Optimisation du calcul du capital économique d'une compagnie d'assurance vie par la méthode des Simulations dans les Simulations
|
|
- Émilien St-Denis
- il y a 7 ans
- Total affichages :
Transcription
1 Optimisation du calcul du capital économique d'une compagnie d'assurance vie par la méthode des Simulations dans les Simulations Conférence débat de l Institut des Actuaires Jean-Baptiste Garnier & Anne-Claire Martial Le 3 Mai 014
2 Sommaire Contexte de notre étude Calcul du capital économique Méthode des Simulations dans les Simulations Axes d amélioration Présentation théorique de deux nouvelles méthodes Méthode de décomposition d un événement rare Forêts Aléatoires Application des deux méthodes dans un cadre simplifié Application des deux méthodes dans un cadre réel
3 Contexte de notre étude Calcul du capital économique Le capital économique Solvabilité II est le montant de Fonds Propres (FP) nécessaire pour faire face à une ruine économique à horizon 1 an et au niveau de confiance 99,5% La ruine économique survient dès lors que la valeur économique des actifs de la compagnie devient inférieure à la valeur économique de ses passifs Deux types de méthodes sont généralement envisagées pour calculer le capital économique : La «formule standard», méthode modulaire basée sur l agrégation des capitaux relatifs à chaque «risque élémentaire», calculés à partir de chocs marginaux. Les méthodes basées sur l obtention de la distribution des FP économiques dans un an : Fonds propres économiques initiaux C = FP 0 + P 0, 1 q 0,5% FP 1 Surplus (algébrique) de capital à ajouter en t=0 3
4 Contexte de notre étude Méthode des Simulations dans les Simulations La méthode des Simulations dans les Simulations (SdS) : Principe : construction de la totalité de la distribution des FP économiques de fin de première période, puis déduction du capital économique Bilan en 1 simulation 1 Simulation 1 Bilan économique en t=0 A 0 FP 0 Simulation i VEP 0 Simulation P t = 0 t =1 FP 1 A VEP 1 1 Bilan en 1 simulation i A i 1 FP i 1 VEP i 1 Bilan en 1 simulation P A P 1 FP P 1 VEP 1 P Sur la première période : Projection en univers monde réel (probabilité historique) des risques En fin de première période : Pour chaque simulation monde réel : Simulation risque neutre de scénarios secondaires Calcul d une valeur du bilan conditionnée à la situation économique de fin de première période à l aide d une méthode de type Monte-Carlo Simulations primaires (pour les risques financiers -> simulations «monde-réel») Simulations secondaires (pour les risques financiers -> simulations «market consistent») Mise en œuvre d une méthode SdS limitée 4
5 E Contexte de notre étude Axes d amélioration Objectif : localiser de façon suffisamment précise le scénario qui conduit au quantile de la distribution des FP à 1 an avec le moins de calculs ALM possibles Différents axes d optimisation sont étudiés : Localisation du quantile Possibilité d identifier a priori les situations extrêmes et de ne pas jouer les situations centrales dans le modèle ALM stochastique 4 Localisation des scénarios extrêmes 3 Allocation optimale des scénarios risque neutre Calcul avec un nombre de simulations élevé uniquement au voisinage du quantile et utilisation d un nombre réduit de simulations secondaires ailleurs Nombre de simulations secondaires 3 Utilisation d un proxy Utilisation d un proxy, pas de régénérartion / stockage de tables RN FP = f ( facteurs de risque ) + ε Facteur de risque Facteur de risque - <0,5% 0,5% - 5% 5% - 10% >10% -3 Forte dépendance à la complexité du portefeuille Difficultés de mise en œuvre 5
6 Sommaire Contexte de notre étude Calcul du capital économique Méthode des Simulations dans les Simulations Axes d amélioration Présentation théorique de deux nouvelles méthodes Méthode de décomposition d un événement rare Forêts Aléatoires Application des deux méthodes dans un cadre simplifié Application des deux méthodes dans un cadre réel 6
7 Présentation théorique de la méthode de décomposition d un événement rare Méthode générale de décomposition d un événement rare en événements moins rares Objectif : Calculer le quantile associé à un événement rare A Notations : X : scénario, vecteur de facteurs de risque (FdR) FP(X) : fonds propres associés au scénario X A m : événement contenant l ensemble des scénarios dont les fonds propres sont inférieurs au seuil L m. A M contient les scénarios dont les fonds propres sont inférieurs au quantile Principe de ce type de méthodes : Partir de l ensemble des événements possibles A 0 Construire une suite d événements imbriqués décroissants A 0 A 1 A M = A Le plus petit événement est égal à A = A M La probabilité de passage d un événement A m 1 à un événement A m ne doit pas être trop petite A 0 A 1 d A M A 3 A Estimer le quantile à 0,5% des FP à 1 an à partir de L M 7
