Probabilités III Introduction à l évaluation d options

Dimension: px
Commencer à balayer dès la page:

Download "Probabilités III Introduction à l évaluation d options"

Transcription

1 Probabilités III Introduction à l évaluation d options Jacques Printems Promotion

2 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un modèle simple des prix d actifs Embryon de calcul stochastique 3 Méthode de Monte-Carlo Réduction de variance Variables de contrôle.

3 Option exemple Une option européenne d achat (Call européen) est un contrat dont les conditions sont les suivantes : À un moment futur déterminé à l avance, désigné sous le terme maturité ou date d expiration ou encore échéance, son détenteur peut acheter un actif déterminé, désigné sous le terme d actif sous-jacent ou simplement sous-jacent pour un montant prescrit, désigné sous le terme de prix d exercice ou encore par l anglais strike.

4 Asymétrie du risque Notons S T la valeur de l actif risqué à l échéance T de l option et K le prix d exercice. Que peut-il se passer à la date T? Soit S T > K : le détenteur de l option achète donc l actif au prix d exercice, noté K. On dit qu il y a exercice de l option. Le vendeur de l option doit donc être en mesure de fournir la différence S T K. Soit S T < K : le détenteur de l option achète directement l actif au prix du marché. Le vendeur de l option n a rien à faire. Le risque est du côté du vendeur de l option. Q : Comment rétribuer ce risque? Quel prix pour cette option?

5 Bilans symétriques Valeur de l option à l échéance : Bilan du point de vue du vendeur : à l échéance de l option, le vendeur doit fournir la quantité S T K si S T > K, 0 si S T < K. Donc, dans le cas d une option d achat, le vendeur doit fournir la quantité (S T K) + = max(s T K, 0) à l échéance de l option. Bilan du point de vue de l acheteur : à l échéance de l option, dans le cas où S T > K, il achète un bien de valeur S T au prix K, son gain est donc de S T K ; dans le cas contraire, son gain est nul. Valeur de l option à l échéance =(S T K) +.

6 Options vanilles Cas général : on note h(s T ) la quantité que doit fournir le vendeur à l échéance. La fonction h s appelle l actif contingent ou en anglais la fonction de pay-off. Comme h ne dépend que de la valeur de l actif à l échéance, on parle d option vanille. Exemple : h(s T ) = (K S T ) + (option de vente) ; h(s T ) = (S T K) + (option d achat).

7 Actif risqué S t et actif sans risque B t (bon 0-coupon), t {0, 1}. t = 0 : S 0 et B 0 = 1. t = 1 : 2 scénarii possibles pour S 1 : soit S 1 = S 0 u > S 0, soit S 1 = S 0 d < S 0 t = 1 : B 1 = 1 + R.

8 Point de vue du vendeur Portefeuille de réplication Option vanille de maturité T = 1 de valeur terminale h(s 1 ). Portefeuille de valeur initiale V 0 contenant une proportion x d actifs risqué de valeur S 0 ; le reste noté y dans l actif non risqué (en liquide placé à un taux R). V 0 = x S 0 + y. Portefeuille de réplication portefeuille de valeur initiale V 0 qui fournit la quantité désirée à l échéance de l option, soit h(s 1 ). Q : Est-ce possible dans tous les cas? Comment choisir x et y? Quel est la valeur de V 0?

9 Réplication Valeur du portefeuille à l échéance : x S 0 u + (1 + R)y V 1 = x S 1 + (1 + R)y = x S 0 d + (1 + R)y si l actif a monté, sinon. Contraintes de réplication : h(s 0 u) V 1 = h(s 1 ) = h(s 0 d) si l actif a monté, sinon. Deux inconnues x et y, deux équations = une unique solution!

10 Prime et stratégie de couverture On résoud le système linéaire 2 2 : x = h(s 0u) h(s 0 d) S 0 (u d), y = h(s 0d)u h(s 0 u)d, (1 + R)(u d) En injectant ces relations dans V 0 = S 0 x + y : V 0 = 1 [ ( ) ( )] 1 + R d u (1 + R) h(s 0 u) + h(s 0 d) 1 + R u d u d Idée centrale : Prime de l option coût de la stratégie de réplication le montant initial du portefeuille qui la réplique.

11 Probabilités risque-neutre Supposons que d 1 + R u, on pose alors p = 1 + R d u d 0, q = u 1 R u d 0, p + q = 1. Les nombres {p, q} sont les probabilités risque-neutres du modèle : { } Ω = {S 1 = S 0 u}, {S 1 = S 0 d} ; p = P(S 1 = S 0 u), q = P(S 1 = S 0 d). On réécrit alors V 0 = R ( ) p h(s 0 u) + q h(s 0 d) = 1 ( ) 1 + R E h(s 1 ).

12 Stratégie d arbitrage Que se passe-t-il, par exemple, si 1 + R > u? On vend le stock S 0 et on le place le tout dans le 0-coupon : x = 1, y = S 0 = V 0 = 0. À l échéance, on a : V 1 = (1 + R) Z avec Z = u ou Z = d. Dans tous les cas V 1 > 1 + R u > 0 : on a réalisé un arbitrage. Stratégie d arbitrage : c est un portefeuille V tel que V 0 = 0, et V 1 > 0 avec probabilité 1.

13 Principe d Abscence d Opportunité d Arbitrage (1) d 1 + R u Pas de stratégies d arbitrage possibles. En effet, considérons un portefeuille de valeur initiale nulle V 0 = 0 : S 0 x + y = 0 = y = S 0 x. À l échéance, on a x S 0 (u (1 + R)) si S 1 = S 0 u, V 1 = S 1 x + y = x S 0 (d (1 + R)) sinon. Donc si x > 0 alors on a à la fois u > 1 + R et d > 1 + R ce qui viole les inégalités (1). Idem si x < 0.

