APPLICATION DES MODELES A
|
|
- Angèle Paquette
- il y a 7 ans
- Total affichages :
Transcription
1 APPLICATION DES MODELES A CHANGEMENT DE REGIME SUR L INDICE S&P 500 Luis Macavilca Taylan Kunal S&P500 Index VIX Yannick Le Pen Janvier 2012
2 Sommaire I. Introduction II. Analyse de la série III. Modélisation ARMA IV. Estimation des modèles non linéaires 1. Threshold autoregressif (TAR) 2. Self-Exciting Threshold AutoRegressive (SETAR) 3. Smooth Threshold autoregressif (STAR) 4. Tests de non linéarité V. Estimation d un modèle à changement de régime de Markov
3 I. INTRODUCTION L'incertitude qui entoure l'accord budgétaire européen et la peur d une récession mondiale ont maintenu une forte volatilité sur les marchés américains et une baisse des principaux indices boursiers européens. L'indice S&P 500, référence des gérants de fonds, a reculé d'environ 3% depuis le début Ici dans le cadre des séries temporelles financières, la modélisation par des équations linéaires peut s avérer insuffisante. En fait l introduction des modèles non linéaires permet de définir le comportement notre série en tenant compte des valeurs passées de la série et d analyser les effets de seuil («Threshold effect»). Les modèles qui étudient ce phénomène sont connus sous le nom de modèle à changement régime. A cette fin, nous allons modéliser l indice S&P 500 au moyen des modèles à changement de régime de type TAR, STAR et des modèles à changement de régime Markovien afin de reproduire la non-linéarité présente en moyenne tout en utilisant des outils statistiques et des tests économétriques récents en vue d examiner la dynamique des cours boursiers à court-terme.
4 II. ANALYSE DE LA SERIE a) Données Les données de l indice S&P 500 ont été extraites du site Yahoo finance. Les cours de l indice ont été ajustées à la clôture des marchés afin de permettre une comparaison dans le temps. Les données sont hebdomadaires (4 à 5 données par mois) allant du 2 Janvier 2002 au 19 décembre 2011 soit un total de 521 observations. Tout au long de ce projet nous allons réaliser des tests statistiques. Nous avons fixé un seuil de confiance de 95%. b) Etude Graphique Graphique de l indice S&P 500 Le graphique de notre série fait ressortir des tendances haussières et baissières. Il semblerait que cette série soit non stationnaire. En effet la moyenne et la variance ne sont pas constantes pour tout intervalle de temps donné. Par ailleurs nous pouvons remarquer que la série connait des chocs stochastiques qui s accumulent au cours du temps ce qui augmentent la variance du processus au fur et à mesure que le temps passe. Il est toujours nécessaire de tester l hypothèse de stationnarité ou de non stationnarité par un test adapté que nous verrons par la suite. Nous avons calculé le rendement logarithmique de notre série yt : y t = log(p t /p t-1 )
5 Correlogramme S&P 500 Le corrélogramme de la série nous montre que a série est caractérisé par un processus non stationnaire. En fait, les termes du corrélogramme décroissent très faiblement. Les séries non stationnaires connaissent ce phénomène. Par ailleurs la fonction d autocorrélation partielle (PAC) indique le coefficient d autocorrélation entre le cours de l indice à un instant donné en fonction d un cours passé sans tenir compte de l influence des autres cours précédents. Ici nous pouvons voir que seul le premier terme est significativement différent de zéro (l intervalle de confiance est stylisé par les pointillés).
6 Graphique des Rendements de S&P 500 Le graphique des rendements nous laisse présager que les rendements de l indice S&P 500 sont stationnaires. Correlogramme rendement S&P 500 Nous constatons dans le corrélogramme que tous les termes sont dans l intervalle de confiance et que la probabilité critique de la statistique de Ljung-Box est pour presque tous les retards, supérieurs à 5% Par conséquent nous acceptions l hypothèse nulle. Les rendements sont bien stationnaires.
