Méthodes numériques pour les options Américaines
|
|
- Brigitte Lamothe
- il y a 8 ans
- Total affichages :
Transcription
1 Méthodes numériques pour les options Américaines Jérôme Lelong Année J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
2 1 Introduction Le modèle de marché Options Bermuda Définition et valorisation Options Américaines 2 Les algorithmes Monte Carlo Algorithme de Longstaff Schwartz Méthode duale Théorie Implémentation J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
3 Le modèle de marché On considère un modèle de Black Scholes d dimensionnel. Soit S t := ( St 1 ),...,Sd t le vecteur des cours des actifs. ( W 1 t,...,wt d ) t 0 d M.B. standard de matrice de corrélation Γ, on note L sa racine carrée (obtenue par factorisation de Cholesky par exemple). r > 0 le taux d intérêt sans risque (supposé constant). δ 1,...,δ d > 0 les taux de dividende des actifs S 1 t,...,sd t, supposés déterministes et constants. σ := (σ 1,...,σ d ) le vecteur des volatilités des actifs. S 0 := ( S 1 0,...,Sd 0 ) le vecteur des valeurs initiales des actifs (supposées déterministes). J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
4 Le modèle de marché (cont.) Sous la probabilité risque neutre la dynamique du court de l actif i est donnée par ( ) dst i = Si t (r δ i )dt + σ i dwt i. Soit de manière équivalente ds i t = Si t( (r δi )dt + σ i L i db t ), avec B un M.B d dimensionnel et L i la i eme ligne de la matrice L. S i t = Si 0 exp ((r δ i 1 2 σ2 i )t + σ i L i B t ), J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
5 Options Bermudas I Considérons une grille de temps 0 = t 0 < t 1 < < t N = T de pas δt. Une option Bermuda peut être exercée à tout instant t 0,...,t N, et paye φ(s tk ) si elle est exercée à l instant t k. Son prix à l instant t est donné par { VtN = φ(s tn ) V tk = max ( φ(s tk ),E[e rδt V tk+1 F tk ] ) pour k=n 1,...,0 De manière équivalente en posant Ṽ t := e rt V t {ṼtN = e rt N φ(s tn ) Ṽ tk = max ( e rt k φ(s tk ), E[Ṽ tk+1 F tk ] ), 0 k N 1. T k,n = { t.a. à valeurs dans {t k,...,t N } }. (Ṽ tk ) tk est l enveloppe de Snell de la suite (e rt k φ(s tk )) tk. Ṽ tk = esssup τ T k,n E[e rτ φ(s τ ) F tk ]. J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
6 Options Bermudas I (cont.) τ k := min{t {t k,...,t N }, φ(s t )e rt = Ṽ t } est le t.a. optimal après t k sur l intervalle de temps discret [t k,t N ]. Ṽ tk = E[e rτ k φ(s τ k ) F t k ]. (Ṽ tk ) k est le prix actualisé à l instant t k. Remarque : S est un processus de Markov, on peut remplacer F t par S t. V tk = E[e r(τ k t k) φ(s τ k ) S t k ] V tk = esssupe[e r(τ tk) φ(s τ ) S tk ] (1) τ T k,n J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
7 Essentiel sup Soit (X i ) i I une famille de v.a. réelles. On peut définir la notion de sup i I X i ω par ω mais est-ce une variable aléatoire? Oui si I est dénombrable. Contre exemple : Soit I [0,1], on définit X i = 1 {U=i} pour i I avec U U [0,1]. sup i I X i (ω) = 1 {U(ω) I}. C est une variable aléatoire ssi I est un ensemble mesurable. On définit X = esssup i X i par X est une v.a. (X X i p.s) i si (X X i p.s.) i alors X Xp.s. C est la plus petite v.a. majorant les X i, i I. J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
8 Options Américaines Une option américaine de maturité T est un contrat qui peut être exercé, à la discrétisation de son détenteur, à tout instant entre [0,T]. Une option américaine peut donc être vue comme une option Bermuda limite avec N =. Ainsi, le prix est à l instant d une option américaine de maturité T et de payoff φ est donné par P(t,S t ) := esssup τ T t,t E[e r(τ t) φ(s τ ) S t ], avec T t,t = { t.a. à valeurs dans [t,t] }. En pratique, on considère toujours des options Bermuda. J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
