Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.

Dimension: px
Commencer à balayer dès la page:

Download "Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2."

Transcription

1 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 du cours du 9 Février A joindre : - la rédaction de la partie mathématique ainsi que la justication des techniques employées pour la simulation. - les valeurs numériques obtenues et vos commentaires. - le listing du programme de simulation. 1 Partie mathématique Soit (Ω, F, (F t ) t 0, P) un espace de probabilité ltré muni d'un mouvement Brownien standard d-dimensionnel W. On considère un processus de dynamique X t = x + bt + σw t, b R d, σ R d R d, avec σσ symétrique dénie positive. Introduisons le demi-espace D := {y R d : n y + m > 0}, n R d, m R, et τ := inf{s 0 : X s D}. Pour x D, T > 0 déterministe, et une fonction de pay-o g donnés, on s'intéresse à l'approximation numérique de la quantité E x [g(x T )I τ>t ] associée au prix d'une option à barrières. On a ici aaire à une option path dependent, et il va donc falloir tenir compte de la trajectoire du processus. On dénit pour N N, h := T/N et τ N := inf{t i := ih, i N : X ti D}. On va tout d'abord dans cette partie prouver une majoration de l'erreur faible : à l'aide de techniques de calcul stochastique. 1.1 Résultats préliminaires Err(x, T, g, h) = E x [g(x T )(I τ N >T I τ>t )] Considérons d'abord le cas d = 1 = σ, b = 0 et D = R Soit x D, A B(R + ), tribu borélienne de R +. A l'aide du principe de réexion pour le mouvement Brownien donner l'expression explicite de P x [X t A, τ > t] en terme de noyaux Gaussiens dont on précisera moyenne et variance. 2. Pour (t, x) [0, T ] D et g à croissance exponentielle, on dénit v(t, x) := E x [g(x T t )I τ>t t ]. Préciser l'edp satisfaite par v. 3. Montrer que v C 1,2 ([0, T ) D). Donner une condition sur g pour que v C 0 ([0, T ] D), puis pour que v C 2,4 ([0, T ] D). On entend par là que l'on peut prolonger de façon régulière les dérivées sur un voisinage de D. 1

2 4. Même question pour obtenir v C 2,4 b ([0, T ] D), i.e. la fonction ainsi que ses dérivées jusqu'à l'ordre indiqué sont bornées. Reprendre les questions précédentes dans le cas plus général introduit ci-avant. 1.2 Analyse de l'erreur i=0 N 1 1. Montrer que Err(x, t, g, h) = E[I τ N >t i (v(t i+1, Π D(X ti+1 )) v(t i, X ti ))] où Π D désigne la projection sur l'adhérence de D. 2. En supposant désormais que les hypothèses garantissant que v C 2,4 b ([0, T ] D) sont vériées, déduire de l'application d'une formule de Taylor à l'ordre 3 Err(x, t, g, h) = N 1 E x [I τ N >t i ( v(t i, X ti ) nf (X ti+1 ) + O(F (X ti+1 ) X ti+1 X ti ) i=0 ) +O((F (X ti+1 ) 2 ) + O(h 2 ) ]. (1) où F (x) = d(x, D)I x D d(x, D)I x D est la distance signée au bord du domaine. On pourra utiliser que Π D(X ti+1 ) = X ti+1 + nf (X ti+1 ). 3. En notant τ ti := inf{s t i : X s D}, établir C > 0, P[τ ti < t i+1 F ti ] CP[X ti+1 D F ti ]. 4. A l'aide de contrôles usuels sur le Brownien déduire du résultat précédent que Err(x, t, g, h) C h. Il existe en fait, sous de bonnes hypothèses, un développement de l'erreur de la forme Err(x, t, g, h) = C h + o( h), C = C 0 σ n E[I τ<t v(τ, X τ ) n], C 0 = On peut renvoyer aux travaux de Siegmund, [Sie79], pour des précisions sur la nature de la constante C 0 σ n. Il s'agit de l'espérance de l'overshoot normalisé, i.e. distance à la frontière lorsque le processus sort du domaine à temps discret divisé par h. Le développement d'erreur précédent justie l'utilisation d'une méthode d'extrapolation de type Romberg pour améliorer la convergence. La connaissance explicite de C 0 permet par ailleurs de proposer une méthode alternative basée sur la correction de domaine. Précisément, on va restreindre le domaine de sorte à compenser la surestimation due au temps discret. Introduisons D N := {y R d : y n + m > C 0 h σ n }, τ N D N := inf{t i : X N t i D N }. On a en fait le résultat suivant : E[g(X T )(I τ N DN >T I τ>t )] = o( h). (2) Dans un contexte d'application nancière, cette identité est présentée dans [BGK97]. Dans la suite du TP on s'attachera à mettre en oeuvre les diérentes techniques de simulation suggérées par ces résultats : simulation naive, simulation par ponts browniens, extrapolation de Romberg, technique de correction dérivant de (2). 2 Partie mise en oeuvre en C++ On va ici compléter les classes introduites lors du TP précédent pour évaluer des quantités de type Q T = E x [f(s T )I τ>t ] où S t = S 0 exp(σw t + (r σ2 )t), avec 2 (W t) t 0 mouvement Brownien monodimensionnel, τ := inf{t 0 : S t D}, D ouvert connexe de R. La fonction f sera supposée à croissance polynomiale. On rappelle que l'on a ici aaire à une option path dependent. Il va donc falloir tenir compte de la trajectoire de l'actif. A ce propos on va introduire un ensemble de classes pour simuler des processus stochastiques à valeurs réelles. 2