7 Statistiques descriptives Du 02 Janvier 2002 au 27/12/2011 le rendement moyen a été de % avec une dispersion autour de la moyenne de 2.69%. Pendant cette période le rendement le plus haut a été de % et le plus bas de -20%. Le rendement a été autant de temps en dessous des % qu au dessus. Le coefficient d asymétrie (Skewness) est négatif égal à ce qu indique que la partie gauche de la distribution de la fonction de densité est légèrement supérieure à celle de droite. Un Skewness égal à zéro représente une distribution strictement symétrique comme la loi normale. Le kurtosis permet de connaitre le niveau d aplatissement d une densité, ici il est égal à Le kurtosis d une loi normale est de 3 donc ici nous ne pouvons pas conclure que cette série à une distribution normale. Néanmoins le test de Jarque-Bera va nous permettre de déterminer si notre série suit une loi normale. Ici la statistique de test JB=1205 et elle suit une loi de Chi-deux à 2 degré de liberté. X (2) < JB, par ailleurs la p-value est très en dessous de notre marge d erreur de 5%. Par conséquent nous n acceptons pas l hypothèse nulle : nos données ne sont pas gaussiennes.
8 c) Test de stationnarité Les tests d ADF, Phillips Perron et KPSS nous confirment notre intuition, les rendements de l indice S&P 500 n ont pas de racine unitaire, ils sont donc bien stationnaires.
9 III. ESTIMATION DU MODELE ARMA a) Estimation du modèle linéaire Nous avons estimé 3 modèles linéaire AR, les ordres 1 et 2 ne semblent pas significatifs (les t- Statistique sont inférieurs à 1.96 en valeur absolue). Seulement l AR (3) est significatif, nous allons donc analyser ses résidus.
10 b) Analyse des résidus Correlogramme des résidus AR (3) Nous pouvons observer ici que les p-values associées aux statistiques de Ljung-Box sont supérieures à 5%. Nous pouvons donc accepter l hypothèse d absence d autocorrélation des résidus.
11 Correlogramme des résidus au carré AR(3) Le corrélogramme des résidus au carré montre que les résidus sont hétéroscédastiques. En fait tous les p-values sont inférieures à 5% nous concluons que les résidus sont hétéroscédastiques.
12 c) Test de ARCH Le test ARCH nous confirme cela, nous pouvons donc conclure que nos résidus sont hétéroscédastiques mais non autocorréles. Ce ne sont pas des bruits blancs. Nous pouvons conclure que les rendements de l indice S&P 500 est une marché aléatoire hétéroscedastique. d) Test de Ramsey Ce test va nous permettre d estimer les paramètres de notre modèle linéaire AR(3). Il va nous dire si notre modèle est bien spécifiée (hypothèse nulle). Nous constatons ici que les p-values associées à la F-stat et Log likehood ratios sont inférieures à 5%. Nous rejetons l hypothèse, nulle notre modèle linéaire est mal spécifié. Nous pouvons supposer que pour notre série, un modèle à changement de régime pourrait convenir davantage.
13 e) Tests de stabilité des paramètres Ce test permet d étudier la stabilité du modèle estimé au cours du temps.il y a un lien entre la stabilité des paramètres et la linéarité d un modèle. Il existe deux versions de ce test : le CUSUM fondé sur la somme cumulée des résidus récursifs et le CUSUM Square fondé sur la somme cumulée du carré des résidus récursifs. Test Cumulative Sum of Residual (CUSUM) Nous constatons ci-dessous que les résidus récursifs (en bleu) sont très proches de zéro, il est largement à l intérieur de l intervalle de confiance (en rouge). Nous pouvons donc conclure qu il n y a pas d instabilité des paramètres dans le temps. Test CUSUM Square Ce test permet de détecter une instabilité dans la volatilité des résidus. Il est fondé sur la somme cumulée du carré des résidus récursifs. Lorsque la courbe en trait plein traverse une des deux lignes en pointillés, la variance résiduelle n est pas instable au seuil de 5%
14 Récursive Residuals Le graphique ci-dessous montre les résidus récursifs autour de zéro, 2 fois l écart-type des erreurs en valeurs absolu apparait également en pointillés rouge pour chaque point. Si les résidus sortent de la bande des écart-types des erreurs on peut supposer une certaine instabilité dans les paramètres de l équation. f) Test d indépendance BDS Ce test va nous permettre de savoir si les variables sont indépendantes et identiquement distribuées à partir de la notion d autocorrélation. L hypothèse nulle est que les variables sont iid. On peut s apercevoir que la p-value associée à la statistique de test est égal à zéro, par conséquent nous rejetons l hypothèse nulle, nos résidus ne sont pas iid (ce ne sont pas des bruits blancs), par conséquent l hypothèse de linéarité ne peut pas être accepté. La série est donc non linéaire
