t σt X σt Y dt avec précision n 1/2 est n n i X n i Y. 0 i=1 Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 39
40 Méthode de Dacarogna Interpolation Previous-Tick Supposons maintenant que l on observe X aux dates (T X,i ), i = 1,... et Y aux dates (T Y,i ), i = 1,... On construit X t = X T X,i for t [T X,i, T X,i+1 ) et Y t = Y T Y,i for t [T Y,i, T Y,i+1 ). Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 40
41 Estimateur Previous-Tick X,0 T =0 X,1 T X,2 T X,3 T X,4 T... X,m 1 T T m X, Y,0 T =0 Y,1 T Y,2 T Y,3 T... Y,m 1 T T m Y, Y τ (h) Y Y τ (2h) τ (3h) Y Y τ ((m 1)h ) τ (mh) X τ (h) X τ (2h) X τ (3h) X X τ ((m 1)h ) τ (mh) 0 h 2h 3h... T Pour h donnée, l estimateur Previous-Tick de la covariance est m ( ) ( ) V h = log X ih log X (i 1)h log Y ih log Y (i 1)h. i=1 Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 41
42 Inconvénient de cet estimateur Effet Epps Biais systematique pour cet estimateur. Exemple : Supposons que log X et log Y sont 2 mouvements browniens de corrélation ρ et que les dates de trading sont les temps d arrivée de 2 processus de Poisson indépendants. Alors, on peut montrer que E[V h ] 0, as h 0. Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 42
43 Un estimateur convergent pour données asynchrones Estimateur de Hayashi et Yoshida Soit Ii X = (T X,i, T X,i+1 ] et Ii Y = (T Y,i, T Y,i+1 ] l estimateur Hayashi-Yoshida est U n = i,j X (I X i ) Y (I Y j )1 {I X i Ij Y }. Cet estimateur ne requiert pas de choix de h et est convergent si les temps d arrivée sont indépendants du prix et les volatilités déterministes. Cependant, il n est pas robuste au bruit de microstructure (ce qui entraine aussi l effet Epps). Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 43
44 Estimation dans le modèle avec zones d incertitude Supposons τ1 X τ 1 Y. On définit de nouvelles séquences de temps d arrêt par λ X 0 = λy 0 = 0 et λ (X ) i+1 = min { τ (X ) j : τ (X ) j λ (Y ) } (Y ) i, λ i+1 = min { τ (Y ) j : τ (Y ) j > λ (X i+1} ). Théorème En se basant sur les temps d observation définis ci-dessus, l estimateur de Hayashi et Yoshida pour la co-volatilité est convergent si l on utilise les valeurs estimées du prix efficient. Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 44
45 Monte Carlo 1000 simulations, Modèle de Black-Scholes avec volatilité en U, Covariation constante = (ρ = 0.4). Hayashi-Yoshida Nouvel estimateur Moyenne Ecart type Christian Y. Robert et Mathieu Rosenbaum Estimation ultra haute fréquence de la volatilité 45
Echantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailPROJET MODELE DE TAUX
MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailMATHÉMATIQUES ET APPLICATIONS
MASTER 2 ème ANNÉE MATHÉMATIQUES ET APPLICATIONS Parcours Mathématiques du Risque et Actuariat ANNÉE UNIVERSITAIRE 2015 2016 1 PRESENTATION Le Master 2 Mathématiques du Risque et Actuariat a pour objectif
Plus en détailLe trading haute fréquence vu de l AMF. Arnaud Oseredczuck, chef du service de la surveillance des marchés
Le trading haute fréquence vu de l AMF Arnaud Oseredczuck, chef du service de la surveillance des marchés Introduction - Trading haute fréquence : définitions Conceptuellement, il convient de distinguer
Plus en détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailIdR Trading et Microstructure CA Cheuvreux. Charles-Albert Lehalle
IdR Trading et Microstructure CA Cheuvreux Charles-Albert Lehalle 2010-2014 Crédit Agricole Cheuvreux Kepler Cheuvreux L objectif de cette IdR «trading et microstructure des marchés» est de stimuler la
Plus en détailFinance, Navier-Stokes, et la calibration
Finance, Navier-Stokes, et la calibration non linéarités en finance 1 1 www.crimere.com/blog Avril 2013 Lignes directrices Non-linéarités en Finance 1 Non-linéarités en Finance Les équations de Fokker-Planck
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailLe risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Plus en détailComprendre les enjeux du trading haute fréquence
Comprendre les enjeux du trading haute fréquence Charles-Albert Lehalle 1, Frédéric Abergel 2, Mathieu Rosenbaum 3 1 Capital Fund Management 2 École Centrale Paris 3 Université Pierre et Marie Curie (Paris
Plus en détailListe des notes techniques... xxi Liste des encadrés... xxiii Préface à l édition internationale... xxv Préface à l édition francophone...