14 Probabilités risque-neutre versus historiques On suppose d 1 + R u, on pose p = 1 + R d u d 0, q = u 1 R u d 0, p + q = 1. p représente la probabilité de monter de l actif risqué et q la probabilité de descendre. Ces probabilités sont issues d une réflexion sur la stratégie de couverture du vendeur en fonction d un modèle sur l évolution future de S t. En aucun cas, il ne s agit de probabilités historiques issues de statistiques sur le passé de l actif.

15 Signification du prix de l option Le concept de portefeuille de réplication, issu du point de vue du vendeur de l option, permet de donner un sens au prix de l option : le prix de l option est la valeur initiale du portefeuille qui la réplique. Autre sens : le prix de l option à t = 0 est l espérance actualisé de sa valeur à l échéance V 0 = R E h(s 1) = R E V 1.

16 Bilan : Marché viable, marché complet Marché : Dans le contexte présent, il s agit d un ensemble de d actifs risqués et d un actif non risqué. Marché viable : Un marché où il n y a pas d opportunité d arbitrage. Définition équivalente : Un marché pour lequel il existe une probabilité P risque-neutre, c.-à-d. sous laquelle l espérance des différents actifs risqués est égale aux prix forward E P (S i T ) = (1 + R)S i 0, i = 1..., d. Marché complet : Un marché où tout actif conditionnel (le pay-off) est réplicable. Définition équivalente : Un marché pour lequel il existe une unique probabilité P risque-neutre.

17 Deux faces de la même médaille SOIT on cherche les probabilités telles que S 1 1 p p M = 1, p 1 S 1,1 + p M S 1,M = (1 + R)S 0 p 1 2 équations, M inconnnues : existence de solutions mais pas unicité en général. S 2 1 SOIT on cherche une stratégie (x, y) telle que S 0 p 2 xs 1,1 + y(1 + R) = h(s 1,1 ),. xs 1,M + y(1 + R) = h(s 1,M ) 1 p M S M R M équations, 2 inconnnues : pas de solutions en général (couverture partielle). Il existe donc des pay-offs non réplicables. V 0 = xs 0 + y, 1 V 0 = 1 + R (p 1h(S 1,i ) + + p M h(s 1,M )).

18 Un modèle discret où t = 0, 1, 2,..., T Deux sous-jacents : un actif risqué S t et un sans risque B t ; B t+1 = (1 + R) B t, B 0 = 1, t = 0, 1,... T 1, S t+1 = S t Z t, S 0 = s, t = 0, 1,... T 1. Z 0, Z 1,..., Z T 1 variables aléatoires i.i.d. ne prenant que deux valeurs : u > 1 et d < 1 telles que P(Z n = u) = p = 1 P(Z n = d).

19 Exemple T=3 périodes Arbre recombinant : S 0 = s, u > 1, d < 1 su 3 su 2 su su 2 d s sud sd sud 2 sd 2 sd 3

20 Stratégie d allocation de portefeuille Un portefeuille V t contenant x t proportion d actifs risqué et y t proportion d actifs sans risque : V t = x t S t + (1 + R)y t, t = 1,... T. y t = quantité de liquide investie en banque à la date t 1 et gardée jusqu à la date t ; x t = quantité d actifs risqué acheté à la date t 1 et gardée jusqu à la date t. t 1 (x t, y t ) t (x t, y t ) V t 1 = x t S t 1 + y t V t = x t S t + (1 + R)y t

21 Stratégie auto-financée t 1 t t + 1 (x t, y t ) (x t, y t ) V t 1 = x t S t 1 + y t V t = x t S t + y t (1 + R) t t + 1 (x t+1, y t+1 ) (x t+1, y t+1 ) V t = x t+1 S t + y t+1 V t+1 = x t+1 S t+1 + y t+1 (1 + R)

22 Bilan de la stratégie autofinancée V t = x t+1 S t + y t+1 = x t S t + y t (1 + R) À chaque date t, la valeur de l ancien portefeuille (x t, y t ) constitué à la date t 1 est égale à la valeur du nouveau portefeuille (x t+1, y t+1 ) formé à la date t jusqu à t + 1. L acquisition d un nouveau montant d actifs est financé par la vente d un autre. On exclut donc a priori l hypothèse de consommation entre deux dates ou l injection de liquide au cours du temps.

23 Stratégie d arbitrage Une stratégie d arbitrage est une stratégie auto-financée {(x t, y t ), t = 0,... T 1} telle que la valeur V t du portefeuille associé satisfait les trois propriétés suivantes : V 0 = 0, P(V T 0) = 1, P(V T > 0) > 0. Retour au modèle : Si le modèle est libre d arbitrage alors d 1 + R u (voir le modèle à une période). On supposera donc d < u de sorte que cette inégalité soit vérifiée.

24 Probabilités risque-neutre Les probabilités p et q = 1 p sont choisis de sorte que s = 1 ( ) 1 + R E S t+1 S t = s. On dit que ce sont les probabilités risque-neutre du modèle ou encore les probabilités martingales. Dans le cas du modèle binomial, ces probabilités sont données par p = 1 + R d u (1 + R), q = u d u d

25 Application au calcul récursif des prix S t = R E ( S t+1 S t ), On dit que l actif actualisé est une martingale. Conséquence de l autofinancement : V t+1 (1 + R)V t = x t+1 (S t+1 (1 + R)S t ) = V t = R E ( V t+1 S t ). Le portefeuille de réplication est également une martingale.

