Un problème d allocation optimale de portefeuille avec coûts de transaction
|
|
- Rémy Vincent
- il y a 6 ans
- Total affichages :
Transcription
1 1/46 Un problème d allocation avec coûts de transaction Université Montesquieu Bordeaux IV GREΘA et IMB CHRISTOPHETTE BLANCHET (Université de Nice) RAJNA GIBSON (Université de Zurich) ETIENNE TANRÉ et DENIS TALAY (INRIA Sophia Antipolis) Séminaire Probabilités et Processus Stochastiques Rennes 19 mars 2007
2 Plan 2/ au contrôle stochastique 3 de travail 4 Etude de la fonction 5
3 Plan 3/ au contrôle stochastique 3 de travail 4 Etude de la fonction 5
4 4/46 Investissement Objectif Approche fondamentale principes économiques Analyse technique comportement passé des prix Approche mathématique modèles mathématiques Comparer les performances de l analyse technique et de l approche mathématique
5 Analyse technique 5/46 Anticiper les hausses et les baisses à partir de l analyse graphique du cours cours de l euro en dollars US, juillet 2003 mai 2004 source : http ://
6 Analyse technique Moyenne mobile 6/46 Moyenne mobile M δ t = 1 δ t t δ Si S t > M δ t S u du achat Si S t < Mt δ vente cours du dollar US en francs suisses, 23 Optimiser avril mai 2004 toutes les heures moyennes mobiles 7 heures, 17 heures, 34 heures source : http :// la taille de la fenêtre δ les instants de décision
7 Approche mathématique 7/46 Marché : Objectif Actif sans risque Actif risqué S 0 t S t stratégie π t [0, 1] proportion de la richesse investie dans l actif risqué richesse W π t richesse correspondant à la stratégie π Modéliser la dynamique de S t Résoudre le problème d optimisation sup E[U(WT π )] π
8 Approche mathématique Modélisation 8/46 Actif sans risque Actif risqué ds 0 t = S 0 t rdt ds t = µ(t)s t dt + σs t db t B mouvement Brownien standard µ(t) {µ 1, µ 2 } indépendant de B, µ 1 < r < µ 2
9 Travaux précédents Modèle 9/46 BLANCHET, DIOP, GIBSON, KAMINSKI, TALAY, TANRÉ (2005) Un seul changement de dérive µ(t) = µ 1 si t < τ µ(t) = µ 2 si t τ avec P(τ > t) = e λt Stratégie détecter τ µ 1 = 0.2, µ 2 = 0.2, σ = 0.15, λ = 2.
10 Travaux précédents 10/46 Etude théorique du problème d optimisation Etude théorique de la détection de rupture détection bien calibrée détection mal calibrée moyenne mobile Conclusion Moyenne mobile meilleure si paramètres mal calibrés Taux d erreur à partir duquel c est vrai
11 de travail 11/46 Marché : Actif sans risque Actif risqué dst 0 = St 0rdt ds t = µ(t)s t dt + σs t db t µ(t) {µ 1, µ 2 }, avec plusieurs changements de valeur coûts de transaction
12 Plan 12/ au contrôle stochastique 3 de travail 4 Etude de la fonction 5
13 Contrôle Stochastique 13/46 Variable d état du système W t évoluant suivant une dynamique probabiliste Processus de contrôle π t valeur choisie à tout instant en fonction de l information disponible : adapté influence la dynamique de W t Critère de performance J(W, π) à maximiser Objectif V = sup J(W, π) π Déterminer la fonction valeur Trouver un contrôle optimal (s il en existe)
14 Contrôle Stochastique 13/46 Variable d état du système W t évoluant suivant une dynamique probabiliste Processus de contrôle π t valeur choisie à tout instant en fonction de l information disponible : adapté influence la dynamique de W t Critère de performance J(W, π) à maximiser Objectif V = sup J(W, π) π Déterminer la fonction valeur Trouver un contrôle optimal (s il en existe)
