Distributions à queues épaisses bilatérales
|
|
- Martine St-Cyr
- il y a 8 ans
- Total affichages :
Transcription
1 Distributions à queues épaisses bilatérales et applications en finance avec le package FatTailsR Conférence R/Rmetrics - 7 juin 4 patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 / 3
2 A propos d InModelia Société de service basée à Paris : conseil et formation modélisation et conception de logiciels Depuis 9 : réseaux de neurones plans d expériences pour modèles non-linéaires Depuis 3 : distributions à queues épaisses (à partir d un travail avec ST-Microelectronics) Juin 4 : package FatTailsR d une nouvelle loi de probabilité explicite, bilatérale, symétrique (3 paramètres) ou asymétrique (4 paramètres) pour les distributions à queues épaisses en finance. Excellents résultats!! patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 / 3
3 Plan Modèles anciens - Idées nouvelles Modèles symétriques - Exemples : Or, Société Générale, Vivendi 3 Modèles asymétriques - Exemples : S&P 5, Euro-Dollar, VIX 4 Package FatTailsR patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 3 / 3
4 Distributions à queues épaisses bilatérales la quasi-totalité des rendement de cours de bourse sur des longues périodes risques de marché (Solvency II, Bâle III), gestion de portefeuille, produits dérivés,... citées par Mandelbrot (96), approfondies par Bouchaud et Potters (997), qui utilisent une combinaison de lois unilatérales pour les queues gauche et droite Figure : (a+b) Prix du coton jour-semaine-mois - (c+d) Indice S&P 5min-jour-semaine-mois lois de Student centrées ou décentrées fonctions caractéristiques = Nous proposons des nouvelles distributions explicites symétriques ou asymétriques patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 4 / 3
5 Exemple : Indice S&P 5 = Nous proposons des nouvelles distributions explicites symétriques ou asymétriques F(X) > points SP5 janv. 957 déc. 3 q.9999 =.8 q.99 =.6 q.999 = 5.4 F(X) < q. = 6. q. =.8 q. = 3.3 log% k x.4 = 3.9 x.3 = σ =.999 m =.6 µ =.44 γ =.3 α = 3. ω = log% x.4 = x.3 = σ = m = µ = γ = α = ω = q.999 = q.99 = q.95 = q.5 = q.5 = q. = q. = k k SP5 janv. 957 déc. 3 X µ k points 975 points 685 points Figure : Indice S&P 5 : (a) Fonction de répartition des logrendements (b) Vue Log-Log jour-semaine-mois patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 5 / 3
6 Idée nouvelle Considérons la fonction logistique qui a des queues moins épaisses que la Gaussienne : F (x) = + e x Il est remarquable que la combinaison de fonctions asymétriques e x et conduisent à une +... fonction parfaitement symétrique. Ceci découle à la propriété fondamentale de l exponentielle e x e x = qui entraine F ( x) = F (x) et pour la fonction de densité : f (x) = F (x)f ( x) Figure : (a) Exp et hp (b) logis et logishp (c) dlogis et dlogishp patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 6 / 3
7 Idée nouvelle Considérons la fonction logistique qui a des queues moins épaisses que la Gaussienne : F (x) = + e x Il est remarquable que la combinaison de fonctions asymétriques e x et conduisent à une +... fonction parfaitement symétrique. Ceci découle à la propriété fondamentale de l exponentielle e x e x = qui entraine F ( x) = F (x) et pour la fonction de densité : f (x) = F (x)f ( x) Figure : (a) Exp et hp (b) logis et logishp (c) dlogis et dlogishp Nous proposons d utiliser les autre courbes qui vérifient la propriété y( x)y(x) = : les hyperboles simples les hyperboles puissance de paramètre qui permettent la construction de fonctions de type logistique ayant une convergence en x patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 6 / 3
8 Hyperboles puissance Nous appelons hyperboles puissance les fonctions positives qui vérifient : Equation générique des hyperboles puissance ( y / + X µ ) y / = () γ Elles admettent pour solution les courbes d équation : y(x, µ, γ, ) = ( ( ) X µ X µ γ + + ) γ = e log ( ) ( X µ X µ ) + γ + γ soit : Hyperboles puissance X µ y(x, µ, γ, ) = e asinh( γ ) + e X µ γ () Pour =, on retrouve l hyperbole simple patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 7 / 3
