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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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 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

I. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.

I. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème. I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous

Plus en détail

PROJET MODELE DE TAUX

PROJET 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 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

Introduction au pricing d option en finance

Introduction au pricing d option en finance Introduction au pricing d option en finance Olivier Pironneau Cours d informatique Scientifique 1 Modélisation du prix d un actif financier Les actions, obligations et autres produits financiers cotés

Plus en détail

PRIME D UNE OPTION D ACHAT OU DE VENTE

PRIME 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 détail

Annexe Simulations de Monte Carlo

Annexe Simulations de Monte Carlo Annexe Simulations de Monte Carlo Cette annexe présente, de façon pratique, les principales techniques opératoires des simulations de Monte Carlo. Le lecteur souhaitant une présentation plus rigoureuse

Plus en détail

Mesure et gestion des risques d assurance

Mesure et gestion des risques d assurance Mesure et gestion des risques d assurance Analyse critique des futurs référentiels prudentiel et d information financière Congrès annuel de l Institut des Actuaires 26 juin 2008 Pierre THEROND ptherond@winter-associes.fr

Plus en détail

Evaluation d options avec incertitude sur la volatilité

Evaluation d options avec incertitude sur la volatilité Evaluation d options avec incertitude sur la volatilité Andrea Odetti, Rémy Ripoll 5 octobre 000 Table des matières 1 Introduction 1 La formule de Black et Scholes 3 Incertitude sur la volatilité 3.1 Modèles

Plus en détail

Méthodes de Monte Carlo en Finance. Notes de cours

Méthodes de Monte Carlo en Finance. Notes de cours Méthodes de Monte Carlo en Finance Notes de cours Bruno Bouchard Université Paris-Dauphine bouchard@ceremade.dauphine.fr Cette version : Septembre 27 1 1 Première version: 22 2 Table des matières 1 Généralités

Plus en détail

Produits de crédit en portefeuille

Produits de crédit en portefeuille Chapitre 6 Produits de crédit en portefeuille et défauts corrélés Dans ce chapitre, on étudie des produits financiers de crédit en portfeuille, notamment k th -to-default swap et CDOs (voir 1.2 pour une

Plus en détail

Équation de Langevin avec petites perturbations browniennes ou

Équation 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 détail

Table des matières. Listings. 1 Tests Algorithmique et Matlab. Travaux pratiques - E.D.O. Travail individuel et personnel. Sup'Galilée Année 2014-2015

Table des matières. Listings. 1 Tests Algorithmique et Matlab. Travaux pratiques - E.D.O. Travail individuel et personnel. Sup'Galilée Année 2014-2015 Energétique I Méthodes Numériques II Sup'Galilée Année -5 Travaux pratiques - E.D.O. Groupes B à B6 Travail individuel et personnel Table des matières Tests Algorithmique et Matlab Résolution numérique

Plus en détail

Méthodes d approximation numérique pour le pricing des options vanilles et asiatiques dans le modèle de Heston de volatilité stochastique

Méthodes d approximation numérique pour le pricing des options vanilles et asiatiques dans le modèle de Heston de volatilité stochastique Méthodes d approximation numérique pour le pricing des options vanilles et asiatiques dans le modèle de Heston de volatilité stochastique Najed Ksouri To cite this version: Najed Ksouri. Méthodes d approximation

Plus en détail

Examen optimisation Centrale Marseille (2008) et SupGalilee (2008)

Examen optimisation Centrale Marseille (2008) et SupGalilee (2008) Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut

Plus en détail

Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor

Travail 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 détail

Calcul Stochastique pour la finance. Romuald ELIE

Calcul 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 détail

IFT6561. Simulation: aspects stochastiques

IFT6561. Simulation: aspects stochastiques IFT 6561 Simulation: aspects stochastiques DIRO Université de Montréal Automne 2013 Détails pratiques Professeur:, bureau 3367, Pav. A.-Aisenstadt. Courriel: bastin@iro.umontreal.ca Page web: http://www.iro.umontreal.ca/~bastin

Plus en détail

3 Approximation de solutions d équations

3 Approximation de solutions d équations 3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle

Plus en détail

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois

Plus en détail

Objectifs. Calcul scientifique. Champ d applications. Pourquoi la simulation numérique?