15 IV. ESTIMATION DES MODELES NON LINEAIRES Depuis des années il est reconnu que la plupart des séries financières présentent des dynamiques non linéaires, des asymétries, des distributions multimodales. Etant donné qu il est impossible de rendre compte de ces phénomènes à partir des modèles linéaires autorégressifs usuels de type ARMA, on a nécessairement recours à des processus non linéaires capables de reproduire ces caractéristiques. Ce le but de ce chapitre. 1. Threshold autoregressif (TAR) La variable de seuil qt est supposée connue. Afin d illustrer la relation entre le marché des actions et la volatilité, nous avons choisi comme variable de changement de régime l indice VIX. L indice VIX est un indicateur de volatilité du marché financier américain ( le S&P 500 étant censé représenter le marché américain), il est calculé en faisant la moyenne des volatilités sur les options d achat (call) et les options de vente (put) sur l indice Standard & Poor s 500. Plus la valeur de cet indice est forte, plus les marchés ont une nervosité élevée et donc un pessimisme élevé. Une faible valeur, à l inverse, indique un relatif optimisme sur le marché financier américain. Evolution de l indice VIX depuis Nous allons utiliser ici des critères d information spécifiques aux modelés de changement de régime afin de choisir le bon ordre de l AR. Nous avons fixé d=1 comme retard de la variable à seuil car après plusieurs estimations nous avons constaté que cela a très peu d impact sur les estimations et ceci se reporte sur les critères AIC et BIC.
16 AIC(p 1, p 2 ) = n 1 lns n 2 lns (p 1 +1) + 2(p 2 +1) BIC(p 1, p 2 ) = n 1 lns n 2 lns ln(n 1 )(p 1 +1) + ln(n 2 )(p 2 +1) P i = nombre de retard dans le régime i N i = nombre d observations dans le régime i s 2 i = variance résiduelle dans le régime i Wong et Li ont montré par simulations que le critère AIC est plus adapté aux petits échantillons et que généralement le critère BIC était le plus adapté aux grands échantillons. AIC BIC (Wong & Li) Nous pouvons constater que nous sommes face à une divergence de résultat. Le critère AIC nous conduit à choisir un retard égal à 4 alors que le critère BIC nous pousse à prendre un seul retard.
17 Estimations TAR (1,1 1) Nous avons estimés les deux modèles. Le premier tableau nous montre un TAR (1,1,1). Nous sommes dans le régime 1 si la valeur du VIX t-1 est inférieure ou égale au seuil optimal de 1,8% et nous serons dans le régime 2 si VIX t-1 > 1,8%. Avec cette spécification le coefficient AR dans le régime 1 est négatif et significatif alors que celui du régime 2 est positif mais pas significatif. Le régime 1 semble être une période de baisse de l indice S&P 500 car le coefficient de l AR est négatif et significatif, sachant qu on est dans le régime 1 seulement si la variation de l indice VIX est inférieure ou égale à 1,8%. S&P 500 Index vs VIX Index S&P500 Index VIX Empiriquement il existe une relation inverse entre la performance de l indice S&P500 et la variation de l indice VIX, en fait en période haussière de l indice de marché la volatilité a tendance à baisser alors qu en période baissière la volatilité augmente. Dans le graphique de l évolution de ces deux indices, nous pouvons voir le cours des deux indices depuis Nous pouvons voir que les deux indices sont négativement corrélés.
18 Estimations TAR (4,4 1) Nous avons estimé un TAR (4, 4,1), nous constatons rapidement que le régime 2 possède plus de variables significatives que le régime 1. Ce modèle illustre mieux la réalité car dans le régime 2 tous les coefficients AR sont négatifs ce qui représente une période de baisse de l indice lorsque la variation du VIX t-1 dépasse notre seuil optimal de 1,5%. Donc nous constatons avec cette spécification qu une hausse de la volatilité lorsque le marché est baissier.