9 Exphp, sinhp, coshp, tanhp hp( x, =... ) + exp( x/) coshp( x, =... ) + cosh(x/) exp( x/) cosh(x/) sinhp( x, =... ) + sinh(x/) tanhp( x, =... ) + tanh(x/) sinh(x/) tanh(x/) asinh( x Figure : (a) Hyperbole puissance - exphp ( x) = e [ ] ) (b) Cosinus hyperbolique puissance - coshp (x) = cosh asinh( x ) (c) Sinus hyperbolique puissance - sinhp (x) = sinh (d) Tangente hyperbolique puissance - tanhp (x) = tanh [ ] asinh( [ x ) asinh( x ) ] + e x + cosh( x ) + sinh( x ) + tanh( x ) patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 8 / 3
10 Hyperboles puissance, fonctions de répartition, densités K hp( x, =... ) + exp( x/). Probabilités : K ( µ =, γ =, =... ) + Gauss ( σ = 3. ).5 Densités : K ( µ =, γ =, =... ) + Gauss ( σ = 3. ) exp( x/) Gauss Gauss Figure : (a) Hyperboles puissance - (b) Fonctions de répartition - (c) Densités ( Modèle K : fonctions de répartition et densités, T = asinh X µ ) γ : F (X) = + e asinh ( X µ γ ) f (X) = 4γ cosh (T ) ( + cosh (T )) f () = 8γ (3) F et f vérifient le théorème de Karamata et caractérisent des fonctions à variation lente : x f (x) x f (x) lim x = et lim F (x) x + F (x) = Quantiles et densités (en fonction ( de la probabilité) : ) logit(p) X = µ + γ sinh f (X) = logit(p) sech( ) p ( p) γ patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 9 / 3
11 Logit et Logdensités Logit(Proba) : K ( µ =, γ =, =... ) + Logistique + Gauss (σ = 3. ) LogDensités : K ( µ =, γ =, =... ) + Logistique + Gauss (σ = 3. ) logit(q.999) = logit(q.99) = logit(q.95) = logit(q.5) = logit(q.5) = logit(q.) = logit(q.) = Logistique Logistique Gauss 8 Gauss Figure : (a) QL-Plot = Quantiles + Logit des fonctions de répartition ( logit F (X, µ, γ, ) = asinh X µ ) γ (b) Logdensités ( ( log f (X) = log(8γ) log(cosh(t )) log cosh T )) Sur le graphique QL-plot (a) ayant en ordonnée le logit des fonctions de répartition : en échelle logit : logit(.,.,.5,.95,.99,.999) = (,,,,,, 6.) le logit de la fonction logistique( x ) est la bissectrice (en pointillé) la Gaussienne (traits + points) est concave puis convexe les fonctions logistique puissance sont convexes puis concaves (=> fonctions subexponentielles) les courbures des fonctions logistique puissance, fonctions de, sont parfaitement distinctes patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 / 3
12 Comparaison avec la fonction de Cauchy ( = ). Probabilités : K ( µ =, γ =, = ) + Cauchy Cauchy.5 Densités : K ( µ =, γ =, = ) + Cauchy Cauchy..5.. Figure : Modèle K ( = ) et loi de Cauchy : (a) Probabilités - (b) Densités F (x) = x + ( x ) + x = p p ( p) f (x) = x +4+ x +4 f (x) = ( p ) + ( ) p G(x) =, 5 + π arctan( x ) x = π tan (π (p, 5)) g(x) = π π +x g(x) = cos (π (p,5)) π lim X + F (X) = x + x x 4 + o( x 5 ) lim X + G(X) = x + π 3x 3 π4 5x 5 + o( x 7 ) patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 / 3
13 Comparaison avec la Gaussienne ( quelconque, γ =.33). Probabilités : K ( µ =, γ =.33, = 3. ) + Gauss ( σ = ) Gauss.4 Densités : K ( µ =, γ =.33, = 3. ) + Gauss ( σ = ) Gauss Figure : Modèle K (γ =, 33, = 3.) et loi de Laplace-Gauss (σ = ) : (a) Probabilités - (b) Densités On peut comparer la fonction K avec la loi de Laplace-Gauss à pics de densité identiques. L égalité entre les deux pics de densité en X = µ donne = ζσ = 8 γ =, soit : ζ γ π σ γ = π 8 σ, 33 σ et σ = 8 π γ 3, 9 γ patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 / 3
14 Comparaison avec la loi de Student centrée Densité de la loi de Student centrée à ν degrés de liberté : f (x) = Γ( ν+ νπ ( ) Γ( ν ) + x ν ) ν+ Logit(Proba) : Student( ν =... ) + Logistique + Gauss ν Logistique Gauss. logit(q.999) = logit(q.99) = logit(q.95) = logit(q.5) = logit(q.5) = logit(q.) = logit(q.) = LogDensités : Student ( ν =... ) + Logistique + Gauss 3 ν Logistique Gauss Densités : Student ( ν =... ) + Gauss.45 ν Gauss Figure : Lois de Student (ν =,, 3, 5, 7, 5), Logistique et Laplace-Gauss : (a) Logit(Probabilités) - (b) Logdensités - (c) Densités ν ne prend que des valeurs entières : ν est impossible ν = loi de Cauchy. ν = =. ν = 8 logistique ν = + Gauss Les pics de densité (et donc la normalisation) dépendent de ν En pratique, on utilisera ν = (, 3, 4, 5, 6, 7, 8) qui couvre le domaine subexponentiel patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 3 / 3