9 1 Introduction Le modèle de marché Options Bermuda Définition et valorisation Options Américaines 2 Les algorithmes Monte Carlo Algorithme de Longstaff Schwartz Méthode duale Théorie Implémentation J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
10 Les algorithmes 3 types d algorithmes : 1. Itération sur les politiques d arrêt : Longstaff & Schwartz (a) approximation du temps d arrêt optimal τ, (b) calcul de E(e rτ φ(s τ )) par une méthode de Monte Carlo. 2. Itération sur les valeurs : quantification, Tsitsiklis VanRoy,... (a) utilisation de l équation de programmation dynamique, (b) approximation de l espérance conditionnelle E[e rδt P(t k,s tk ) S tk 1 ], (c) P(t 0,S t0 ) donne le prix à l instant Méthodes duales J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
11 Rappel du problème Une option de payoff φ que l on peut exercer en N dates 0 = t 0 < t 1 < < t N = T (subvision supposée régulière de pas δt). Le prix à l instant t d une telle option est donné par P(t,S t ) = esssup τ T t,t E [ e r(τ t) φ(s τ ) S t ] { } où T t,t = t.a. à valeurs dans[t,t] {t 0,,t N }. P satisfait { P(T,ST ) = φ(s T ) P(t,S t ) = max ( φ(s t ),E[e rδt P(t + δt,s t+δt ) S t ] ) pour t=t 0,...,t N 1 [ ] P(t k,s tk ) = E e rτ k φ(s τ ) S t avec k τ k = inf{ t {t k,...,t N },φ(s t ) = P(t,S t ) } τ k = inf{ t {t k,...,t N },φ(s t ) e rδt E[P(t + δt,s t+δt ) S t ] } J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
12 1 Introduction Le modèle de marché Options Bermuda Définition et valorisation Options Américaines 2 Les algorithmes Monte Carlo Algorithme de Longstaff Schwartz Méthode duale Théorie Implémentation J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
13 Algorithme de Longstaff Schwartz Principe : Tirer M trajectoires du modèle de Black Scholes (ω i ) 1 i M. Sur chaque trajectoire, calculer la quantité τ (ω i ). P 0 = P(t 0,S t0 ) est ensuite calculé par une méthode de Monte Carlo P M 0 = 1 M M e rτ (ω i ) φ(s τ (ω i )(ω i )) (2) i=1 Construction de τ : équation de programmation dynamique sur les politiques d arrêt. J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
14 Programmation dynamique pour τ On cherche à construire une suite (τ i ) 0 i N de manière rétrograde t.q. pour i fixé, τ i soit le t.a. optimal après l instant t i. τ i := min { t {t i,...,t N }, φ(s t ) P(t,S t ) }. La suite (τ i ) 0 i N peut se réécrire de manière récursive { τ N = T τ i = t i 1 {φ(sti ) P(t i,s ti )} + τ i+1 1 {φ(s ti )<P(t i,s ti )} 0 i N 1. On peut supprimer la dépendance en P grâce à l équivalence ( ) φ(s ti ) < P(t,S ti ) max φ(s ti ),E[e rδt P(t i+1,s ti+1 ) S t ] = E[e rδt P(t i+1,s ti+1 ) S t ] [ φ(s ti )e rδt < E E [ e rτ i+1 φ(sτ ) S ] ] t Sti i+1 i+1. J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
15 Programmation dynamique pour τ On cherche à construire une suite (τ i ) 0 i N de manière rétrograde t.q. pour i fixé, τ i soit le t.a. optimal après l instant t i. τ i := min { t {t i,...,t N }, φ(s t ) P(t,S t ) }. La suite (τ i ) 0 i N peut se réécrire de manière récursive { τ N = T τ i = t i 1 {φ(sti ) P(t i,s ti )} + τ i+1 1 {φ(s ti )<P(t i,s ti )} 0 i N 1. On peut supprimer la dépendance en P grâce à l équivalence ( ) φ(s ti ) < P(t,S ti ) max φ(s ti ),E[e rδt P(t i+1,s ti+1 ) S t ] = E[e rδt P(t i+1,s ti+1 ) S t ] [ ] φ(s ti )e rδt < E e rτ i+1 φ(sτ ) S t i+1 i. J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