19 Intervalle de Confiance du seuil pour un TAR (1, 1,1) Hansen propose d utiliser la méthode de moindres carrés séquentiels pour estimer notre seuil optimal. On évalue la variance résiduelle du modèle à seuil conditionnellement à cette valeur du seuil. L estimation du seuil est alors la valeur qui minimise la variance résiduelle. Nous pouvons également utiliser un intervalle de confiance pour le seuil, basé sur la distribution asymptotique de la statistique du rapport de vraisemblance. Dans le graphique ci-dessus la ligne rouge représente la statistique du rapport de vraisemblance LR pour diffèrent valeurs du seuil. Tous les points qui sont en dessous de la ligne de confiance sont tous les seuils qui font partie de l intervalle de confiance. Autrement dit dans le cas d un TAR(1,1,1), nous avons 95% de chance que la valeur du vrai seuil soit compris dans l intervalle [0,0092 ;0,0218] et 90% qu il soit dans l intervalle [0,0095 ;0,0218]. Nous pouvons constater également que l intervalle de confiance est imprécis car il est assez large.
20 1. Self-Exciting Threshold AutoRegressive (SETAR) On suppose maintenant que la variable de changement de seuil qt est un retard quelconque qt=yt-d. Ici nous avons pris d=1. Le changement de régime est déterminé par des valeurs retardées de la série. Nous appliquons la même méthode précédente et nous cherchons l ordre p qui minimise les critères AIC et BIC. Le retard p=3 minimise le critère AIC alors que le retard p=1 minimise le critère BIC. Nous estimons les deux modèles SETAR, la première spécification nous montre que le régime 1 n est pas du tout significatif alors que dans le régime 2 la constante et le coefficient de l AR sont significatifs. Le seuil optimal est maintenant négatif -2.12%, nous pouvons supposer que le regime1 correspond à des périodes de performances négatives de l indice. Pour la deuxième spécification presque tous les coefficients sont significatifs dans le régime 1 à l exception de l AR (2) alors que dans le régime 2 aucun des coefficients sont significatif. Estimations SETAR
21 2. Smooth Threshold autoregressif (STAR) Pour le modèle SETAR, le passage entre les deux régimes se fait brusquement en fonction du signe de yt-1 (d=1). On peut trouver une fonction continue G(y t-1,g,c) qui lisse le passage de 0 à 1. Ce type de modèle s appelle Smooth TAR (STAR). Une telle fonction est la fonction logistique définie par : G(y t-1,g,c) = 1 1+ exp(-g [y t-1 - c]) Le paramètre c est la valeur du seuil entre les deux régimes, g est le paramètre qui détermine la vitesse de transition d un régime à l autre, c est à dire plus g est grand et plus la transition d un régime à l autre se fera rapidement et est une fonction croissante de y t-1. L équation devient : y t-1 est la variable de changement de régime. G(y t-1,g,c) yt = (f 0,1 +f 1,1 y t-1 )(1- G(y t-1,g,c))+ (f 0,2 +f 1,2 y t-1 )G(y t-1,g,c)+ e t Si G(y t-1,g,c) = 0 nous sommes dans le régime 1 Si G(y t-1,g,c)= 1 nous sommes dans le régime 2 Nous allons estimer le modèle STAR par la méthode de moindres carrés non linéaires (Non- Linear Least Squares). En fait ici nous cherchons à estimer les paramètres suivants : q = (f 01,f 11,f 02,f 12,g,c)'
