Un problème d allocation optimale de portefeuille avec coûts de transaction
|
|
- Ghislain Grégoire
- il y a 7 ans
- Total affichages :
Transcription
1 1/31 Un problème d allocation avec coûts de transaction Université Montesquieu Bordeaux IV CHRISTOPHETTE BLANCHET (Université de Nice) RAJNA GIBSON (Université de Zurich) ETIENNE TANRÉ et DENIS TALAY (INRIA Sophia Antipolis) Journées Bordeaux-Pau-Toulouse septembre 2006
2 Plan 2/31 1 au contrôle stochastique 2 3 de travail 4 Etude de la fonction
3 Plan 3/31 1 au contrôle stochastique 2 3 de travail 4 Etude de la fonction
4 Contrôle Stochastique 4/31 Variable d état du système W t évoluant suivant une dynamique probabiliste Processus de contrôle π t valeur choisie à tout instant en fonction de l information disponible : adapté influence la dynamique de W t Critère de performance J(W, π) à maximiser V = sup J(W, π) π Objectif Déterminer la fonction valeur Trouver un contrôle optimal (s il en existe)
5 Contrôle Stochastique 4/31 Variable d état du système W t évoluant suivant une dynamique probabiliste Processus de contrôle π t valeur choisie à tout instant en fonction de l information disponible : adapté influence la dynamique de W t Critère de performance J(W, π) à maximiser V = sup J(W, π) π Objectif Déterminer la fonction valeur Trouver un contrôle optimal (s il en existe)
6 Contrôle Stochastique 4/31 Variable d état du système W t évoluant suivant une dynamique probabiliste Processus de contrôle π t valeur choisie à tout instant en fonction de l information disponible : adapté influence la dynamique de W t Critère de performance J(W, π) à maximiser V = sup J(W, π) π Objectif Déterminer la fonction valeur Trouver un contrôle optimal (s il en existe)
7 Contrôle Stochastique 4/31 Variable d état du système W t évoluant suivant une dynamique probabiliste Processus de contrôle π t valeur choisie à tout instant en fonction de l information disponible : adapté influence la dynamique de W t Critère de performance J(W, π) à maximiser V = sup J(W, π) π Objectif Déterminer la fonction valeur Trouver un contrôle optimal (s il en existe)
8 Exemple : le problème de Merton Formulation I 5/31 Marché : Actif sans risque Actif risqué dst 0 = St 0rdt ds t = µs t dt + σs t db t Etat : richesse W t = N t S t + N 0 t ds0 t Contrôle : proportion de la richesse investie dans l actif risqué π t = N t S t W t [0; 1] Dynamique auto-financée : dw π t dw π t W π t = N ts t W π t = π t ds t S t ds t S t = N t ds t + N 0 t ds0 t + N0 t S0 t W π t dst 0 St 0 + (1 π t ) ds0 t S 0 t = ( π t µ + (1 π t )r ) dt + π t σdb t
9 Exemple : le problème de Merton Formulation II 6/31 Critère : espérance de l utilité de la richesse terminale U(x) = x α, 0 < α < 1 valeur V (t, x) = sup E[U(W t,x,π T )] π Objectif Déterminer la fonction valeur Trouver un contrôle optimal (s il en existe)