3 2.1 Classes associées à des processus aléatoires On va tout d'abord créer une classe abstraite Process dérivant de Loi_Proba et de prototype class Process: public Loi_Proba{ protected: int N; double T,DT; Process(double Ti=1,double DTi=.01); virtual double getincrement() const=0; virtual double getfinalvalue() const=0; double Simule() const{return getfinalvalue();} où T>0 désigne le temps terminal jusqu'auquel on souhaite observer le processus en partant de 0, DT est le pas de discrétisation et N le nombre de pas de discrétisation sur l'intervalle [0,T]. La méthode getincrement() renverra pour un processus X donné une réalisation de X ti+1 X ti pour i [0, N 1]. La méthode getfinalvalue() renverra une réalisation de X T. Question 1. Ecrire les constructeurs de la classe Process. Question 2. Faire dériver de Process une classe Brownian. On suggère d'utiliser le prototype suivant : class Brownian: public Process{ Normale No; Brownian(double Ti=1,double DTi=.01); double getincrement() const; double getfinalvalue() const; Implémenter les méthodes de la partie publique de cette classe. Question 3. Faire dériver de Process une classe Geometric_Brownian, de prototype : class Geometric_Brownian: public Process{ Brownian B; double sigma, r, S0; Geometric_Brownian(double S0i=100,double sigmai=.15, double r=.02, double Ti=1, double DTi=.01); double getincrement() const; double getfinalvalue() const; Implémenter les méthodes de cette classe. 2.2 Options et héritage Nous allons dans cette partie décrire et implémenter un ensemble de classes pour estimer des prix d'options par méthode de Monte Carlo dans un modèle de Black et Scholes. La classe de base pour cela sera 3

4 OptionBS:public Loi_Proba{ protected: double r,t; // On peut considérer que le taux d'actualisation et la maturité // sont des données de l'option. Geometric_Brownian GB; PayOff & PO; OptionBS(PayOff & POi,double S0i=100,double sigmai=.15, double ri=.02, double Ti=1, double DTi=.01); C'est là une classe abstraite, i.e. on n'y implémente pas la méthode Simule de Loi_Proba dont la classe OptionBS dérive. A titre indicatif, la classe VanillaOptionBS du TP précédent devrait maintenant dériver de OptionBS. Question 1. On va écrire une classe BarrierOptionBS dérivant de OptionBS de prototype class BarrierOptionBS:public OptionBS{ double borne_gauche, borne_droite; BarrierOptionBS(double bg, double bd, PayOff & POi, double SOi=100, double sigmai=.15, double r=.02, double Ti=1, double DT=.01); double Simule() const; où D = (borne_gauche,borne_droite). Implémenter les méthodes précédentes. On utilisera pour cela la discrétisation naïve du temps de sortie qui consiste à observer si la trajectoire est hors du domaine à un des instants de discrétisation. Question 2. A l'aide de la procédure de simulation élémentaire précédente, mettre en évidence numériquement l'identité E[f(S T )I τ N >T ] E[f(S T )I τ>t ] = C DT + o( DT) où τ N := inf{t i = ih : S ti D}, pour f(x) = (x K) +, D = (0, B), K < B. On pourra utiliser que l'expression explicite du prix, cf. [MR97], est dans ce cas donnée par ( E[f(S T )I τ>t ] = S 0 exp(rt ) N (d 1 (K, S 0, σ, r, T )) N (d 1 (B, S 0, σ, r, T )) ( B + K S 0 ) 2r σ 2 +1 ( N (2 ˆd2 (B, S 0, σ, r, T ) ˆd 2 (K, S 0, σ, r, T )) N ( ˆd 2 (B, S 0, σ, r, T )) )) ( N (d 2 (K, S 0, σ, r, T )) N (d 2 (B, S 0, σ, r, T )) ( ) 2r B σ ( N (2 ˆd1 (B, S 0, σ, r, T ) S ˆd 1 (K, S 0, σ, r, T )) N ( ˆd 1 (B, S 0, σ, r, T )) )) 0 où N (x) = P[N (0, 1) x], d 1 (x, S 0, σ, r, T ) = log(s0/x)+rt σ + 1 T 2 σ T, ˆd 1 (x, S 0, σ, r, T ) = d 1 (x, S 0, σ, r, T ) 2r σ T, et d2 (x, S 0, σ, r, T ) = d 1 (x, S 0, σ, r, T ) σ T, ˆd 2 (x, S 0, σ, r, T ) = d 2 (x, S 0, σ, r, T ) 2r σ T. On prendra S 0 = 100, B = 130, K = 90, σ =.15, r =.02. On fera varier le nombre N de pas de discrétisation en faisant bien attention à équilibrer erreur statistique associée à la méthode de Monte Carlo, dirigée par le théorème central limite, et erreur de discrétisation que l'on cherche à mettre en évidence. 4