16 Programmation dynamique pour τ (cont.) On pose { } A i := φ(s ti )e rδt E[e rτ i+1 φ(sτ ) S t i+1 i ]. (3) τ i { τ N = T = t i 1 Ai + τ i+1 1 A c i 0 i N 1. (4) Il n y a plus de dépendance en P, seulement en (τ,j N). j Principale difficulté : approcher ψ i (S ti ) := E[e rτ i+1 φ(s τ ) S t i+1 i ]. Idée : Utiliser le fait que l espérance conditionnelle est une projection L 2 et minimiser E[ e rτ i+1 φ(s τ ) ψ i(s ti ) 2 ] pour ψ i dans un ensemble de i+1 fonctions bien choisies. J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
17 LS : étape de régression Dans la suite, on pose f (t,x) = e rt φ(x). [ On cherche à minimiser E (f (τ i+1,s τ ) ψ i(s ti )) 2]. i+1 Soit (g l,l 1) une famille totale de fonctions R d R t.q. E(g l (S ti )g l (S ti ) T ) < pour tout (i,l). g L 2 (L (S ti )) pour tout i. ψ i = l 1 α i l g l := α i g. Le calcul de E[f (τ i+1,s τ i+1 ) S t i ] est remplacé par la détermination de α i qui minimise [ ( ) ] 2 α E f (τ i+1,s τ ) (α g)(s t i+1 i ). J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
18 algorithme d arrêt optimal Ensure: Initialisation : τ N = t N for i = N 1 to 0 do détermination de α i = (α i,l 1) qui minimise l [ ( ) ] 2 α E f (τ i+1,s τ ) (α g)(s t i+1 i ). (5) On définit end for Remarque : τ i = t i 1 {f (ti,s ti )e rδt (α i g)(s ti )} + τ i+1 1 {f (t i,s ti )e rδt <(α i g)(s ti )}. α i est un vecteur de taille infinie. L espérance n est pas connue explicitement. Besoin de 2 approximations : tronquer α i : revient à prendre une famille libre finie plutôt qu une famille totale, calculer l espérance dans (5) grâce à une méthode de Monte Carlo. J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
19 troncature de la famille de régression On projette sur une famille à k éléments. Ensure: Initialisation : ˆτ k N = t N for i = N 1 to 1 do Détermination de ˆα i,k = ( ˆα i,k,1 l k) qui minimise l [ ( ) ] 2 α E f ( ˆτ k i+1,sˆτ k (α g)(s ti ) i+1) On définit ˆτ k i = t i 1 {f (ti,s ti )e rδt ( ˆα i,k g)(s ti )} + ˆτk i+1 1 {f (t i,s ti )e rδt <( ˆα i,k g)(s ti )}. end for [ P0 (φ(s k = max t0 ), E f ( ˆτ k ) ]) 1,Sˆτ k. 1 J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
20 somme Monte Carlo au lieu de E Ensure: (S (m),m = 1,...,M) M copies indépendantes de (S t1,...,s tn ) Ensure: ˆτ (m),m,k N = t N, m = 1,...,M for i = N 1 to 1 do Détermination de ˆα i,m,k = ( ˆα i,m,k,1 l k) qui minimise l α 1 [ ( ) M 2 f ˆτ (m),m,k,s (m) (α g)(s (m) M i+1 ˆτ (m),m,k t i )]. for m = 1 to M do m=1 i+1 ˆτ (m),m,k i = t i 1 { f (t i,s (m) t )e rδt ( ˆα i,k g)(s } (m) + ˆτ (m),m,k i t ) i i+1 1 { f (t i,s (m) t i )e rδt (m) <( ˆα i,k g)(s }. t ) i end for end for ( P M,k 1 0 = max φ(s t0 ), M M m=1 f ( ˆτ (m),m,k 1,S (m) ) ). ˆτ (m),m,k 1 J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
21 Quelques commentaires Algorithme robuste car une erreur sur l estimation de E( ) (i.e. sur le calcul des ˆα i,k ) n engendre pas forcément une erreur sur le calcul de la stratégie optimale. Il peut être intéressant de travailler avec S tj = Σ 1 j (S tj m j ) m j = E(S tj ) = (S0 i e(r δ i)t j ) i [ ( ) ] Σ 2 j = Var(S t j ) = m p j mq exp t j j σ p σ q L pk L qk 1. Besoin de garder toutes les trajectoires pour pouvoir calculer 1 M M f m=1 empreinte mémoire : M N d. ( ) τ (m),m,k 1,S (m). τ (m),m,k 1 k J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
22 Améliorations On utilise la simulation rétrograde du Brownien pour ne pas conserver toutes les trajectoires. On ne garde à chaque étape j de l algorithme que les vecteurs du Brownien (S (m) t,m = 1,...,M), j du sous-jacent arrêté (S (m) τ (m),m,k j,m = 1,...,M). On utilise la simulation rétrograde de S tj sachant S tj+1. Taille : M d au lieu de M d N. Mise en œuvre de variables antithétiques dans la simulation des trajectoires des actifs. Si à l instant t j, φ(s tj ) = 0, on n exerce pas l option. Pas besoin de calculer E[f (τ i+1,s τ i+1 ) S t i ] sur l ensemble {φ(s tj ) = 0}. = On ne garde que les trajectoires à la monnaie. J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