8 Présentation théorique de la méthode de décomposition d un événement rare Premier algorithme simple Premier algorithme : Détermination du scénario X i m pour lequel les fonds propres sont maximaux Diffusion de X i m pour que FP X i m < L m Inputs : L m = FP X i m Output : N scénarios X 1 0,, X N 0, Paramètres du modèle L m Diffusion L m Estimation du quantile q 0,5% =L M X i m X i m Répétition de cette étape pour m compris entre 1 et M Points délicats : - Choix du nombre d itérations M - Diffusion de X i m telle que FP X i m < L m 8
9 Présentation théorique de la méthode de décomposition d un événement rare Diffusion des scénarios Zoom sur la diffusion des scénarios telle que FP X i m < L m : Répétition jusqu à avoir l indépendance entre le scénario initial et le scénario diffusé Tirage d un scénario de loi voulue X j m 1 Initialisation de la diffusion X i m = X j m 1 Diffusion de chaque FdR composant X m i : ε i,k ε k = ε i,k + σw k 1 + σ obtention de X* FP(X*)<L m Nous posons X m i = X FP(X*)>L m X m i ne change pas Observation : forte sensibilité au choix de l écart-type utilisé dans la diffusion σ Solution : pour chaque FdR déterminer l écart-type σ à partir des scénarios de l échantillon Algorithme simple : σ constant Algorithme adapté : σ recalculé à chaque itération σ = 1 1 σ 1/T 1 Nombre d application du noyau de transition Variance empirique des FdR non diffusés 9
10 Présentation théorique de la méthode des forêts aléatoires Les arbres de décision La deuxième méthode se fonde sur les arbres de décision et une de leurs extensions, les forêts aléatoires Les arbres de décision sont un outil d aide à la décision représentable sous la forme d un arbre : Exemple : E ε 1 oui 1 0 non 0 0 oui γ 0 non 0 oui non 0 0 ε Au-dessous de Au-dessous de Au-dessous Au-dessous de de Au-dessous de Construction : A chaque nœud de l arbre, le critère de division est un critère unilatéral portant sur une variable explicative, et permettant une réduction maximale des variances des deux sous-ensembles obtenus 10
11 Présentation théorique de la méthode des forêts aléatoires Les forêts aléatoires Les forêts aléatoires sont un outil d aide à la décision reposant sur l agrégation d arbres de décision décorrélés : Calibrés sur B échantillons Bootstrap de la base de calibrage Où les règles de décision sont issues de la mise en concurrence de m variables explicatives tirées aléatoirement Base de calibrage Bootstrap Base de Base de Base Base calibrage de calibrage calibrage de calibrage Calibrage des arbres et sélection aléatoire des variables explicatives Arbres ds décorrélés Agrégation Forêt aléatoire L agrégation permet de réduire l erreur d estimation et le sur-apprentissage La décorrélation des arbres a pour effet de réduire la variance des estimations Il est donc préférable d utiliser les forêts aléatoires aux arbres de décision 11
12 Présentation théorique de la méthode des forêts aléatoires Premier algorithme de calcul du capital économique Objectif : A partir des FdR, déterminer les scénarios les plus adverses, et calculer précisément les FP associés, pour en déduire le capital économique Premier algorithme : Input : Base de calibrage (FdR, FP) Base totale (FdR) Calibrage de la forêt aléatoire Estimation de la distribution de FP associés à la base de totale Output : Obtention du quantile à 0,5 % Calcul des FP de la zone quantile par SdS Détermination des scénarios les plus adverses : création de la zone quantile On obtient ainsi le quantile empirique de la base totale Point délicat : la construction de la zone quantile 1
13 Présentation théorique de la méthode des forêts aléatoires Amélioration de l algorithme Ajout de variables explicatives Ajout de points de la base totale à la base de calibrage. Deux approches ont été étudiées Inputs : Base de calibrage initiale Base totale Détection du scénario adverse dont le rang est le plus mal estimé de la base de calibrage OU Approche 1 : Approche : Ajout du point de la base totale le plus proche Détection du scénario de la base de calibrage le plus proche Ajout du point de la base totale le plus proche du milieu Nouvelle base de calibrage Nouvelle base de calibrage 13