15 Processus symétriques ( =, = 3., = 5 et = ) x (ɛ = ) 4 Processus simples ( µ =, γ =, = ) σ = 7.6 x.4 = 66. σ =. x.4 = Processus simples ( µ =, γ =, = 3. ) σ = x.4 = 5 σ = 4.9 x.4 = Processus simples ( µ =, γ =, = 5 ) σ = 3.9 x.4 = 6. σ = 4 x.4 = 9.9 Processus simples ( µ =, γ =, = ) σ = 3.7 x.4 = 4.3 σ = 3.7 x.4 = σ = 6.8 x.4 = 43.4 σ = 4.5 x.4 = 9.3 σ = 3.9 x.4 = 5. σ = 3.7 x.4 = Processus cumulés ( µ =, γ =, = ) Processus cumulés ( µ =, γ =, = 3. ) Processus cumulés ( µ =, γ =, = 5 ) Processus cumulés ( µ =, γ =, = ) 6 σ = 8.7 x.4 = σ = 4.7 x.4 = 3 3 σ = 4 x.4 = 7 σ = 3.7 x.4 = Processus cumulés ( µ =, γ =, = ) Processus cumulés ( µ =, γ =, = 3. ) Processus cumulés ( µ =, γ =, = 5 ) Processus cumulés ( µ =, γ =, = ) Figure : Processus et Processus cumulés : (a) = (b) = 3. (c) = 5 (c) = patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 4 / 3
16 Lingot d or : = 4, ɛ =, symétrie multi-échelle Or janv. 999 déc points F(X) > points Or janv. 999 déc. 3 q.99 = 3.8 q.999 = 7.3 F(X) < q. = 7.3 q. = 3.8 log% k x.4 = 7.7 x.3 =. σ =.4 m =.34 µ = γ =.333 α = 4 ω = log% x.4 = x.3 = σ = m = µ = γ = α = ω = q.999 = q.99 = q.95 = q.5 = q.5 = q. = q. = k k k Or janv. 999 déc. 3 X µ 3694 points 784 points 8 points 4 Or janv. 999 déc. 3 Or janv. 999 déc. 3 Or janv. 999 déc points Rdt log%. log% x.4 = x.3 = σ = m = µ = γ = α = ω = q.999 = q.99 = q.95 = q.5 = q.5 = q. = q. = k points Logit(F(X)) 5 5 Quantiles (< ) gauss g. kk q. gauss g. kk q Figure : (a) Cours du lingot d or - (b) xlog-rendement du lingot d or (c) Fonction de répartition empirique ( = α = ω) - (d) Logit de la fonction de répartition empirique (e) Fonction de répartition empirique en échelle Log-Log sur période jour, semaine, mois (f) Risques à % et sur une période annuelle (5 jours) glissante selon la Gaussienne et la loi K patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 5 / 3
17 Les profils annuels de risque de Société Générale et Vivendi L analyse des rendements peut se faire sur des périodes plus courtes, par exemple sur un an, soit environ 5 jours. Le paramètre de queue indique la courbure. q. est le risque à. Société-Générale x.4 σ m µ γ q. q Vivendi x.4 σ m µ γ q. q patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 6 / 3
18 Profils annuels des rendements et risques de Vivendi Vivendi janv. 998 déc. 998 Vivendi janv. 999 déc. 999 Vivendi janv. déc. 47 points Logit(F(X)) 53 points Logit(F(X)) 53 points Logit(F(X)) log% k x.4 = 4.5 x.3 =.3 σ =.93 m =. µ =.59 γ =.56 α = 4.9 ω = 4.9. q.999 = 9.7 q.99 = 5.5 q.95 = 3.3 q.5 =.59 q.5 = 3 q. = 5. q. = 9.4 log% k x.4 = 3 x.3 =. σ =.86 m =.85 µ = γ =.55 α = ω =. q.999 = 7.7 q.99 = 4.9 q.95 = 3. q.5 = q.5 = 3. q. = 4.9 q. = 7.7 log% k x.4 = 4. x.3 =. σ =.7 m =.97 µ =.56 γ =.76 α = 5 ω = 5. q.999 = 3.4 q.99 = 7.5 q.95 = 4.4 q.5 =.56 q.5 = 4.5 q. = 7.6 q. = Vivendi janv. déc. Vivendi janv. déc. Vivendi janv. 3 déc points Logit(F(X)) 55 points Logit(F(X)) 55 points Logit(F(X)) log% k x.4 = 6 x.3 =. σ =.63 m =.5 µ =.38 γ =.69 α = 3.3 ω = 3.3. q.999 = 6.3 q.99 = 7.7 q.95 = 4. q.5 =.38 q.5 = 4.3 q. = 7.9 q. = 6.6. log% x.4 = x.3 = σ = m = µ = γ = α = ω = k q.999 = 47.7 q.99 = 8. q.95 = 8.4 q.5 =.666 q.5 = 9.7 q. = 9.5 q. = 49 log% k x.4 = 5. x.3 =. σ =.8 m =.88 µ = γ =.7 α = 4 ω = 4. q.999 = 5.3 q.99 = 8 q.95 = q.5 = q.5 = q. = 8 q. = Vivendi janv. 4 déc. 4 Vivendi janv. 5 déc. 5 Vivendi janv. 6 déc points Logit(F(X)) 57 points Logit(F(X)) 55 points Logit(F(X)) log% k x.4 = 4. x.3 =. σ =.5 m =.76 µ =.45 γ =.4 α = 5 ω = 5. q.999 = 7.5 q.99 = 4.3 q.95 =.5 q.5 =.45 q.5 =.5 q. = 4. q. = 7.4 log% k x.4 = 3.7 x.3 = σ =.6 m =.46 µ =.8 γ =.96 α = ω =. q.999 = 4.5 q.99 = q.95 =.8 q.5 =.8 q.5 =.7 q. =.7 q. = 4.3 log% k x.4 = 3. x.3 =. σ =.4 m =.44 µ =.7 γ =.36 α = ω =. q.999 = 4.8 q.99 = 3. q.95 = q.5 =.7 q.5 =.8 q. = q. = Figure : Logit des fonctions de répartition empirique de Vivendi ( : Jean-Marie Messier) (a) (b) (c) - (d) - (e) - (f) 3 - (g) 4 - (h) 5 - (i) 6 patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 7 / 3