23 Simulation rétrograde du Brownien On cherche S tj connaissant S tj+1 (et aussi S 0 ). On utilise la simulation rétrograde du Brownien. Sachant B tj+1 = b, la loi de B tj est une loi gaussienne ( N b t ) j t j, (t j+1 t j ). t j+1 t j+1 Preuve : Il suffit de considérer la v.a. Y j = B tj βb tj+1 et de chercher β pour que Y j B tj+1. = β = t j t j+1. Y j est une gaussienne centrée indépendante de B tj+1, reste à calculer sa variance. J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
24 Résolution du problème des moindres carrés ( On cherche α = argmin M R k i=1 [Z i (α g)(x i )] 2). Soit en dérivant par rapport à α j ( ( ) M k Z i α l g l )(X i ) g j (X i ) = 0, l=0 ( ) k M M g j (X i )g l (X i ) α l = Z i g j (X i ). i=1 i=1 i=1 l=0 ( ) M M Z i g(x i ) = Dα avec D = g j (X i )g l (X i ) i=1 i=1 D est symétrique définie positive. Grâce à l algorithme de Cholesky, D = T T (T triangulaire inférieure). Reste 2 systèmes triangulaires à résoudre. En pratique, D est mal conditionnée. L algorithme de Cholesky trouve des valeurs propres nulles ou légèrement négatives ( 10 6 ). j,l. J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
25 Résolution du problème des moindres carrés (cont.) Alternatives : factorisation QR : D = QR où Q est une matrice orthogonale et R une matrice triangulaire supérieure. On peut ajouter une permutation P, DP = QR ( D = QRP T ) factorisation PD = LU, la permutation P permet d améliorer la stabilité numérique. Utilisation d une bibliothèque externe pour résoudre un système linéaire mal conditionné. J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
26 Convergence du problème de minimisation On cherche à approcher E[Y X] par λ g(x) où λ = argmin λ E [ Y k l=1 λ lg l (X) 2 ]. Comme on ne sait pas calculer l espérance dans le problème de minimisation, on considère plutôt λ M, 1 = argmin λ M M k Y i λ l g l (X i ) i=1 l=1 2 Résultats sur la convergence des M estimateurs (c.f. les travaux de Shapiro) : λ M λ p.s. où λ = argmin λ R k E [ Y k l=1 λ lg l (X) 2 ] et il existe un TCL M(λ M, λ ) N (0,...) M convergence de λ M, quand M,k? L Dans Longstaff & Schwartz, il y a imbrication des régressions : Y = ψ M (X i+1 ) où ψ M a été calculée par simulation sur (X i+1,x i+2,...). J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
27 Choix de la base de régression On peut ajouter le payoff à la base au moins pour les temps proches de la maturité. La base peut changer au cours du temps. Souvent une famille de polynômes Attention à ne pas avoir une famille trop riche = risque d over-fitting, mauvaise stabilité numérique Glasserman et Yu (2004) : Number of paths vs number of basis functions in American option pricing. Cas log-normal : k = O( logm). Exemple :M = 100,000, k 4. Pour d = 3, polynômes d ordre 2. Cas normal : k = O(logM). Exemple :M = 100,000, k 12. Pour d = 3, polynômes d ordre 3. En dimension > 1, produit tensoriel de functions de 1 variable. Pour réduire le mauvais conditionnement du problème, considérer S t /S 0 comme variable (ou mieux S t /Var(S t )) + passage en variable log éventuellement. J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