14 Sommaire Contexte de notre étude Calcul du capital économique Méthode des Simulations dans les Simulations Axes d amélioration Présentation théorique de deux nouvelles méthodes Méthode de décomposition d un événement rare Forêts Aléatoires Application des deux méthodes dans un cadre simplifié Application des deux méthodes dans un cadre réel 14
15 Application de la méthode de décomposition d un événement rare dans un cadre simplifié Premiers résultat FP obtenus en utilisant une forme paramétrique à FdR : FP X = a 0 + a 1 X 1 + a X 1 + a 3 X a 4 X + a 5 X + a 6 X 3 + a 7 X 1 X + a 8 X 1 X + a 9 X 1 X Comparaison de l algorithme simple et de l algorithme adapté : Algorithme simple σ=0,01 Algorithme simple σ=0,5 Algorithme simple σ=0,99 Algorithme adapté Valeur de référence Quantile estimé 65,91 34,46 31,39 50,07 51,1 Grande sensibilité des résultats à σ Meilleur résultat avec l algorithme adapté 15
16 Fonds propres Fonds propres Application de la méthode de décomposition d un événement rare dans un cadre simplifié Sensibilité aux paramètres et à la forme paramétrique Sensibilité aux paramètres T et N : Quantile suivant T quantile moyen valeur de référence Bons résultats et indépendance dans la diffusion pour T supérieur à 60 Bons résultats pour N compris entre 60 et Quantile suivant N quantile moyen valeur de référence Sensibilité à la forme paramétrique : Forme paramétrique 1 Forme paramétrique Forme paramétrique 3 Allure de la zone quantile Ecart relatif du quantile par rapport à la valeur de référence ,10 % 6,46 % 0,03% Performance de la méthode très dépendante de l allure de la zone quantile 16
17 Rang estimé Application de la méthode des forêts aléatoires dans un cadre simplifié Premiers résultats Mesure de risque permettant d analyser la performance des algorithmes : Rang réel La mesure de risque indique le nombre de scénarios estimés adverses nécessaires pour inclure les scénarios réellement les plus adverses : Ex : pour le quantile à 1% : 5 / 100 =,5 La performance de la méthode décroit avec la mesure de risque Premiers résultats obtenus par l algorithme sans amélioration, avec une forme paramétrique polynomiale à FdR : Base de départ : Mesure de risque par quantile : Nom Borne min Borne max Pas Nombre de points 0,5 % 1 % % Base de petite taille -3,5 3,5 0,7 11 3,9 4,6 5,44 Base de taille moyenne -3,5 3,5 0,5 5 3,03 1,54,83 Base de grande taille -3,4 3,4 0,4 34 1,61,55,93 Un nombre d arbres supérieur à assure la robustesse des résultats 17
18 Application de la méthode des forêts aléatoires dans un cadre simplifié Etude de l ajout de points et de variables explicatives Etudions l impact d ajout des sommes et différences de FdR aux variables explicatives : Base de départ : Mesure de risque par quantile : Rappel des résultats précédents : Nom Nombre de points 0,5 % 1 % % 0,5 % 1 % % Base de petite taille 11 1,18,3 1,54 3,9 4,6 5,44 Base de taille moyenne 5 1,48 1,63 1,64 3,03 1,54,83 Base de grande taille 34 1, 1,36 1,34 1,61,55,93 Etudions l impact d ajout de points à la base de calibrage : Base de départ : Mesure de risque avec le premier algorithme d'ajout de points : Mesure de risque avec le deuxième algorithme d'ajout de points : Nom Ajout de points Nombre de points 0,5 % 1 % % 0,5 % 1 % % Base de petite taille OUI = 5 1,08 1,77 1,10 1,9 1,5 1,56 Base de taille moyenne NON 5 1,48 1,63 1,64 1,48 1,63 1,64 Nette amélioration de la performance par ajout de variables explicatives Il est préférable de prendre une petite base de calibrage quitte à y ajouter des points 18
19 Sommaire Contexte de notre étude Calcul du capital économique Méthode des Simulations dans les Simulations Axes d amélioration Présentation théorique de deux nouvelles méthodes Méthode de décomposition d un événement rare Forêts Aléatoires Application des deux méthodes dans un cadre simplifié Application des deux méthodes dans un cadre réel 19
20 Application de la méthode de décomposition d un événement rare dans un cadre réel Adaptation de l algorithme au cas d un modèle de gestion actif/passif réel Observation : un calcul précis des FP n est pas toujours nécessaire possibilité de réduire le budget de calcul en effectuant un calcul approché des FP sans simulation ALM Utilisation d une forme paramétrique locale pour évaluer les FP dans la diffusion des scénarios : Calibrage à l aide des scénarios composant l échantillon Application de la forme paramétrique locale au scénario obtenu après chaque diffusion pour vérifié le niveau de fond propre par rapport au seuil L m Vérification à la fin de la diffusion à l aide de simulations ALM Budget de calcul : environ simulations totales 0