Objectifs. Calcul scientifique. Champ d applications. Pourquoi la simulation numérique? Objectifs Calcul scientifique Alexandre Ern ern@cermics.enpc.fr (CERMICS, Ecole des Ponts ParisTech) Le Calcul scientifique permet par la simulation numérique de prédire, optimiser, contrôler... le comportement

Plus en détail

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation.

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation. Travaux Dirigés de Probabilités - Statistiques, TD 4 Lois limites ; estimation. Exercice 1. Trois machines, A, B, C fournissent respectivement 50%, 30%, 20% de la production d une usine. Les pourcentages

Plus en détail

Cours STAT 2150. "Statistique non paramétrique: Méthodes de lissage"

Cours STAT 2150. Statistique non paramétrique: Méthodes de lissage Cours STAT 2150 "Statistique non paramétrique: Méthodes de lissage" Année académique 2008-2009 Séance 1 1 Table de matière du cours 1. Introduction (Fonction de répartition, histogramme, propriétés d un

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte Agrégation limitée par diffusion interne Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse

Plus en détail

TD 3 : suites réelles : application économique et nancière

TD 3 : suites réelles : application économique et nancière Mathématiques Appliquées Cours-TD : K. Abdi, M. Huaulmé, B. de Loynes et S. Pommier Université de Rennes 1 - L1 AES - 009-010 TD 3 : suites réelles : application économique et nancière Exercice 1 Calculer

Plus en détail

Introduction à la Statistique Inférentielle

Introduction à la Statistique Inférentielle UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique

Plus en détail

Une algorithmique pour le Network Calculus

Une algorithmique pour le Network Calculus Une algorithmique pour le Network Calculus Anne Bouillard ENS Cachan (Bretagne) / IRISA 27 janvier 2009 - journées AFSEC Anne Bouillard (ENS Cachan / IRISA) Une algorithmique pour le Network Calculus 1

Plus en détail

Pour signifier qu'une classe fille hérite d'une classe mère, on utilise le mot clé extends class fille extends mère

Pour signifier qu'une classe fille hérite d'une classe mère, on utilise le mot clé extends class fille extends mère L'héritage et le polymorphisme en Java Pour signifier qu'une classe fille hérite d'une classe mère, on utilise le mot clé extends class fille extends mère En java, toutes les classes sont dérivée de la

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques

Plus en détail

Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples

Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples 45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et

Plus en détail

Une expérience de mathématiques appliquées en Grande Ecole

Une expérience de mathématiques appliquées en Grande Ecole Une expérience de mathématiques appliquées en Grande Ecole El Karoui Nicole Univ Paris VI / Ecole Polytechnique elkaroui@cmapx.polytechnique.fr 6 Novembre 2009 El Karoui Nicole (Labo de proba/ CMAP) Conf

Plus en détail

1 Introduction, but du cours, rappels

1 Introduction, but du cours, rappels DEA 2-21 Calcul stochastique II, applications aux finances Université Paul Sabatier 1 Introduction, but du cours, rappels Les applications en finance sont dans ce cours, une valorisation et une justification

Plus en détail

Mathématiques financières

Mathématiques financières Mathématiques financières Arnaud Triay Table des matières 1 Introduction Position du problème.1 Pricing des options........................................... Formalisme..............................................