28 Choix de la base de régression (cont.) (C l ) l ensemble 2 à 2 disjoints. On considère g l = 1 {Cl }. On cherche à approcher m(x) = E[Y X] en minimisant λ E [ Y k l=1 λ lg l (X) 2 ]. λ l = E[ Y 1 {Cl }(X) ] P(X C l ) m:x m C l Y m #{m : X m C l }. La matrice de régression est diagonale. Choix du pavage : λ M l Cellules de Voronoï : coût de la recherche du plus proche voisin, il existe des algorithmes en log(k ) pavage régulier : savoir si x C l est immédiat. En dimension 1, il suffit de calculer une partie fractionnaire. J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
29 Choix de la base de régression (cont.) Si m est Lipschitzienne, C = sup l diam(c l ). k k E[(m(X) λ l g l (X)) 2 ] E[(m(X) m(x k )) 2 1 {X Ck }] + E[m(X) 2 1 {X Ck }] l=1 l=1 lip C 2 k l=1 P(X C k ) + m 2 P(X C k). C doit être petit P(X C k ) doit être petite : estimation des queues de distribution de X. J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
30 complexité A chacune des N étapes : M d pour la simulation du sous-jacent, k(k + 1)/2 M pour calculer D où k est le nombre de régresseurs. En réalité, seulement k(k + 1)/2 #{m : φ(s (m) t j ) > 0}. Algorithme de Cholesky : k 3 /6. Algorithme QR : 2k 3 /3 Cholesky Résolution du système triangulaire : k 2. = O(N M k 2 ). J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
31 convergence Résultats rigoureux de convergence dus à E. Clément, D. Lamberton et P. Protter An Analysis of a least square regression method for American option pricing, Finance and Stochastics, P k 0 P 0 dans L 2 quand k. A k fixé, P k,m 0 P0 k p.s. quand N. Un TCL existe également pour cette convergence mais d expression de la variance limite apparaissant dans le TCL. = pas d intervalle de confiance. α i,k,m α j,m p.s. pour tout i = 1,...,N. ) 1 [ ] M M j=1 (S φ (m) E φ(s τ (m),m,k τ k ) p.s. pour tout i = 1,...,N. i i J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
32 Exemples numériques Modèle de Black Scholes en dimension 3. Spot Volatility Interest rate Dividend rate 0 Correlation 0.3 Strike 100 Maturity 1 J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
33 LS : Influence du nombre de régresseurs (put) sans payoff avec payoff FIG.: Influence du nombre de régresseurs J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
34 LS : Influence du nombre de régresseurs (put min) sans payoff avec payoff FIG.: Influence du nombre de régresseurs J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
35 LS : variables antithétiques (Call) 8.57 standard antithetique prix e4 2e4 3e4 4e4 5e4 nb tirages FIG.: Réduction de variance J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
36 LS : nombre de dates d exercice (Call) 8381e e e e e e e FIG.: Cv en fonction du nbre de dates d exercice (50000 tirages) J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
37 LS : nombre de dates d exercice (Put) prix nb dates exercice FIG.: Cv en fonction du nbre de dates d exercice (50000 tirages) J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
38 1 Introduction Le modèle de marché Options Bermuda Définition et valorisation Options Américaines 2 Les algorithmes Monte Carlo Algorithme de Longstaff Schwartz Méthode duale Théorie Implémentation J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
39 Méthodes duales I U t = esssup τ T t,t E[e rτ φ(s τ )] (U t ) t est une sur-martingale. Décomposition de Doob-Meyer : U t = U 0 + M t A t où M est une martingale nulle en zéro et A un processus croissant prévisible nul en zéro. Rogers (2002) et Haugh & Kogan (2001) ont montré que Théorème 1 [ ] U 0 = inf M H0 1 E sup(e φ(s t ) M t ) t T avec H 1 0 l ensemble des martingales nulles en zéro et t.q. sup t T M t est intégrable. De plus, M réalise l infimum. J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