26 Exemple Le modèle calibré S 0 = 80, u = 1.5, d = 0.5, R = 0, N = 3 périodes

27 Exemple Une option d achat à t = 3 V 3 = (S 3 K) +, K =

28 Exemple Calcul de la prime à t = 2 V 2 = R E(V 3 S 2 )

29 Exemple La prime à t = 0 V t = R E(V t+1 S t ), t = 0,

30 Exemple La stratégie de réplication x t = V t+1(s t u) V t+1 (S t d) S t (u d) x = 1, y = x = 95/120, y = x = 5/8 x = 1/6, y = y = 22.5 x = 1/8, y = x = 0, y =

31 Calibration d un modèle binomial Représentation en N périodes d un modèle continu en temps sur un intervalle [0, T ]. Soit h = T /N le pas de temps. But : Calcul de u, d et R en fonction des paramètres du modèle continu. ( Ex : modèle log-normal S h = S 0 exp (r σ 2 /2)h + σ ) hz. Les contraintes de bases sont d identifier les premiers moments du modèle : p u + (1 p) d = E(S h /S 0 ) ) = exp(rh) = 1 + R, p u 2 + (1 p) d 2 = E ((S h /S 0 ) 2 = exp(2rh + σ 2 h). Paramétrage CRR : h = T /N, p = (1 + R d)/(u d), q = 1 p, u = exp(σ h), d = exp( σ h).

32 Modèle binomial avec N = 10 Limite du modèle binomial lorsque N + Un modèle simple des prix d actifs Embryon de calcul stochastique

33 Modèle binomial avec N = 100 Limite du modèle binomial lorsque N + Un modèle simple des prix d actifs Embryon de calcul stochastique

34 Mode le a temps discret Technique de simulation et re duction de variance Limite du mode le binomial lorsque N + Un mode le simple des prix d actifs Embryon de calcul stochastique Mode le binomial avec N = Probabilite s III Introduction a l e valuation d options

35 Une trajectoire du mouvement brownien 2 Limite du modèle binomial lorsque N + Un modèle simple des prix d actifs Embryon de calcul stochastique

36 Le mouvement brownien Limite du modèle binomial lorsque N + Un modèle simple des prix d actifs Embryon de calcul stochastique Definition Le mouvement brownien standard est un processus stochastique, c.-à-d. une famille de v.a. indexée par le temps {B t } t 0 tel que B 0 = 0 ses accroissements sont indépendants, c.-à-d. pour tout t > s, B t B s indépendant de B s, stationnaires tel que pour t > s, et ses trajectoires continues. B t B s N (0, (t s)),

37 Hypothèse d efficience des marchés Limite du modèle binomial lorsque N + Un modèle simple des prix d actifs Embryon de calcul stochastique Le prix actuel d un actif reflète tout l historique des prix passés. Toute nouvelle information implique un réponse immédiate du marché sur les prix. Modéliser le prix d un actif (risqué) modéliser l arrivée de nouvelles informations

38 Processus des prix Limite du modèle binomial lorsque N + Un modèle simple des prix d actifs Embryon de calcul stochastique S = prix d un actif risqué à la date t. t t + dt = S S + ds ds S = µ dt + σ db rendement déterministe du prix de l actif µ : taux moyen de croissance de l actif risqué, changements aléatoires dûs à des causes externes σ : volatilité de l actif qui mesure l écart-type des rendements. Les accroissements sont gaussiens centrés : db N (0, dt) = dt N (0, 1)

39 Le lemme d Itô Limite du modèle binomial lorsque N + Un modèle simple des prix d actifs Embryon de calcul stochastique Dans la réalité, les prix sont côtés en temps discret. La variable dt ne peut pas descendre en dessous d une certaine limite. Cependant, il peut être plus efficace de considérer des modèles continus en temps lorsque dt 0. db 2 dt lorsque dt 0. S S + ds = f + df : df = f S ds f 2 S ds (ds) 2 = σ 2 S 2 db 2 + 2σµS 2 dtdb + µ 2 S 2 dt 2 σ 2 S 2 dt. Lemme d Itô df = f S (σs db + µs dt) σ2 S 2 2 f S 2 dt = σs f S db + ( µs f S σ2 S 2 2 f S 2 ) dt

40 Back to Black Limite du modèle binomial lorsque N + Un modèle simple des prix d actifs Embryon de calcul stochastique On applique le lemme d Itô à f (x) = ln(x) : d ln(s) = 1 S σs db + (µs 1 S σ2 S 2 ( )) 1 S 2 dt, soit ou encore ou encore d ln(s) = σdb + ln(s) ln(s 0 ) = σb t + S t = S 0 exp ) (µ σ2 dt, 2 ) (µ σ2 t, 2 ) ) ((µ σ2 t + σb t. 2

41 Application aux pricing d options Limite du modèle binomial lorsque N + Un modèle simple des prix d actifs Embryon de calcul stochastique V t = valeur à la date t d une option vanille de pay-off h et de maturité T sur un sous-jacent S. Point de vue du vendeur : constitution d un portefeuille P t = V t x t S t, rétribué au taux sans-risque r : P t = P 0 e rt. P t qté d actifs non risqué, x t qté d actifs risqué. Inconnues : V t et x t.

42 Limite du modèle binomial lorsque N + Un modèle simple des prix d actifs Embryon de calcul stochastique Hypothèse de départ : V t = V (t, S t ). Bilan entre t et t + dt (x t = x pendant [t, t + dt[) : P t+dt = V (t + dt, S t+dt ) x S t+dt P t = V (t, S t ) x S t = P t+dt P t = dv x ds D après le lemme d Itô : dv = σs V S db + ( V t V + µs S + σ2 S 2 2 ) V 2 S 2 dt, ds = S(µdt + σsdb).