21 Application de la méthode de décomposition d un événement rare dans un cadre réel Présentation des résultats Nous avons à notre disposition une base de scénarios générés à l aide d un modèle à 3 FdR représentant les risques action, taux et mortalité Justification de l utilisation des formes paramétriques locales : Très bonne conservation des rangs dans la zone quantile Rangs estimés Rangs estimés en fonction des rangs réels Rangs réels La méthode aboutit à une bonne estimation du quantile Le gain de temps de calcul est de l ordre de 99% par rapport aux SdS 1
22 Application de la méthode des forêts aléatoires dans un cadre réel Présentation des résultats La base contient scénarios composés de 3 FdR La forêt a été calibrée sur les 51 points les plus proches d un maillage, allant de -3,85 à 3,85 avec un pas de 1,1 sur chaque FdR Nous avons étudié 3 lots de variables explicatives : Les 3 FdR ainsi que les sommes et différences de ceux-ci Les 3 FdR, les sommes et différences de ceux-ci, et les puissances et termes croisés d ordre Les 3 FdR, les sommes et différences de ceux-ci, et les puissances et termes croisés d ordre 3 Choix des variables explicatives : Mesure de risque par quantile : Lot de variables explicatives Nombre de variables explicatives 0,5 % 1 % % 1 9 1,98 1,8 1,5 15 1,64 1,8 1, ,57 1,7 1,8 L ajout de variables explicatives améliore toujours les résultats Le gain de temps de calcul est de l ordre de 98% par rapport aux SdS
23 Conclusion Adaptation de deux nouvelles méthodes au calcul du capital économique : la décomposition d un événement rare en événements moins rares et les forêts aléatoires Une réduction importante du budget de calcul Limites : Forte dépendance à l allure de la zone quantile pour la méthode de décomposition d un événement rare et pas de vérification possible a posteriori Un budget de calcul qui peut augmenter rapidement lorsque nous considérons plus de FdR pour la méthode des forêts aléatoires Pistes d améliorations : Pour la méthode de décomposition d un événement rare : choisir des points optimaux pour calibrer la forme paramétrique locale et introduire une corrélation entre les FdR Pour les forêts aléatoires : utiliser une approche de type «Allocation optimale de scénarios» en fin d algorithme pour réduire le temps de calcul, et utiliser plus de transformations des facteurs de risque 3
24 Merci de votre attention 4
Solution logicielle pour le pilotage et l ERM. Journées d études IARD 26 mars 2010 2 mars 2010
Présentation d ERMS Solution logicielle pour le pilotage et l ERM Journées d études IARD 26 mars 2010 2 mars 2010 Sommaire 1 Présentation d ACTUARIS 2 Les problématiques rencontrées 3 Présentation d ERMS
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 détailAgrégation des portefeuilles de contrats d assurance vie
Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l
Plus en 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 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 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 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 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 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 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 détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
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 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 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 détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De
Plus en détailLes attentes du marché
www.pwc.com Les attentes du marché Octobre 2012 L état des lieux à propos des formats de reporting et de l appropriation par le marché du XBRL La taxonomie XBRL pour les reportings Solvabilité 2 a fait
Plus en détailSUGARCRM MODULE RAPPORTS
SUGARCRM MODULE RAPPORTS Référence document : SYNOLIA_Support_SugarCRM_Module_Rapports_v1.0.docx Version document : 1.0 Date version : 2 octobre 2012 Etat du document : En cours de rédaction Emetteur/Rédacteur
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailOrdonnancement robuste et décision dans l'incertain
Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4
Plus en détailCalcul d une provision technique en assurance vie dans le cadre de Solvabilité 2. Le cas des contrats d épargne : les approches «markedto model»
Calcul d une provision technique en assurance vie dans le cadre de Solvabilité 2 Le cas des contrats d épargne : les approches «markedto model» Luca De Dominicis formation Sepia 10 juin 2008 Sommaire 1.