22 Ces paramètres doivent satisfaire la relation suivante : å n ˆq = argmin q (y t - F(y t-1,q)) 2 t=1 Où F(y t-1 ) = (f 0,1 +f 1,1 y t-1 )(1- G(y t-1,g,c))+ (f 0,2 +f 1,2 y t-1 )G(y t-1,g,c) Il n y a pas de solution analytique pour résoudre ce programme. Afin de résoudre ce programme nous devons utiliser une procédure d optimisation numérique qui demande le choix des valeurs initiales. Le choix des valeurs initiales est important pour l algorithme. Nous devons supposer au début que g et c sont connus, on va donc se donner un ensemble des valeurs possibles pour ces deux paramètres. On va estimer par les moindres carrés les valeurs initiales de g et c qui minimisent la variance du résidu. Une fois que les valeurs initiales sont connues on peut estimer par NLS les autres paramètres en appliquant l algorithme à la fonction objective présentée sous cette forme : n Q n (g,c) = å (y t -j( g,c)'x t (g,c)) 2 t=1 Cette fonction nous permet de réduire considérablement le nombre de paramètres à estimer par la NLS. Les valeurs initiales de g et c va nous permettre d estimer les autres paramètres restants grâce à la fonctionq n (g,c) qui dépend elle-même de ces deux paramètres. Nous pouvons voir ci-dessous la estimation du modèle STAR, on peut constater que le paramètre Gamma est relativement élevé ce qui entraine un niveau de transition assez rapide. Par ailleurs nous avons un seuil de -34% qui est assez éloigné de celui de -2.12% du modèle SETAR. Estimation STAR Dans ce graphique nous pouvons voir les différentes valeurs de la fonction G, on constate qu au fur et à mesure que y t-1 augmente, G augmente également jusqu à ce que G soit égale à 1, par conséquent nous sommes dans le régime 2. Il semble que la transition d un régime à l autre se fait
23 très rapidement. Pour réaliser ce graphique nous avons considéré un paramètre gamma maximal égal à 1 pour que l algorithme puisse trouver les valeurs qui maximisent le log vraisemblance G(y t-1,g,c) 3. Tests de non linéarité contre un modèle SETAR Ici nous allons tester un modèle linéaire contre un modèle non linéaire. L hypothèse nulle nous dit que les coefficients dans les deux régimes sont égaux donc nous sommes face à un modèle linéaire alors que l hypothèse alternative nous dit que les coefficients sont différents et donc le modèle qui représente le mieux notre série est un modèle non linéaire. H 0 :f 1 = f 2 H 1 :f i,1 ¹ f i,2,i Î 0,..., { p} Ici nous sommes face à un problème d identification car les modèles non linéaires contiennent des paramètres non identifiables sous Ho. Par exemple dans le cas d un modèle SETAR la variable c n est pas identifiable sous Ho. Donc les procédures de test standard ne permettent plus de déterminer la loi asymptotique de la statistique de test. Comme on connaît que ĉ qui minimise la variance résiduelle alors la statistique de test qu on va utiliser est : supf(c) = cîc supt ( s 2 e -ŝ 2 e (c) cîc ŝ 2 e (c) ) s e = variance résiduel du modèle linéaire AR (p) ŝ 2 e (c) = variance résiduelle du modèle SETAR
24 Dans la première partie du projet nous avons retenu un AR (3) comme modèle linéaire. Le tableau ci-dessous nous donne le résultat du test que nous avons effectué : Nous constatons que notre statistique de test est inférieure à la valeur critique et la p-value est supérieure à 5%, par conséquent au seuil de 5% nous acceptons l hypothèse nulle les coefficients de l AR sont identiques dans les différents régimes. Notre modèle est donc linéaire. A titre d informatif nous avons aussi testé un SETAR contra un AR(1), le test nous indique qu un modèle SETAR est le plus indiqué pour modéliser notre série, en fait nous pouvons voir que la statistique de test est supérieure à la valeur critique donc nous rejetons Ho.