15 Contrôle Stochastique 13/46 Variable d état du système W t évoluant suivant une dynamique probabiliste Processus de contrôle π t valeur choisie à tout instant en fonction de l information disponible : adapté influence la dynamique de W t Critère de performance J(W, π) à maximiser Objectif V = sup J(W, π) π Déterminer la fonction valeur Trouver un contrôle optimal (s il en existe)
16 Contrôle Stochastique 13/46 Variable d état du système W t évoluant suivant une dynamique probabiliste Processus de contrôle π t valeur choisie à tout instant en fonction de l information disponible : adapté influence la dynamique de W t Critère de performance J(W, π) à maximiser Objectif V = sup J(W, π) π Déterminer la fonction valeur Trouver un contrôle optimal (s il en existe)
17 Exemple : le problème de Merton Formulation I 14/46 Marché : Actif sans risque Actif risqué dst 0 = St 0rdt ds t = µs t dt + σs t db t Etat : richesse W t = N t S t + N 0 t ds0 t Contrôle : proportion de la richesse investie dans l actif risqué π t = N t S t W t [0; 1] Dynamique auto-financée : dw π t dw π t W π t = N ts t W π t = π t ds t S t ds t S t = N t ds t + N 0 t ds0 t + N0 t S0 t W π t dst 0 St 0 + (1 π t ) ds0 t S 0 t = ( π t µ + (1 π t )r ) dt + π t σdb t
18 Exemple : le problème de Merton Formulation II 15/46 Critère : espérance de l utilité de la richesse terminale U(x) = x α, 0 < α < 1 valeur V (t, x) = sup E[U(W t,x,π T )] π Objectif Déterminer la fonction valeur Trouver un contrôle optimal (s il en existe)
19 Exemple : le problème de Merton Equation d Hamilton-Jacobi-Bellman 16/46 Equation d Hamilton-Jacobi-Bellman Φ (t, x) + sup L p Φ(t, x) t p [0;1] = 0 Φ(T, x) = U(x) = x α L p Φ(t, x) = x ( pµ + (1 p)r ) Φ x (t, x) σ2 p 2 x 2 2 Φ (t, x) x 2 Comme U(W t,x,π T ) = U(xW t,1,π T ) = x α U(W t,1,π T ), on cherche une solution de la forme Φ(t, x) = x α ϕ(t) 0 = ϕ (t) + ϕ(t) sup {α ( pµ + (1 p)r ) + p [0;1] 1 = ϕ(t ) α(α 1) p 2 σ 2 } 2
20 Exemple : le problème de Merton Résolution de HJB 17/46 Solution avec Φ(t, x) = x α β(t t) e β = sup {α ( pµ + (1 p)r ) + p [0;1] = αr + atteint en p = α(µ r)2 2(1 α)σ 2 µ r (1 α)σ 2 α(α 1) p 2 σ 2 } 2
21 Exemple : le problème de Merton Interprétation de HJB 18/46 Formule d Itô pour Φ entre t et T : T ( Φ(T, W t,x,π Φ T ) = Φ(t, x) + t u + Lπu Φ + martingale U(W t,x,π T ) Φ(t, x) + Donc T + martingale Φ(t, x) + martingale avec égalité lorsque π t = p t ) (u, W t,x,π u ( Φ ) u + sup L p Φ p [0;1] Φ(t, x) E[U(W t,x,π T )] )du (u, W t,x,π u )du
22 Exemple : le problème de Merton Conclusion 19/46 Conclusion V (t, x) = x α eβ(t t) Contrôle optimal constant π t = µ r (1 α)σ 2 V est solution de l équation d Hamilton Jacobi Bellman
23 Exemple : le problème de Merton Conclusion 19/46 Conclusion V (t, x) = x α eβ(t t) Contrôle optimal constant π t = µ r (1 α)σ 2 V est solution de l équation d Hamilton Jacobi Bellman
24 Plan 20/ au contrôle stochastique 3 de travail 4 Etude de la fonction 5
25 Nouveau modèle 21/46 Plusieurs changements de dérive (ξ 2n+1 ) iid Exp(λ 1 ) (ξ 2n ) iid Exp(λ 2 ) τ 0 = 0, τ n = ξ ξ n { µ1 if τ µ(t) = 2n t < τ 2n+1 µ 2 if τ 2n+1 t < τ 2n+2 Coûts de transaction g 01 coût d achat g 10 coût de vente µ 1 = 0.2, µ 2 = 0.2, σ = 0.15, λ 1 = λ 2 = 2.