5 Question 3. Implémenter la méthode de simulation qui utilise la probabilité qu'un pont Brownien ait dépassé un certain seuil entre deux instants de discrétisation. On suggère pour cela d'ajouter dans la partie publique de la classe Brownian une fonction de prototype static double ProbBrownBridgeBigger(double B, double xi, double xip1, double h) ; qui renvoie P[sup s [0,h] W s B W 0 = xi, W h = xip1]. Ecrire une fonction double SimuleBB() const dans la partie publique de BarrierOptionBS utilisant cette probabilité dans les cas où D = (0, B) ou D = (B, + ). Etudier l'impact de la discrétisation en temps par cette technique. Estimer le gain associé en terme de vitesse de convergence. Question 4. Implémenter les méthodes d'extrapolation de Romberg et de correction de domaine introduites en Section 1. Commenter les résultats. Question 5. An de permettre à l'utilisateur de choisir entre les diérentes méthodes de simulation on va utiliser des pointeurs sur fonctions et surcharger les constructeurs. 1. Introduire une variable double (BarrierOptionBS::*PTR_Simule) () const ; dans la partie privée de BarrierOptionBS. La variable PTR_Simule est un pointeur de fonction. Il ne peut pointer que des fonctions const de la classe BarrierOptionBS n'ayant pas d'arguments, et renvoyant un double. L'aectation de ce type de variables se fait de la façon suivante : PTR_Simule=& BarrierOptionBS::SimuleBB ; 2. Modier les constructeurs de cette classe en ajoutant un champ int FLAG, qui prendra les valeurs 0,1,2,3 en fonction de la technique retenue par l'utilisateur. - 0 : simulation naive. - 1 : simulation par ponts Browniens. - 2 : extrapolation de Romberg. - 3 : correction de domaine. 3. Modier la fonction Simule qui devient double BarrierOptionBS::Simule() const { return (this->*ptr_simule)(); } Mettre enn les diérentes méthodes de simulation dans la partie privée de la classe. Ces dernières ne sont ainsi plus directement accessibles à l'utilisateur. Références [BGK97] M. Broadie, P. Glasserman, and S. Kou. A continuity correction for discrete barrier options. Mathematical Finance, 7 :325349, [MR97] M. Musiela and M. Rutkowski. Martingale methods in nancial modelling. Springer, [Sie79] D. Siegmund. Corrected diusion approximations in certain random walk problems. Adv. in Appl. Probab., 11(4) :701719,

Modèles structurels. Chapitre 4. 4.1 Modèle de Merton

Modèles structurels. Chapitre 4. 4.1 Modèle de Merton Chapitre 4 Modèles structurels 4.1 Modèle de Merton L idée principale de modèles structurels est basée sur l article fondateur de Merton [?], où un défaut est provoqué quand une entreprise n arrive pas

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

Travaux dirigés. Résolution numérique des équations diérentielles ordinaires. Département MIDO année 2013/2014 Master MMDMA

Travaux dirigés. Résolution numérique des équations diérentielles ordinaires. Département MIDO année 2013/2014 Master MMDMA Université Paris-Dauphine Méthodes numériques Département MIDO année 03/04 Master MMDMA Travaux dirigés Résolution numérique des équations diérentielles ordinaires Exercice. Pour α > 0, on considère le

Plus en détail

Méthodes numériques pour le pricing d options

Méthodes numériques pour le pricing d options Méthodes numériques pour le pricing d options Mohamed Ben Alaya 6 février 013 Nous allons tester les différentes méthodes de différence finies vu dans le cours en l appliquant au calcul du call ou le put

Plus en détail

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale.

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Aix Marseille Université. Algorithmes Stochastiques. M MIS. Fabienne Castell... Chapitre : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Le but de ce chapitre

Plus en détail

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options

TP1 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 détail

Probabilités III Introduction à l évaluation d options

Probabilités 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 détail

Le modèle de Black et Scholes

Le 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 détail

Tutorat 3 de Mathématiques (2ème année)

Tutorat 3 de Mathématiques (2ème année) Tutorat 3 de Mathématiques (2ème année) Marches aléatoires et marchés financiers Groupe 4 tuteur : J. Bouttier 8 février 2010 Résumé Depuis la thèse de Bachelier, les marchés nanciers ont constitué un

Plus en détail

MATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA

MATHS 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 détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage 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 détail

1 La formule de Black et Scholes en t discret

1 La formule de Black et Scholes en t discret Université de Provence Préparation Agrégation Epreuve de Modélisation, Option Proba. Texte : La formule de Black Scholes en Finance Étienne Pardoux 1 La formule de Black et Scholes en t discret On suppose

Plus en détail

Méthodes de Monte Carlo pour le pricing d options

Méthodes de Monte Carlo pour le pricing d options Méthodes de Monte Carlo pour le pricing d options Mohamed Ben Alaya 14 février 2013 Nous allons tester les différentes méthodes probabilistes vu dans le cours en l appliquant au calcul du call ou le put

Plus en détail

Master ISIFAR 2ème année Exercices pour le cours Mathématiques Financières

Master ISIFAR 2ème année Exercices pour le cours Mathématiques Financières Master ISIFAR 2ème année Exercices pour le cours Mathématiques Financières Chapitre 1 Exercice 1. * Calculer le prix à terme d échéance T d une obligation de nominal N, qui verse un coupon C à la date