40 Méthodes duales II Idées de la preuve. 1 U 0 = sup τ T E[e rτ φ(s τ )] = supe[e rτ φ(s τ ) M τ ] τ T 2 D autre part, e rt φ(s t ) U t = U 0 + M t A t. E[sup(e rt φ(s t ) M t )] t T inf M H 1 0 E[sup t T (e rt φ(s t ) M t )] E[sup(e rt φ(s t ) Mt )] t T E[sup(U t Mt t T = U 0. )] = E[sup(U 0 A t )] t T J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
41 Approche de Rogers pour le Put (dimension 1) I 1 Approcher le prix par inf λ E[sup t T (e rt φ(s t ) λm t )]. 2 Un bon choix de M dm t = 1 {t t}d C(t,S t ), avec t = inf{t 0 : S t K } et C(t,S t ) le prix actualisé de l option européenne correspondante à l instant t. 3 Calculer inf λ E[sup t T (e rt φ(s t ) λm t )] avec le M précédent. λ E[sup t T (e rt φ(s t ) λm t )] est une fonction convexe. J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
42 Approche de Rogers pour le Put (dimension 1) II 1. (S (m),m = 1,...,M) M copies indépendantes de (S t1,...,s tn ). 2. Pour chaque (t i,s (m) t i ) calculer le prix actualisé C(t i,s (m) t i ) de l option européenne en ce point grâce à la formule de Balck & Scholes. 3. Calculer (M (m) t i ) pour m = 1,...,M et i = 0,...,N. M (m) = 0 et { } I (m) = min i 0 : S (m) K M (m) t i t i t i+1 = M (m) + 1 {i I (m) }( C(t i+1,s (m) t i+1 ) C(t i,s (m) t i ) 4. On cherche λ [λ, λ]. Soit λ 0 = 0, λ 0 = λ et λ 0 = λ. { λn+1 = λ n +λ n 2, λn = λ n si le taux accroissement en λ n > 0 λ n+1 = λ n +λ n 2, λ n = λ n si le taux accroissement en λ n 0 Arrêt : taux d accroissement < seuil J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
43 Autre approche I Belomestny, Bender, Schoenmakers (2007), True upper bounds for Bermudan products via non-nested Monte Carlo. (Y tj ) j approximation du processus de prix U t aux dates {t 0,,t N } Y tj = Y 0 + M tj + A tj où A est prévisible, A 0 = 0 et M martingale nulle en 0. A ti+1 A tj = E tj (Y tj+1 ) Y tj, M ti+1 M tj = Y tj+1 E tj (Y tj+1 ). Si E( M t 2 ) < t, Z = (Z 1,,Z d ) tel que M tj = t j 0 Z tdw t. On considère une partition π = {s 1,,s L } {t 0,,t N }. Y tj+1 Y tj Z si (W si+1 W si ) + A tj+1 A tj s i π:t j s i <t j+1 Z d s i 1 [ E si (Ws d s i+1 s i+1 Ws d i )Y tj+1 ], t j s i < t j+1 i J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
44 Autre approche II Calcul de E si [ (W d s i+1 W d s i )Y tj+1 ], Si on a une stratégie d exercice (τ 1,,τ n ), on sait que Y tj = E tj [e rτ j φ(s τj )], puis Z d s i 1 [ ] E si (Ws d s i+1 s i+1 Ws d i )e rτ j φ(s τj ), t j s i < t j+1 i = pas d espérances conditionnelles imbriquées. ] E si [(W s d i+1 Ws d i )e rτ j φ(s τj ) = g(s si ). g est approchée par une technique de moindres carrés comme dans LS. [ lim π 0 E max 0 j N M tj Mt j 2] = 0. J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 43
45 Algorithme de Cholesky Factorisation de Cholesky d une matrice carrée symétrique positive A de taille n Pour k = 1,...,n faire T k,k = A k,k T 2 k,j, j<k pour i = k + 1,...,n faire A i,k T k,j T i,j j<k T i,k = T k,k. J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE / 1
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 détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en 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 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 détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en 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 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 détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailThéorie Financière 8 P. rod i u t its dé dérivés
Théorie Financière 8P 8. Produits dit dérivés déié Objectifsdelasession session 1. Définir les produits dérivés (forward, futures et options (calls et puts) 2. Analyser les flux financiers terminaux 3.