19 Profils annuels des rendements et risques de Société Générale Societe Generale janv. 5 déc. 5 Societe Generale janv. 6 déc. 6 Societe Generale janv. 7 déc points Logit(F(X)) 55 points Logit(F(X)) 55 points Logit(F(X)) log% k x.4 = 3.9 x.3 =. σ =. m =.3 µ =.8 γ =.76 α = 6.5 ω = 6.5. q.999 = 4.7 q.99 = q.95 =.8 q.5 =.8 q.5 =.6 q. =.6 q. = 4.5 log% k x.4 = 4.9 x.3 =. σ =.39 m =.84 µ = γ =.35 α = 4 ω = 4. q.999 = 7.7 q.99 = 4 q.95 =.3 q.5 = q.5 =.3 q. = 4 q. = 7.7 log% k x.4 = 4.7 x.3 =. σ =.8 m =.3 µ =.6 γ =.466 α = 4.4 ω = 4.4. q.999 = 9.5 q.99 = 5. q.95 = 3 q.5 =.6 q.5 = q. = 5 q. = 9.4 Societe Generale janv. 8 déc. 8 Societe Generale janv. 9 déc. 9 Societe Generale janv. déc. 56 points Logit(F(X)) 56 points Logit(F(X)) 58 points Logit(F(X)). log% k x.4 = 5. x.3 = σ = 4.48 m =.369 µ =.476 γ =.8 α = 3.4 ω = 3.4 q.999 = q.99 =.7 q.95 = 6.7 q.5 =.476 q.5 = 7.7 q. = 3.7 q. = 7.8 log% k x.4 = 4.7 x.3 =. σ = 3.7 m =. µ =.44 γ =.938 α = 4 ω = 4. q.999 =.8 q.99 = q.95 = 6.4 q.5 =.44 q.5 = 5.6 q. =. q. = log% k x.4 =.9 x.3 =. σ = 3.7 m =.76 µ =. γ =.67 α =.8 ω =.8. q.999 =.8 q.99 = 9. q.95 = q.5 =. q.5 = 4.8 q. = 9.4 q. = Societe Generale janv. déc. Societe Generale janv. déc. Societe Generale janv. 3 déc points Logit(F(X)) 56 points Logit(F(X)) 55 points Logit(F(X)). log% x.4 = x.3 = σ = m = µ = γ = α = ω = q.999 = q.99 = q.95 = q.5 = q.5 = q. = q. = k log% k x.4 = 3.7 x.3 =.3 σ = 3.6 m =.95 µ =. γ =.97 α = ω =. q.999 = 3.7 q.99 = 8.8 q.95 = 5.6 q.5 =. q.5 = 5. q. = 8.4 q. = 3.3 log% k x.4 = 4.5 x.3 =.3 σ =.8 m =.56 µ =.8 γ =.578 α = 5.3 ω = 5.3. q.999 =.6 q.99 = 6. q.95 = 3.8 q.5 =.8 q.5 = 3.4 q. = 5.8 q. =.3 Figure : Logit des fonctions de répartition empirique de Société Générale (a) 5 - (b) 6 - (c) 7 - (d) 8 - (e) 9 - (f) - (g) - (h) - (i) 3 patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 8 / 3
20 Les profils annuels de risque Or janv. 999 déc. 3 CAC4_PX janv. 988 déc. 3 Quantiles (< ) Quantiles (< ) gauss g. kk q. gauss g. kk q. gauss g. kk q. gauss g. kk q Societe Generale juil. 99 janv. 4 Quantiles (< ) Vivendi juil. 99 déc. 3 Quantiles (< ) gauss g. kk q. gauss g. kk q. gauss g. kk q. gauss g. kk q Figure : (a) Quantiles de l or - (b) Quantiles du CAC4 - (c) Quantiles de la Société Générale - (d) Quantiles de Vivendi estimés par la Gaussienne (en pointillé) ou par la fonction K (en traits pleins) aux seuils de % et sur des échantillons d environ 5 points par année patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 9 / 3
21 Comparaison des différents paramètres de la loi K Médiane vs moyenne Or + CAC4 + Société Générale + Vivendi µ m Coefficient de queue vs kurtosis Or + CAC4 + Société Générale + Vivendi kurtosis Coefficient de queue vs coefficients d'échelle Or + CAC4 + Société Générale + Vivendi γ σ Figure : Comparaison des différents paramètres de la loi K (un point = une année 5 jours) : (a) Médiane et moyenne - (b) et kurtosis - (c) et ratio γ/σ patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 / 3
22 Fonctions puissance asymétriques - K Nous appelons fonctions puissance les fonctions positives qui vérifient l équation : Fonctions puissance ( y /α + X µ γ où est la moyenne harmonique de α et ω telle que = ) y /ω = (4) ( α + ω ) Nous appelons loi K la fonction de répartition F et la fonction de densité f construites selon : p = F (X) = + y et f (X) = df (X) dx X s exprime aisément en fonction de y et de p. Comme y = p et log(y) = logit(p), il vient : p ( X = µ + γ y /α + y /ω) ( ( = µ + γ p ) /α ( p + p ) ) /ω p (5) Quantile de la loi K X(p; µ, γ, α, ω) = µ + γ ( e logit(p) α ) + e logit(p) ω (6) patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 / 3
23 Modèles K3 et K4 : autre forme de K et extension de K α et ω sont naturellement très corrélés dans le modèle K. Considérons les termes ɛ et δ : ( = ) ( ) α + et δ = ɛ ω = α + ω Il vient : Conversion de α et ω de et vers, δ et ɛ α = δ ω = + δ ɛ = α ω α + ω α = ɛ ω = + ɛ (7) < ɛ < est une mesure de l excentricité du modèle. On peut l écrire en % < δ < est une mesure de la distorsion du modèle. On peut l écrire en % ou en Réécrivons le modèle K : Quantile des lois K3 et K4 { ( logit(p) ) X(p; µ, γ,, δ) = µ + γ sinh ( e δ logit(p) ) logit(p) ɛ X(p; µ, γ,, ɛ) = µ + γ sinh e logit(p) (8) ( ) On notera e δ logit(p) p δ = p patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 / 3