26 Stratégies admissibles 22/46 Contrôle : π t {0, 1} proportion de la richesse investie dans l actif risqué F S t = σ(s u, u t) π t doit être F S t -adapté Problème F S t F B t = σ(b u, u t) = Reformuler le problème de contrôle
27 Filtrage 23/46 Projection optionnelle : F t = P(µ(t) = µ 1 Ft S ) B t = 1 ( log S t t ( µ1 F s + µ 2 (1 F s ) σ2 ) ) ds σ S 0 2 Proposition B est un (F S )-mouvement Brownien F S = F B ds t S t KURTZ, OCONE = ( µ 1 F t + µ 2 (1 F t ) ) dt + σdb t df t = ( λ 1 F t + λ 2 (1 F t ) ) dt + µ 1 µ 2 F t (1 F t )db t σ
28 Nouvelle formulation 24/46 Contrôle : π t Etat : couple (W t, F t ) Dynamique : dw π t W π t = ( π t (µ 1 F t + µ 2 (1 F t )) + (1 π t )r ) dt + π t σd B t g 01 δ( π t = 1) g 10 δ( π t = 1) df t = ( λ 1 F t + λ 2 (1 F t ) ) dt + µ 1 µ 2 F t (1 F t )d σ B t, Critère : espérance de l utilité de la richesse finale Utilité : U(x) = x α, α ]0, 1[
29 Nouvelle formulation 24/46 Contrôle : π t Etat : couple (W t, F t ) Dynamique : dw π t W π t = ( π t (µ 1 F t + µ 2 (1 F t )) + (1 π t )r ) dt + π t σd B t g 01 δ( π t = 1) g 10 δ( π t = 1) df t = ( λ 1 F t + λ 2 (1 F t ) ) dt + µ 1 µ 2 F t (1 F t )d σ B t, Critère : espérance de l utilité de la richesse finale Utilité : U(x) = x α, α ]0, 1[
30 Nouvelle formulation 24/46 Contrôle : π t Etat : couple (W t, F t ) Dynamique : dw π t W π t = ( π t (µ 1 F t + µ 2 (1 F t )) + (1 π t )r ) dt + π t σd B t g 01 δ( π t = 1) g 10 δ( π t = 1) df t = ( λ 1 F t + λ 2 (1 F t ) ) dt + µ 1 µ 2 F t (1 F t )d σ B t, Critère : espérance de l utilité de la richesse finale Utilité : U(x) = x α, α ]0, 1[
31 Plan 25/ au contrôle stochastique 3 de travail 4 Etude de la fonction 5
32 Définition 26/46 Si π t = 0 Si π t = 1 J 0 (t, x, f, π) = E[U(W π T ) W π t = x, F t = f ] J 1 (t, x, f, π) = E[U(W π T ) W π t = x, F t = f ] valeur V 0 (t, x, f ) = sup J 0 (t, x, f, π) π V 1 (t, x, f ) = sup J 1 (t, x, f, π) π
33 Régularité 27/46 Comparaison Continuité Pour tous i {0; 1} 0 t,ˆt T x, ˆx > 0 0 f,ˆf 1 : V i (ˆt, ˆx,ˆf ) V i (t, x, f ) V 0 (t, x, f ) V 1 (t, (1 g 01 )x, f ) V 1 (t, x, f ) V 0 (t, (1 g 10 )x, f ) C(1 + x α 1 + ˆx α 1 ) ( ˆx x + x( ˆf f + ˆt t 1/2 ) )
34 Principe de la Programmation Dynamique 28/46 Principe de la Programmation Dynamique Pour tout temps d arrêt θ tel que 0 t θ T et pour tous x, f, i : V i (t, x, f ) = sup π E[V π θ (t, W θ,x,f,π θ, F t,f θ )]
35 Equations d Hamilton Jacobi Bellman 29/46 Equations d Hamilton Jacobi Bellman { max { ϕ 0 t + L 0 ϕ 0 ; ϕ 0 (t, x, f ) + ϕ 1 (t, x(1 g 01 ), f ) } = 0 max { ϕ 1 t + L 1 ϕ 1 ; ϕ 1 (t, x, f ) + ϕ 0 (t, x(1 g 10 ), f ) } = 0 L 0 ϕ(t, x, f ) = xr ϕ x (t, x, f ) + ` ϕ λ 1 f + λ 2 (1 f ) (t, x, f ) + f 1 µ1 µ 2 2f 2 (1 f ) 2 2 ϕ (t, x, f ) 2 σ f 2 L 1 ϕ(t, x, f ) = x(µ 1 f + µ 2 (1 f )) ϕ x (t, x, f ) x 2 σ 2 2 ϕ (t, x, f ) x 2 ϕ +` λ 1 f + λ 2 (1 f ) f (t, x, f ) + x(µ 1 µ 2 )f (1 f ) 2 ϕ (t, x, f ) x f + 1 µ1 µ 2 2f 2 (1 f ) 2 2 ϕ (t, x, f ) 2 σ f 2
36 Solution de viscosité 30/46 (P) F(t, x, v(t, x), D t v(t, x), Dv(t, x), D 2 v(t, x)) = 0 Définition v est sous-solution de viscosité de (P) si F( t, x, v( t, x), D t ϕ( t, x), Dϕ( t, x), D 2 ϕ( t, x)) 0 pour tous t, x et toute fonction ϕ C 1,2 tels que t, x est un maximum local de v ϕ v est sur-solution de viscosité de (P) si F( t, x, v( t, x), D t ϕ( t, x), Dϕ( t, x), D 2 ϕ( t, x)) 0 pour tous t, x et toute fonction ϕ C 1,2 tels que t, x est un minimum local de v ϕ