Plus en détailTRAVAIL D ETUDE ET DE RECHERCHE. Utilisation des arbres binomiaux pour le pricing des options américaines
Ensimag - 2éme année Mai 2010 TRAVAIL D ETUDE ET DE RECHERCHE Utilisation des arbres binomiaux pour le pricing des options américaines Anne-Victoire AURIAULT 1/48 2/48 Cadre de l Étude Cette étude a été
Plus en 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 détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
Plus en détailCalcul Stochastique pour la finance. Romuald ELIE
Calcul Stochastique pour la finance Romuald ELIE 2 Nota : Ces notes de cours sont librement inspirées de différentes manuels, polycopiés, notes de cours ou ouvrages. Citons en particulier ceux de Francis
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en 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 détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailHedging delta et gamma neutre d un option digitale
Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en 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 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 détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailPROJET MODELE DE TAUX
MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh
Plus en 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 détailPropriétés des options sur actions
Propriétés des options sur actions Bornes supérieure et inférieure du premium / Parité call put 1 / 1 Taux d intérêt, capitalisation, actualisation Taux d intéret composés Du point de vue de l investisseur,
Plus en détailProduits de crédit en portefeuille
Chapitre 6 Produits de crédit en portefeuille et défauts corrélés Dans ce chapitre, on étudie des produits financiers de crédit en portfeuille, notamment k th -to-default swap et CDOs (voir 1.2 pour une
Plus en détailOptions et Volatilité (introduction)
SECONDE PARTIE Options et Volatilité (introduction) Avril 2013 Licence Paris Dauphine 2013 SECONDE PARTIE Philippe GIORDAN Head of Investment Consulting +377 92 16 55 65 philippe.giordan@kblmonaco.com
Plus en détailOptions exotiques. April 18, 2000
Options exotiques Nicole El Karoui, Monique Jeanblanc April 18, 2000 1 Introduction Les options exotiques sont des produits complexes, qui constituent un marché d une réelle importance depuis les années
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 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 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 détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailCalibration de Modèles et Couverture de Produits Dérivés
Calibration de Modèles et Couverture de Produits Dérivés Peter TANKOV Université Paris VII tankov@math.jussieu.fr Edition 28, dernière m.à.j. le 1 mars 28 La dernière version de ce document est disponible
Plus en 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 détailCapital économique en assurance vie : utilisation des «replicating portfolios»
Capital économique en assurance vie : utilisation des «replicating portfolios» Anne LARPIN, CFO SL France Stéphane CAMON, CRO SL France 1 Executive summary Le bouleversement de la réglementation financière
Plus en détailCalculating Greeks by Monte Carlo simulation
Calculating Greeks by Monte Carlo simulation Filière mathématiques financières Projet de spécialité Basile Voisin, Xavier Milhaud Encadré par Mme Ying Jiao ENSIMAG - Mai-Juin 27 able des matières 1 Remerciements
Plus en détailGénération de scénarios économiques
Modélisation des taux d intérêt Pierre-E. Thérond ptherond@galea-associes.eu pierre@therond.fr Galea & Associés ISFA - Université Lyon 1 22 novembre 2013 Motivation La modélisation des taux d intérêt est
Plus en détailManuel d Utilisateur - Logiciel ModAFi. Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO
Manuel d Utilisateur - Logiciel ModAFi Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO Grenoble, 12 juin 2012 Table des matières 1 Introduction 3 2 Modèles supportés 3 2.1 Les diérents modèles supportés pour
Plus en détailPrix et couverture d une option d achat
Chapitre 1 Prix et couverture d une option d achat Dans cette première leçon, on explique comment on peut calculer le prix d un contrat d option en évaluant celui d un portefeuille de couverture de cette
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailMesure et gestion des risques d assurance