43 Limite du modèle binomial lorsque N + Un modèle simple des prix d actifs Embryon de calcul stochastique Bilan des équations : P t+dt P t = r (V xs)dt = σs V ( V S db + t x(µsdt + σsdb) Identification des termes en db et dt : x = V S, V + µs S + σ2 S 2 2 ) V 2 S 2 dt (couverture en delta neutre) r(v xs) = V t V + µs S + σ2 S 2 2 V 2 S 2 µxs

44 Raisonnement par arbitrage Limite du modèle binomial lorsque N + Un modèle simple des prix d actifs Embryon de calcul stochastique Par unité de temps : V t + σ2 S 2 2 V } {{ 2 S 2 } Rendement du portefeuille de réplication V t ( = r V S V ), S } {{ } Rendement de la partie non risqué en dépôt P t Si V t + σ2 S 2 2 ( V 2 S 2 > r V S V ) : on emprunte une qté P t S que l on investi dans le portefeuille V t ; profit sans risque. Si V t + σ2 S 2 2 ( V 2 S 2 < r V S V ) : on shorte le portefeuille et S on met en dépôt le résultat.

45 Limite du modèle binomial lorsque N + Un modèle simple des prix d actifs Embryon de calcul stochastique Équation aux Dérivées Partielles de B&S (1973) Black, F. et Scholes, M. (1973), The pricing of options and corporate liabilities, J. Pol. Econ. 81, V t + σ2 S 2 2 ( V 2 S 2 r V S V ) = 0, S avec la donnée terminale V (T, S) = h(s).

46 Nécessité des simulations Méthode de Monte-Carlo Réduction de variance Variables de contrôle Soit X : Ω R d et F : R d R tels que E(F (X )) 2 < +. On souhaite approcher c = E F (X ). Exemples : X = (ST 1,..., S T d ) un panier de d stocks à la date T et F (X ) = (λ 1 ST λ dst d K) + (call sur indice). X = (S 1 T, S 2 T ) et F (X ) = (S 1 T S 2 T K) + (call spread). Problèmes : même dans le cas du modèle log-normal, il n y a pas de formules explicites (ex : B&S ), d où un recours à la simulation : méthode de Monte-Carlo. Outils théoriques : loi des grands nombres et théorème central de la limite.

47 Méthode de Monte-Carlo Méthode de Monte-Carlo Réduction de variance Variables de contrôle Étant donné un échantillon (Y i ) 1 i M de taille M d une population Y (mathématiquement un famille de v.a. indépendantes et de même loi que Y ), on calcule la moyenne de l échantillon Y = 1 M M Y i, i=1 alors lorsque M tend vers + on a les deux convergences suivantes : Y E(Y 1 ) (loi des grands nombres) Y N (E(Y 1 ), σ 2 (Y 1 )/M) (TCL) Bilan : l erreur Y E(Y 1 ) se réparti asymptotiquement selon une distribution gaussienne centré et d écart-type : σ(y 1 )/ M et ceci quelque soit la distribution de Y.

48 Application Méthode de Monte-Carlo Réduction de variance Variables de contrôle On applique le principe précédent à Y = F (X ) et Y i = F (X i ). Donc si l on sait générer des copies indépendantes X i et de même loi que X (des scénarios), la méthode de Monte-Carlo permet d estimer la moyenne de F (X ), c.-à-d. E(F (X )), et la méthode génère sa propre estimation de l erreur σ(f (X ))/ M : on remplace σ(f (X )) par l écart-type empirique de l échantillon s(f (X )) = 1 M 1 M (F (X i ) Y ) 2 i=1 La convergence est lente 1/ M mais indépendante de d (!) Un réduction de σ(f (X )) permet de gagner beaucoup en temps de calcul.

49 Réduire la variance Méthode de Monte-Carlo Réduction de variance Variables de contrôle Variable de contrôle ; «Importance sampling» ; Variables antithetiques ; Stratification ; Conditionnement ;...

50 Variable de contrôle Méthode de Monte-Carlo Réduction de variance Variables de contrôle Idée : écrire E(F (X )) comme E(F (X ) H(X )) + EH(X ) = a + b, où a est estimé en utilisant une simulation Monte-Carlo, a = 1 M (F (X m ) H(X m )) M m=1 et où b = EH(X ) peut être calculé explicitement. Le choix de H est guidé par le fait que Var(F (X ) H(X )) < Var(F (X )).

51 Méthode de Monte-Carlo Réduction de variance Variables de contrôle Variable de contrôle : version optimisation La recherche de H peut s optimiser dans certains cas : soit Z = F (X ) H(X ) + E(H(X )), Z = F (X ) et λ R. On pose Z λ = (1 λ)z + λz. Alors les trois v.a. ont la même espérance : E(Z λ ) = E(Z) = E(Z ) = c et on peut essayer d estimer E(Z λ ) de sorte que λ = argmin λ R Var(Z λ ) = Cov(Z Z, Z) Var(Z. Z)

52 Méthode de Monte-Carlo Réduction de variance Variables de contrôle Variable de contrôle et relation de parité Z = exp( rt )(S T K) + (CALL), Z = exp( rt )(K S T ) + + S 0 K exp( rt ) (CALL parité) D après la relation de parité E(Z) = E(Z ) =Prix du Call. Or la variance de Z est la variance du Call et la variance de Z est celle du Put : laquelle est la plus petite? Optimisation : Z λ = λz + (1 λ)z, recherche du meilleur λ (Cf. TP 1). Avantage : indépendant du modèle (B&S, vol locale, vol sto,...) Ne dépend que du produit (ici call vanille) pour lequel il existe une relation de parité. S adapte donc au cas asiatique par exemple.