37 Caractérisation de la fonction valeur 31/46 V α : ensemble des ϕ continues sur [0; T ] [0; + [ [0; 1] telles que ϕ(t, 0, f ) = 0 et ϕ(t, x, f ) ϕ(t, ˆx,ˆf ) sup [0;T ] ]0;+ [ 2 [0;1] 2 (1 + x α 1 + ˆx α 1 )( x ˆx + x f ˆf ) <. Théorème (V 0, V 1 ) est l unique solution de viscosité de HJB sur V α V α vérifiant V 0 (T, x, f ) = V 1 (T, x, f ) = U(x) = x α
38 Réduction de la dimension 32/46 Dépendance en x : V i (t, x, f ) = sup π t,x,f,π E[U(WT )] = x α V i (t, 1, f ) Equations d Hamilton Jacobi Bellman simplifiées { max { V 0 t + L 0 V 0 ; V 0 (t, f ) + (1 g 01 ) α V 1 (t, f ) } = 0 max { V 1 t + L 1 V 1 ; V 1 (t, f ) + (1 g 10 ) α V 0 (t, f ) } = 0 L 0 ϕ(t, f ) = αrϕ(t, f ) + ` λ 1 f + λ 2 (1 f ) ϕ f (t, f ) + 1 µ1 µ 2 2f 2 (1 f ) 2 2 ϕ 2 σ f 2 (t, f ) L 1 ϕ(t, f ) = α µ 1 f + µ 2 (1 f ) + +α(µ 1 µ 2 )f (1 f ) ϕ f (t, f ) (α 1)σ2 2 µ1 µ 2 σ ϕ(t, f ) + ` λ 1 f + λ 2 (1 f ) 2f 2 (1 f ) 2 2 ϕ f 2 (t, f )
39 Schéma numérique pour la partie EDP 33/46 On calcule en temps rétrograde V (t t, f ) = ( ( b(t, f ) 1 + t c(t, f ) f ( b + (t, f ) + t f ( b (t, f ) + t f avec c(t, f ) coefficient devant ϕ(t, f ) b(t, f ) coefficient devant ϕ f (t, f ) a(t, f ) coefficient devant 2 ϕ f 2 (t, f ) 2a(t, f ) f 2 )) V (t, f ) + a(t, f ) f 2 ) V (t, f + f ) + a(t, f ) f 2 ) V (t, f f )
40 Schéma numérique pour le calcul des fonctions valeur 34/46 Initialisation ˆV 0 (T, f ) = ˆV 1 (T, f ) = 1 Itération Avec le schéma de l EDP de HJB, calculer V 0 (t, ) et V 1 (t, ) à partir de ˆV 0 (t + dt, ) et ˆV 1 (t + dt, ) Comparaison si V 0 (t, f ) (1 g 01 ) α V 1 (t, f ), prendre ˆV 0 (t, f ) = V 0 (t, f ) sinon ˆV 0 (t, f ) = (1 g 01 ) α V 1 (t, f ) si V 1 (t, f ) (1 g 10 ) α V 0 (t, f ), prendre ˆV 1 (t, f ) = V 1 (t, f ) sinon ˆV 1 (t, f ) = (1 g 10 ) α V 0 (t, f )
41 Schéma numérique pour le calcul des fonctions valeur 34/46 Initialisation ˆV 0 (T, f ) = ˆV 1 (T, f ) = 1 Itération Avec le schéma de l EDP de HJB, calculer V 0 (t, ) et V 1 (t, ) à partir de ˆV 0 (t + dt, ) et ˆV 1 (t + dt, ) Comparaison si V 0 (t, f ) (1 g 01 ) α V 1 (t, f ), prendre ˆV 0 (t, f ) = V 0 (t, f ) sinon ˆV 0 (t, f ) = (1 g 01 ) α V 1 (t, f ) si V 1 (t, f ) (1 g 10 ) α V 0 (t, f ), prendre ˆV 1 (t, f ) = V 1 (t, f ) sinon ˆV 1 (t, f ) = (1 g 10 ) α V 0 (t, f )
42 Schéma numérique pour le calcul des fonctions valeur 34/46 Initialisation ˆV 0 (T, f ) = ˆV 1 (T, f ) = 1 Itération Avec le schéma de l EDP de HJB, calculer V 0 (t, ) et V 1 (t, ) à partir de ˆV 0 (t + dt, ) et ˆV 1 (t + dt, ) Comparaison si V 0 (t, f ) (1 g 01 ) α V 1 (t, f ), prendre ˆV 0 (t, f ) = V 0 (t, f ) sinon ˆV 0 (t, f ) = (1 g 01 ) α V 1 (t, f ) si V 1 (t, f ) (1 g 10 ) α V 0 (t, f ), prendre ˆV 1 (t, f ) = V 1 (t, f ) sinon ˆV 1 (t, f ) = (1 g 10 ) α V 0 (t, f )
43 valeur V 0 Tracé 35/46 Paramètres : T = 3, µ 2 = 0.2, µ 1 = 0.21, λ 1 = λ 2 = 2, σ = 0.15, g 01 = g 10 = V(t,f) f temps
44 valeur V 0 Régularité I 36/46 Coûts de transaction g 01 = g 10 = 0.01 Zoom entre t = 2.5 et t = 3 = T V(t,f) f temps 2.450
45 valeur V 0 Régularité II 37/46 Coupe en f = Coupes en t = 2.90, t = 2.91, t = 2.92, t = 2.93, t = 2.94, t = 2.95,
