Probabilités III Introduction à l évaluation d options
|
|
- Lucie Lambert
- il y a 8 ans
- Total affichages :
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 Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en 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 détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailValorisation 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 détailThéorie Financière 8 P. rod i u t its dé dérivés
Théorie Financière 8P 8. Produits dit dérivés déié Objectifsdelasession session 1. Définir les produits dérivés (forward, futures et options (calls et puts) 2. Analyser les flux financiers terminaux 3.
Plus en détailI. 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 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 détailMaster 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 détailTRAVAIL 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 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 détailPropriétés 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 détailOptions, 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 détailDérivés 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 détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailQUESTIONS D ENTRETIENS EN FINANCE DE MARCHE
QUESTIONS D ENTRETIENS EN FINANCE DE MARCHE Le présent document est un recueil de questions, la plupart techniques, posées à des candidats généralement jeunes diplômés, issus d école d ingénieurs, de commerce
Plus en détailMARTINGALES 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 détailCalcul Stochastique pour la finance. Romuald ELIE
Calcul Stochastique pour la finance Romuald ELIE 2 Nota : Ces notes de cours sont librement inspirées de différentes manuels, polycopiés, notes de cours ou ouvrages. Citons en particulier ceux de Francis
Plus en détailMathématiques 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 détailINTRODUCTION 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 détailOptions et Volatilité (introduction)
SECONDE PARTIE Options et Volatilité (introduction) Avril 2013 Licence Paris Dauphine 2013 SECONDE PARTIE Philippe GIORDAN Head of Investment Consulting +377 92 16 55 65 philippe.giordan@kblmonaco.com
Plus en détailRésumé... 9... 10... 10... 10
Bibliographie 1 Table des matières Table des matières.................................... 3 Résumé............................................ 9........................................ 10........................................
Plus en détailPrix 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 détailCouverture 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 détailEstimation du coût de l incessibilité des BSA
Estimation du coût de l incessibilité des BSA Jean-Michel Moinade Oddo Corporate Finance 22 Juin 2012 Incessibilité des BSA Pas de méthode académique reconnue Plusieurs méthodes «pratiques», dont une usuelle
Plus en détailIntroduction 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 détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détailERRATA 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 détailPROJET MODELE DE TAUX
MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh
Plus en 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 détailProduits 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 détailOptions 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 détailIntroduction 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 détailIntroduction 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 détailPratique 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 détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
Plus en détailCapital 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 détailCalibration de Modèles et Couverture de Produits Dérivés
Calibration de Modèles et Couverture de Produits Dérivés Peter TANKOV Université Paris VII tankov@math.jussieu.fr Edition 28, dernière m.à.j. le 1 mars 28 La dernière version de ce document est disponible
Plus en détailLes 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 détailLISTE 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 détailNOTICE 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 détailCalculating Greeks by Monte Carlo simulation
Calculating Greeks by Monte Carlo simulation Filière mathématiques financières Projet de spécialité Basile Voisin, Xavier Milhaud Encadré par Mme Ying Jiao ENSIMAG - Mai-Juin 27 able des matières 1 Remerciements
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailTP 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 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 détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailCalibration de modèles et couverture de produits dérivés
Calibration de modèles et couverture de produits dérivés Peter Tankov To cite this version: Peter Tankov. Calibration de modèles et couverture de produits dérivés. DEA. Calibration de modèles et couverture
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en 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 détail3. 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 détailLES 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 détailPrésentation 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 détailPROBABILITES 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 détailQu 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 détailManuel d Utilisateur - Logiciel ModAFi. Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO
Manuel d Utilisateur - Logiciel ModAFi Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO Grenoble, 12 juin 2012 Table des matières 1 Introduction 3 2 Modèles supportés 3 2.1 Les diérents modèles supportés pour
Plus en détailThéorie 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 détailContribution 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 détailRapport de projet Risque de Crédit, Risque de Défaut : Étude de l influence du taux de recouvrement sur le prix de CDOs.
Rapport de projet Risque de Crédit, Risque de Défaut : Étude de l influence du taux de recouvrement sur le prix de CDOs. Auteurs : Hecht Frédéric, Porzier Rémi, Font Guillaume Cours «Risque de Crédit,
Plus en détailIntroduction 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 détailFIMA, 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 détailCARACTERISTIQUES 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 détailMATHÉMATIQUES ET APPLICATIONS
MASTER 2 ème ANNÉE MATHÉMATIQUES ET APPLICATIONS Parcours Mathématiques du Risque et Actuariat ANNÉE UNIVERSITAIRE 2015 2016 1 PRESENTATION Le Master 2 Mathématiques du Risque et Actuariat a pour objectif
Plus en détailLe 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 détailTexte 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 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 détailLoi 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 détailDérivés 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 détailL 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 détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en 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 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 détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailConstruction 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 détailGénération 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 détailPetite 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 détailSimulation 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 détailModèles 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 détailun 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 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 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 détailTURBOS 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 détailSurface de volatilité
Surface de volatilité Peter TANKOV Université Paris-Diderot(ParisVII) tankov@math.univ-paris-diderot.fr Dernière m.à.j. February 15, 15 Ce document est mis à disposition sous un contrat Creative Commons
Plus en détail2- 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 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 détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailFair 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 détailLES 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 détailEspérance 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 détailLes 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 détailCalcul 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 détailEvaluation 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 détailMéthodes 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 détailPratique 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 détailCorrection 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 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 détailtable 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 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 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 détail