53 Variable de contrôle géométrique Méthode de Monte-Carlo Réduction de variance Variables de contrôle X i valeurs d actifs B&S à une date T, indépendants, de volatilité σ i et de prix spot x i. Soit λ i > 0 poids de somme 1. Call sur panier F (X ) = (λ 1 X λ d X d K) +, Call sur panier géométrique (abstrait) H(X ) = (X λ1 1 X λ d d K) + On peut voir Z = X λ1 1 X λ d d comme un actif B&S. Quelle volatilité? (Cf. TP 1). Donc E(H(X )) se calcule par une formule de B&S. Laquelle? Ici a = E(F (X ) H(X )) est estimé selon Monte-Carlo et b = E(H(X )) est calculé explicitement grâce à une fromule de B&S. Prix final E(F (X )) = a + b.

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

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

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

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

Valorisation d es des options Novembre 2007

Valorisation d es des options Novembre 2007 Valorisation des options Novembre 2007 Plan Rappels Relations de prix Le modèle binomial Le modèle de Black-Scholes Les grecques Page 2 Rappels (1) Définition Une option est un contrat financier qui confère

Plus en détail

Théorie Financière 8 P. rod i u t its dé dérivés

Théorie Financière 8 P. rod i u t its dé dérivés Théorie Financière 8P 8. Produits dit dérivés déié Objectifsdelasession session 1. Définir les produits dérivés (forward, futures et options (calls et puts) 2. Analyser les flux financiers terminaux 3.

Plus en 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

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

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

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

Hedging delta et gamma neutre d un option digitale

Hedging 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 détail

Propriétés des options sur actions

Propriétés des options sur actions Propriétés des options sur actions Bornes supérieure et inférieure du premium / Parité call put 1 / 1 Taux d intérêt, capitalisation, actualisation Taux d intéret composés Du point de vue de l investisseur,

Plus en détail

Options, Futures, Parité call put

Options, Futures, Parité call put Département de Mathématiques TD Finance / Mathématiques Financières Options, Futures, Parité call put Exercice 1 Quelle est la différence entre (a) prendre une position longue sur un forward avec un prix

Plus en détail

Dérivés Financiers Options

Dérivés Financiers Options Stratégies à base d options Dérivés Financiers Options 1) Supposons que vous vendiez un put avec un prix d exercice de 40 et une date d expiration dans 3 mois. Le prix actuel de l action est 41 et le contrat

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

QUESTIONS D ENTRETIENS EN FINANCE DE MARCHE

QUESTIONS D ENTRETIENS EN FINANCE DE MARCHE QUESTIONS D ENTRETIENS EN FINANCE DE MARCHE Le présent document est un recueil de questions, la plupart techniques, posées à des candidats généralement jeunes diplômés, issus d école d ingénieurs, de commerce

Plus en détail

MARTINGALES POUR LA FINANCE

MARTINGALES POUR LA FINANCE MARTINGALES POUR LA FINANCE une introduction aux mathématiques financières Christophe Giraud Cours et Exercices corrigés. Table des matières I Le Cours 7 0 Introduction 8 0.1 Les produits dérivés...............................

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

Mathématiques pour la finance Définition, Evaluation et Couverture des Options vanilles Version 2012

Mathématiques pour la finance Définition, Evaluation et Couverture des Options vanilles Version 2012 Mathématiques pour la finance Définition, Evaluation et Couverture des Options vanilles Version 2012 Pierre Andreoletti pierre.andreoletti@univ-orleans.fr Bureau E15 1 / 20 Objectifs du cours Définition

Plus en détail

INTRODUCTION INTRODUCTION

INTRODUCTION INTRODUCTION INTRODUCTION INTRODUCTION Les options sont des actifs financiers conditionnels qui donnent le droit mais pas l'obligation d'effectuer des transactions sur des actifs supports. Leur intérêt réside dans

Plus en détail

Options et Volatilité (introduction)

Options et Volatilité (introduction) SECONDE PARTIE Options et Volatilité (introduction) Avril 2013 Licence Paris Dauphine 2013 SECONDE PARTIE Philippe GIORDAN Head of Investment Consulting +377 92 16 55 65 philippe.giordan@kblmonaco.com

Plus en détail

Résumé... 9... 10... 10... 10

Résumé... 9... 10... 10... 10 Bibliographie 1 Table des matières Table des matières.................................... 3 Résumé............................................ 9........................................ 10........................................

Plus en détail

Prix et couverture d une option d achat

Prix et couverture d une option d achat Chapitre 1 Prix et couverture d une option d achat Dans cette première leçon, on explique comment on peut calculer le prix d un contrat d option en évaluant celui d un portefeuille de couverture de cette

Plus en détail

Couverture des risques dans les marchés financiers

Couverture des risques dans les marchés financiers énéral2.6.137 1 2 Couverture des risques dans les marchés financiers Nicole El Karoui Ecole Polytechnique,CMAP, 91128 Palaiseau Cedex email : elkaroui@cmapx.polytechnique.fr Année 23-24 2 Table des matières

Plus en détail

Estimation du coût de l incessibilité des BSA

Estimation du coût de l incessibilité des BSA Estimation du coût de l incessibilité des BSA Jean-Michel Moinade Oddo Corporate Finance 22 Juin 2012 Incessibilité des BSA Pas de méthode académique reconnue Plusieurs méthodes «pratiques», dont une usuelle

Plus en détail

Introduction aux Mathématiques Financières. Ecole Centrale Paris. Lionel Gabet, Frédéric Abergel, Ioane Muni Toke

Introduction aux Mathématiques Financières. Ecole Centrale Paris. Lionel Gabet, Frédéric Abergel, Ioane Muni Toke Introduction aux Mathématiques Financières Ecole Centrale Paris Deuxième année, S3 Lionel Gabet, Frédéric Abergel, Ioane Muni Toke Version 2010 Introduction aux mathématiques financières 2 Table des matières

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

ERRATA ET AJOUTS. ( t) 2 s2 dt (4.7) Chapitre 2, p. 64, l équation se lit comme suit : Taux effectif = 1+