25 V. MODELE A CHANGEMENT DE REGIME MARKOVIEN Hamilton (1989) montre que l on peut aussi chercher à modéliser le processus de la série comme un processus à changement de régime markovien. Le régime à la date t est déterminé par une variable inobservable. On suppose que cette variable est générée par un processus de Markov d ordre 1 (noté St). St prend 2 états possibles : 1 et 2. Estimation du modele à changement de régime Markovien Estimation Ecart type P.Value Régime 1 C AR(1) AR(2) AR(3) Régime 2 C AR(1) AR(2) AR(3) AIC -2.35E+03 BIC -2.30E > Transition Probabilities Matrix (std. error, p-value) <--- Régime 1 Régime (0.03,0.00) 0.86 (0.09,0.00) 0.18 (0.02,0.00) 0.14 (0.09,0.12) Le coefficient du modèle AR(2) pour le régime 1 est significativement différent de zéro à un seuil de 5%. Le coefficient de AR(3) pour le régime 2 est significativement different de zero à un seul de 5%. Concernant les probabilités de transition : la probabilité de passer du régime 2 en t-1 au régime 1 en t est estimée à 0.86 et n est pas significativement différent de zéro. la probabilité de passer du régime 1 en t-1 au régime 2 en t est estimée à 0,82 et n est pas significativement différent de zéro
26 Le premier graphique représente la volatilité de notre série et le troisième graphique représente les changements de probabilité entre deux régimes. Nous pouvons constater les changements de régimes dans les périodes de forte volatilité. (0 à 100, 300 à 500)
Température corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en 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 détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en 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 détailMODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
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 détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailChapitre 2/ La fonction de consommation et la fonction d épargne
hapitre 2/ La fonction de consommation et la fonction d épargne I : La fonction de consommation keynésienne II : Validations et limites de la fonction de consommation keynésienne III : Le choix de consommation
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailFormations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
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 détailLE TABLEAU DE BORD DE SUIVI DE L ACTIVITE
TABLEAU DE BORD LE TABLEAU DE BORD DE SUIVI DE L ACTIVITE DEFINITION Le tableau de bord est un support (papier ou informatique) qui sert à collecter de manière régulière des informations permettant de
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailModèle GARCH Application à la prévision de la volatilité
Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes
Plus en détailPROJET DE GESTION PORTEFEUILLE. Evaluation d une Stratégie de Trading
PROJET DE GESTION PORTEFEUILLE Evaluation d une Stratégie de Trading Encadré par M. Philippe Bernard Master 1 Economie Appliquée-Ingénierie Economique et Financière Taylan Kunal 2011-2012 Sommaire 1) Introduction
Plus en 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 détailMASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Econométrie pour la Finance
MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Université d Orléans Econométrie pour la Finance Modèles ARCH - GARCH Applications à la VaR Christophe Hurlin Documents et Supports Année Universitaire
Plus en détailING Turbos. Faible impact de la volatilité. Evolution simple du prix
ING Turbos Produit présentant un risque de perte en capital et à effet de levier. Les Turbos sont émis par ING Bank N.V. et sont soumis au risque de défaut de l émetteur. ING Turbos ING a lancé les Turbos
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 détailSystèmes de transmission
Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailINTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique
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 détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailPour fins d'illustration seulement. Rapport préparé pour M. Albert Client et Mme Louise Client
Rapport préparé pour M. Albert Client et Mme Louise Client Préparé par Charles M. Courtier Conseiller ÉlémentsPatrimoine Téléphone: 123-456-7890 Courriel: cmcourtier@email.com Date: 2014-07-17 INTRODUCTION
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 détailAnalyse technique de l'action Apple
Compte-Rendu Salon de l'analyse technique à l'espace Pierre Cardin à Paris le 24/03/2012. Présentation de cette analyse réalisée par Stéphane Ceaux-Dutheil. Quand on parle de finance de marché il est nécessaire
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 détailFigure 3.1- Lancement du Gambit
3.1. Introduction Le logiciel Gambit est un mailleur 2D/3D; pré-processeur qui permet de mailler des domaines de géométrie d un problème de CFD (Computational Fluid Dynamics).Il génère des fichiers*.msh