Liste des notes techniques.................... xxi Liste des encadrés....................... xxiii Préface à l édition internationale.................. xxv Préface à l édition francophone..................
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailCalibration de Modèles et Couverture de Produits Dérivés
Calibration de Modèles et Couverture de Produits Dérivés Peter TANKOV Université Paris VII tankov@math.jussieu.fr Edition 28, dernière m.à.j. le 1 mars 28 La dernière version de ce document est disponible
Plus en détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailMATHÉMATIQUES ET APPLICATIONS
MASTER 2 ème ANNÉE MATHÉMATIQUES ET APPLICATIONS Parcours Finance Computationnelle ANNÉE UNIVERSITAIRE 2015 2016 1 PRESENTATION Le master Finance Computationnelle spécialise les étudiants sur l ingénierie
Plus en détailIncertitude et variabilité : la nécessité de les intégrer dans les modèles
Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailCalibration de modèles et couverture de produits dérivés
Calibration de modèles et couverture de produits dérivés Peter Tankov To cite this version: Peter Tankov. Calibration de modèles et couverture de produits dérivés. DEA. Calibration de modèles et couverture
Plus en détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit
ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Plan de la séance 3 : Le risque de crédit (1) Les opérations de crédit Définition d un crédit La décision de crédit Les crédits aux petites
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailValue at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061
Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailCalculating Greeks by Monte Carlo simulation
Calculating Greeks by Monte Carlo simulation Filière mathématiques financières Projet de spécialité Basile Voisin, Xavier Milhaud Encadré par Mme Ying Jiao ENSIMAG - Mai-Juin 27 able des matières 1 Remerciements
Plus en détailUE 503 L3 MIAGE. Initiation Réseau et Programmation Web La couche physique. A. Belaïd
UE 503 L3 MIAGE Initiation Réseau et Programmation Web La couche physique A. Belaïd abelaid@loria.fr http://www.loria.fr/~abelaid/ Année Universitaire 2011/2012 2 Le Modèle OSI La couche physique ou le
Plus en détailLa tarification d options
La tarification d options Proposition pour une approche déterministe Pierre Bernhard 1 Stéphane Thiery 2 Marc Deschamps 3 Nous proposons ici une théorie de la tarification d options sur la base d un modèle
Plus en détailHedging delta et gamma neutre d un option digitale
Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détail2- Microstructure des marchés financiers
2- Microstructure des marchés financiers Principes d'organisation des marchés modes de cotation modes de transmission et d'exécution des ordres rôle des intermédiaires informations disponibles aux agents
Plus en détailTable des matières. Avant-propos. Chapitre 2 L actualisation... 21. Chapitre 1 L intérêt... 1. Chapitre 3 Les annuités... 33 III. Entraînement...
III Table des matières Avant-propos Remerciements................................. Les auteurs..................................... Chapitre 1 L intérêt............................. 1 1. Mise en situation...........................
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailBest Styles ou comment capturer au mieux les primes de risque sur les marchés d actions
Stratégie Best Styles ou comment capturer au mieux les primes de risque sur les marchés d actions La recherche des primes de risque constitue une stratégie relativement courante sur les marchés obligataires
Plus en détailMémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.
Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailEtude comparative de différents motifs utilisés pour le lancé de rayon
Etude comparative de différents motifs utilisés pour le lancé de rayon Alexandre Bonhomme Université de Montréal 1 Introduction Au cours des dernières années les processeurs ont vu leurs capacités de calcul
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailTravail en collaboration avec F.Roueff M.S.Taqqu C.Tudor
Paramètre de longue mémoire d une série temporelle : le cas non linéaire Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor Notion de longue mémoire Les valeurs d une série temporelle X = (X l )
Plus en détailThéorie Financière 8 P. rod i u t its dé dérivés
Théorie Financière 8P 8. Produits dit dérivés déié Objectifsdelasession session 1. Définir les produits dérivés (forward, futures et options (calls et puts) 2. Analyser les flux financiers terminaux 3.
Plus en détailOptions et Volatilité (introduction)
SECONDE PARTIE Options et Volatilité (introduction) Avril 2013 Licence Paris Dauphine 2013 SECONDE PARTIE Philippe GIORDAN Head of Investment Consulting +377 92 16 55 65 philippe.giordan@kblmonaco.com
Plus en détailThéorie et codage de l information
Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q
Plus en détailModélisation et étude d un système de trading directionnel diversifié sur 28 marchés à terme
Modélisation et étude d un système de trading directionnel diversifié sur 28 marchés à terme Trading system : Trend following Breakout Janvier 1996 - Janvier 2009 Etude de la performance du système Le
Plus en détailCe n était donc pas un problème d analyse de marché mais bien de point d entrée couplé à un stop pertinent qui me posait un souci.
Introduction Pour le trader particulier, l un des pièges est de croire qu une tendance dure longtemps sans jamais connaître de mouvements correctifs plus ou moins marqués qui peuvent anéantir un compte
Plus en détailStatistiques descriptives
Statistiques descriptives L3 Maths-Eco Université de Nantes Frédéric Lavancier F. Lavancier (Univ. Nantes) Statistiques descriptives 1 1 Vocabulaire de base F. Lavancier (Univ. Nantes) Statistiques descriptives
Plus en détailEstimation du coût de l incessibilité des BSA
Estimation du coût de l incessibilité des BSA Jean-Michel Moinade Oddo Corporate Finance 22 Juin 2012 Incessibilité des BSA Pas de méthode académique reconnue Plusieurs méthodes «pratiques», dont une usuelle
Plus en détailManuel d Utilisateur - Logiciel ModAFi. Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO
Manuel d Utilisateur - Logiciel ModAFi Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO Grenoble, 12 juin 2012 Table des matières 1 Introduction 3 2 Modèles supportés 3 2.1 Les diérents modèles supportés pour
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailSolvabilité II Les impacts sur la tarification et l offre produit
Solvabilité II Les impacts sur la tarification et l offre produit Colloque du CNAM 6 octobre 2011 Intervenants OPTIMIND Gildas Robert actuaire ERM, senior manager AGENDA Introduction Partie 1 Mesures de
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailQuantification des Risques
Quantification des Risques Comment considérer les aléas dans une projection financière? PragmaRisk met à disposition des solutions et des méthodes permettant de considérer les aléas dans vos projections
Plus en détailChapitre 3 : INFERENCE
Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage
Plus en détailCalcul Stochastique pour la finance. Romuald ELIE
Calcul Stochastique pour la finance Romuald ELIE 2 Nota : Ces notes de cours sont librement inspirées de différentes manuels, polycopiés, notes de cours ou ouvrages. Citons en particulier ceux de Francis
Plus en détailDirection des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Etab=MK3, Timbre=G430, TimbreDansAdresse=Vrai, Version=W2000/Charte7, VersionTravail=W2000/Charte7 Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailRapport de projet Risque de Crédit, Risque de Défaut : Étude de l influence du taux de recouvrement sur le prix de CDOs.
Rapport de projet Risque de Crédit, Risque de Défaut : Étude de l influence du taux de recouvrement sur le prix de CDOs. Auteurs : Hecht Frédéric, Porzier Rémi, Font Guillaume Cours «Risque de Crédit,
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailStage à la Société Générale Ingénierie Financière. Note de Prise de Recul
Stage à la Société Générale Ingénierie Financière Note de Prise de Recul I. Rôle et Missions Assignés a. Description de l environnement de travail Au cours de mon stage, je travaille au sein du département
Plus en détailSurface de volatilité
Surface de volatilité Peter TANKOV Université Paris-Diderot(ParisVII) tankov@math.univ-paris-diderot.fr Dernière m.à.j. February 15, 15 Ce document est mis à disposition sous un contrat Creative Commons
Plus en détailModélisation de séries financières par un modèle multifractal. Céline Azizieh
Modélisation de séries financières par un modèle multifractal Céline Azizieh Mémoire présenté à l Université Libre de Bruxelles en vue d obtenir le diplôme d actuaire Supervision: W. Breymann (RiskLab,
Plus en détailComment évaluer une banque?