10 Exemple : le problème de Merton Equation d Hamilton-Jacobi-Bellman 7/31 Equation d Hamilton-Jacobi-Bellman Φ (t, x) + sup L p Φ(t, x) t p [0;1] = 0 Φ(T, x) = U(x) = x α L p Φ(t, x) = x ( pµ + (1 p)r ) Φ x (t, x) σ2 p 2 x 2 2 Φ (t, x) x 2 Comme U(W t,x,π T ) = U(xW t,1,π T ) = x α U(W t,1,π T ), on cherche une solution de la forme Φ(t, x) = x α ϕ(t) 0 = ϕ (t) + ϕ(t) sup {α ( pµ + (1 p)r ) + p [0;1] 1 = ϕ(t ) α(α 1) p 2 σ 2 } 2
11 Exemple : le problème de Merton Résolution de HJB 8/31 Solution avec Φ(t, x) = x α β(t t) e β = sup {α ( pµ + (1 p)r ) + p [0;1] = αr + α(µ r)2 2(1 α)σ 2 α(α 1) p 2 σ 2 } 2 atteint en p = µ r (1 α)σ 2
12 Exemple : le problème de Merton Interprétation de HJB 9/31 Formule d Itô pour Φ entre t et T : T ( Φ(T, W t,x,π Φ T ) = Φ(t, x) + t u + Lπu Φ + martingale U(W t,x,π T ) Φ(t, x) + T + martingale Φ(t, x) + martingale t ) (u, W t,x,π u ( Φ ) u + sup L p Φ p [0;1] )du (u, W t,x,π u )du Donc avec égalité lorsque π u = p, Φ(t, x) E[U(W t,x,π T )] t u T
13 Exemple : le problème de Merton Conclusion 10/31 Conclusion V (t, x) = x α eβ(t t) Contrôle optimal constant π u = µ r (1 α)σ 2 V est solution de l équation d Hamilton Jacobi Bellman
14 Exemple : le problème de Merton Conclusion 10/31 Conclusion V (t, x) = x α eβ(t t) Contrôle optimal constant π u = µ r (1 α)σ 2 V est solution de l équation d Hamilton Jacobi Bellman
15 Plan 11/31 1 au contrôle stochastique 2 3 de travail 4 Etude de la fonction
16 12/31 Investissement Approche fondamentale principes économiques Analyse technique comportement passé des prix Approche mathématique modèles mathématiques Objectif Comparer les performances de l analyse technique et de l approche mathématique
17 Modélisation 13/31 Marché : Actif sans risque Actif risqué B mouvement Brownien standard, µ(t) {µ 1, µ 2 } indépendant de B, dst 0 = St 0rdt ds t = µ(t)s t dt + σs t db t contrôle π t {0, 1} proportion de la richesse investie dans l actif risqué état Wt π richesse correspondant à la stratégie π critère espérance de l utilité de la richesse finale Objectif Maximiser l espérance de l utilité de la richesse finale
18 Stratégie de l analyste technique 14/31 Moyenne mobile M δ t = 1 δ t t δ S u du Si S t > M δ t Si S t < M δ t Optimiser achat vente la taille de la fenêtre δ les instants de décision Stock Moving average µ 1 = 0.2, µ 2 = 0.2, σ = 0.15, δ = 0.8.
19 Travaux précédents Modèle 15/31 BLANCHET, DIOP, GIBSON, KAMINSKI, TALAY, TANRÉ (2005) Un seul changement de dérive µ(t) = µ 1 si t < τ µ(t) = µ 2 si t τ avec P(τ > t) = e λt Stratégie détecter τ µ 1 = 0.2, µ 2 = 0.2, σ = 0.15, λ = 2.
20 Travaux précédents 16/31 Etude théorique de la fonction valeur Etude théorique de la détection de rupture Comparaisons des stratégies détection bien calibrée détection mal calibrée moyenne mobile Conclusion Moyenne mobile meilleure si paramètres mal calibrés Taux d erreur à partir duquel c est vrai
21 Plan 17/31 1 au contrôle stochastique 2 3 de travail 4 Etude de la fonction
22 Nouveau modèle 18/31 Plusieurs changements de dérive (ξ 2n+1 ) iid Exp(λ 1 ) (ξ 2n ) iid Exp(λ 2 ) τ 0 = 0, τ n = ξ ξ n { µ1 if τ µ(t) = 2n t < τ 2n+1 µ 2 if τ 2n+1 t < τ 2n+2 Coûts de transaction g 01 coût d achat g 10 coût de vente µ 1 = 0.2, µ 2 = 0.2, σ = 0.15, λ 1 = λ 2 = 2.