46 Plan 38/ au contrôle stochastique 3 de travail 4 Etude de la fonction 5
47 Stratégie 39/46 Calculer ˆV 0, ˆV 1 Estimer ˆF t Comparer ˆV 0 (t, ˆF t ) et ˆV 1 (t, ˆF t ) : achat si ˆV 0 (t, ˆF t ) = (1 g 01 ) α ˆV 1 (t, ˆF t ) vente si ˆV 1 (t, ˆF t ) = (1 g 10 ) α ˆV 0 (t, ˆF t ) buying zone selling zone Estimated F µ 1 = 0.2, µ 2 = 0.2, σ = 0.15, λ 1 = 2, λ 2 = 2, T = 3
48 Comparaison stratégie / fonction valeur 40/46 Calcul de la fonction valeur : pas de discrétisation en temps 10 6 pas de discrétisation en espace simulations de Monte Carlo de la stratégie F ˆV Stratégie F ˆV Stratégie
49 Coûts de transaction 0.25% Zones de transaction 41/46 Vrais paramètres : µ 1 = 0.2, µ 2 = 0.21, σ = 0.15, λ 1 = 2, λ 2 = 2, T = 3, δ = parametres bien specifies parametres mal specifies 1 Paramètres mal calibrés 1 : µ 1 = 0.3, µ 2 = 0.2, σ = 0.15, λ 1 = 1, λ 2 = parametres bien specifies parametres mal specifies 2 Paramètres mal calibrés 2 : µ 1 = 0.3, µ 2 = 0.1, σ = 0.25, λ 1 = 1, λ 2 = 1
50 Coûts de transaction 0.25% Stratégie mal calibrée vs Moyenne mobile 42/46 Vrais paramètres : µ 1 = 0.2, µ 2 = 0.21, σ = 0.15, λ 1 = 2, λ 2 = 2, T = 3, δ = simulations Monte Carlo Performance optimale Performance mal specifiee Performance chartiste Buy and Hold Paramètres mal calibrés 1 : µ 1 = 0.3, µ 2 = 0.2, σ = 0.15, λ 1 = 1, λ 2 = Performance optimale Performance mal specifiee Performance chartiste Buy and Hold Paramètres mal calibrés 2 : µ 1 = 0.3, µ 2 = 0.1, σ = 0.25, λ 1 = 1, λ 2 = 1
51 Coûts de transaction 0.5% Zones de transaction 43/46 Vrais paramètres : µ 1 = 0.2, µ 2 = 0.21, σ = 0.15, λ 1 = 2, λ 2 = 2, T = 3, δ = parametres bien specifies parametres mal specifies 1 Paramètres mal calibrés 1 : µ 1 = 0.3, µ 2 = 0.2, σ = 0.15, λ 1 = 1, λ 2 = parametres bien specifies parametres mal specifies 2 Paramètres mal calibrés 2 : µ 1 = 0.3, µ 2 = 0.1, σ = 0.25, λ 1 = 1, λ 2 = 1
52 Coûts de transaction 0.5% Stratégie mal calibrée vs Moyenne mobile 44/46 Vrais paramètres : µ 1 = 0.2, µ 2 = 0.21, σ = 0.15, λ 1 = 2, λ 2 = 2, T = 3, δ = simulations Monte Carlo Performance optimale Performance mal specifiee Performance chartiste Buy and Hold Paramètres mal calibrés 1 : µ 1 = 0.3, µ 2 = 0.2, σ = 0.15, λ 1 = 1, λ 2 = Performance optimale Performance mal specifiee Performance chartiste Buy and Hold Paramètres mal calibrés 2 : µ 1 = 0.3, µ 2 = 0.1, σ = 0.25, λ 1 = 1, λ 2 = 1
53 Coûts de transaction 0.1% Zones de transaction 45/46 Vrais paramètres : µ 1 = 0.2, µ 2 = 0.21, σ = 0.15, λ 1 = 2, λ 2 = 2, T = 3, δ = parametres bien specifies parametres mal specifies 1 Paramètres mal calibrés 1 : µ 1 = 0.3, µ 2 = 0.2, σ = 0.15, λ 1 = 1, λ 2 = parametres bien specifies parametres mal specifies 2 Paramètres mal calibrés 2 : µ 1 = 0.3, µ 2 = 0.1, σ = 0.25, λ 1 = 1, λ 2 = 1
54 Coûts de transaction 0.1% Stratégie mal calibrée vs Moyenne mobile 46/46 Vrais paramètres : µ 1 = 0.2, µ 2 = 0.21, σ = 0.15, λ 1 = 2, λ 2 = 2, T = 3, δ = simulations Monte Carlo Performance optimale Performance mal specifiee Performance chartiste Buy and Hold Paramètres mal calibrés : µ 1 = 0.18, µ 2 = 0.18, σ = 0.15, λ 1 = 4, λ 2 = Performance optimale Performance mal specifiee Performance chartiste Buy and Hold Paramètres mal calibrés : µ 1 = 0.18, µ 2 = 0.18, σ = 0.25, λ 1 = 4, λ 2 = 4
MATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en 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 détailDécomposition de Föllmer-Schweizer. explicite d un passif d assurance vie. au moyen du calcul de Malliavin
Décomposition de Föllmer-Schweizer explicite d un passif d assurance vie au moyen du calcul de Malliavin Mémoire présenté par Sébastien de Valeriola en vue de l obtention du master en sciences actuarielles
Plus en détailCalcul Stochastique pour la finance. Romuald ELIE
Calcul Stochastique pour la finance Romuald ELIE 2 Nota : Ces notes de cours sont librement inspirées de différentes manuels, polycopiés, notes de cours ou ouvrages. Citons en particulier ceux de Francis
Plus en 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 détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailRésumé... 9... 10... 10... 10
Bibliographie 1 Table des matières Table des matières.................................... 3 Résumé............................................ 9........................................ 10........................................
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en 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 détailIntroduction à l analyse numérique : exemple du cloud computing
Introduction à l analyse numérique : exemple du cloud computing Tony FEVRIER Aujourd hui! Table des matières 1 Equations aux dérivées partielles et modélisation Equation différentielle et modélisation
Plus en détailGénération de scénarios économiques
Modélisation des taux d intérêt Pierre-E. Thérond ptherond@galea-associes.eu pierre@therond.fr Galea & Associés ISFA - Université Lyon 1 22 novembre 2013 Motivation La modélisation des taux d intérêt est
Plus en 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 détailUNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP250-97157 Pointe-à-Pitre Cedex CONTRAT 2010-2013 LE MASTER NOM DU DOMAINE STS
UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP20-9717 Pointe-à-Pitre Cedex CONTRAT 2010-201 LE MASTER NOM DU DOMAINE STS Mention : Mathématiques Implantation : Guadeloupe FICHES DESCRIPTIVES
Plus en détailCalculating Greeks by Monte Carlo simulation
Calculating Greeks by Monte Carlo simulation Filière mathématiques financières Projet de spécialité Basile Voisin, Xavier Milhaud Encadré par Mme Ying Jiao ENSIMAG - Mai-Juin 27 able des matières 1 Remerciements
Plus en 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 détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détailIntroduction au pricing d option en finance
Introduction au pricing d option en finance Olivier Pironneau Cours d informatique Scientifique 1 Modélisation du prix d un actif financier Les actions, obligations et autres produits financiers cotés
Plus en détailCapital Structure Arbitrage : Theory and Practice of Structural Models
: Theory and Practice of Structural Models Pierre GARREAU University Paris-1 Panthéon Sorbonne 9 Juillet 2008 P. Garreau Press Review Les Enjeux Mise en Bouche Définitions Press Review Volkswagen, Europe
Plus en détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
Plus en détail21 mars 2012. Simulations et Méthodes de Monte Carlo. DADI Charles-Abner. Objectifs et intérêt de ce T.E.R. Générer l'aléatoire.