24 Modèles asymétriques (K, K3, K4) 5 5 ω Quantiles : K ( µ =, γ =, α =, ω =... ). ε Probabilité : K4 ( µ =, γ =, = 3., ε =... ).5.5 ε Densité : K4 ( µ =, γ =, = 3., ε =... ) Dérivées des quantiles : K ( µ =, γ =, α =, ω =... ) ω ε Logit(Proba) : K4 ( µ =, γ =, =, ε =... ) 3 Logdensité : K4 ( µ =, γ =, = 3., ε =... )...5. logit(q.999) = logit(q.99) = logit(q.95) = logit(q.5) = logit(q.5) = logit(q.) = logit(q.) = ε Figure : Modèles K et K3 : (a) Quantiles - (b) Probabilités (c) Densités (d) Dérivées de la loi du quantile - (e) Logit des probabilités - (f) Logdensités patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 3 / 3
25 Comparaison avec la loi de Student décentrée Loi de Student décentrée à ν degrés de liberté et de paramètre de décentrement µ : { j= j! F v,µ(x) = ( µ ) j e µ Γ( j+ ( ) Γ(/) I v ) v+x ; v, j+, x j! ( µ ) j e µ Γ( j+ ( ) Γ(/) I v ) v+x ; v, j+, x < j=.4. Non central Student Density ( ν = 3, ncp =... ) Non central Student LogDensity ( ν = 3, ncp =... ) Logit(Non central Student Probability) ( ν = 3, ncp =... ) ncp ncp ncp logit(q.999) = logit(q.99) = logit(q.95) = logit(q.5) = logit(q.5) = logit(q.) = logit(q.) = Figure : Lois de Student décentrées (ν = 3, ncp =,,, 4, 5) (a) Densités - (b) Logdensités - (c) Logit(Probabilités) Le paramètre de décentrement µ peut prendre des valeurs réelles, positives ou négatives Les paramètre ν et µ influent simultanément sur les queues de distribution ET sur le mode, la médiane et la moyenne patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 4 / 3
26 Processus asymétriques ( =, 3., 5, )x(δ =.4,.8,.) Processus cumulés ( µ =, γ =, =, δ = 4 ) Processus cumulés ( µ =, γ =, = 3., δ = 4 ) Processus cumulés ( µ =, γ =, = 5, δ = 4 ) Processus cumulés ( µ =, γ =, =, δ = 4 ) 4 σ = 8.6 x.4 = 38 σ = 4.8 x.4 = 3 σ = 4. x.4 = 9 5 σ = 3.8 x.4 = Processus cumulés ( µ =, γ =, =, δ = 8 ) Processus cumulés ( µ =, γ =, = 3., δ = 8 ) Processus cumulés ( µ =, γ =, = 5, δ = 8 ) Processus cumulés ( µ =, γ =, =, δ = 8 ) σ =. x.4 = 87 3 σ = 5.3 x.4 = 7 σ = 4.4 x.4 = 9 σ = 4 x.4 = Processus cumulés ( µ =, γ =, =, δ = ) Processus cumulés ( µ =, γ =, = 3., δ = ) Processus cumulés ( µ =, γ =, = 5, δ = ) Processus cumulés ( µ =, γ =, =, δ = ) σ = x.4 = 39 4 σ = 6. x.4 = 64 3 σ = 4.9 x.4 = 43 σ = 4.4 x.4 = Figure : Processus cumulés : (a) = (b) = 3. (c) = 5 (c) = patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 5 / 3
27 Euro-Dollar : α = 9., ω = 8., ɛ = 6%, asymétrie multi-échelle Euro Dollar janv. 999 déc points F(X) >.98 Euro Dollar janv. 999 déc points q.99 =.8 q.999 = F(X) < q. =.6 q. =.7 log% k x.4 = 4.7 x.3 =. σ =.66 m =.4 µ = γ =.77 α = 9. ω = log% x.4 = x.3 = σ = m = µ = γ = α = ω = q.999 = q.99 = q.95 = q.5 = q.5 = q. = q. = k k Euro Dollar janv. 999 déc. 3 X µ 3843 points 784 points 8 points k Euro Dollar janv. 999 déc. 3 Euro Dollar janv. 999 déc. 3 Euro Dollar janv. 999 déc points Rdt log% 384 points Logit(F(X)) Quantiles (< ). log% x.4 = x.3 = σ = m = µ = γ = α = ω = q.999 = q.99 = q.95 = q.5 = q.5 = q. = q. = k gauss g. kk q. gauss g. kk q Figure : (a) Cours de Euro-Dollar - (b) xlog-rendement de Euro-Dollar (c) Fonction de répartition empirique (α > > ω) - (d) Logit de la fonction de répartition empirique (e) Fonction de répartition empirique en échelle Log-Log sur période jour, semaine, mois (f) Risques à % et sur une période annuelle (5 jours) glissante selon la Gaussienne et la loi K patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 6 / 3
28 VIX : α = 5, ω = 4, ɛ = %, forte asymétrie multi-échelle VIX janv. 4 déc points VIX janv. 4 déc. 3 F(X) > points q.99 = 9.8 q.999 = 39 F(X) < q. = 8.9 q. = 6.8 log% kw x.4 = 7.3 x.3 =.7 σ = 6.74 m =. µ =.537 γ =.66 α = 5 ω = VIX janv. 4 déc. 3 X µ log% kw kw kw x.4 = x.3 = σ = m = µ = γ = α = ω = q.999 = q.99 = q.95 = q.5 = q.5 = q. = q. = points 53 points points VIX janv. 4 déc. 3 VIX janv. 4 déc. 3 VIX janv. 4 déc points Rdt log% 56 points Logit(F(X)) Quantiles (> ) 4. log% x.4 = x.3 = kw σ = 6.74 m =. µ =.537 γ =.66 α = 5 ω = 4 q.999 = 39 q.99 = 9.8 q.95 =.8 q.5 =.537 q.5 =.3 q. = 6.8 q. = gauss g.99 kk q.99 gauss g.999 kk q Figure : (a) Cours du VIX - (b) xlog-rendement du VIX (c) Fonction de répartition empirique (α > > ω) - (d) Logit de la fonction de répartition empirique (e) Fonction de répartition empirique en échelle Log-Log sur période jour, semaine, mois (f) Risques à % et sur une période annuelle (5 jours) glissante selon la Gaussienne et la loi K patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 7 / 3