Mesure et gestion des risques d assurance Analyse critique des futurs référentiels prudentiel et d information financière Congrès annuel de l Institut des Actuaires 26 juin 2008 Pierre THEROND ptherond@winter-associes.fr
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailDérivés Financiers Options
Stratégies à base d options Dérivés Financiers Options 1) Supposons que vous vendiez un put avec un prix d exercice de 40 et une date d expiration dans 3 mois. Le prix actuel de l action est 41 et le contrat
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
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 détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailQUESTIONS D ENTRETIENS EN FINANCE DE MARCHE
QUESTIONS D ENTRETIENS EN FINANCE DE MARCHE Le présent document est un recueil de questions, la plupart techniques, posées à des candidats généralement jeunes diplômés, issus d école d ingénieurs, de commerce
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailValorisation d es des options Novembre 2007
Valorisation des options Novembre 2007 Plan Rappels Relations de prix Le modèle binomial Le modèle de Black-Scholes Les grecques Page 2 Rappels (1) Définition Une option est un contrat financier qui confère
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 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 détailMesures gaussiennes et espaces de Fock
Mesures gaussiennes et espaces de Fock Thierry Lévy Peyresq - Juin 2003 Introduction Les mesures gaussiennes et les espaces de Fock sont deux objets qui apparaissent naturellement et peut-être, à première
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en 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 détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailERRATA ET AJOUTS. ( t) 2 s2 dt (4.7) Chapitre 2, p. 64, l équation se lit comme suit : Taux effectif = 1+
ERRATA ET AJOUTS Chapitre, p. 64, l équation se lit comme suit : 008, Taux effectif = 1+ 0 0816 =, Chapitre 3, p. 84, l équation se lit comme suit : 0, 075 1 000 C = = 37, 50$ Chapitre 4, p. 108, note
Plus en détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en 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 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 détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
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 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 détail1 Introduction et modèle mathématique
Optimisation parallèle et mathématiques financières Optimisation parallèle et mathématiques financières Pierre Spiteri 1 IRIT ENSEEIHT, UMR CNRS 5505 2 rue Charles Camichel, B.P. 7122 F-31 071 Toulouse,
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
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 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 détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Plus en détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
Plus en détailApprentissage non paramétrique en régression
1 Apprentissage non paramétrique en régression Apprentissage non paramétrique en régression Résumé Différentes méthodes d estimation non paramétriques en régression sont présentées. Tout d abord les plus
Plus en détailModule 7: Chaînes de Markov à temps continu
Module 7: Chaînes de Markov à temps continu Patrick Thiran 1 Introduction aux chaînes de Markov à temps continu 1.1 (Première) définition Ce module est consacré aux processus à temps continu {X(t), t R
Plus en détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en détailPratique des options Grecs et stratégies de trading. F. Wellers
Pratique des options Grecs et stratégies de trading F. Wellers Plan de la conférence 0 Philosophie et structure du cours 1 Définitions des grecs 2 Propriétés des grecs 3 Qu est ce que la volatilité? 4
Plus en détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailCalibration de modèles et couverture de produits dérivés
Calibration de modèles et couverture de produits dérivés Peter Tankov To cite this version: Peter Tankov. Calibration de modèles et couverture de produits dérivés. DEA. Calibration de modèles et couverture
Plus en 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 détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
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 détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détail