de 21 mars 2012 () 21 mars 2012 1 / 6 de 1 2 3 4 5 () 21 mars 2012 2 / 6 1 de 2 3 4 5 () 21 mars 2012 3 / 6 1 2 de 3 4 5 () 21 mars 2012 4 / 6 1 2 de 3 4 de 5 () 21 mars 2012 5 / 6 de 1 2 3 4 5 () 21 mars
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 détailManuel d Utilisateur - Logiciel ModAFi. Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO
Manuel d Utilisateur - Logiciel ModAFi Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO Grenoble, 12 juin 2012 Table des matières 1 Introduction 3 2 Modèles supportés 3 2.1 Les diérents modèles supportés pour
Plus en 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 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 détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailSurface de volatilité
Surface de volatilité Peter TANKOV Université Paris-Diderot(ParisVII) tankov@math.univ-paris-diderot.fr Dernière m.à.j. February 15, 15 Ce document est mis à disposition sous un contrat Creative Commons
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détailCircuits RL et RC. Chapitre 5. 5.1 Inductance
Chapitre 5 Circuits RL et RC Ce chapitre présente les deux autres éléments linéaires des circuits électriques : l inductance et la capacitance. On verra le comportement de ces deux éléments, et ensuite
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailOPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en 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 détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailESSEC Cours Wealth management
ESSEC Cours Wealth management Séance 9 Gestion de patrimoine : théories économiques et études empiriques François Longin 1 www.longin.fr Plan de la séance 9 Epargne et patrimoine des ménages Analyse macroéconomique
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailTechniques d interaction dans la visualisation de l information Séminaire DIVA
Techniques d interaction dans la visualisation de l information Séminaire DIVA Zingg Luca, luca.zingg@unifr.ch 13 février 2007 Résumé Le but de cet article est d avoir une vision globale des techniques
Plus en détailEconomie de l Incertain et des Incitations
Economie de l Incertain et des Incitations CHAPITRE 2 Eléments de théorie des jeux en information symétrique et asymétrique Equilibres Bayesiens - Université de Tours - M1 AGE - Arnold Chassagnon - Automne
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 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 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 détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailRO04/TI07 - Optimisation non-linéaire
RO04/TI07 - Optimisation non-linéaire Stéphane Mottelet Université de Technologie de Compiègne Printemps 2003 I Motivations et notions fondamentales 4 I1 Motivations 5 I2 Formes quadratiques 13 I3 Rappels
Plus en détailITIL Gestion de la capacité
ITIL Sommaire 1 GENERALITES 3 2 PERIMETRE DE LA GESTION DES CAPACITES 3 3 ACTIVITES ET LIVRABLES DE LA GESTION DES CAPACITES 4 3.1 ACTIVITES ITERATIVES OU GESTION DE PERFORMANCES : 4 3.2 GESTION DE LA
Plus en détailGestion stratégique d un fonds de pension en temps continu
Gestion stratégique d un fonds de pension en temps continu - Mohamed TALFI (Université Lyon 1, Laboratoire SAF) 2008.4 (WP 2048) Laboratoire SAF 50 Avenue Tony Garnier - 69366 Lyon cedex 07 http://www.isfa.fr/la_recherche
Plus en 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 détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailExercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?
Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version
Plus en détailExercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?
Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
Plus en 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 détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailCalibration de modèles et couverture de produits dérivés
Calibration de modèles et couverture de produits dérivés Peter Tankov To cite this version: Peter Tankov. Calibration de modèles et couverture de produits dérivés. DEA. Calibration de modèles et couverture
Plus en détailJean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux
Colonies de fourmis Comment procèdent les colonies de fourmi pour déterminer un chemin presque géodésique de la fourmilière à un stock de nourriture? Les premières fourmis se déplacent au hasard. Les fourmis
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailUne forme générale de la conjecture abc
Une forme générale de la conjecture abc Nicolas Billerey avec l aide de Manuel Pégourié-Gonnard 6 août 2009 Dans [Lan99a], M Langevin montre que la conjecture abc est équivalente à la conjecture suivante
Plus en détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailIntégrales doubles et triples - M
Intégrales s et - fournie@mip.ups-tlse.fr 1/27 - Intégrales (rappel) Rappels Approximation éfinition : Intégrale définie Soit f définie continue sur I = [a, b] telle que f (x) > 3 2.5 2 1.5 1.5.5 1 1.5
Plus en 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 détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
Plus en détailCalibration de Modèles et Couverture de Produits Dérivés
Calibration de Modèles et Couverture de Produits Dérivés Peter TANKOV Université Paris VII tankov@math.jussieu.fr Edition 28, dernière m.à.j. le 1 mars 28 La dernière version de ce document est disponible
Plus en 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 détailContribution à la conception par la simulation en électronique de puissance : application à l onduleur basse tension
Contribution à la conception par la simulation en électronique de puissance : application à l onduleur basse tension Cyril BUTTAY CEGELY VALEO 30 novembre 2004 Cyril BUTTAY Contribution à la conception
Plus en détailMARTINGALES POUR LA FINANCE
MARTINGALES POUR LA FINANCE une introduction aux mathématiques financières Christophe Giraud Cours et Exercices corrigés. Table des matières I Le Cours 7 0 Introduction 8 0.1 Les produits dérivés...............................