29 Package FatTailsR Divers kashp(x, k = ), ashp, dkashp_dx, invlogit(x), logit(p) Hyperboles puissance, fonctions puissance hyperboliques et leurs inverses exphp(x, k = ), coshp, sinhp, tanhp, sechp, cosechp, cotanhp loghp(x, k = ), acoshp, asinhp, atanhp, asechp, acosechp, acotanhp Fonctions symétriques Logishp et Kiener, sans ou avec paramètres m et g d,p,q,r logishp( xqpn, k = ) d,p,q,r kiener( xqpn, m =, g =, k = 3.) Fonctions asymétriques Kiener, Kiener3, Kiener4 q,r kiener( pn, m =, g =, a = 3., w = 3.) q,r kiener3( pn, m =, g =, k = 3., d = ) q,r kiener4( pn, m =, g =, k = 3., e = ) Estimation paramétrique laplacegaussnorm(x) regkienerlx( X, model = "k4", dgts = c(3, 3,,,, 3,, 4, 4,, ), maxk =, mink =.7, app = ) = Disponible sur le CRAN : patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 8 / 3
30 Package FatTailsR : regkienerlx et indice SMI patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 9 / 3
31 Conclusion Nous avons présenté : les hyperboles puissance, les fonctions puissance et des nouvelles distributions adaptées aux queues épaisses qui utilisent la médiane comme valeur pivot le modèle symétrique est explicite pour toutes les représentations (pdf, cdf, quantiles,...) le modèle asymétrique possède une loi du quantile explicite une modélisation très précise des distributions des rendements et risques un nouveau package : FatTailsR Des questions ouvertes : fonctions caractéristiques, moments, prior et posterior bayésiens modèles multivariés, copules. Mais quel produit scalaire et quelle corrélation? Corrélation du paramètre central γ, du paramètre de queue ou du quantile q %? processus stochastiques. Ici, µγɛ n est pas mσ!! Quel nom pour ces processus : µγɛ-garch ou peut-être Garck? ) e ɛ logit(p t ) ( ds t logit(p = µ S t mdt + γdw t avec dw t sinh t ) les variations des paramètres (γ/σ, ) vus à la diapositive peuvent-elles expliquer le smile de volatilité des produits dérivés? Perspectives d applications : risques de marché (Bâle III, bcbs4, jan. 3), gestion de portefeuille, produits dérivés,... enrichir le package patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 3 / 3
32 Bibliographie B. Mandelbrot, Sur certains prix spéculatifs : faits empiriques et modèle basé sur les processus stables additifs non gaussiens de Paul Lévy, C. R. Acad. Sci. Paris, vol. 54, (96) (reprinted in Fractales, hasard et finance, Flammarion, 9). J-P. Bouchaud, M. Potters, Théorie des risques financiers, CEA Aléa Saclay, L. De Haan, On regular variation and its application to the weak convergence of sample extremes, Mathematical Centre Tracts vol. 3, Matematisch Centrum Amsterdam, The R Project for Statistical Computing, 5 Rmetrics, 6 8th R/Rmetrics Workshop and Summer School, Package FatTailsR Version.-3 (4 juillet 4) disponible sur le CRAN : Pour citer et télécharger ce document (seule la version anglaise a été présentée) : P. Kiener, Explicit models for bilateral fat-tailed distributions and applications in finance with the package FatTailsR, 8th R/Rmetrics Workshop and Summer School, Paris, 7 June 4. patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 3 / 3
33 . Merci pour votre attention! Tél. : patrice.kiener@inmodelia.com Distributions à queues épaisses bilatérales Conférence R/Rmetrics - 7 juin 4 3 / 3
Annexe 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 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 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 détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailDéveloppements limités
Université Joseph Fourier, Grenoble Maths en Ligne Développements limités Bernard Ycart Les développements limités sont l outil principal d approximation locale des fonctions. L objectif de ce chapitre
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 détailLes travaux doivent être remis sous forme papier.
