Application de la simulation au risque de marché
|
|
- Thibaut Lachance
- il y a 8 ans
- Total affichages :
Transcription
1 Application de la simulation au risque de marché 26 Avril 2007 Christian CAPARIN
2 >>Introduction Introduction Simulation Action de remplacer une expérience aléatoire par une autre expérience aléatoire plus simple La finance de marché est un des domaines d'application de la simulation Nécessité de mettre du certain dans un environnement largement incertain marché Page 1
3 >>Introduction Position du problème CLIENTS BANQUE CAS 1: P augmente 1 Milliard d' 1 Milliard d' BANQUE Achat d'un produit financier au prix P Tout va bien CAS 2: P diminue Tout va mal: (Menaces sur la survie de l'entreprise) Nécessité d'avoir un outil permettant d'évaluer les réserves permettant de faire face au risque de marché!!!
4 >>Introduction Position du problème(i) Objectif Empêcher les pertes En jouant en bourse, on peut à tout moment tout perdre!!! Objectif = Évaluer la probabilité de perdre une somme d'argent
5 >>Introduction Plusieurs techniques Des techniques sans tirage de nombres pseudo-aléatoires Le Stress Testing La méthode de variance/covariance Des techniques basés sur des tirages de nombres aléatoires
6 >>Formalisation Mathématisation du problème(i) Soit un produit financier de prix P P dépend de p variables Z 1,.., Z p Nature diverses des variables Z 1,..Z p Internes au produit (cas de portefeuille d'actions) Externes au produit (Indices,...) Externes au marché (environnement politique, économique...) De format variés(elles peuvent être discrètes comme continues) marché
7 >>Formalisation Mathématisation du problème(ii) Date t Date t+1 Z 1... Z 1 +ΔZ 1... Z p Z p +ΔZ p P(Z 1,..,Z p ) P(Z 1 +ΔZ 1,..,Z p +ΔZ p )
8 >>Formalisation Mathématisation du problème(iii) On s'intéresse à: ΔP=P(Z 1 +ΔZ 1,..,Z p +ΔZ p )-P(Z 1,..,Z p ) P&L du produit Value At Risk avec une probabilité α notée VAR(α) Valeur que les pertes d'un produit financier ont α de chance de dépasser. Mathématiquement c'est le quantile 1-α de la distribution des gains du produit.
9 >>Formalisation Mathématisation du problème(iv) Value At Risk avec une probabilité 95% notée VAR(95%) Valeur que les pertes d'un produit financier ont 95% de chance de ne pas dépasser. Mathématiquement c'est le quantile à 5% de la distribution des gains du produit.
10 >>Formalisation Mathématisation du problème(v) PERTES GAINS VAR(α)
11 >>Les techniques sans tirages Le Stress Testing Soit P un produit financier dépendant d'une seule variable Z 1 P=P(Z 1 ) On calcule le quantile à 95% (ou à 5%) de ΔZ 1 (noté q Z ) La Value at Risk à 95% est donné par Var(95%)=P(Z+q Z )-P(Z)
12 >>Les techniques sans tirages Le Stress Testing Soit un produit financier contenant une action ACCOR dont le prix est Z 1 Le prix du produit est P=Z 1 On calcule le quantile à 95% (ou à 5%) de ΔZ 1 (noté q Z ) La Value at Risk à 95% est donné par VAR(95%)=P(Z 1 +q Z )-P(Z 1 )=q Z
13 >>Les techniques sans tirages Le Stress Testing Date Z1 ΔZ1 17/01/08 49,25-0,63 16/01/08 49,88-1,38 QUANTILE(5%) -1,38 15/01/08 51,26-1,04 14/01/08 52,3 1,76 VAR(95%) -1,38 11/01/08 50,54 1,04 10/01/08 49,5 1,41 09/01/08 48,09-2,94 08/01/08 51,03-0,63 07/01/08 51,66-1,13
14 >>Les techniques sans tirages Le Stress Testing On calcule le quantile à 95% (ou à 5%) de ΔZ 1 (noté q Z ) La Value at Risk à 95% est donné par Var(95%)=P(Z+q Z )-P(Z) Quel quantile choisir? Le quantile à 5% où à 95%?