Plus en détail

Évaluation d'options sur fonds cotés en bourse à levier. Simon du Tremblay. HEC Montréal. par. Science de la gestion Finance

Évaluation d'options sur fonds cotés en bourse à levier. Simon du Tremblay. HEC Montréal. par. Science de la gestion Finance HEC Montréal Évaluation d'options sur fonds cotés en bourse à levier par Simon du Tremblay Science de la gestion Finance Mémoire présenté en vue de l'obtention du grade de maîtrise ès science de la gestion

Plus en détail

Cours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES

Cours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,

Plus en détail

Corrigé Pondichéry 1999

Corrigé Pondichéry 1999 Corrigé Pondichéry 999 EXERCICE. = 8 = i ). D'où les solutions de l'équation : z = + i et z = z = i. a. De manière immédiate : z = z = b. Soit θ la mesure principale de arg z : cos θ = Par suite arg z

Plus en détail

Calcul différentiel et intégral

Calcul différentiel et intégral Chapitre 27. Calcul différentiel et intégral 27 Limites... 27 2 Limite en un point fini... 27 2 Limite à droite ou à gauche... 27 2 Limite à l infini... 27 2 Utilisation de conditions... 27 2 Dérivation...

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo

Plus en détail

Espérance conditionnelle

Espérance conditionnelle Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Retournement Temporel

Retournement Temporel Retournement Temporel Rédigé par: HENG Sokly Encadrés par: Bernard ROUSSELET & Stéphane JUNCA 2 juin 28 Remerciements Je tiens tout d'abord à remercier mes responsables de mémoire, M.Bernard ROUSSELET

Plus en détail

Développements limités. Notion de développement limité

Développements limités. Notion de développement limité MT12 - ch2 Page 1/8 Développements limités Dans tout ce chapitre, I désigne un intervalle de R non vide et non réduit à un point. I Notion de développement limité Dans tout ce paragraphe, a désigne un

Plus en détail

RapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources

RapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils

Plus en détail

Agrégation interne de Mathématiques. Session 2009. Deuxième épreuve écrite. (et CAERPA)

Agrégation interne de Mathématiques. Session 2009. Deuxième épreuve écrite. (et CAERPA) Agrégation interne de Mathématiques (et CAEPA Session 2009 Deuxième épreuve écrite 2 NOTATIONS ET PÉLIMINAIES On désigne par le corps des nombres réels et par C le corps des nombres complexes. Si f est

Plus en détail

Integrale de Wiener par rapport au mouvement brownien multi-fractionnnaire

Integrale de Wiener par rapport au mouvement brownien multi-fractionnnaire Integrale de Wiener par rapport au mouvement brownien multi-fractionnnaire L.P.M.A Universite Paris VI L.M.A.S Ecole Centrale Paris 9 eme Colloque des jeunes probabilistes et statisticiens Le Mont-Dore

Plus en détail

Évaluation des risques de la réplique d une option asiatique en temps discret

Évaluation des risques de la réplique d une option asiatique en temps discret COLLECTION FEUILLE D ARGENT TRAVAUX DE RECHERCHE 2004-001 Évaluation des risques de la réplique d une option asiatique en temps discret Olivier Lussier Jean-Pierre Paré ÉVALUATION DES RISQUES DE LA RÉPLIQUE

Plus en détail

FICHE UE Licence/Master Sciences, Technologies, Santé Mention Informatique

FICHE UE Licence/Master Sciences, Technologies, Santé Mention Informatique NOM DE L'UE : Algorithmique et programmation C++ LICENCE INFORMATIQUE Non Alt Alt S1 S2 S3 S4 S5 S6 Parcours : IL (Ingénierie Logicielle) SRI (Systèmes et Réseaux Informatiques) MASTER INFORMATIQUE Non

Plus en détail

Licence d'informatique 2004-2005 Examen Programmation orientée objet Juin 2005

Licence d'informatique 2004-2005 Examen Programmation orientée objet Juin 2005 Licence d'informatique 2004-2005 Examen Programmation orientée objet Juin 2005 Durée de l'épreuve : 2 heures TRÈS IMPORTANT : respectez l'ordre des questions. La lisibilité sera un critère important pour