Plus en détail

Le Modèle de Black-Scholes. DeriveXperts. 27 octobre 2010

Le Modèle de Black-Scholes. DeriveXperts. 27 octobre 2010 27 octobre 2010 Outline 1 Définitions Le modèle de diffusion de Black-Scholes Portefeuille auto-finançant Objectif de BS 2 Portefeuille auto-finançant et formule de Black-Scholes Formulation mathématique

Plus en détail

ECOLE NATIONALE DES PONTS ET CHAUSSEES. Risque de crédit. Vente de protection d'une rme sur elle-même. Sébastien LEROUX Antony Mc BRIDE Rémi PARIS

ECOLE NATIONALE DES PONTS ET CHAUSSEES. Risque de crédit. Vente de protection d'une rme sur elle-même. Sébastien LEROUX Antony Mc BRIDE Rémi PARIS ECOLE NATIONALE DES PONTS ET CHAUSSEES Risque de crédit Vente de protection d'une rme sur elle-même Sébastien LEROUX Antony Mc BRIDE Rémi PARIS March 7, 2007 Introduction Généralement, la vente ou l'achat

Plus en détail

Utilisation des arbres binomiaux pour le pricing des options américaines

Utilisation des arbres binomiaux pour le pricing des options américaines Utilisation des arbres binomiaux pour le pricing des options américaines Anne-Victoire Auriault Plan de la présentation Introduction. Le problème des options 2. Le modèle de Cox-Ross-Rubinstein 3. Les

Plus en détail

Lois normales, cours, terminale S

Lois normales, cours, terminale S Lois normales, cours, terminale S F.Gaudon 6 mai 2014 Table des matières 1 Variables centrées et réduites 2 2 Loi normale centrée et réduite 2 3 Loi normale N (µ, σ 2 ) 4 1 1 Variables centrées et réduites

Plus en détail

Quelques modèles financiers utilisant les EDSR et EDSPR avec grossissement de filtration

Quelques modèles financiers utilisant les EDSR et EDSPR avec grossissement de filtration Quelques modèles financiers utilisant les EDSR et EDSPR avec grossissement de filtration Anne EYRAUD-LOISEL ISFA, Université Lyon 1 Séminaire Lyon - Le Mans 3 Mai 2012, Le Mans 1 / 40 Outline 1 Problèmes

Plus en détail

Simulations des Grecques : Malliavin vs Différences finies

Simulations des Grecques : Malliavin vs Différences finies 0.1. LES GRECQUES 1 Simulations des Grecques : iavin vs Différences finies Christophe Chorro Ce petit document vise à illustrer de manière numérique les techniques présentées lors du mini cours sur le

Plus en détail

Simulations de Monte Carlo

Simulations de Monte Carlo Simulations de Monte Carlo 2 février 261 CNAM GFN 26 Gestion d actifs et des risques Gréory Taillard GFN 26 Gestion d actifs et des risques 2 Biblioraphie Hayat, Sere, Patrice Poncet et Roland Portait,

Plus en détail

Modèles en temps continu pour la Finance

Modèles en temps continu pour la Finance Modèles en temps continu pour la Finance ENSTA ParisTech/Laboratoire de Mathématiques Appliquées 23 avril 2014 Evaluation et couverture pour les options européennes de la forme H = h(s 1 T ) Proposition

Plus en détail

Année 2009/2010. Rapport de projet de dernière année ISIMA F4

Année 2009/2010. Rapport de projet de dernière année ISIMA F4 Année 2009/2010 Rapport de projet de dernière année ISIMA F4 «Evaluation d options Européenne Vanille, Américaine Vanille et Asiatique» Elaboré par : Encadré par : Monsieur Mehdi Fhima Résumé Les options

Plus en détail

Ecole Supérieure d Ingénieurs Léonard de Vinci

Ecole Supérieure d Ingénieurs Léonard de Vinci Ecole Supérieure d Ingénieurs Léonard de Vinci «Evaluation et couverture de produits dérivés» Etudiants : Colonna Andrea Pricing d'un Call Lookback par Monte Carlo et Ponts Browniens Rapport de Projet

Plus en détail

Modélisation du risque de crédit et asymétrie d information

Modélisation du risque de crédit et asymétrie d information Modélisation du risque de crédit et asymétrie d information David Kurtz, Groupe de Recherche Opérationnelle 10 juin 2004, Université de Poitiers Introduction [1] (1) Le risque de crédit (2) Modèles structurels

Plus en détail

Problèmes de simulation pour des options path-dependent : le rôle des grandes déviations

Problèmes de simulation pour des options path-dependent : le rôle des grandes déviations Problèmes de simulation pour des options path-dependent : le rôle des grandes déviations Paolo Baldi Université de Roma - Tor Vergata 1 Le problème Les options barrière sont devenues assez populaires das

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

Plan de la présentation. La simulation de Monte Carlo des processus de diffusion. La simulation de Monte Carlo. La simulation de Monte Carlo

Plan de la présentation. La simulation de Monte Carlo des processus de diffusion. La simulation de Monte Carlo. La simulation de Monte Carlo La simulation de Monte Carlo des processus de diffusion Les méthodes stochastiques dans les sciences de la gestion 6-640-93 Geneviève Gauthier Plan de la présentation La simulation de Monte Carlo La simulation