15 >>Les techniques sans tirages Le Stress Testing Le quantile à 5% lorsque P est une fonction croissante Le quantile à 95 % lorsque P est une fonction décroissante
16 >>Les techniques sans tirages Le Stress Testing CAS OU P EST DECROISSANTE P(Z) VAR(95%)=P(Z+q Z )-P(Z) P(Z+q Z ) Z Z+Quantile à 95%
17 >>Les techniques sans tirages Le Stress Testing CAS OU P EST CROISSANTE P(Z) VAR(95%)=P(Z+q Z )-P(Z) P(Z+q Z ) Z+Quantile à 5% Z
18 >>Les techniques sans tirages Le Stress Testing (II) Avantages Inconvénients Simplicité d'utilisation Un quantile unique à calculer Pas du tout adapté pour les produits avec un prix dépendant de plusieurs paramètres Ne permet pas de traiter le cas de plusieurs produits financiers Nécessité d'identifier la monotonie du produit
19 >>Les techniques sans tirages La méthode variance/covariance(i) On dispose de p produits financiers A 1,...,A p en quantité q 1,..,q p dont le prix à t est donné par Z 1,..,Z p Exemple un portefeuille d'actions Le P&L de ce portefeuille d'actions P&L=P(Z+ΔZ)-P(Z) P&L=q 1 ΔZ q p ΔZ p
20 >>Les techniques sans tirages La méthode variance/covariance(i) On suppose que le vecteur (ΔZ 1,...,ΔZ p ) est un vecteur gaussien Z 1,.., Z p ~N 0, Le P&L est donné par q 1 ΔZ q p ΔZ p qui est une variable gaussienne vérifiant: P & L~N 0, q 1,..,q p q 1,..,q p t σ 2
21 >>Les techniques sans tirages La méthode variance/covariance(i) La VAR(95%) est donnée par la formule VAR(95%)=1,64 σ = q 1,..,q p q 1,.., q p t Exemple: un portefeuille d'actions 4 actions d'air France (Z 1 ) 2 action ACCOR (Z 2 )
22 >>Les techniques sans tirages La méthode variance/covariance(i) ΔZ1 ΔZ2-0,31-0,63 AIRFRANCE ACCOR -0,24-1,38 QUANTITE 4 2-0,76-1,04 0,45 1,76 0,34 1,04 MATRICE DE VARIANCE-COVARIANCE -0,18 1,41 AIRFRANCE ACCOR -1,25-2,94 AIRFRANCE 0,18 0,14-0,38-0,63 ACCOR 0,14 0,73-0,25-1,13-0,9-1,24-0,36-0,39 VARIANCE DU P&L 8,06-0,41-0,28 0,2-0,05 ECART-TYPE 2,84 0,38 1,28-0,63-0,53 VAR(95%) 4,66
23 >>Les techniques sans tirages La méthode variance-covariance(ii) Avantages Inconvénients Simplicité d'utilisation Un quantile unique à calculer Pas du tout adapté à des produits non linéaires Cadre théorique intéressant pour des produits basés sur des actions Pas adapté pour des produits dont les variations ne sont pas des variables gaussiennes
24 >>Les techniques sans tirages La méthode variance/covariance(iii) Pour un produit non linéaire On «linéarise» le produit P(Z 1 +ΔZ 1,., Z p +ΔZ p )=P(Z 1,.,Z p )+P'(Z 1,.,Z p )(ΔZ 1,.,ΔZ p ) t Le P&L devient: P&L=P'(Z 1,.,Z p )(ΔZ 1,.,ΔZ p ) t On applique alors la méthode de variance covariance Intéressant pour les obligations
25 >>Les techniques sans tirages Les techniques sans tirages Difficulté pour évaluer le risque des portefeuilles de produit variés Difficulté de se priver de l'hypothèse de normalité Difficulté pour modéliser des produits complexes (non linéaires et à plusieurs variables)
26 >>Les techniques sans tirages Vers les techniques avec tirage Objectif: avoir la distribution de: P&L= P(Z 1 +ΔZ 1,..,Z p +ΔZ p )-P(Z 1,..,Z p ) Algorithme itératif: Faire un tirage aléatoire de ΔZ=(ΔZ 1,..,ΔZ p ) (sous quelle loi?) Pour chaque tirage, on calcule le P&L Constitution d'un échantillon qui est tiré selon la distribution du P&L dont on peut évaluer le quantile