Plus en détailModélisation et simulation du trafic. Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005
Modélisation et simulation du trafic Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005 Plan de la présentation! Introduction : modèles et simulations définition
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
Plus en détailSolvabilité II Les impacts sur la tarification et l offre produit
Solvabilité II Les impacts sur la tarification et l offre produit Colloque du CNAM 6 octobre 2011 Intervenants OPTIMIND Gildas Robert actuaire ERM, senior manager AGENDA Introduction Partie 1 Mesures de
Plus en détail23. Interprétation clinique des mesures de l effet traitement
23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d
Plus en détailNouveau Barème W.B.F. de points de victoire 4 à 48 donnes
Nouveau Barème W.B.F. de points de victoire 4 à 48 donnes Pages 4 à 48 barèmes 4 à 48 donnes Condensé en une page: Page 2 barèmes 4 à 32 ( nombre pair de donnes ) Page 3 Tous les autres barèmes ( PV de
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 détailNote de service À : De :
Note de service À : De : Tous les Fellows, affiliés, associés et correspondants de l Institut canadien des actuaires et autres parties intéressées Jim Christie, président Conseil des normes actuarielles
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
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 détailComment piloter une entreprise d assurance IARD sous Solvabilité II?
Comment piloter une entreprise d assurance IARD sous Solvabilité II? Journées IARD de l Institut des Actuaires Les nouveaux défis de l assurance IARD liés à Solvabilité II 11 avri l 2012 Gildas Robert,
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 détailSujet 4: Programmation stochastique propriétés de fonction de recours
Sujet 4: Programmation stochastique propriétés de fonction de recours MSE3313: Optimisation Stochastiqe Andrew J. Miller Dernière mise au jour: October 19, 2011 Dans ce sujet... 1 Propriétés de la fonction
Plus en détailTable des matières: Guidelines Fonds de Pensions
Table des matières: Guidelines Fonds de Pensions TABLE DES MATIERES... 1 INTRODUCTION... 2 1 FINANCEMENT ET FINANCEMENT MINIMUM... 3 1.1 FINANCEMENT... 3 1.2 FINANCEMENT DE PLAN... 3 1.3 FINANCEMENT MÉTHODE
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 détailElaboration et Suivi des Budgets
Elaboration et Suivi des Budgets 1 1- La Notion Du contrôle de Gestion 2- La Place du Contrôle de Gestion dans le système organisationnel 3- La Notion des Centres de responsabilité 4- La procédure budgétaire
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
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 détailProjet de recommandations pour la maîtrise du risque de modèle
V08-06 INSTITUT DES ACTUAIRES Commission modélisation vie épargne Août 2006 Projet de recommandations pour la maîtrise du risque de modèle Ce document a pour objet de recenser les principes d organisation
Plus en détailDéfinitions. Numéro à préciser. (Durée : )
Numéro à préciser (Durée : ) On étudie dans ce problème l ordre lexicographique pour les mots sur un alphabet fini et plusieurs constructions des cycles de De Bruijn. Les trois parties sont largement indépendantes.