Plus en détail

Prix d options européennes

Prix d options européennes Page n 1. Prix d options européennes Une société française tient sa comptabilité en euros et signe un contrat avec une entreprise américaine qu elle devra payer en dollars à la livraison. Entre aujourd

Plus en détail

Les mathématiques appliquées de la finance

Les mathématiques appliquées de la finance Les mathématiques appliquées de la finance Utiliser le hasard pour annuler le risque Emmanuel Temam Université Paris 7 19 mars 2007 Emmanuel Temam (Université Paris 7) Les mathématiques appliquées de la

Plus en détail

Introduction à la modélisation financière en temps continue & Calcul Stochastique

Introduction à la modélisation financière en temps continue & Calcul Stochastique Introduction à la modélisation financière en temps continue & Calcul Stochastique Mireille Bossy INRIA pour le MASTER IMAFA à Polytech Nice Sophia Antipolis 16 novembre 213 2 Cours de maths financières

Plus en détail

Manuel d Utilisateur - Logiciel ModAFi. Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO

Manuel 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 détail

Contents. Systèmes d'équations non linéaires 2 1. Dichotomie 2 2. Point xe 3 3. Méthodes de Newton et et de la sécante 5

Contents. Systèmes d'équations non linéaires 2 1. Dichotomie 2 2. Point xe 3 3. Méthodes de Newton et et de la sécante 5 Contents Systèmes d'équations non linéaires 2 1. Dichotomie 2 2. Point xe 3 3. Méthodes de Newton et et de la sécante 5 1 Systèmes d'équations non linéaires On considère un intervalle I R (borné ou non)

Plus en détail

Méthodes numériques pour les options Américaines

Méthodes numériques pour les options Américaines Méthodes numériques pour les options Américaines Jérôme Lelong Année 2009-2010 J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE 2009-2010 1 / 43 1 Introduction Le modèle de marché Options Bermuda Définition

Plus en détail

Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com

Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com Points abordés Méthodes numériques employées en finance Approximations de prix

Plus en détail

Ecole Supérieure d Ingénieurs Léonard de Vinci

Ecole Supérieure d Ingénieurs Léonard de Vinci Ecole Supérieure d Ingénieurs Léonard de Vinci «Pricing d options Monte Carlo dans le modèle Black-Scholes» Etudiant : / Partie A : Prix de Call et Put Européens Partie B : Pricing par Monte Carlo et réduction

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets

Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université de Franche-Comté)

Plus en détail

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009 Projets scilab L3 Maths Appliquées lagache@biologie.ens.fr 2 Avril 29 REMARQUE: quelques résultats importants concernant le théorème central limite et les intervalles de confiance sont rappelés dans la

Plus en détail

Calcul Stochastique et Applications Financières

Calcul Stochastique et Applications Financières 0 Calcul Stochastique et Applications Financières Aurélia Istratii Luis Macavilca Taylan Kunal M I.E.F. SOMMAIRE I. MODELE DE COX-ROSS-RUBINSTEIN II. III. INTRODUCTION AUX METHODES DE MONTE CARLO EQUATION

Plus en détail

Le Calcul de Malliavin Appliqué à la Finance

Le Calcul de Malliavin Appliqué à la Finance Le Calcul de Malliavin Appliqué à la Finance Frédéric Cosmao, Frédéric Dupuy et Antoine Guillon Groupe de Travail Dirigé par Jean-Frédéric Jouanin, Ashkan Nikeghbali et Thierry Roncalli 4 Juin 22 Introduction

Plus en détail

Processus de diusion. Olivier Scaillet. University of Geneva and Swiss Finance Institute

Processus de diusion. Olivier Scaillet. University of Geneva and Swiss Finance Institute Processus de diusion Olivier Scaillet University of Geneva and Swiss Finance Institute Outline 1 Mouvement brownien 2 Intégrale d'itô 3 Processus de diusion 4 Black-Scholes 5 Assurance vie indexée 6 Modèle

Plus en détail

Résumé des communications des Intervenants

Résumé 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 détail

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 1. a. On considère un modèle de marché (B, S) à une étape. On suppose que S = 5 C et qu à la date t = 1 on a (S u 1 = 51, S d 1 = 48).

Plus en détail

LE POINT SUR LES MATHÉMATIQUES DANS LES BTS RENTRÉE 2003

LE POINT SUR LES MATHÉMATIQUES DANS LES BTS RENTRÉE 2003 LE POINT SUR LES MATHÉMATIQUES DANS LES BTS RENTRÉE 00 ) LES PROGRAMMES a) Le cadre général L arrêté du 8 juin 00 comporte trois annexes, notamment l annexe donnant l intégralité des modules permettant

Plus en détail

Intégrale stochastique

Intégrale stochastique Intégrale stochastique Plan L intégrale stochastique générale Intégrale de Wiener Exemples Processus d Itô Formule d Itô Formule de Black & Scholes Le processus B est un mouvement Brownien et { Ft B,t

Plus en détail

1.1 Prime d une option d achat dans le modèle de Cox, Ross et Rubinstein

1.1 Prime d une option d achat dans le modèle de Cox, Ross et Rubinstein 1 Examen 1.1 Prime d une option d achat dans le modèle de Cox, Ross et Rubinstein On considère une option à 90 jours sur un actif ne distribuant pas de dividende de nominal 100 francs, et dont le prix