ERRATA ET AJOUTS. ( t) 2 s2 dt (4.7) Chapitre 2, p. 64, l équation se lit comme suit : Taux effectif = 1+ ERRATA ET AJOUTS Chapitre, p. 64, l équation se lit comme suit : 008, Taux effectif = 1+ 0 0816 =, Chapitre 3, p. 84, l équation se lit comme suit : 0, 075 1 000 C = = 37, 50$ Chapitre 4, p. 108, note

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

Tests 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 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 détail

Produits structurés. Sacha Duparc, Développement & Trading Produits Structurés 20.12.2013

Produits structurés. Sacha Duparc, Développement & Trading Produits Structurés 20.12.2013 Produits structurés Sacha Duparc, Développement & Trading Produits Structurés 20.12.2013 Importance du marché des produits structurés en Suisse Les produits structurés constituent une catégorie d investissement

Plus en détail

Options exotiques. April 18, 2000

Options exotiques. April 18, 2000 Options exotiques Nicole El Karoui, Monique Jeanblanc April 18, 2000 1 Introduction Les options exotiques sont des produits complexes, qui constituent un marché d une réelle importance depuis les années

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

Introduction à la finance quantitative présenté par N. Champagnat IECL et INRIA

Introduction à la finance quantitative présenté par N. Champagnat IECL et INRIA Introduction à la finance quantitative présenté par N. Champagnat IECL et INRIA Contents 1 Introduction aux marchés financiers 2 1.1 Rôle des marchés financiers......................... 2 1.2 Les différents

Plus en détail

Pratique des options Grecs et stratégies de trading. F. Wellers

Pratique des options Grecs et stratégies de trading. F. Wellers Pratique des options Grecs et stratégies de trading F. Wellers Plan de la conférence 0 Philosophie et structure du cours 1 Définitions des grecs 2 Propriétés des grecs 3 Qu est ce que la volatilité? 4

Plus en détail

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

Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors

Plus en détail

Capital économique en assurance vie : utilisation des «replicating portfolios»

Capital économique en assurance vie : utilisation des «replicating portfolios» Capital économique en assurance vie : utilisation des «replicating portfolios» Anne LARPIN, CFO SL France Stéphane CAMON, CRO SL France 1 Executive summary Le bouleversement de la réglementation financière

Plus en détail

Calibration de Modèles et Couverture de Produits Dérivés

Calibration de Modèles et Couverture de Produits Dérivés Calibration de Modèles et Couverture de Produits Dérivés Peter TANKOV Université Paris VII tankov@math.jussieu.fr Edition 28, dernière m.à.j. le 1 mars 28 La dernière version de ce document est disponible

Plus en détail

Les techniques des marchés financiers

Les techniques des marchés financiers Les techniques des marchés financiers Corrigé des exercices supplémentaires Christine Lambert éditions Ellipses Exercice 1 : le suivi d une position de change... 2 Exercice 2 : les titres de taux... 3

Plus en détail

LISTE D EXERCICES 2 (à la maison)

LISTE D EXERCICES 2 (à la maison) Université de Lorraine Faculté des Sciences et Technologies MASTER 2 IMOI, parcours AD et MF Année 2013/2014 Ecole des Mines de Nancy LISTE D EXERCICES 2 (à la maison) 2.1 Un particulier place 500 euros

Plus en détail

NOTICE MÉTHODOLOGIQUE SUR LES OPTIONS DE CHANGE

NOTICE MÉTHODOLOGIQUE SUR LES OPTIONS DE CHANGE NOTICE MÉTHODOLOGIQUE SUR LES OPTIONS DE CHANGE Avec le développement des produits dérivés, le marché des options de change exerce une influence croissante sur le marché du change au comptant. Cette étude,

Plus en détail

Calculating Greeks by Monte Carlo simulation

Calculating Greeks by Monte Carlo simulation Calculating Greeks by Monte Carlo simulation Filière mathématiques financières Projet de spécialité Basile Voisin, Xavier Milhaud Encadré par Mme Ying Jiao ENSIMAG - Mai-Juin 27 able des matières 1 Remerciements

Plus en 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

TP de risque management Risque Forex

TP de risque management Risque Forex TP de risque management Risque Forex Exercice 1 Partie 1. Le but de cette exercice est voir quel sont les options qui permettent de gérer le risque du au taux de change. En effet, dans notre cas, une société

Plus en détail

Moments des variables aléatoires réelles

Moments 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 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

Calibration de modèles et couverture de produits dérivés

Calibration de modèles et couverture de produits dérivés Calibration de modèles et couverture de produits dérivés Peter Tankov To cite this version: Peter Tankov. Calibration de modèles et couverture de produits dérivés. DEA. Calibration de modèles et couverture

Plus en 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

Finance, Navier-Stokes, et la calibration

Finance, 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

3. Caractéristiques et fonctions d une v.a.

3. Caractéristiques et fonctions d une v.a. 3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions

Plus en détail

Dérivés Financiers Futures et Contrats à Terme

Dérivés Financiers Futures et Contrats à Terme Dérivés Financiers Futures et Contrats à Terme Owen Williams Grenoble Ecole de Management > 2 Introduction Les forwards et futures sont des engagements à acheter ou vendre un actif à une date future donnée,

Plus en détail

LES OPTIONS DE CHANGE DE SECONDE GÉNÉRATION : UN APERÇU

LES OPTIONS DE CHANGE DE SECONDE GÉNÉRATION : UN APERÇU LES OPTIONS DE CHANGE DE SECONDE GÉNÉRATION : UN APERÇU En forte croissance depuis le début des années quatre-vingt, le marché des options sur devises s est enrichi, au début des années quatre-vingt-dix,

Plus en détail

Présentation Salle des marchés. Centrale Lille Octobre 2007. Contacts: Matthieu MONLUN Responsable de la salle des marchés

Présentation Salle des marchés. Centrale Lille Octobre 2007. Contacts: Matthieu MONLUN Responsable de la salle des marchés Présentation Salle des marchés Centrale Lille Octobre 2007 Contacts: Matthieu MONLUN Responsable de la salle des marchés Jérôme CHANE Sales Fixed Income Tel: 03.20.57.50.00 Email: prenom.nom@calyon.com

Plus en détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES ET STATISTIQUE I&II PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits

Plus en détail

Qu est-ce-qu un Warrant?

