Distributions à queues épaisses bilatérales

Dimension: px
Commencer à balayer dès la page:

Download "Distributions à queues épaisses bilatérales"

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 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 détail

La fonction exponentielle

La 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 détail

Commun à tous les candidats

Commun 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 détail

3. Caractéristiques et fonctions d une v.a.

3. 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 détail

Développements limités

Développements 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 détail

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer

Exercices - 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 détail

Les travaux doivent être remis sous forme papier.

Les 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 détail

Introduction au pricing d option en finance

Introduction 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 détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 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 détail

Chapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme

Chapitre 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 détail

3 Approximation de solutions d équations

3 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 détail

Cours d Analyse. Fonctions de plusieurs variables

Cours 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 détail

Méthodes de Simulation

Méthodes 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 détail

Précision d un résultat et calculs d incertitudes

Précision 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 détail

I - 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 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 détail

Introduction à la statistique non paramétrique

Introduction 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 détail

Cours d Analyse I et II

Cours 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 détail

Aide - mémoire gnuplot 4.0

Aide - 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 détail

Chapitre 3 : Le budget des ventes. Marie Gies - Contrôle de gestion et gestion prévisionnelle - Chapitre 3

Chapitre 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 détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 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 détail

Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables

Notes 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 détail

Loi binomiale Lois normales

Loi 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 détail

CONCOURS 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) 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 détail

Cours d introduction à la théorie de la détection

Cours 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 détail

Notes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables

Notes 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 détail

Etude de fonctions: procédure et exemple

Etude 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 détail

Développements limités. Notion de développement limité

Développements 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 détail

Quantification Scalaire et Prédictive

Quantification 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 détail

Value at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061

Value 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 détail

Chapitre 6. Fonction réelle d une variable réelle

Chapitre 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 détail

Coup de Projecteur sur les Réseaux de Neurones

Coup 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 détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage 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 détail

Nombre dérivé et tangente

Nombre 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 détail

Liste 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... Liste des notes techniques.................... xxi Liste des encadrés....................... xxiii Préface à l édition internationale.................. xxv Préface à l édition francophone..................

Plus en détail

Table des matières. I Mise à niveau 11. Préface

Table 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 détail

Correction de l examen de la première session

Correction 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 détail

Calculs de probabilités avec la loi normale

Calculs 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 détail

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes

Modèle 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 détail

Nathalie Barbary SANSTABOO. Excel 2010. expert. Fonctions, simulations, Groupe Eyrolles, 2011, ISBN : 978-2-212-12761-4

Nathalie 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 détail

NON-LINEARITE ET RESEAUX NEURONAUX

NON-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 détail

Les indices à surplus constant

Les 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 détail

Les équations différentielles

Les 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 détail

Modélisation 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 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 détail

Probabilités III Introduction à l évaluation d options

Probabilités 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 détail

Fonctions de plusieurs variables

Fonctions 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 détail

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé

Baccalauréat 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 détail

Continuité et dérivabilité d une fonction

Continuité 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 détail

Développements limités, équivalents et calculs de limites

Développements 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 détail

TOUT CE QU IL FAUT SAVOIR POUR LE BREVET

TOUT 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 détail

Fonctions de plusieurs variables. Sébastien Tordeux

Fonctions 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 détail

FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)

FONCTIONS 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 détail

Approximations variationelles des EDP Notes du Cours de M2

Approximations 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 détail

Moments des variables aléatoires réelles

Moments 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 détail

Baccalauréat ES/L Amérique du Sud 21 novembre 2013

Baccalauréat 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 détail

Rappels sur les suites - Algorithme

Rappels 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 détail

Finance, Navier-Stokes, et la calibration

Finance, 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 détail

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.

Sujet 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 détail

Traceur de courbes planes

Traceur 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 détail

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.

Exercice 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 détail

Développements limités usuels en 0

Développements 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 détail

Calcul Formel et Numérique, Partie I

Calcul 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 détail

Résolution d équations non linéaires

Résolution 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 détail

Modèle GARCH Application à la prévision de la volatilité

Modèle 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 détail

aux différences est appelé équation aux différences d ordre n en forme normale.

aux 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 détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA 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 détail

La 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 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 détail

CHOIX OPTIMAL DU CONSOMMATEUR. A - Propriétés et détermination du choix optimal

CHOIX 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 détail

Chap 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.

Chap 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 détail

Tests 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 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 détail

Keywords: Probability of catastrophic events, Bivariate extreme value theory, Heavy tailed distributions, ALS methods.

Keywords: 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 détail

Continuité en un point

Continuité 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 détail

Premiers pas avec Mathematica

Premiers 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 détail

Représentation géométrique d un nombre complexe

Représentation 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 détail

Principe de symétrisation pour la construction d un test adaptatif

Principe 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 détail

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE 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 détail

Image d un intervalle par une fonction continue

Image 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 détail

EXERCICE 4 (7 points ) (Commun à tous les candidats)

EXERCICE 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 détail

Cours Fonctions de deux variables

Cours 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 détail

On ne peut pas entendre la forme d un tambour

On 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 détail

I 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...

I 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 détail

Limites finies en un point

Limites 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 détail

Fonctions de deux variables. Mai 2011

Fonctions 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 détail

FONCTION DE DEMANDE : REVENU ET PRIX

FONCTION 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 détail

Fonctions de plusieurs variables et applications pour l ingénieur

Fonctions 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 détail

Gestion de Portefeuille. Mesures de Performance Ajustées du Risque

Gestion 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 détail

Le modèle de Black et Scholes

Le 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 détail

Fonction inverse Fonctions homographiques

Fonction 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 détail

INF6304 Interfaces Intelligentes

INF6304 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 détail

La demande Du consommateur. Contrainte budgétaire Préférences Choix optimal

La 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 détail

Équations non linéaires

Équations 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 détail

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications

Optimisation 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 détail

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé

Baccalauréat 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 détail

Capes 2002 - Première épreuve

Capes 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 détail

Exercice 1 Trouver l équation du plan tangent pour chaque surface ci-dessous, au point (x 0,y 0,z 0 ) donné :

Exercice 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 détail

Introduction à l analyse numérique : exemple du cloud computing

Introduction 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 détail

Espérance conditionnelle

Espérance 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 détail

10 leçon 2. Leçon n 2 : Contact entre deux solides. Frottement de glissement. Exemples. (PC ou 1 er CU)

10 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 détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes 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 détail

Correction du Baccalauréat S Amérique du Nord mai 2007

Correction 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 détail

Simulation de variables aléatoires

Simulation 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