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 détailExamen de Logiciels Statistiques
G. Hunault Angers, mai 2011 Licence MEF Examen de Logiciels Statistiques On s intéresse ici au dossier EAEF01 qui contient un extrait des données du recensement américain. On trouvera ces données et leur
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Plus en détailLes pratiques de simulation de crise: enquête auprès de quarante-trois grands établissements financiers
Ingo Fender (+41 61) 280 9458 ingo.fender@bis.org Michael S. Gibson (+1 202) 452 2495 michael.s.gibson@frb.gov Les pratiques de simulation de crise: enquête auprès de quarante-trois grands établissements
Plus en détailDes dividendes élevés, synonymes d une forte croissance des bénéfices futurs
Des dividendes élevés, synonymes d une forte croissance des bénéfices futurs Plus le taux de versement des dividendes est élevé, plus les anticipations de croissance des bénéfices sont soutenues. Voir
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailLa nouvelle planification de l échantillonnage
La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailDEUXIÈME ÉTUDE D'IMPACT QUANTITATIVE SUR LE RISQUE DE MARCHÉ SOMMAIRE DES RÉSULTATS
Deuxième étude d impact quantitative sur le risque de marché Sommaire des résultats Comité mixte BSIF, AMF et Assuris Janvier 2011 DEUXIÈME ÉTUDE D'IMPACT QUANTITATIVE SUR LE RISQUE DE MARCHÉ SOMMAIRE
Plus en détailTitre 4 - Analyse de l impact de la résiliation annuelle sur les marges des contrats emprunteurs
Titre 4 - Analyse de l impact de la résiliation annuelle sur les marges des contrats emprunteurs 4.1 Le concept d Analyse en Temps Probabilisé Le concept d Analyse en Temps Probabilisé, développé et appliqué
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailLe patrimoine des ménages retraités : résultats actualisés. Secrétariat général du Conseil d orientation des retraites
CONSEIL D ORIENTATION DES RETRAITES Séance plénière du 08 juillet 2015 à 9 h 30 «Le patrimoine des retraités et l épargne retraite» Document N 2 bis Document de travail, n engage pas le Conseil Le patrimoine
Plus en détailModélisation et étude d un système de trading directionnel diversifié sur 28 marchés à terme
Modélisation et étude d un système de trading directionnel diversifié sur 28 marchés à terme Trading system : Trend following Breakout Janvier 1996 - Janvier 2009 Etude de la performance du système Le
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 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 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 détailMéthodes de simulation des décès. appliquées au régime de retraite de la. fonction publique d État
Méthodes de simulation des décès appliquées au régime de retraite de la fonction publique d État Hady Senghor et Benoît Buisson Service des retraites de l État Septembre 2014 1 2 Sommaire Résumé... 4 I
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 détailANNEXE VII EFFETS MACROECONOMIQUES DE LA REFORME PIECE JOINTE N 2 SIMULATIONS REALISEES A PARTIR DU MODELE MACROECONOMETRIQUE MESANGE
ANNEXE VII, PJ n 2, page 1 ANNEXE VII EFFETS MACROECONOMIQUES DE LA REFORME PIECE JOINTE N 2 SIMULATIONS REALISEES A PARTIR DU MODELE MACROECONOMETRIQUE MESANGE ANNEXE VII, PJ n 2, page 2 Les simulations
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 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 détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailAnnexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
Plus en détailAutomatique Linéaire 1 Travaux Dirigés 1A ISMIN
Automatique Linéaire 1 Travaux Dirigés Travaux dirigés, Automatique linéaire 1 J.M. Dutertre 2014 TD 1 Introduction, modélisation, outils. Exercice 1.1 : Calcul de la réponse d un 2 nd ordre à une rampe
Plus en détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Plus en détailAnalyse de la relation entre primes de terme et prime de change dans un cadre d équilibre international
ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 46 1997 Analyse de la relation entre primes de terme et prime de change dans un cadre d équilibre international Hubert de LA BRUSLERIE, Jean MATHIS * RÉSUMÉ. Cet
Plus en détailWARRANTS TURBOS CERTIFICATS. Les Warrants. Découvrir et apprendre à maîtriser l effet de levier
WARRANTS TURBOS CERTIFICATS Les Warrants Découvrir et apprendre à maîtriser l effet de levier 2 WARRANTS Qu est-ce qu un Warrant? Un warrant est une option cotée en Bourse. Emis par des établissements
Plus en détailExercice du cours Gestion Financière à Court Terme : «Analyse d un reverse convertible»
Exercice du cours Gestion Financière à Court Terme : «Analyse d un reverse convertible» Quand la trésorerie d une entreprise est positive, le trésorier cherche le meilleur placement pour placer les excédents.
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailRenforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos.