Physique mathématique II Calendrier: Date Pondération/note nale Matériel couvert ExercicesSérie 1 : 25 septembre 2014 5% RH&B: Ch. 3 ExercicesSérie 2 : 23 octobre 2014 5% RH&B: Ch. 12-13 Examen 1 : 24
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 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 détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
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 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 détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailCours d Analyse I et II
ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE Cours d Analyse I et II Sections Microtechnique & Science et génie des matériaux Dr. Philippe Chabloz avril 23 Table des matières Sur les nombres. Les nombres
Plus en détailAide - mémoire gnuplot 4.0
Aide - mémoire gnuplot 4.0 Nicolas Kielbasiewicz 20 juin 2008 L objet de cet aide-mémoire est de présenter les commandes de base pour faire rapidement de très jolis graphiques et courbes à l aide du logiciel
Plus en détailChapitre 3 : Le budget des ventes. Marie Gies - Contrôle de gestion et gestion prévisionnelle - Chapitre 3
Chapitre 3 : Le budget des ventes Introduction 2 Rappel des différents budgets opérationnels - budget des ventes (chapitre 3) - budget de production (chapitre 4) - budget des approvisionnements et des
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en 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 détailCours d introduction à la théorie de la détection
Olivier J.J. MICHEL Département EEA, UNSA v1.mars 06 olivier.michel@unice.fr Laboratoire LUAN UMR6525-CNRS Cours d introduction à la théorie de la détection L ensemble du document s appuie très largement
Plus en détailNotes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables Fausto Errico Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2012 Table des matières
Plus en détailEtude de fonctions: procédure et exemple
Etude de fonctions: procédure et exemple Yves Delhaye 8 juillet 2007 Résumé Dans ce court travail, nous présentons les différentes étapes d une étude de fonction à travers un exemple. Nous nous limitons
Plus en détailDéveloppements limités. Notion de développement limité
MT12 - ch2 Page 1/8 Développements limités Dans tout ce chapitre, I désigne un intervalle de R non vide et non réduit à un point. I Notion de développement limité Dans tout ce paragraphe, a désigne un
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 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 détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
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 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 détailNombre dérivé et tangente
Nombre dérivé et tangente I) Interprétation graphique 1) Taux de variation d une fonction en un point. Soit une fonction définie sur un intervalle I contenant le nombre réel a, soit (C) sa courbe représentative
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 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 détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailCalculs de probabilités avec la loi normale
Calculs de probabilités avec la loi normale Olivier Torrès 20 janvier 2012 Rappels pour la licence EMO/IIES Ce document au format PDF est conçu pour être visualisé en mode présentation. Sélectionnez ce
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 détailNathalie Barbary SANSTABOO. Excel 2010. expert. Fonctions, simulations, Groupe Eyrolles, 2011, ISBN : 978-2-212-12761-4
Nathalie Barbary Nathalie Barbary SANSTABOO Excel 2010 Fonctions, simulations, bases bases de de données expert Groupe Eyrolles, 2011, ISBN : 978-2-212-12761-4 Du côté des mathématiciens 14 Il n est pas
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 détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailLes équations différentielles
Les équations différentielles Equations différentielles du premier ordre avec second membre Ce cours porte exclusivement sur la résolution des équations différentielles du premier ordre avec second membre
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 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 détailFonctions de plusieurs variables
Maths MP Exercices Fonctions de plusieurs variables Les indications ne sont ici que pour être consultées après le T (pour les exercices non traités). Avant et pendant le T, tenez bon et n allez pas les
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
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 détailDéveloppements limités, équivalents et calculs de limites
Développements ités, équivalents et calculs de ites Eercice. Déterminer le développement ité en 0 à l ordre n des fonctions suivantes :. f() e (+) 3 n. g() sin() +ln(+) n 3 3. h() e sh() n 4. i() sin(
Plus en détailTOUT CE QU IL FAUT SAVOIR POUR LE BREVET
TOUT E QU IL FUT SVOIR POUR LE REVET NUMERIQUE / FONTIONS eci n est qu un rappel de tout ce qu il faut savoir en maths pour le brevet. I- Opérations sur les nombres et les fractions : Les priorités par
Plus en détailFonctions de plusieurs variables. Sébastien Tordeux
Fonctions de plusieurs variables Sébastien Tordeux 22 février 2009 Table des matières 1 Fonctions de plusieurs variables 3 1.1 Définition............................. 3 1.2 Limite et continuité.......................