23 Stratégies admissibles 19/31 Contrôle : π t {0, 1} proportion de la richesse investie dans l actif risqué F S t = σ(s u, u t) π t doit être F S t -adapté Problème F S t F B t = σ(b u, u t) = Reformuler le problème de contrôle
24 Nouvelle formulation 20/31 Contrôle : π t Etat : couple (W t, F t ) Dynamique : dw π t W π t = ( π t (µ 1 F t + µ 2 (1 F t )) + (1 π t )r ) dt + π t σd B t g 01 δ( π t = 1) g 10 δ( π t = 1) df t = ( λ 1 F t + λ 2 (1 F t ) ) dt + µ 1 µ 2 F t (1 F t )d σ B t, Critère : espérance de l utilité de la richesse finale Utilité : U(x) = x α, α ]0, 1[
25 Nouvelle formulation 20/31 Contrôle : π t Etat : couple (W t, F t ) Dynamique : dw π t W π t = ( π t (µ 1 F t + µ 2 (1 F t )) + (1 π t )r ) dt + π t σd B t g 01 δ( π t = 1) g 10 δ( π t = 1) df t = ( λ 1 F t + λ 2 (1 F t ) ) dt + µ 1 µ 2 F t (1 F t )d σ B t, Critère : espérance de l utilité de la richesse finale Utilité : U(x) = x α, α ]0, 1[
26 Nouvelle formulation 20/31 Contrôle : π t Etat : couple (W t, F t ) Dynamique : dw π t W π t = ( π t (µ 1 F t + µ 2 (1 F t )) + (1 π t )r ) dt + π t σd B t g 01 δ( π t = 1) g 10 δ( π t = 1) df t = ( λ 1 F t + λ 2 (1 F t ) ) dt + µ 1 µ 2 F t (1 F t )d σ B t, Critère : espérance de l utilité de la richesse finale Utilité : U(x) = x α, α ]0, 1[
27 Plan 21/31 1 au contrôle stochastique 2 3 de travail 4 Etude de la fonction
28 Définition 22/31 Si π t = 0 Si π t = 1 J 0 (t, x, f, π) = E[U(W π T ) W π t = x, F t = f ] J 1 (t, x, f, π) = E[U(W π T ) W π t = x, F t = f ] valeur V 0 (t, x, f ) = sup J 0 (t, x, f, π) π V 1 (t, x, f ) = sup J 1 (t, x, f, π) π
29 Régularité 23/31 Comparaison Continuité Pour tous i {0; 1} 0 t,ˆt T x, ˆx > 0 0 f,ˆf 1 : V i (ˆt, ˆx,ˆf ) V i (t, x, f ) V 0 (t, x, f ) V 1 (t, (1 g 01 )x, f ) V 1 (t, x, f ) V 0 (t, (1 g 10 )x, f ) C(1 + x α 1 + ˆx α 1 ) ( ˆx x + x( ˆf f + ˆt t 1/2 ) )
30 Principe de la Programmation Dynamique 24/31 Principe de la Programmation Dynamique Pour tous 0 s t T et x, f, i : V i (s, x, f ) = sup π E[V π t (t, W s,x,f,π t, F s,f t )]
31 Equations d Hamilton Jacobi Bellman 25/31 Equations d Hamilton Jacobi Bellman { min { ϕ0 t L 0 ϕ 0 ; ϕ 0 (t, x, f ) ϕ 1 (t, x(1 g 01 ), f ) } = 0 min { ϕ1 t L 1 ϕ 1 ; ϕ 1 (t, x, f ) ϕ 0 (t, x(1 g 10 ), f ) } = 0 L 0 ϕ(t, x, f ) = xr ϕ x (t, x, f ) + ` ϕ λ 1 f + λ 2 (1 f ) (t, x, f ) + f 1 µ1 µ 2 2f 2 (1 f ) 2 2 ϕ (t, x, f ) 2 σ f 2 L 1 ϕ(t, x, f ) = x(µ 1 f + µ 2 (1 f )) ϕ x (t, x, f ) x 2 σ 2 2 ϕ (t, x, f ) x 2 ϕ +` λ 1 f + λ 2 (1 f ) f (t, x, f ) + x(µ 1 µ 2 )f (1 f ) 2 ϕ (t, x, f ) x f + 1 µ1 µ 2 2f 2 (1 f ) 2 2 ϕ (t, x, f ) 2 σ f 2
32 Caractérisation de la fonction valeur 26/31 V α : ensemble des ϕ continues sur [0; T ] [0; + [ [0; 1] telles que ϕ(t, 0, f ) = 0 et ϕ(t, x, f ) ϕ(t, ˆx,ˆf ) sup [0;T ] ]0;+ [ 2 [0;1] 2 (1 + x α 1 + ˆx α 1 )( x ˆx + x f ˆf ) <. Théorème (V 0, V 1 ) est l unique solution de viscosité de HJB sur V α V α vérifiant V 0 (T, x, f ) = V 1 (T, x, f ) = U(x) = x α
33 Discrétisation 27/31 Dépendance en x : V i (t, x, f ) = sup π t,x,f,π E[U(WT )] = x α V i (t, 1, f ) Schéma numérique ˆV 0 (T, f ) = ˆV 1 (T, f ) = 1 Avec la partie EDP de HJB, calculer V 0 (t, ) et V 1 (t, ) à partir de ˆV 0 (t + dt, ) et ˆV 1 (t + dt, ) Comparaison si V 0 (t, f ) (1 g 01 ) α V 1 (t, f ), prendre ˆV 0 (t, f ) = V 0 (t, f ) sinon ˆV 0 (t, f ) = (1 g 01 ) α V 1 (t, f ) si V 1 (t, f ) (1 g 10 ) α V 0 (t, f ), prendre ˆV 1 (t, f ) = V 1 (t, f ) sinon ˆV 1 (t, f ) = (1 g 10 ) α V 0 (t, f )
34 Discrétisation 27/31 Dépendance en x : V i (t, x, f ) = sup π t,x,f,π E[U(WT )] = x α V i (t, 1, f ) Schéma numérique ˆV 0 (T, f ) = ˆV 1 (T, f ) = 1 Avec la partie EDP de HJB, calculer V 0 (t, ) et V 1 (t, ) à partir de ˆV 0 (t + dt, ) et ˆV 1 (t + dt, ) Comparaison si V 0 (t, f ) (1 g 01 ) α V 1 (t, f ), prendre ˆV 0 (t, f ) = V 0 (t, f ) sinon ˆV 0 (t, f ) = (1 g 01 ) α V 1 (t, f ) si V 1 (t, f ) (1 g 10 ) α V 0 (t, f ), prendre ˆV 1 (t, f ) = V 1 (t, f ) sinon ˆV 1 (t, f ) = (1 g 10 ) α V 0 (t, f )