27 >>Les principales méthodes de simulation de nombres pseudoaléaoires Les méthodes basées sur la loi Objectif: uniforme(i) Simuler n observations Y 1,..,Y n issues d'une distribution f Hypothèse fondamentale Si U est une variable aléatoire admettant une densité une loi uniforme, alors g(u) admet comme densité f
28 >>Les principales méthodes de simulation de nombres pseudoaléaoires Les méthodes basées sur la loi uniforme Se doter d'un générateur de nombres pseudoaléatoires suivant une loi uniforme pour avoir X 1,..,X n (exemple: Kiss (Keep It Simple Stupid)) Calculer Y 1 =g(x 1 ),.., Y n =g(x n ) Y 1,..,Y n forment une suite de nombres pseudoaléatoires tirées selon f
29 >>Les techniques sans tirages Les méthodes basées sur la loi uniforme (III) Exemple: Simuler une variable aléatoire dont la la densité est donné par exp(-x)1 [0;+ [ Théorème fondamental Si U suit une loi uniforme -log(u) suit une loi exponentielle! Méthode Tirer des observations U 1,..,U n suivant une loi uniforme Y 1 =-log(u 1 ),.., Y n =-log(u n ) répondent à notre problème
30 >>Les techniques sans tirages Les méthodes basées sur la loi uniforme (IV) L'algorithme de Box-Muller Objectif: simuler une loi normale Méthode On simule deux lois uniformes U 1 et U 2 indépendantes On calcule { X = 1 2 ln U 1 cos 2 U 2 X 2 = 2 ln U 1 sin 2 U 2
31 >>Les principales méthodes de simulation de nombres pseudoaléaoires La méthode d'acceptation rejet(i) Objectif: Simuler une loi f Hypothèse fondamentale Il existe g que l'on sait simuler densité vérifiant f(x) M g(x) avec M réel
32 >>Les principales méthodes de simulation de nombres pseudoaléaoires La méthode d'acceptation rejet(ii) Étape 1: Simuler X suivant g et U suivant une loi uniforme Étape 2 Dire que Y=X si U f(x)/(m g(x)) Étape 3 Retour à 1
33 >>Les techniques avec tirage Rappels de nos objectifs Un produit financier dont le prix P dépend de plusieurs paramètres P=P(Z 1,..,Z p ) On cherche à déterminer le quantile à 95% du P&L ΔP=P(Z 1 +ΔZ 1,..,Z p +ΔZ p )-P(Z 1,..,Z p )
34 >>Les techniques avec tirage Monte-Carlo dans le cas gaussien(ii) Étape 1: On fait un tirage aléatoire pour ΔZ= (ΔZ 1,..,ΔZ p ) (ΔZ 1,..,ΔZ p ) suit une loi gaussienne multivariée Étape 2: On calcule pour chaque tirage ΔZ le P&L ΔP=P(Z 1 +ΔZ 1,..,Z p +ΔZ p )-P(Z 1,..,Z p ) Étape 3: On calcule le quantile avec la distribution de ΔP ainsi obtenue marché Page 34
35 >>Les techniques avec tirage Monte-Carlo dans le cas gaussien(ii) Produit financier défini par: P&L=10 ΔZ ΔZ 2-4ΔZ 12-3ΔZ exp(δz 1 )-30 ΔZ 1 et ΔZ 2 sont indépendants de variance 1 Étape 2: On calcule pour chaque tirage ΔZ le P&L Étape 3: On calcule le quantile avec la distribution de ΔP ainsi obtenue marché Page 35
36 >>Les techniques avec tirage Monte-Carlo dans le cas gaussien(iii) U1 U2 ΔZ1 ΔZ2 P&L 0,25 0,87 1,16-1,17 56,36 VAR(95%) 0,77 0,61-0,54-0,47-24,46-58,23 0,2 0,53-1,77-0,28-58,21 0,57 0,1 0,87 0,62 52,26 0,92 0,54-0,39-0,09-15,12 0,91 0,23 0,05 0,44 5,98 0,24 0,95 1,62-0,53 120,98 0,18 0,18 0,8 1,67 50,42 0,17 0,55-1,79-0,55-62,16 marché Page 36
37 >>Les techniques avec tirage Exemple sur un produit(i) Densite du P&L Densité Aucune chance que cette distribution soit gaussienne! P&L marché Page 37
38 >>Les techniques avec tirage Monte-Carlo dans le cas gaussien(i) Rappel P&L=10 ΔZ ΔZ 2-4ΔZ 12-3ΔZ exp(δz 1 )-30 Méthode avec tirage VAR(95%)=-51,83 Que donne la méthode sans tirage? VAR(95%)=-69 marché Page 38