Plus en détail

Guide pour la conception d'une application en C

Guide pour la conception d'une application en C Guide pour la conception d'une application en C Ph. Preux DESS IMST, ULCO Novembre 1999 1 Principes généraux Une application informatique, dès qu'elle dépasse une centaine de lignes de code, doit impérativement

Plus en détail

Lois de probabilité à densité Loi normale

Lois de probabilité à densité Loi normale DERNIÈRE IMPRESSIN LE 31 mars 2015 à 14:11 Lois de probabilité à densité Loi normale Table des matières 1 Lois à densité 2 1.1 Introduction................................ 2 1.2 Densité de probabilité

Plus en détail

Introduction aux Mathématiques Financières. Notes de cours. Ioane Muni Toke

Introduction aux Mathématiques Financières. Notes de cours. Ioane Muni Toke Introduction aux Mathématiques Financières Notes de cours Ioane Muni Toke Ecole Centrale Pékin 28 mars 2011-1er avril 2011 Version du 17 mars 2011 Introduction aux mathématiques financières 2 Table des

Plus en détail

Complexité. Licence Informatique - Semestre 2 - Algorithmique et Programmation

Complexité. Licence Informatique - Semestre 2 - Algorithmique et Programmation Complexité Objectifs des calculs de complexité : - pouvoir prévoir le temps d'exécution d'un algorithme - pouvoir comparer deux algorithmes réalisant le même traitement Exemples : - si on lance le calcul

Plus en détail

Les Variable Annuities sous la directive Solvabilité II

Les Variable Annuities sous la directive Solvabilité II Les Variable Annuities sous la directive Solvabilité II Mémoire présenté le vendredi 10 juin 2011 par Clément Schmitt clement.schmitt@fixage.com Introduction Solvabilité II impose des fonds propres réglementaires

Plus en détail

Intégration et probabilités TD1 Espaces mesurés

Intégration et probabilités TD1 Espaces mesurés Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?

Plus en détail

UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP250-97157 Pointe-à-Pitre Cedex CONTRAT 2010-2013 LE MASTER NOM DU DOMAINE STS

UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP250-97157 Pointe-à-Pitre Cedex CONTRAT 2010-2013 LE MASTER NOM DU DOMAINE STS UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP20-9717 Pointe-à-Pitre Cedex CONTRAT 2010-201 LE MASTER NOM DU DOMAINE STS Mention : Mathématiques Implantation : Guadeloupe FICHES DESCRIPTIVES

Plus en détail

Stage de Recherche Interpolation du smile de corrélation sur les CDO

Stage de Recherche Interpolation du smile de corrélation sur les CDO Stage de Recherche Interpolation du smile de corrélation sur les CDO Thomas JANNAUD - X2005 Avril-Août 2008 1 TABLE DES MATIÈRES TABLE DES MATIÈRES Table des matières I Cadre du stage 4 1 Présentation

Plus en détail

Intégration et probabilités 2012-2013. TD3 Intégration, théorèmes de convergence Corrigé. 1 Petites questions. n hésitez pas à m envoyer un mail à

Intégration et probabilités 2012-2013. TD3 Intégration, théorèmes de convergence Corrigé. 1 Petites questions. n hésitez pas à m envoyer un mail à Intégration et probabilités 212-213 TD3 Intégration, théorèmes de convergence Corrigé xercice ayant été voué à être préparé xercice 1 (Mesure image). Soient (, A, µ) un espace mesuré, (F, B) un espace

Plus en détail

Théorème du point fixe - Théorème de l inversion locale

Théorème du point fixe - Théorème de l inversion locale Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion

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 Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs

Plus en détail

Processus aléatoires avec application en finance

Processus aléatoires avec application en finance Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et

Plus en détail

TRAVAIL D ETUDE ET DE RECHERCHE. Utilisation des arbres binomiaux pour le pricing des options américaines