35 Discrétisation 27/31 Dépendance en x : V i (t, x, f ) = sup π t,x,f,π E[U(WT )] = x α V i (t, 1, f ) Schéma numérique ˆV 0 (T, f ) = ˆV 1 (T, f ) = 1 Avec la partie EDP de HJB, calculer V 0 (t, ) et V 1 (t, ) à partir de ˆV 0 (t + dt, ) et ˆV 1 (t + dt, ) Comparaison si V 0 (t, f ) (1 g 01 ) α V 1 (t, f ), prendre ˆV 0 (t, f ) = V 0 (t, f ) sinon ˆV 0 (t, f ) = (1 g 01 ) α V 1 (t, f ) si V 1 (t, f ) (1 g 10 ) α V 0 (t, f ), prendre ˆV 1 (t, f ) = V 1 (t, f ) sinon ˆV 1 (t, f ) = (1 g 10 ) α V 0 (t, f )
36 valeur V 0 Tracé 28/31 Paramètres : T = 3, µ 2 = µ 1 = 0.2, λ 1 = λ 2 = 2, σ = 0.15, g 01 = g 10 = V(t,f) optional projection time
37 Stratégie efficace 29/31 Calculer ˆV 0, ˆV 1 Estimer ˆF t Comparer ˆV 0 (t, ˆF t ) et ˆV 1 (t, ˆF t ) : achat si ˆV 0 (t, ˆF t ) = (1 g 01 ) α ˆV 1 (t, ˆF t ) vente si ˆV 1 (t, ˆF t ) = (1 g 10 ) α ˆV 0 (t, ˆF t ) buying zone selling zone Estimated F µ 1 = 0.2, µ 2 = 0.2, σ = 0.15, λ 1 = 2, λ 2 = 2, T = 3
38 Comparaison stratégie efficace/ fonction valeur 30/31 Calcul de la fonction valeur : pas de discrétisation en temps 10 6 pas de discrétisation en espace simulations de Monte Carlo de la stratégie efficace F ˆV Stratégie F ˆV Stratégie
39 Comparaison stratégie mal calibrée / Moyenne mobile 31/ Efficient Strategy Misspecified Efficient Strategy Moving Average Strategy Paramètres mal calibrés : µ 1 = 1.8, µ 2 = 1.8, σ = 0.15, λ 1 = 4, λ 2 = Efficient Strategy Misspecified Efficient Strategy Moving Average Strategy Paramètres mal calibrés : µ 1 = 1.8, µ 2 = 1.8, σ = 0.25, λ 1 = 4, λ 2 = 4 Vrais paramètres : µ 1 = 0.2, µ 2 = 0.2, σ = 0.15, λ 1 = 2, λ 2 = 2, T = 3, δ = simulations Monte Carlo
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 détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en 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 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 détailRésumé... 9... 10... 10... 10
Bibliographie 1 Table des matières Table des matières.................................... 3 Résumé............................................ 9........................................ 10........................................
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 détailDécomposition de Föllmer-Schweizer. explicite d un passif d assurance vie. au moyen du calcul de Malliavin
Décomposition de Föllmer-Schweizer explicite d un passif d assurance vie au moyen du calcul de Malliavin Mémoire présenté par Sébastien de Valeriola en vue de l obtention du master en sciences actuarielles
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 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 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 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 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 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 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 détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en 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 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 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 détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
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 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 détailUNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP250-97157 Pointe-à-Pitre Cedex CONTRAT 2010-2013 LE MASTER NOM DU DOMAINE STS
UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP20-9717 Pointe-à-Pitre Cedex CONTRAT 2010-201 LE MASTER NOM DU DOMAINE STS Mention : Mathématiques Implantation : Guadeloupe FICHES DESCRIPTIVES