39 >>Les techniques avec tirage Autre méthode de simulation Simulation à partir des historiques Idée de base: L'historique d'une variable est «tirée» selon sa propre loi!!!! Méthode Obtenir un historique des variables Tirer les ΔZ issus de cet échantillon au hasard marché Page 39
40 >>La validation La validation(i) Motivation Prouver que l'outil est pertinent (gérer la réticence des traders, assurer que les mises en réserve seront suffisantes...) Calibrer la probabilité du quantile( doit-on prendre un quantile de 95%,80%...) marché Page 40
41 >>La validation La validation(ii) Backtesting On se place sur une période On évalue le montant des gains et des pertes pour chacune des journées de la période On regarde si le gain ou la perte se situe dans l'intervalle donné par l'outil d'évaluation de risque Performance= le maximum de gains (ou pertes) tombant dans l'intervalle donné par l'outil marché Page 41
42 >>Autres applications Autres applications Construction de superstructure (plateforme pétrolière) Prospective sur un territoire marché Page 42
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 détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailCommun 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 détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailDéveloppements 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 détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailSimulation : application au système bonus-malus en responsabilité civile automobile
Simulation : application au système bonus-malus en responsabilité civile automobile Robert Langmeier Travail de séminaire réalisé sous la supervision du professeur François Dufresne Ecole des HEC Université
Plus en détailValue at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061
Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailAttitude des ménages face au risque. M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014
Attitude des ménages face au risque - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014 Plan du cours 1. Introduction : demande de couverture et comportements induits pa 2. Représentations
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16
ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que
Plus en détailDéveloppements limités, équivalents et calculs de limites
Développements ités, équivalents et calculs de ites Eercice. Déterminer le développement ité en 0 à l ordre n des fonctions suivantes :. f() e (+) 3 n. g() sin() +ln(+) n 3 3. h() e sh() n 4. i() sin(
Plus en détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailMéthodologie du calcul de la VaR de marché : revue de l approche basée sur des simulations historiques
Méthodologie du calcul de la VaR de marché : revue de l approche basée sur des simulations historiques Asshvin Gajadharsingh Mesure et analyse quantitative du risque Caisse de dépôt et placement du Québec
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailCorrigé des TD 1 à 5
Corrigé des TD 1 à 5 1 Premier Contact 1.1 Somme des n premiers entiers 1 (* Somme des n premiers entiers *) 2 program somme_entiers; n, i, somme: integer; 8 (* saisie du nombre n *) write( Saisissez un
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailProbabilités conditionnelles Exercices corrigés
Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailLes travaux doivent être remis sous forme papier.