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 détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en 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 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 détailAnalyse des risques financiers
Analyse des risques financiers Version du 1 er octobre 2014 Cette fiche s'adresse aux services de l État mandatés pour mener une analyse financière et est susceptible de contribuer à la définition du niveau
Plus en détailComparatif entre Matrox RT.X2 et Adobe Premiere Pro CS3 (logiciel seul)
Comparatif entre et Adobe Premiere Pro CS3 (logiciel seul) offre la puissance de montage en temps réel et les outils de productivité supplémentaires dont vous avez besoin pour tirer pleinement parti d'adobe
Plus en détailPremier modèle - Version simple
Chapitre 1 Premier modèle - Version simple Les individus vivent chacun six générations successives d adultes, chacune d une durée de dix ans, sans distinction faite entre les individus d une même génération.
Plus en détailWEBINAIRE SUR LE SUIVI DE TENDANCES
WEBINAIRE SUR LE SUIVI DE TENDANCES Le 16/02/2012 à 21H Présenté par Gilles SANTACREU (Boursikoter.com) En partenariat avec CMC Markets 1 Gilles SANTACREU, 43 ans - Webmaster et fondateur du site Boursikoter.com
Plus en détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
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 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 détail!-.!#- $'( 1&) &) (,' &*- %,!
0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets
Plus en détailCouplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites
Couplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites Benoît Beghin Pierre Baqué André Cabarbaye Centre National d Etudes
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 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 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 détailAlgorithmique et structures de données I
Algorithmique et structures de données I Riadh Ben Messaoud Université 7 novembre à Carthage Faculté des Sciences Économiques et de Gestion de Nabeul 1ère année Licence Fondamentale IAG 1ère année Licence
Plus en détailArithmétique binaire. Chapitre. 5.1 Notions. 5.1.1 Bit. 5.1.2 Mot
Chapitre 5 Arithmétique binaire L es codes sont manipulés au quotidien sans qu on s en rende compte, et leur compréhension est quasi instinctive. Le seul fait de lire fait appel au codage alphabétique,
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 détailEric Bertrand ebertrand@ixis-cib.com. 08/11/06 Maître de conférence 1
Calcul parallèle des options MC. Eric Bertrand ebertrand@ixis-cib.com 1 Plan Contexte du calcul parallèle Qualités requises Architecture Outillage Problèmes rencontrés perspectives 2 Contexte du calcul
Plus en détailSTA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes
STA108 Enquêtes et sondages Sondages àplusieurs degrés et par grappes Philippe Périé, novembre 2011 Sondages àplusieurs degrés et par grappes Introduction Sondages à plusieurs degrés Tirage des unités
Plus en détailCALCUL DES PROBABILITES
CALCUL DES PROBABILITES Exemple On lance une pièce de monnaie une fois. Ensemble des événements élémentaires: E = pile, face. La chance pour obtenir pile vaut 50 %, pour obtenir face vaut aussi 50 %. Les
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 détailMesure et gestion des risques d assurance
Mesure et gestion des risques d assurance Analyse critique des futurs référentiels prudentiel et d information financière Congrès annuel de l Institut des Actuaires 26 juin 2008 Pierre THEROND ptherond@winter-associes.fr
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailFINANCEMENT OPTIMAL DE LA SOLVABILITE D UN ASSUREUR
FINANCEMENT OPTIMAL DE LA SOLVABILITE D UN ASSUREUR Guillaume PLANTIN GREMAQ Université Toulouse I 1 La détermination d un plan de réassurance optimal est une des applications les plus classiques de la
Plus en détailMATHS 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 détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire FFA Jean-Paul LAURENT Professeur à l'isfa jean-paul.laurent@univ-lyon1.fr http://laurent.jeanpaul.free.fr/ 0 De la la mesure à l analyse des risques! Intégrer
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailLSM2 : un modèle avec secteur bancaire pour le Luxembourg