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
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 détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
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 détailCapital Structure Arbitrage : Theory and Practice of Structural Models
: Theory and Practice of Structural Models Pierre GARREAU University Paris-1 Panthéon Sorbonne 9 Juillet 2008 P. Garreau Press Review Les Enjeux Mise en Bouche Définitions Press Review Volkswagen, Europe
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 détailGestion stratégique d un fonds de pension en temps continu
Gestion stratégique d un fonds de pension en temps continu - Mohamed TALFI (Université Lyon 1, Laboratoire SAF) 2008.4 (WP 2048) Laboratoire SAF 50 Avenue Tony Garnier - 69366 Lyon cedex 07 http://www.isfa.fr/la_recherche
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 détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
Plus en détailESSEC Cours Wealth management
ESSEC Cours Wealth management Séance 9 Gestion de patrimoine : théories économiques et études empiriques François Longin 1 www.longin.fr Plan de la séance 9 Epargne et patrimoine des ménages Analyse macroéconomique
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 détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailDIPLOME D'ETUDES APPROFONDIES EN ECONOMIE ET FINANCE THEORIE DES MARCHES FINANCIERS. Semestre d hiver 2001-2002
Département d économie politique DIPLOME D'ETUDES APPROFONDIES EN ECONOMIE ET FINANCE THEORIE DES MARCHES FINANCIERS Semestre d hiver 2001-2002 Professeurs Marc Chesney et François Quittard-Pinon Séance
Plus en détailCours de gestion des risques d assurances et de théorie de la ruine. Stéphane Loisel
Cours de gestion des risques d assurances et de théorie de la ruine Stéphane Loisel ISFA, 2005-2006 Table des matières I Modélisation de la charge sinistre : du modèle individuel au modèle collectif 5
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 détailModélisation de séries financières par un modèle multifractal. Céline Azizieh
Modélisation de séries financières par un modèle multifractal Céline Azizieh Mémoire présenté à l Université Libre de Bruxelles en vue d obtenir le diplôme d actuaire Supervision: W. Breymann (RiskLab,
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailModèles de prix non-gaussiens pour les marchés de l énergie. Marie Bernhart
Modèles de prix non-gaussiens pour les marchés de l énergie Un modèle de prix par processus de Lévy de type NIG Marie Bernhart EDF R&D, OSIRIS, Gestion des Risques Marchés et Valorisation ENPC, 27 février
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
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 détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
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 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 détailMéthodes d approximation numérique pour le pricing des options vanilles et asiatiques dans le modèle de Heston de volatilité stochastique
Méthodes d approximation numérique pour le pricing des options vanilles et asiatiques dans le modèle de Heston de volatilité stochastique Najed Ksouri To cite this version: Najed Ksouri. Méthodes d approximation
Plus en 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 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 détailCompression Compression par dictionnaires
Compression Compression par dictionnaires E. Jeandel Emmanuel.Jeandel at lif.univ-mrs.fr E. Jeandel, Lif CompressionCompression par dictionnaires 1/25 Compression par dictionnaire Principe : Avoir une
Plus en détailMémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.
Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY
Plus en détailL E Ç O N. Marches aléatoires. Niveau : Terminale S Prérequis : aucun
9 L E Ç O N Marches aléatoires Niveau : Terminale S Prérequis : aucun 1 Chaînes de Markov Définition 9.1 Chaîne de Markov I Une chaîne de Markov est une suite de variables aléatoires (X n, n N) qui permet
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
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 détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailRO04/TI07 - Optimisation non-linéaire
RO04/TI07 - Optimisation non-linéaire Stéphane Mottelet Université de Technologie de Compiègne Printemps 2003 I Motivations et notions fondamentales 4 I1 Motivations 5 I2 Formes quadratiques 13 I3 Rappels
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 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 détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
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 détailIntégrales doubles et triples - M
Intégrales s et - fournie@mip.ups-tlse.fr 1/27 - Intégrales (rappel) Rappels Approximation éfinition : Intégrale définie Soit f définie continue sur I = [a, b] telle que f (x) > 3 2.5 2 1.5 1.5.5 1 1.5
Plus en détailIntroduction à l analyse numérique : exemple du cloud computing
Introduction à l analyse numérique : exemple du cloud computing Tony FEVRIER Aujourd hui! Table des matières 1 Equations aux dérivées partielles et modélisation Equation différentielle et modélisation
Plus en détailCours de Calcul stochastique Master 2IF EVRY. Monique Jeanblanc
Cours de Calcul stochastique Master 2IF EVRY Monique Jeanblanc Septembre 26 2 Contents 1 Généralités 7 1.1 Tribu............................................... 7 1.1.1 Définition d une tribu.................................
Plus en détailSEO Campus 2009 : Pagerank et optimisation
SEO Campus 2009 : Pagerank et optimisation Sylvain Peyronnet http://sylvain.berbiqui.org http://www.kriblogs.com/syp 04/02/2009 04/02/2009 SEO Campus 2009 : Pagerank et optimisation 1 / 21 PageRank : la
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailTravail en collaboration avec F.Roueff M.S.Taqqu C.Tudor
Paramètre de longue mémoire d une série temporelle : le cas non linéaire Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor Notion de longue mémoire Les valeurs d une série temporelle X = (X l )
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en 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 détail0DWKpPDWLTXHVGHO DUJHQW. édité par Mr. G.Moumoulidis (OTE)
3/$,78'RF) 0DWKpPDWTXHVGHO DUJHQW HW OHVpWXGHVWHFKQTXHVpFRQRPTXHV édité par Mr. G.Moumoulidis (OTE) 8,2,7(5$7,2$/('(67(/(&2008,&$7,26,7(5$7,2$/7(/(&2008,&$7,28,2 8,2,7(5$&,2$/'(7(/(&208,&$&,2(6 - - 0DWKpPDWTXHVGHO
Plus en détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Plus en détailCircuits RL et RC. Chapitre 5. 5.1 Inductance
Chapitre 5 Circuits RL et RC Ce chapitre présente les deux autres éléments linéaires des circuits électriques : l inductance et la capacitance. On verra le comportement de ces deux éléments, et ensuite
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 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 détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
Plus en détailApproximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
Plus en détailFonctions holomorphes
Université Joseph Fourier, Grenoble Maths en Ligne Fonctions holomorphes Christine Laurent-Thiébaut Ceci est le second volet de l étude des fonctions d une variable complexe, faisant suite au chapitre
Plus en détailExamen optimisation Centrale Marseille (2008) et SupGalilee (2008)
Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut
Plus en détailGénération de signaux multifractals possédant une structure de branchement sous-jacente.