Plus en détail

Gestion des Risques Financiers

Gestion des Risques Financiers Gestion des Risques Financiers Thierry Roncalli 9 janvier 2008 Merci de rédiger entièrement vos réponses. 1 La réglementation Bâle II 1. Quelles sont les principales diérences entre l'accord originel de

Plus en détail

Mouvement brownien et calcul stochastique

Mouvement brownien et calcul stochastique Université Pierre et Marie Curie 27-28 Master de Mathématiques Spécialité: Probabilités et Applications Mouvement brownien et calcul stochastique Jean Jacod Chapitre 1 Le mouvement brownien 1.1 Processus

Plus en détail

3.8 Introduction aux files d attente

3.8 Introduction aux files d attente 3.8 Introduction aux files d attente 70 3.8 Introduction aux files d attente On va étudier un modèle très général de problème de gestion : stocks, temps de service, travail partagé...pour cela on considère

Plus en détail

Mouvement Brownien et évaluation d'actifs contingents

Mouvement Brownien et évaluation d'actifs contingents Mouvement Brownien et évaluation d'actifs contingents Poly de Imen Ben ahar et Gabriel urinici Responsable de cours 212/13 : k turinici at ceremade.dauphine.fr Janvier 213 Université Paris Dauphine, M1

Plus en détail

Choix des investissements avec prise en compte du risque systémique

Choix des investissements avec prise en compte du risque systémique Choix des investissements avec prise en compte du risque systémique Bernard Lapeyre Emile Quinet 2 février 204 Position du problème Soit un investissement dont le coût de construction, mesuré en euro constants,

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 0. Introduction au cours de finance

Master Modélisation Statistique M2 Finance - chapitre 0. Introduction au cours de finance Master Modélisation Statistique M2 Finance - chapitre 0 Introduction au cours de finance Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université de Franche-Comté)

Plus en détail

1.8 Exercices. Analyse d'erreurs 43

1.8 Exercices. Analyse d'erreurs 43 1.8 Exercices Analyse d'erreurs 43 1. Tous les chires des nombres suivants sont signicatifs. Donner une borne supérieure de l'erreur absolue et estimer l'erreur relative. a) 0,1234 b) 8,760 c) 3,14156

Plus en détail

Jeux à somme nulle : le cas fini

Jeux à somme nulle : le cas fini CHAPITRE 2 Jeux à somme nulle : le cas fini Les jeux à somme nulle sont les jeux à deux joueurs où la somme des fonctions de paiement est nulle. Dans ce type d interaction stratégique, les intérêts des

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

de calibration Master 2: Calibration de modèles: présentation et simulation d

de 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 détail

Nouveaux programmes de terminale Probabilités et statistiques

Nouveaux programmes de terminale Probabilités et statistiques Nouveaux programmes de terminale Probabilités et statistiques I. Un guide pour l'année II. La loi uniforme : une introduction III. La loi exponentielle IV. De la loi binomiale à la loi normale V. Échantillonnage

Plus en détail

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique Télécom ParisTech, 09 mai 2012 http://www.mathematiquesappliquees.polytechnique.edu/ accueil/programmes/cycle-polytechnicien/annee-1/

Plus en détail

Introduction aux produits de taux d intérêts

Introduction aux produits de taux d intérêts Introduction aux produits de taux d intérêts R&D Banque CPR 8 avril 2002 Plan 1. Notations et préliminaires 2. Euribor, caplets, caps 3. Swaps, swaptions 4. Constant Maturity Swap (CMS) 5. Quelques produits

Plus en détail

Modélisation des processus aléatoires

Modélisation des processus aléatoires Deuxième année F4 Année universitaire 25/26 Modélisation des processus aléatoires Introduction aux équations différentielles stochastiques Vincent Barra Institut Supérieur d Informatique, de Modélisation

Plus en détail

Probabilités 5. Simulation de variables aléatoires

Probabilités 5. Simulation de variables aléatoires Probabilités 5. Simulation de variables aléatoires Céline Lacaux École des Mines de Nancy IECL 27 avril 2015 1 / 25 Plan 1 Méthodes de Monte-Carlo 2 3 4 2 / 25 Estimation d intégrales Fiabilité d un système

Plus en détail

Chapitre 7 : Intégration sur un intervalle quelconque

Chapitre 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 détail

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES I

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES I CHAMBRE DE COMMERCE ET D INDUSTRIE DE PARIS DIRECTION DE L ENSEIGNEMENT Direction des Admissions et concours ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON CONCOURS

Plus en détail

Asymétrie des rendements et volatilité multifractale

Asymétrie des rendements et volatilité multifractale Asymétrie des rendements et volatilité multifractale Emmanuel Bacry 1, Laurent Duvernet 2, Jean-François Muzy 3 Séminaire du Labex MME-DII 26 février 2013 1. CNRS École Polytechnique 2. Univ. Paris-Ouest

Plus en détail

Machines à sous (compléments)

Machines à sous (compléments) CHAPITRE 28 Machines à sous (compléments) Résumé. Ce qui suit complète le chapitre 22. On explique ici brièvement comment rre non-asymptotiques les résultats de convergence qui reposaient sur la loi des