Comment évaluer une banque? L évaluation d une banque est basée sur les mêmes principes généraux que n importe quelle autre entreprise : une banque vaut les flux qu elle est susceptible de rapporter dans
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailQUESTIONS D ENTRETIENS EN FINANCE DE MARCHE
QUESTIONS D ENTRETIENS EN FINANCE DE MARCHE Le présent document est un recueil de questions, la plupart techniques, posées à des candidats généralement jeunes diplômés, issus d école d ingénieurs, de commerce
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailTP: Représentation des signaux binaires. 1 Simulation d un message binaire - Codage en ligne
Objectifs : Ce TP est relatif aux différentes méthodes de codage d une information binaire, et à la transmission en bande de base de cette information. Les grandes lignes de ce TP sont l étude des méthodes
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire FFA Jean-Paul LAURENT Professeur à l'isfa jean-paul.laurent@univ-lyon1.fr http://laurent.jeanpaul.free.fr/ 0 De la la mesure à l analyse des risques! Intégrer
Plus en détailCALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING
CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING SÉLECTION DES RISQUES PRÉVISION DES DÉFAUTS SUIVI ET CONTRÔLE Pierre-Louis GONZALEZ Différents types de
Plus en détailLa nouvelle planification de l échantillonnage
La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage
Plus en détailTechnique de codage des formes d'ondes
Technique de codage des formes d'ondes Contenu Introduction Conditions préalables Conditions requises Composants utilisés Conventions Modulation par impulsions et codage Filtrage Échantillon Numérisez
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailApproche modèle pour l estimation en présence de non-réponse non-ignorable en sondage
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction
Plus en détailClasse de première L
Classe de première L Orientations générales Pour bon nombre d élèves qui s orientent en série L, la classe de première sera une fin d étude en mathématiques au lycée. On a donc voulu ici assurer à tous
Plus en détailLe théorème des deux fonds et la gestion indicielle
Le théorème des deux fonds et la gestion indicielle Philippe Bernard Ingénierie Economique& Financière Université Paris-Dauphine mars 2013 Les premiers fonds indiciels futent lancés aux Etats-Unis par
Plus en détailAsk : Back office : Bar-chart : Bear : Bid : Blue chip : Bond/Junk Bond : Bull : Call : Call warrant/put warrant :
Parlons Trading Ask : prix d offre ; c est le prix auquel un «market maker» vend un titre et le prix auquel l investisseur achète le titre. Le prix du marché correspond au prix le plus intéressant parmi
Plus en détailRésumé... 9... 10... 10... 10
Bibliographie 1 Table des matières Table des matières.................................... 3 Résumé............................................ 9........................................ 10........................................
Plus en détailNouveaux défis et nouveaux horizons
: Nouveaux défis et nouveaux horizons Horizon Maths 2013 Fondation des Sciences Mathématiques de Paris En collaboration avec Marco AVELLANEDA (New York University) Lakshithe WAGALATH (Doctorant LPMA- Univ
Plus en détailModélisation et Simulation
Cours de modélisation et simulation p. 1/64 Modélisation et Simulation G. Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Cours de modélisation et simulation
Plus en détailFormation 2 mois. Trader les Futures par les carnets d ordres :
Formation 2 mois Trader les Futures par les carnets d ordres : Marché des Matières premières avec Gold, Pétrole, Argent, Marché obligataire du Bund, Eurostoxx, Dax, Russel, S&P, Spread Dax-Stoxx, EUR/USD.
Plus en détailÉtude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test
11 juillet 2003 Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test Mariane Comte Plan 2 Introduction et objectif
Plus en détail