TRAVAIL D ETUDE ET DE RECHERCHE. Utilisation des arbres binomiaux pour le pricing des options américaines Ensimag - 2éme année Mai 2010 TRAVAIL D ETUDE ET DE RECHERCHE Utilisation des arbres binomiaux pour le pricing des options américaines Anne-Victoire AURIAULT 1/48 2/48 Cadre de l Étude Cette étude a été

Plus en détail

NOTATIONS PRÉLIMINAIRES

NOTATIONS PRÉLIMINAIRES Pour le Jeudi 14 Octobre 2010 NOTATIONS Soit V un espace vectoriel réel ; l'espace vectoriel des endomorphismes de l'espace vectoriel V est désigné par L(V ). Soit f un endomorphisme de l'espace vectoriel

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

Liste 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... Liste des notes techniques.................... xxi Liste des encadrés....................... xxiii Préface à l édition internationale.................. xxv Préface à l édition francophone..................

Plus en détail

POLY-PREPAS ANNEE 2009/2010 Centre de Préparation aux Concours Paramédicaux

POLY-PREPAS ANNEE 2009/2010 Centre de Préparation aux Concours Paramédicaux POLY-PREPAS ANNEE 2009/2010 Centre de Préparation aux Concours Paramédicaux - Section : i-prépa Audioprothésiste (annuel) - MATHEMATIQUES 8 : EQUATIONS DIFFERENTIELLES - COURS + ENONCE EXERCICE - Olivier

Plus en détail

TP : Jouons au Poker

TP : Jouons au Poker Univ. Lille1 - Licence Informatique 2ème année 2014-15 Algorithmes et Programmation Impérative 2 TP : Jouons au Poker Objectifs : Programmation modulaire Manipulation de types somme Filtrage de motifs

Plus en détail

Modélisation mathématique et finance des produits dérivés

Modélisation mathématique et finance des produits dérivés Modélisation mathématique et finance des produits dérivés Ecole Polytechnique Paris Académie Européenne Interdisciplinaire des Sciences Paris, 28 novembre 2011 Outline Introduction 1 Introduction 2 3 Qu

Plus en détail

BTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL

BTS 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 détail

4. Martingales à temps discret

4. Martingales à temps discret Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les

Plus en détail

Processus de Lévy et calcul stochastique. Rhodes Rémi

Processus de Lévy et calcul stochastique. Rhodes Rémi Processus de Lévy et calcul stochastique Rhodes Rémi 18 novembre 21 2 Table des matières 1 Quelques rappels sur les processus de Poisson 5 1.1 Processus de Poisson................................ 5 1.2

Plus en détail

Université Claude Bernard Lyon 1

Université Claude Bernard Lyon 1 Université Claude Bernard Lyon 1 École Doctorale Sciences Économiques et de Gestion Thèse Présentée pour l obtention du DIPLÔME DE DOCTORAT (Arrêté du 7 août 2006) par Rivo Randrianarivony Prise en Compte

Plus en détail

Raisonnement par récurrence Suites numériques

Raisonnement par récurrence Suites numériques Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.

Plus en détail

DYNAMIQUE DE FORMATION DES ÉTOILES

DYNAMIQUE DE FORMATION DES ÉTOILES A 99 PHYS. II ÉCOLE NATIONALE DES PONTS ET CHAUSSÉES, ÉCOLES NATIONALES SUPÉRIEURES DE L'AÉRONAUTIQUE ET DE L'ESPACE, DE TECHNIQUES AVANCÉES, DES TÉLÉCOMMUNICATIONS, DES MINES DE PARIS, DES MINES DE SAINT-ÉTIENNE,

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

Utilisation des éléments finis pour le pricing d'options

Utilisation des éléments finis pour le pricing d'options 1 Utilisation des éléments finis pour le pricing d'options Semaine «éléments finis», ENSMP 29 novembre 2006 Jean-Didier Garaud (ONERA, DMSE/LCME) 2 Plan Actions et produits dérivés Modèle de Black-Scholes

Plus en détail