LSM2 : un modèle avec secteur bancaire pour le Luxembourg Szabolcs Deák 1 - Lionel Fontagné 2 - Marco Maffezzoli 3 - Massimiliano Marcellino 4 Introduction Les modèles dynamiques stochastiques d équilibre
Plus en détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
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 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 détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailRétablissement d un réseau cellulaire après un désastre
Rétablissement d un réseau cellulaire après un désastre Anaïs Vergne avec Laurent Decreusefond, Ian Flint, et Philippe Martins Journées MAS 2014 29 août 2014 Rétablissement d un réseau cellulaire après
Plus en détailPrincipes d implémentation des métaheuristiques
Chapitre 2 Principes d implémentation des métaheuristiques Éric D. Taillard 1 2.1 Introduction Les métaheuristiques ont changé radicalement l élaboration d heuristiques : alors que l on commençait par
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 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 détailLES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN
LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN Les contenues de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et ne peuvent en aucun cas
Plus en détailWWW.ELCON.SE Multichronomètre SA10 Présentation générale
WWW.ELCON.SE Multichronomètre SA10 Présentation générale Le SA10 est un appareil portable destiné au test des disjoncteurs moyenne tension et haute tension. Quoiqu il soit conçu pour fonctionner couplé
Plus en détailQuels liens entre les modèles et la réalité? Mathilde Jung Université d été / Lundi 9 Juillet 2012 AG2R LA MONDIALE
Quels liens entre les modèles et la réalité? Mathilde Jung Université d été / Lundi 9 Juillet 2012 AG2R LA MONDIALE Solvabilité 2, une réforme en 3 piliers Les objectifs : Définir un cadre harmonisé imposant
Plus en détailMAITRISE DE LA CHAINE LOGISTIQUE GLOBALE (SUPPLY CHAIN MANAGEMENT) Dimensionnement et pilotage des flux de produits
MAITRISE DE LA CHAINE LOGISTIQUE GLOBALE (SUPPLY CHAIN MANAGEMENT) Dimensionnement et pilotage des flux de produits Préambule La performance flux, quel que soit le vocable sous lequel on la désigne ( Juste
Plus en détailCorrigé des TD 1 à 5
Corrigé des TD 1 à 5 1 Premier Contact 1.1 Somme des n premiers entiers 1 (* Somme des n premiers entiers *) 2 program somme_entiers; n, i, somme: integer; 8 (* saisie du nombre n *) write( Saisissez un
Plus en détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
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 détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailArchitecture des Systèmes d Information Architecture des Systèmes d Information
Plan... Tableaux et tris I3 - Algorithmique et programmation 1 Rappels Nicol Delestre 2 Tableaux à n dimensions 3 Initiation aux tris Tableaux - v2.0.1 1 / 27 Tableaux - v2.0.1 2 / 27 Rappels : tableau
Plus en détailTempérature 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 détailCOMMUNAUTE ECONOMIQUE ET MONETAIRE DE L AFRIQUE CENTRALE -------------------- LA COMMISSION -------------------
COMMUNAUTE ECONOMIQUE ET MONETAIRE DE L AFRIQUE CENTRALE -------------------- LA COMMISSION ------------------- DOSSIER TYPE A FOURNIR PAR LES INDUSTRIELS ET A PRESENTER PAR LES ETATS MEMBRES DE LA CEMAC
Plus en détailGESTION DES RISQUES D ENTREPRISE : Qualité des données, levier de pilotage stratégique 1
GESTION DES RISQUES D ENTREPRISE : Qualité des données, levier de pilotage stratégique 1 S. Wittmer 2, V. Ranaivozanany 3, A. Olympio 4 CNP Assurances sophie.wittmer@cnp.fr, voahirana.ranaivozanany@cnp.fr,
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 détailSébastien DEBIA Damien DUMAZER. Cahier des Charges
Sébastien DEBIA Damien DUMAZER Cahier des Charges Table des matières Contexte :...4 Existant :...4 Objectifs :... 4 Fonctionnalités principales :...4 Fonctionnement détaillé :... 5 Noyau :... 5 Plugins
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailTP - Alarme de voiture / Approche fonctionnelle
TP - Alarme de voiture / Approche fonctionnelle Tous les objets techniques, même les plus compliqués, sont étudiés à l aide d une méthode appelée : étude fonctionnelle ou systémique. 1/ Présentation du
Plus en détailUML (Paquetage) Unified Modeling Language
UML (Paquetage) Unified Modeling Language Sommaire Introduction Objectifs Paquetage Espace de nommage d un paquetage Dépendances entre paquetages 2 Notion introduite véritablement par UML car superficiellement
Plus en détail