Plus en détail

Le Modèle de taux de Ho-Lee - Pricing d obligation

Le Modèle de taux de Ho-Lee - Pricing d obligation Le Modèle de taux de Ho-Lee - Pricing d obligation Le modèle de Thomas S. Y. Ho et Sang-bin Lee [1] est un modèle simple de fluctuation de taux d intérêts. Il est utilisé sous l hypothèse d absence d opportunité

Plus en détail

CONCOURS 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) 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 détail

Les 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 détail

TD 5- Applications linéaires

TD 5- Applications linéaires TD 5- Applications linéaires Exercice 1. Soit f l'application dénie sur R 2 par f(x, y) = (2x y, 3x + y). 1. Montrer que f est un endomorphisme de R 2. 2. Montrer que f est injective. 3. Montrer que f

Plus en détail

ANNEXE 1 BTS AGENCEMENT DE L'ENVIRONNEMENT ARCHITECTURAL Programme de mathématiques

ANNEXE 1 BTS AGENCEMENT DE L'ENVIRONNEMENT ARCHITECTURAL Programme de mathématiques ANNEXE BTS AGENCEMENT DE L'ENVIRONNEMENT ARCHITECTURAL Programme de mathématiques L'enseignement des mathématiques dans les sections de techniciens supérieurs Agencement de l'environnement architectural

Plus en détail

Systèmes différentiels. 1 Généralités, existence et unicité des solutions

Systèmes différentiels. 1 Généralités, existence et unicité des solutions Systèmes différentiels Cours de YV, L3 Maths, Dauphine, 2012-2013 Plan du cours. Le cours a pour but de répondre aux questions suivantes : - quand une équation différentielle a-t-elle une unique solution

Plus en détail

La Volatilité Locale

La Volatilité Locale La Volatilité Locale Bertrand TAVIN Université Paris 1 - Panthéon Sorbonne 26 mai 2010 Résumé Dans cette courte note nous introduisons le concept de volatilité locale et les modèles de pricing basés sur

Plus en détail

Options exotiques complexes

Options exotiques complexes Options exotiques complexes Cette série d exercices porte sur les options exotiques (chapitre 14 ) avec éventuellement des taux d intérêt stochastiques (chapitres 16 et 17). Les exercices les plus difficiles

Plus en détail

Calcul stochastique appliqué à la finance. Volatilités stochastique, locale et implicite

Calcul stochastique appliqué à la finance. Volatilités stochastique, locale et implicite Calcul stochastique appliqué à la finance Ioane Muni Toke Draft version Ce document rassemble de brèves notes de cours. Les résultats sont proposés sans démonstration, les preuves ayant été données en

Plus en détail

3. Conditionnement P (B)

3. Conditionnement P (B) Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte

Plus en détail

Méthode de Monte-Carlo. Céline Baranger - Julien Mathiaud

Méthode de Monte-Carlo. Céline Baranger - Julien Mathiaud Méthode de Monte-Carlo Céline Baranger - Julien Mathiaud 2012/2013 2 Table des matières 1 Introduction 5 2 Rappel sur les notions utiles de probabilités 7 2.1 Variables aléatoires et probabilité......................

Plus en détail

Introduction aux Mathématiques et Modèles Stochastiques des Marchés Financiers

Introduction aux Mathématiques et Modèles Stochastiques des Marchés Financiers Introduction aux Mathématiques et Modèles Stochastiques des Marchés Financiers Huyên PHAM Université Paris 7 Laboratoire de Probabilités et Modèles Aléatoires, CNRS UMR 7599 pham@math.jussieu.fr Version

Plus en détail

EXAMEN 14 janvier 2009 Finance 1

EXAMEN 14 janvier 2009 Finance 1 EXAMEN 14 janvier 2009 Durée 2h30 heures Exercice 1 On considère un modèle de marché de type arbre binomial à trois étapes avec un actif risqué S et un actif non risqué. On suppose S 0 = 1000$ et à chaque

Plus en détail

Pricing d options asiatiques par les méthodes de Monte Carlo

Pricing d options asiatiques par les méthodes de Monte Carlo Pricing d options asiatiques par les méthodes de Monte Carlo BARRY IBRAHIMA et FRELE JEAN-MARC Février Première partie Présentation et algorithmes Introduction Nées sur le marché des changes de okyo, d

Plus en détail

Simulations de Monte Carlo en finance : Pricer d option

Simulations de Monte Carlo en finance : Pricer d option Emma Alfonsi, Xavier Milhaud - M2R SAF Simulations de Monte Carlo en finance : Pricer d option Sous la direction de M. Pierre Alain Patard ISFA - Mars 2008 . 1 Table des matières 1 Introduction 4 2 Un

Plus en détail

TD2 Fonctions mesurables Corrigé

TD2 Fonctions mesurables Corrigé Intégration et probabilités 2012-2013 TD2 Fonctions mesurables Corrigé 0 Exercice qui avait été préparé chez soi Exercice 1. Soit (Ω, F, µ) un espace mesuré tel que µ (Ω) = 1. Soient A, B P (Ω) deux sousensembles

Plus en détail

Obtention de la formule de Black-Scholes par passage à la limite dans le modèle de Cox-Ross-Rubinstein