Master Mathématiques et Applications Spécialité : Ingénierie mathématique et modélisation Parcours : Mathématique et Informatique : Statistique, Signal, Santé (MI3S) 2015-2016 RÉSUMÉ DES COURS : (dernière
Plus en détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détailUne introduction. Lionel RIOU FRANÇA. Septembre 2008
Une introduction INSERM U669 Septembre 2008 Sommaire 1 Effets Fixes Effets Aléatoires 2 Analyse Classique Effets aléatoires Efficacité homogène Efficacité hétérogène 3 Estimation du modèle Inférence 4
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailRAPPORT D OBSERVATIONS DEFINITIVES SUR LES COMPTES ET LA GESTION DE LA COMMUNE DE TARBES
CHAMBRE REGIONALE DES COMPTES DE MIDI-PYRENEES --- N/Réf. : GO10 329 01 RAPPORT D OBSERVATIONS DEFINITIVES SUR LES COMPTES ET LA GESTION DE LA COMMUNE DE TARBES Exercices 2003 à 2009 22 5.3 Les renégociations
Plus en détailCALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING
CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING SÉLECTION DES RISQUES PRÉVISION DES DÉFAUTS SUIVI ET CONTRÔLE Pierre-Louis GONZALEZ Différents types de
Plus en détail2 TABLE DES MATIÈRES. I.8.2 Exemple... 38
Table des matières I Séries chronologiques 3 I.1 Introduction................................... 3 I.1.1 Motivations et objectifs......................... 3 I.1.2 Exemples de séries temporelles.....................
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
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 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 détailExercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015
Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par
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 détailING Turbos Infinis. Avantages des Turbos Infinis Potentiel de rendement élevé. Pas d impact de la volatilité. La transparence du prix
ING Turbos Infinis Produit présentant un risque de perte en capital et à effet de levier. Les Turbos sont émis par ING Bank N.V. et sont soumis au risque de défaut de l émetteur. ING Turbos Infinis Les
Plus en détailPlacements IA Clarington inc. Dan Bastasic Gestionnaire de portefeuille des Fonds IA Clarington stratégiques
Placements IA Clarington inc. Dan Bastasic Gestionnaire de portefeuille des Fonds IA Clarington stratégiques Je ne caractériserais pas la récente correction du marché comme «une dégringolade». Il semble
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 détailLe modèle canadien de gestion de la dette
Le modèle canadien de gestion de la dette David Jamieson Bolder, département des Marchés financiers L objectif que poursuit le gouvernement canadien dans la gestion du portefeuille de la dette intérieure
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en détailLe risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
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 détailOUESSANT. Vivienne investissement. Printemps-été 2015. Rapport de gestion. L analyse quantitative au service de la gestion active
Ce document est destiné à des investisseurs professionnels uniquement Vivienne investissement L analyse quantitative au service de la gestion active OUESSANT Rapport de gestion Printemps-été 2015 Vivienne
Plus en détailSOMMAIRE OPÉRATIONS COURANTES OPÉRATIONS D INVENTAIRE
SOMMAIRE OPÉRATIONS COURANTES OPÉRATIONS D INVENTAIRE 1 Factures de doit p. 9 Processus 1 2 Réductions sur factures de doit p. 11 Processus 1 3 Frais accessoires sur factures p. 13 Processus 1 4 Comptabilisation
Plus en détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Plus en détailDÉVERSEMENT ÉLASTIQUE D UNE POUTRE À SECTION BI-SYMÉTRIQUE SOUMISE À DES MOMENTS D EXTRÉMITÉ ET UNE CHARGE RÉPARTIE OU CONCENTRÉE
Revue Construction étallique Référence DÉVERSEENT ÉLASTIQUE D UNE POUTRE À SECTION BI-SYÉTRIQUE SOUISE À DES OENTS D EXTRÉITÉ ET UNE CHARGE RÉPARTIE OU CONCENTRÉE par Y. GALÉA 1 1. INTRODUCTION Que ce
Plus en détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
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 détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en 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 détailAvertissement sur les Risques Associés aux CFDs
CMC MARKETS UK PLC Avertissement sur les Risques Associés aux CFDs January 2015 RCS Paris: 525 225 918 Société immatriculée en Angleterre sous le numéro 02448409 Agréée et réglementée par la Financial
Plus en détailDonnées longitudinales et modèles de survie
ANALYSE DU Données longitudinales et modèles de survie 5. Modèles de régression en temps discret André Berchtold Département des sciences économiques, Université de Genève Cours de Master ANALYSE DU Plan
Plus en détailUne application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies Ariane Lançon (Observatoire de Strasbourg) en collaboration avec: Jean-Luc Vergely,
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détail