Plus en 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 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 détailPlanche n o 22. Fonctions de plusieurs variables. Corrigé
Planche n o Fonctions de plusieurs variables Corrigé n o : f est définie sur R \ {, } Pour, f, = Quand tend vers, le couple, tend vers le couple, et f, tend vers Donc, si f a une limite réelle en, cette
Plus en détailModèles de prix non-gaussiens pour les marchés de l énergie. Marie Bernhart
Modèles de prix non-gaussiens pour les marchés de l énergie Un modèle de prix par processus de Lévy de type NIG Marie Bernhart EDF R&D, OSIRIS, Gestion des Risques Marchés et Valorisation ENPC, 27 février
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailTRACER LE GRAPHE D'UNE FONCTION
TRACER LE GRAPHE D'UNE FONCTION Sommaire 1. Méthodologie : comment tracer le graphe d'une fonction... 1 En combinant les concepts de dérivée première et seconde, il est maintenant possible de tracer le
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 détailMIS 102 Initiation à l Informatique
MIS 102 Initiation à l Informatique Responsables et cours : Cyril Gavoille Catherine Pannier Matthias Robine Marc Zeitoun Planning : 6 séances de cours 5 séances de TD (2h40) 4 séances de TP (2h40) + environ
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailL E Ç O N. Marches aléatoires. Niveau : Terminale S Prérequis : aucun
9 L E Ç O N Marches aléatoires Niveau : Terminale S Prérequis : aucun 1 Chaînes de Markov Définition 9.1 Chaîne de Markov I Une chaîne de Markov est une suite de variables aléatoires (X n, n N) qui permet
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailTRAVAIL D ETUDE ET DE RECHERCHE. Utilisation des arbres binomiaux pour le pricing des options américaines
Ensimag - 2éme année Mai 2010 TRAVAIL D ETUDE ET DE RECHERCHE Utilisation des arbres binomiaux pour le pricing des options américaines Anne-Victoire AURIAULT 1/48 2/48 Cadre de l Étude Cette étude a été
Plus en détailCouverture des risques dans les marchés financiers
énéral2.6.137 1 2 Couverture des risques dans les marchés financiers Nicole El Karoui Ecole Polytechnique,CMAP, 91128 Palaiseau Cedex email : elkaroui@cmapx.polytechnique.fr Année 23-24 2 Table des matières
Plus en détailAlgorithmes pour la planification de mouvements en robotique non-holonome
Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot
Plus en détailSujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante.
Sujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante. Objectifs et formulation du sujet Le syndrome de l apnée du sommeil (SAS) est un problème de santé publique
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
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 détailApproximation diophantienne uniforme et dimension de Hausdorff
Approximation diophantienne uniforme et dimension de Hausdorff Lingmin LIAO Travaux en collaboration avec Yann Bugeaud, Dong Han Kim et Micha l Rams Université Paris-Est Créteil Séminaire de Probabilités
Plus en détailCours de gestion des risques d assurances et de théorie de la ruine. Stéphane Loisel
Cours de gestion des risques d assurances et de théorie de la ruine Stéphane Loisel ISFA, 2005-2006 Table des matières I Modélisation de la charge sinistre : du modèle individuel au modèle collectif 5
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailModélisation de séries financières par un modèle multifractal. Céline Azizieh
Modélisation de séries financières par un modèle multifractal Céline Azizieh Mémoire présenté à l Université Libre de Bruxelles en vue d obtenir le diplôme d actuaire Supervision: W. Breymann (RiskLab,
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
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 détailMODELES DE LA COURBE DES TAUX D INTERET. UNIVERSITE d EVRY Séance 1. Philippe PRIAULET
MODELES DE LA COURBE DES TAUX D INTERET UNIVERSITE d EVRY Séance 1 Philippe PRIAULET Plan du Cours Introduction Définition de la courbe des taux La multitude de courbes des taux Pourquoi utiliser un modèle
Plus en détailQUESTIONS D ENTRETIENS EN FINANCE DE MARCHE
QUESTIONS D ENTRETIENS EN FINANCE DE MARCHE Le présent document est un recueil de questions, la plupart techniques, posées à des candidats généralement jeunes diplômés, issus d école d ingénieurs, de commerce
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailRésumés des projets de GMM5-2014/2015
Résumés des projets de GMM5-2014/2015 Option MMS Statistical analysis of Raman Spectra skin to evaluate the benefit of Pierre Fabre s acne treatment cream Classification appliquée à la biologie structurale
Plus en détail