Qu est-ce-qu un Warrant? Qu est-ce-qu un Warrant? L epargne est investi dans une multitude d instruments financiers Comptes d epargne Titres Conditionnel= le detenteur à un droit Inconditionnel= le detenteur a une obligation Obligations

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

Théorie Financière 2. Valeur actuelle Evaluation d obligations

Théorie Financière 2. Valeur actuelle Evaluation d obligations Théorie Financière 2. Valeur actuelle Evaluation d obligations Objectifs de la session. Comprendre les calculs de Valeur Actuelle (VA, Present Value, PV) Formule générale, facteur d actualisation (discount

Plus en détail

Contribution sur le thème relatif au point de vue et au rôle des actuaires vis-à-vis des nouvelles normes comptables

Contribution sur le thème relatif au point de vue et au rôle des actuaires vis-à-vis des nouvelles normes comptables Valorisation du risque IARD et nouvelles normes comptables Mathieu Gatumel et Guillaume Gorge Axa Group Risk Management 9 avenue de Messine 75008 Paris Tel. : +33 1 56 43 78 27 Fax : +33 1 56 43 78 70

Plus en détail

Rapport de projet Risque de Crédit, Risque de Défaut : Étude de l influence du taux de recouvrement sur le prix de CDOs.

Rapport de projet Risque de Crédit, Risque de Défaut : Étude de l influence du taux de recouvrement sur le prix de CDOs. Rapport de projet Risque de Crédit, Risque de Défaut : Étude de l influence du taux de recouvrement sur le prix de CDOs. Auteurs : Hecht Frédéric, Porzier Rémi, Font Guillaume Cours «Risque de Crédit,

Plus en détail

Introduction à la théorie des options financières

Introduction à la théorie des options financières Introduction à la théorie des options financières Christophe Chorro (christophe.chorro@gmail.com) ESC REIMS Le 16 Janvier 2008 hristophe Chorro (christophe.chorro@gmail.com) (ESC REIMS) Théorie des options

Plus en détail

FIMA, 7 juillet 2005

FIMA, 7 juillet 2005 F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation

Plus en détail

CARACTERISTIQUES ET EVALUATION DES CONTRATS D OPTION. Finance internationale, 9ème éd. Y. Simon & D. Lautier

CARACTERISTIQUES ET EVALUATION DES CONTRATS D OPTION. Finance internationale, 9ème éd. Y. Simon & D. Lautier CARACTERISTIQUES ET EVALUATION DES CONTRATS D OPTION 1 Section 1. La définition et les caractéristiques d une option Section 2. Les déterminants de la valeur d une option Section 3. Les quatre opérations

Plus en détail

MATHÉMATIQUES ET APPLICATIONS

MATHÉMATIQUES ET APPLICATIONS MASTER 2 ème ANNÉE MATHÉMATIQUES ET APPLICATIONS Parcours Mathématiques du Risque et Actuariat ANNÉE UNIVERSITAIRE 2015 2016 1 PRESENTATION Le Master 2 Mathématiques du Risque et Actuariat a pour objectif

Plus en détail

Le call 6 mois strike 35 coûte 6 EUR ; le call 6 mois strike 40 coûte 4 EUR. L action sous-jacente cote 37.50 EUR.

Le call 6 mois strike 35 coûte 6 EUR ; le call 6 mois strike 40 coûte 4 EUR. L action sous-jacente cote 37.50 EUR. Exercice 09/02 #3 Le call 6 mois strike 35 coûte 6 EUR ; le call 6 mois strike 40 coûte 4 EUR. L action sous-jacente cote 37.50 EUR. a) Comment créer un bull spread avec ces calls? b) Quel est le gain,

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

Value at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061

Value 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 détail

Loi binomiale Lois normales

Loi binomiale Lois normales Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli

Plus en détail

Dérivés Financiers Contrats à terme

Dérivés Financiers Contrats à terme Dérivés Financiers Contrats à terme Mécanique des marchés à terme 1) Supposons que vous prenez une position courte sur un contrat à terme, pour vendre de l argent en juillet à 10,20 par once, sur le New

Plus en détail

L essentiel des marchés financiers

L essentiel des marchés financiers Éric Chardoillet Marc Salvat Henri Tournyol du Clos L essentiel des marchés financiers Front office, post-marché et gestion des risques, 2010 ISBN : 978-2-212-54674-3 Table des matières Introduction...