Physique mathématique II Calendrier: Date Pondération/note nale Matériel couvert ExercicesSérie 1 : 25 septembre 2014 5% RH&B: Ch. 3 ExercicesSérie 2 : 23 octobre 2014 5% RH&B: Ch. 12-13 Examen 1 : 24
Plus en détailProduits 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 détailPROJET DE GESTION PORTEFEUILLE. Evaluation d une Stratégie de Trading
PROJET DE GESTION PORTEFEUILLE Evaluation d une Stratégie de Trading Encadré par M. Philippe Bernard Master 1 Economie Appliquée-Ingénierie Economique et Financière Taylan Kunal 2011-2012 Sommaire 1) Introduction
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailCONFERENCE PALISADE. Optimisation robuste d un plan d expériences par simulation Monte-Carlo Concepts de «Design Space» et de «Quality by Design»
CONFERENCE PALISADE Optimisation robuste d un plan d expériences par simulation Monte-Carlo Concepts de «Design Space» et de «Quality by Design» 1 SIGMA PLUS Logiciels, Formations et Etudes Statistiques
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailHedging delta et gamma neutre d un option digitale
Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailQuantification des Risques
Quantification des Risques Comment considérer les aléas dans une projection financière? PragmaRisk met à disposition des solutions et des méthodes permettant de considérer les aléas dans vos projections
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailLa simulation probabiliste avec Excel
La simulation probabiliste avec Ecel (2 e version) Emmanuel Grenier emmanuel.grenier@isab.fr Relu par Kathy Chapelain et Henry P. Aubert Incontournable lorsqu il s agit de gérer des phénomènes aléatoires
Plus en détailExo7. Limites de fonctions. 1 Théorie. 2 Calculs
Eo7 Limites de fonctions Théorie Eercice Montrer que toute fonction périodique et non constante n admet pas de ite en + Montrer que toute fonction croissante et majorée admet une ite finie en + Indication
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire FFA Jean-Paul LAURENT Professeur à l'isfa jean-paul.laurent@univ-lyon1.fr http://laurent.jeanpaul.free.fr/ 0 De la la mesure à l analyse des risques! Intégrer
Plus en détail16 Chapitre 16. Autour des générateurs pseudoaléatoires
Chapitre 16 Chapitre 16. Autour des générateurs pseudoaléatoires Hasard et informatique peuvent paraître antinomiques. Car enfin, comment le circuit imprimé d un ordinateur ou d une calculatrice, parfaitement
Plus en détail3 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 détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Plus en détailHauts rendements, convivialité et une sécurité par excellence : Voici OptionWeb
Première plateforme d'options Binaires régulée d'europe, OptionWeb allie rendement et sécurité. Détenteur de la licence CySec, OptionWeb vous permettra de profiter pleinement de votre expérience de trading.
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détail1 TD1 : rappels sur les ensembles et notion de probabilité
1 TD1 : rappels sur les ensembles et notion de probabilité 1.1 Ensembles et dénombrement Exercice 1 Soit Ω = {1, 2, 3, 4}. Décrire toutes les parties de Ω, puis vérier que card(p(ω)) = 2 4. Soit k n (
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en détailLES PROBABILITÉS DE GAINS
LES PROBABILITÉS DE GAINS JOUER À DES JEUX DE HASARD La seule chose que tous les jeux de hasard ont en commun, c est que le fait de gagner ou de perdre se fait de façon aléatoire. Même si le rêve de gagner
Plus en détailDérivées d ordres supérieurs. Application à l étude d extrema.
Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une
Plus en détailExercices sur le chapitre «Probabilités»
Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de
Plus en détailChapitre 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 détailThéorème 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 détailFinance, Navier-Stokes, et la calibration
Finance, Navier-Stokes, et la calibration non linéarités en finance 1 1 www.crimere.com/blog Avril 2013 Lignes directrices Non-linéarités en Finance 1 Non-linéarités en Finance Les équations de Fokker-Planck
Plus en détail= constante et cette constante est a.
Le problème Lorsqu on sait que f(x 1 ) = y 1 et que f(x 2 ) = y 2, comment trouver l expression de f(x 1 )? On sait qu une fonction affine a une expression de la forme f(x) = ax + b, le problème est donc
Plus en détailActions - Bonds - Devises - Vanilles(Options/Futures/Forward/Swaps/Spot) - Exotiques
Wassila CHARKAOUI - 26 ans Support Front Office / Consultante Salle de marché Formation 2006-2010 Euromed Management ESC Marseille : Master of Science en Management Financier et Organisationnel Spécialisation
Plus en détailProbabilités conditionnelles Loi binomiale
Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailLa nouvelle planification de l échantillonnage
La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage
Plus en détailProcessus 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 détailETUDE DES PERFORMANCES D UN SYSTEME EOLIEN. APPLICATION POUR DES SITES ALGERIENS
èmes Journées Internationales de Thermique ETUDE DES PERFORMANES D UN SYSTEME EOLIEN. APPLIATION POUR DES SITES ALGERIENS Rachid MAOUEDJ*, Souad BOUSALEM** et Boumedien BENYOUEF ** * Unité de Recherche
Plus en détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détailnos graphiques font leur rentrée!