Obtention de la formule de Black-Scholes par passage à la limite dans le modèle de Cox-Ross-Rubinstein Obtention de la formule de Black-Scholes par passage à la limite dans le modèle de Cox-Ross-Rubinstein Introduction Christophe Chorro, Alexandre Marino Ce document constitue, dans sa forme actuelle, un

Plus en détail

Feuille n 2 : Contrôle du flux de commandes

Feuille n 2 : Contrôle du flux de commandes Logiciels Scientifiques (Statistiques) Licence 2 Mathématiques Générales Feuille n 2 : Contrôle du flux de commandes Exercice 1. Vente de voiture Mathieu décide de s acheter une voiture neuve qui coûte

Plus en détail

Remise à niveau en processus stochastiques

Remise à niveau en processus stochastiques M2IR Université Claude Bernard Lyon 1 Année universitaire 212-213 Remise à niveau en processus stochastiques F. Bienvenüe-Duheille Le but de ce poly est de vous mettre à niveau sur les processus stochastiques

Plus en détail

Contrat didactique Finance stochastique

Contrat didactique Finance stochastique Contrat didactique Finance stochastique Les compétences de ce cours sont à placer dans le contexte général de l appropriation de la notion de modèle mathématique et de son utilisation pratique en gestion

Plus en détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

Plus en détail

Problème: si les tableaux que l'on trie sont déjà à peu près triés, l'algorithme n'est pas efficace.

Problème: si les tableaux que l'on trie sont déjà à peu près triés, l'algorithme n'est pas efficace. Traonmilin Yann traonmil@enst.fr MOD Algorithmique Probabiliste 1. Deux exemples 1.1. Quicksort randomisé. Dans l'algorithme de tri classique Quicksort, le pivot est choisi au début du tableau puis on

Plus en détail

Calcul stochastique appliqué à la finance. Romuald ELIE & Idris KHARROUBI

Calcul stochastique appliqué à la finance. Romuald ELIE & Idris KHARROUBI Calcul stochastique appliqué à la finance Romuald ELIE & Idris KHARROUBI . Table des matières 1 Notion d arbitrage 5 1.1 Hypothèses sur le marché............................ 5 1.2 Arbitrage....................................

Plus en détail

PROCESSUS ALEATOIRES :

PROCESSUS ALEATOIRES : EcoledesMinesdeSaint Etienne PROCESSUSALEATOIRES: MARTINGALES,MOUVEMENTBROWNIEN,CALCULSTOCHASTIQUE Exercices Janvier2009 OlivierRoustant Processusaléatoires,calculstochastique:exercicesENSM SE2009 MOUVEMENTBROWNIEN

Plus en détail

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

Plus en détail

Problèmes de fiabilité dépendant du temps

Problèmes de fiabilité dépendant du temps Problèmes de fiabilité dépendant du temps Bruno Sudret Dépt. Matériaux et Mécanique des Composants Pourquoi la dimension temporelle? Rappel Résistance g( RS, ) = R S Sollicitation g( Rt (), St (),) t =

Plus en détail

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous StatEnAction 2009/0/30 :26 page #27 CHAPITRE 0 Machines à sous Résumé. On étudie un problème lié aux jeux de hasard. Il concerne les machines à sous et est appelé problème de prédiction de bandits à deux

Plus en détail

Gestion d'un entrepôt

Gestion d'un entrepôt Gestion d'un entrepôt Épreuve pratique d'algorithmique et de programmation Concours commun des écoles normales supérieures Durée de l'épreuve: 3 heures 30 minutes Juin/Juillet 2010 ATTENTION! N oubliez

Plus en détail

Calculs approchés d un point fixe

Calculs approchés d un point fixe M11 ÉPREUVE COMMUNE DE TIPE 2013 - Partie D TITRE : Calculs approchés d un point fixe Temps de préparation :.. 2 h 15 minutes Temps de présentation devant les examinateurs :.10 minutes Dialogue avec les

Plus en détail

Méthode de Monte Carlo pour le calcul d'options

Méthode de Monte Carlo pour le calcul d'options Méthode de Monte Carlo pour le calcul d'options LADIAS Elie, WANG Shuai 7 juin 2013 1 Table des matières 1 Méthode de Monte-Carlo et Calcul d'intégrales 4 1.1 Description de la méthode....................

Plus en détail

Points d attention. Février 2012

Points d attention. Février 2012 Générateurs de scénarios Construire économiques un générateur en assurance de scénarios économiques en assurance Points d attention Version 1.0 Version 1.2 Juillet 2012 Février 2012 Frédéric PLANCHET fplanchet@winter-associes.fr

Plus en détail

Principes généraux de codage entropique d'une source. Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph

Principes généraux de codage entropique d'une source. Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph Principes généraux de codage entropique d'une source Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph Table des matières Objectifs 5 Introduction 7 I - Entropie d'une source 9 II -

Plus en détail

Commun à tous les candidats

Commun à tous les candidats EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle

Plus en détail

Document d implémentation - Logiciel ModAFi. Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO

Document d implémentation - Logiciel ModAFi. Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO - Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO Grenoble, 11 juin 2012 Table des matières 1 Avant-propos 3 2 Présentation de l architecture du logiciel 3 2.1 Core..........................................

Plus en détail