1 / 64 Génération de signaux multifractals possédant une structure de branchement sous-jacente. Geoffrey Decrouez Cotutelle Internationale de Thèse préparée au Gipsa-Lab et à l Université de Melbourne
Plus en détailApproximation diophantienne uniforme et dimension de Hausdorff
Approximation diophantienne uniforme et dimension de Hausdorff Lingmin LIAO Travaux en collaboration avec Yann Bugeaud, Dong Han Kim et Micha l Rams Université Paris-Est Créteil Séminaire de Probabilités
Plus en détailUNIVERSITÉ DE PICARDIE JULES VERNE THÈSE D HABILITATION À DIRIGER DES RECHERCHES
UNIVERSITÉ DE PICARDIE JULES VERNE THÈSE D HABILITATION À DIRIGER DES RECHERCHES Spécialité : Mathématiques Analyse de Quelques Problèmes Elliptiques et Paraboliques non Linéaires Dégénérés : Existence,
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailINGÉNIERIE STATISTIQUE ET FINANCIÈRE
R E S E A R C H UNIVERSITY INGÉNIERIE STATISTIQUE ET FINANCIÈRE MATHÉMATIQUES APPLIQUÉES Formation en apprentissage Parcours Modélisation et Analyse Statistique Parcours Quantification des Risques Financiers
Plus en détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
Plus en détailProbabilités avancées. Florin Avram
Probabilités avancées Florin Avram 24 janvier 2014 Table des matières 1 Mise en scène discrète 3 1.1 Espace des épreuves/résultats possibles, événements, espace probabilisé, mesure de probabilités, variables
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 détailNotes de cours Statistique avec le logiciel R
Notes de cours Statistique avec le logiciel R Shuyan LIU Shuyan.Liu@univ-paris1.fr http ://samm.univ-paris1.fr/shuyan-liu-enseignement Année 2013-2014 Chapitre 1 Introduction L objectif de ce cours est
Plus en détailRisque de défaut - Risque de crédit. Ecole Nationale des Ponts et Chausses
1 Risque de défaut - Risque de crédit Ecole Nationale des Ponts et Chausses Vivien BRUNEL - Benoît ROGER This version: September 23, 2009 2 Introduction Ces notes de cours représentent le support de cours
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 détailModule 7: Chaînes de Markov à temps continu
Module 7: Chaînes de Markov à temps continu Patrick Thiran 1 Introduction aux chaînes de Markov à temps continu 1.1 (Première) définition Ce module est consacré aux processus à temps continu {X(t), t R
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailMathématiques et finance
Mathématiques et finance Emmanuel Gobet (1) Gilles Pagès (2) Marc Yor (3) (1) Ensimag-INP Grenoble Laboratoire de Modélisation et Calcul UMR 5523. E-mail :emmanuel.gobet@imag.fr (2) Laboratoire de Probabilités
Plus en détailجامعة باجي مختار عنابة
6Bوزارة التعليم العالي والبحث العلمي Université Badji Mokhtar Annaba Badji Mokhtar University - Annaba 4BFaculté des Sciences 0BDépartement de Mathématiques جامعة باجي مختار عنابة 5BAnnée : 2012/2013 1BTHÈSE
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 détail