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailApproximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en 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 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 détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailTraceur de courbes planes
Traceur de courbes planes Version 2.5 Manuel d utilisation Patrice Rabiller Lycée Notre Dame Fontenay le Comte Mise à jour de Janvier 2008 Téléchargement : http://perso.orange.fr/patrice.rabiller/sinequanon/menusqn.htm
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 détailDéveloppements limités usuels en 0
Développements limités usuels en 0 e x sh x ch x sin x cos x = + x! + x! + + xn n! + O ( x n+) = x + x3 3! + + xn+ (n + )! + O ( x n+3) = + x! + x4 4! + + xn (n)! + O ( x n+) = x x3 3! + + ( )n xn+ (n
Plus en détailCalcul Formel et Numérique, Partie I
Calcul Formel et Numérique NicolasVandenberghe nvdb@irphe.univ-mrs.fr Table des matières 1 Introduction à Matlab 2 1.1 Quelques généralités.......................... 2 1.2 Où trouver des informations......................
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 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 détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
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 détailCHOIX OPTIMAL DU CONSOMMATEUR. A - Propriétés et détermination du choix optimal
III CHOIX OPTIMAL DU CONSOMMATEUR A - Propriétés et détermination du choix optimal La demande du consommateur sur la droite de budget Résolution graphique Règle (d or) pour déterminer la demande quand
Plus en détailChap 4. La fonction exponentielle Terminale S. Lemme : Si est une fonction dérivable sur R telle que : = et 0! = 1 alors ne s annule pas sur R.
Lemme : Si est une fonction dérivable sur R telle que : = et 0! = 1 alors ne s annule pas sur R. Démonstration : Soit la fonction %:& %&!= &!, elle est dérivable sur R et & R, %. &!= &! = &! = %&! gaelle.buffet@ac-montpellier.fr
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailKeywords: Probability of catastrophic events, Bivariate extreme value theory, Heavy tailed distributions, ALS methods.
E Laurence Lescourret & Christian Y. Robert Centre de Recherche en Economie et Statistique LaboratoiredeFinanceetd Assurance 5 Boulevard Gabriel Peri, 92245 Malakoff Résumé: De par leur nature, les événements
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailPremiers pas avec Mathematica
Premiers pas avec Mathematica LP206 : Mathématiques pour physiciens I Année 2010/2011 1 Introduction Mathematica est un logiciel de calcul formel qui permet de manipuler des expressions mathématiques symboliques.
Plus en détailReprésentation géométrique d un nombre complexe
CHAPITRE 1 NOMBRES COMPLEXES 1 Représentation géométrique d un nombre complexe 1. Ensemble des nombres complexes Soit i le nombre tel que i = 1 L ensemble des nombres complexes est l ensemble des nombres
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 détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
Plus en détailOn ne peut pas entendre la forme d un tambour
On ne peut pas entendre la forme d un tambour Pierre Bérard Institut Fourier Laboratoire de Mathématiques Unité Mixte de Recherche 5582 CNRS UJF Université Joseph Fourier, Grenoble 1 Introduction 1.1 Position
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 détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en détailFONCTION DE DEMANDE : REVENU ET PRIX
FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie
Plus en détailFonctions de plusieurs variables et applications pour l ingénieur
Service Commun de Formation Continue Année Universitaire 2006-2007 Fonctions de plusieurs variables et applications pour l ingénieur Polycopié de cours Rédigé par Yannick Privat Bureau 321 - Institut Élie
Plus en détailGestion de Portefeuille. Mesures de Performance Ajustées du Risque
Gestion de Portefeuille Mesures de Performance Ajustées du Risque Le Ratio de Sharpe La mesure de performance (ajustée du risque) la plus utilisée Rappel: Propriétés du ratio de Sharpe Mesure de la stratégie:
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 détailFonction inverse Fonctions homographiques
Fonction inverse Fonctions homographiques Année scolaire 203/204 Table des matières Fonction inverse 2. Définition Parité............................................ 2.2 Variations Courbe représentative...................................
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 détailLa demande Du consommateur. Contrainte budgétaire Préférences Choix optimal
La demande Du consommateur Contrainte budgétaire Préférences Choix optimal Plan du cours Préambule : Rationalité du consommateur I II III IV V La contrainte budgétaire Les préférences Le choix optimal
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
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 détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailExercice 1 Trouver l équation du plan tangent pour chaque surface ci-dessous, au point (x 0,y 0,z 0 ) donné :
Enoncés : Stephan de Bièvre Corrections : Johannes Huebschmann Exo7 Plans tangents à un graphe, différentiabilité Exercice 1 Trouver l équation du plan tangent pour chaque surface ci-dessous, au point
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 détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détail10 leçon 2. Leçon n 2 : Contact entre deux solides. Frottement de glissement. Exemples. (PC ou 1 er CU)
0 leçon 2 Leçon n 2 : Contact entre deu solides Frottement de glissement Eemples (PC ou er CU) Introduction Contact entre deu solides Liaisons de contact 2 Contact ponctuel 2 Frottement de glissement 2
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en 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 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 détail