Toute l'actualité CASIO pour les maths Septembre 2010 - N 10 Édito nos graphiques font leur rentrée! NOUVEAUTÉ 2010 Chers professeurs, Nous sommes heureux de vous rrouver pour cte nouvelle édition de CASIO
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailCours3. Applications continues et homéomorphismes. 1 Rappel sur les images réciproques
Université de Provence Topologie 2 Cours3. Applications continues et homéomorphismes 1 Rappel sur les images réciproques Soit une application f d un ensemble X vers un ensemble Y et soit une partie P de
Plus en détailEfficience des marchés et finance comportementale
Efficience des marchés et finance comportementale Martin Vlcek, Quantitative Investment Manager (BCV) 06.12.2013 Contenu 1. Introduction 2. Théorie de l efficience du marché 3. Finance comportementale
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailLA PARTICIPATION DES SALARIES AUX RESULTATS
LA PARTICIPATION DES SALARIES AUX RESULTATS LE CALCUL DE LA RESERVE DE PARTICIPATION La formule du calcul de la réserve de participation est la suivante : Avec : Eléments du calcul S : Masse salariale
Plus en détailListe des notes techniques... xxi Liste des encadrés... xxiii Préface à l édition internationale... xxv Préface à l édition francophone...
Liste des notes techniques.................... xxi Liste des encadrés....................... xxiii Préface à l édition internationale.................. xxv Préface à l édition francophone..................
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailPourquoi investir en bourse? Pour gagner nettement plus qu avec un livret
Chapitre 5 Pourquoi investir en bourse? Pour gagner nettement plus qu avec un livret Achetez de bonnes actions et gardez-les jusqu à ce qu elles augmentent, ensuite vendez-les. Si elles n augmentent pas,
Plus en détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
Plus en détailMéthode 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 détailI. Ensemble de définition d'une fonction
Chapitre 2 Généralités sur les fonctions Fonctions de références et fonctions associées Ce que dit le programme : Étude de fonctions Fonctions de référence x x et x x Connaître les variations de ces deux
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailGEA II Introduction aux probabilités Poly. de révision. Lionel Darondeau
GEA II Introduction aux probabilités Poly. de révision Lionel Darondeau Table des matières Énoncés 4 Corrigés 10 TD 1. Analyse combinatoire 11 TD 2. Probabilités élémentaires 16 TD 3. Probabilités conditionnelles
Plus en détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailEPREUVES AU CHOIX DU CANDIDAT. Durée : De 09 h 00 à 12 h 00 (Heure de Yaoundé, TU + 1)
1 CYCLE MST-A 30 JUIN 2010 10 ème Promotion 2010 / 2012 CONCOURS D ENTREE A L IIA DROIT EPREUVES AU CHOIX DU CANDIDAT Durée : De 09 h 00 à 12 h 00 (Heure de Yaoundé, TU + 1) Le candidat traitera au choix
Plus en détailAgrégation des portefeuilles de contrats d assurance vie
Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailComplexité. 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 détailChapitre 0 Introduction à la cinématique
Chapitre 0 Introduction à la cinématique Plan Vitesse, accélération Coordonnées polaires Exercices corrigés Vitesse, Accélération La cinématique est l étude du mouvement Elle suppose donc l existence à
Plus en détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détailMA6.06 : Mesure et Probabilités
Année universitaire 2002-2003 UNIVERSITÉ D ORLÉANS Olivier GARET MA6.06 : Mesure et Probabilités 2 Table des matières Table des matières i 1 Un peu de théorie de la mesure 1 1.1 Tribus...............................
Plus en détail