Plus en détail

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE DES MATIERES. C Exercices complémentaires 42 TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence

Plus en 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

Baccalauréat ES/L Amérique du Sud 21 novembre 2013

Baccalauréat 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 détail

Quantification Scalaire et Prédictive

Quantification Scalaire et Prédictive Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction

Plus en détail

Construction d un algorithme d accélération de la méthode des simulations dans les simulations pour le calcul du capital économique Solvabilité II

Construction d un algorithme d accélération de la méthode des simulations dans les simulations pour le calcul du capital économique Solvabilité II Construction d un algorithme d accélération de la méthode des simulations dans les simulations pour le calcul du capital économique Solvabilité II Laurent Devineau, Stéphane Loisel To cite this version:

Plus en détail

Génération de scénarios économiques

Génération de scénarios économiques Modélisation des taux d intérêt Pierre-E. Thérond ptherond@galea-associes.eu pierre@therond.fr Galea & Associés ISFA - Université Lyon 1 22 novembre 2013 Motivation La modélisation des taux d intérêt est

Plus en détail

Petite introduction aux mathématiques des dérivés financiers (notes de cours, version provisoire)

Petite introduction aux mathématiques des dérivés financiers (notes de cours, version provisoire) Petite introduction aux mathématiques des dérivés financiers notes de cours, version provisoire Michel Miniconi Département de Mathématiques Laboratoire Jean-Alexandre Dieudonné Université de Nice Sophia-Antipolis

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

Modèles et Méthodes de Réservation

Modèles et Méthodes de Réservation Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E

Plus en détail

un environnement économique et politique

un environnement économique et politique Vision d un économiste sur le risque agricole et sa gestion un sol un climat un environnement économique et politique Jean Cordier Professeur Agrocampus Ouest Séminaire GIS GC HP2E Prise en compte du risque

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

MÉTHODE DE MONTE CARLO.

MÉTHODE 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 détail

TURBOS WARRANTS CERTIFICATS. Les Turbos Produits à effet de levier avec barrière désactivante. Produits non garantis en capital.

TURBOS WARRANTS CERTIFICATS. Les Turbos Produits à effet de levier avec barrière désactivante. Produits non garantis en capital. TURBOS WARRANTS CERTIFICATS Les Turbos Produits à effet de levier avec barrière désactivante. Produits non garantis en capital. 2 LES TURBOS 1. Introduction Que sont les Turbos? Les Turbos sont des produits

Plus en détail

Surface de volatilité

Surface de volatilité Surface de volatilité Peter TANKOV Université Paris-Diderot(ParisVII) tankov@math.univ-paris-diderot.fr Dernière m.à.j. February 15, 15 Ce document est mis à disposition sous un contrat Creative Commons

Plus en détail

2- Comment les traders gèrent les risques

2- Comment les traders gèrent les risques 2- Comment les traders gèrent les risques front office middle office back office trading échange d'actifs financiers contrôle des risques, calcul du capital requis enregistrement des opérations traitement

Plus en détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes 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 détail

Table des matières. I Mise à niveau 11. Préface

Table des matières. I Mise à niveau 11. Préface Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3

Plus en détail

Fair Value et Risque de Défaut en Assurance Vie

Fair Value et Risque de Défaut en Assurance Vie Université Catholique de Louvain Institut des Sciences Actuarielles Fair Value et Risque de Défaut en Assurance Vie Mémoire présenté en vue de l obtention du Diplôme d Etudes Spécialisées en Sciences Actuarielles

Plus en détail

LES MARCHÉS DÉRIVÉS DE CHANGE. Finance internationale 9éme ed. Y. Simon & D. Lautier

LES MARCHÉS DÉRIVÉS DE CHANGE. Finance internationale 9éme ed. Y. Simon & D. Lautier LES MARCHÉS DÉRIVÉS DE CHANGE 1 Section 1. Les instruments dérivés de change négociés sur le marché interbancaire Section 2. Les instruments dérivés de change négociés sur les marchés boursiers organisés

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

Les Obligations Convertibles (introduction)

Les Obligations Convertibles (introduction) TROISIEME PARTIE Les Obligations Convertibles (introduction) Avril 2011 Licence Paris Dauphine 2011 Sommaire LES OBLIGATIONS CONVERTIBLES Sect 1 Présentation, définitions Sect 2 Eléments d analyse et typologie

Plus en détail

Calcul et gestion de taux

Calcul et gestion de taux Calcul et gestion de taux Chapitre 1 : la gestion du risque obligataire... 2 1. Caractéristique d une obligation (Bond/ Bund / Gilt)... 2 2. Typologie... 4 3. Cotation d une obligation à taux fixe... 4

Plus en détail

Evaluation des options parlatransformée de Fourier

Evaluation des options parlatransformée de Fourier Evaluation des options parlatransformée de Fourier Bogdan Negrea Juin 00 y Abstract Le modèle de Black et Scholes a pour hypothèse la constance de la volatilité associée à la distribution risque-neutre.

Plus en détail

Méthodes de la gestion indicielle

Méthodes de la gestion indicielle Méthodes de la gestion indicielle La gestion répliquante : Ce type de gestion indicielle peut être mis en œuvre par trois manières, soit par une réplication pure, une réplication synthétique, ou une réplication

Plus en détail

Pratique des produits dérivés P3 : futures, forwards

Pratique des produits dérivés P3 : futures, forwards Pratique des produits dérivés P3 : futures, forwards Olivier Brandouy Université de Bordeaux 2014 2015 Diapo 1/60 Olivier Brandouy Master 2 Métiers de la Banque (CPA) Plan 1 Introduction Futures et Forwards

Plus en détail

Correction du baccalauréat S Liban juin 2007

Correction du baccalauréat S Liban juin 2007 Correction du baccalauréat S Liban juin 07 Exercice. a. Signe de lnx lnx) : on fait un tableau de signes : x 0 e + ln x 0 + + lnx + + 0 lnx lnx) 0 + 0 b. On afx) gx) lnx lnx) lnx lnx). On déduit du tableau

Plus en détail

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé

Baccalauréat 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 détail

table des matières PARtie i introduction Notations courantes... XXIII Les auteurs... XXV Avant-propos... XXVII Remerciements...

table des matières PARtie i introduction Notations courantes... XXIII Les auteurs... XXV Avant-propos... XXVII Remerciements... table des matières Notations courantes............................................................... XXIII Les auteurs......................................................................... XXV Avant-propos.......................................................................

Plus en détail

Estimation et tests statistiques, TD 5. Solutions

Estimation 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 détail

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.

Exercice 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 détail