Mesures de risque dynamiques, pricing d options vanilles et EDSR quadratiques.

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Mesures de risque dynamiques, pricing d options vanilles et EDSR quadratiques."

Transcription

1 Mesures de risque dynamiques, pricing d opions vanilles e EDSR quadraiques. Cyrille Guillaumie 1 Thibau Masrolia 2 Rappor echnique rendu en juin European Securiies and Markes Auhoriy, 2. CEREMADE-UMR CNRS 7534,

2 1

3 Table des maières Inroducion I Mesures de risque dynamiques 5 Préambule Quelques résulas sur les EDSR Le cas sandard : le cas Lipschiz Exisence e unicié EDSR linéaire en dimension Théorème de comparaison Le cas non lipschiz à croissance linéaire en dimension Le cas quadraique Mesures de risque dynamiques Mesures de risque g-condiionnelles Approche axiomaique Mesure de risque dynamique enropique g-opéraeurs dynamique, mesure convexe de risques dynamique e EDSR Représenaion duale de mesures de risque g-condiionnelles Transformée de Legendre-Fenchel BMO-maringales e héorème de Girsanov Représenaion duale des mesures de risques Mesures de risque g-condiionnelles γ-oléranes Inf-convoluion de mesures de risque dynamiques g-condiionnelle Inf-convoluion e exisence d opima Problème de couverure Eude numérique de la mesure de risque enropique 37 Appendice A : foncion de récession Appendice B : Inf-convoluion de foncions convexes II Simulaions numériques 41 4 Algorihme uilisé pour la résoluion d EDSR EDS e hypohèses Discréisaion du sysème d équaions Composane forward Composane backward Calcul de Z N k e Y N k par l algorihme de Longsaff-Schwarz Calcul de la composane Z N k Calcul de la composane backward Y N k Calcul à l insan = Calcul de la composane Z N

4 4.4.2 Calcul de la composane backward Y N Résulas numériques e observaions Opion Vanille EDSR quadraique Conclusion

5 Inroducion Ce rappor a éé réalisé dans le cadre du cours d équaion différenielles sochasiques rérogrades du maser MASEF de l universié Paris IX Dauphine. L objecif de ce rappor es d éudier le chapire 3 du livre Indifference Pricing : Theory and Applicaion (édié par R.Carmona concernan les mesures de risque dynamiques de P.Barrieu e de N.El Karoui (voir [1]. Dans une première parie, après un rappel concernan cerains résulas classiques sur les ESDR, nous avons reranscri [1], y avons apporé quelques modificaions e l avons commené. Puis nous avons ensuie fai un lien enre ce aricle, e plus pariculièremen la mesure de risque enropique avec simulaions numériques exraies de la hèse d A.Richou [12]. Dans la seconde parie, nous avons dans un premier emps décri un algorihme résolvan une EDSR à coefficien généraeur lipschizien en uilisan noammen la méhode de Longsaff-Schwarz, e en se basan sur l aricle d E.Gobe, JP.Lemor e X.Warin [7] Nous avons ensuie adapé ce algorihme à la résoluion de l EDSR à coefficien généraeur quadraique éudiée Parie 1 Chapire 3. Enfin, nous avons regroupé ous nos résulas ainsi que les différenes observaions e conclusions que nous avons pu irer. 4

6 Première parie Mesures de risque dynamiques 5

7 Préambule Dans cee parie héorique, nore éude es basée sur [1]. L objecif de cee éude es d éendre les résulas connus pour des mesures de risque saiques à des objes mahémaiques appellés mesures de risque dynamiques, e de relier ces objes à des soluions d équaions différenielles sochasiques rérogrades afin de résoudre, par exemple, des problème de couverure pour des agens financiers. Dans un premier chapire, nous rappelerons la héorie basique des EDSR : l exisence e l unicié de soluions à ces équaions dans les rois cas classiques (lipschizien ou sandard, linéaire e quadraique, ainsi que des héorèmes de comparaison. Dans le second chapire, le coeur de cee parie, nous avons éudié les mesures de risque dynamiques, leur lien avec les EDSR e nous avons éudié un problème de couverure pour des agens financiers en reranscrivan [1]. Enfin dans un roisième chapire, à l aide de [12], nous avons éudié numériquemen un ype pariculier de mesures de risque dynamiques : les mesures de risques enropiques, à l aide du logiciel Scilab. 6

8 Chapire 1 Quelques résulas sur les EDSR Dans ou ce chapire, on se place sur un espace probabilisé muni de la filraion naurelle d un mouvemen brownien d dimensionel, (W [,T ], compléée, i.e. de la forme suivane : F := (F [,T ] := σ(w s, s σ({x F P-négligeables}. On défini les espaces suivans : P n l ensemble des processus F -progressivemen mesurables, à valeurs dans R n définis sur Ω [, T ]. L 2 n(f := {η : F -mesurables e à valeurs dans R n els que E( η 2 < }. Sn(, 2 T := {Z P n coninus e els que E(sup T Z 2 < }. Hn(, 2 T := {Z P n, E( ( Z s 2 ds < }. Hn(, 1 T := {Z P n, E ( T Z s 2 1/2 ds < }. Définiion 1. Soi ξ T L 2 m(f. On di qu un couple de processus progressivemen mesurables (Y, Z à valeur dans R m R m d es soluion de l EDSR associée au couple (g, ξ T si : Y = ξ T Z s dw s + g(s, Y s, Z s ds, [, T ]. (1.1 avec Y S 2 m e Z H 2 m d. On di que g es le généraeur de l EDSR e ξ T sa condiion erminale. Sous ceraines condiions sur le coefficien g, on a exisence e unicié d un couple soluion. On va considérer dans une première secion la cas où g es lipschizienne en Y e en Z e monrer, avec une démonsraion différene dans la forme mais idenique dans le fond à celle du cours [3], qu on a alors l exisence e l unicié du couple soluion de l EDSR. Dans une deuxième sous secion, on éudiera le cas où g es à croissance au plus linéaire puis, dans la roisième secion, on se penchera sur le cas où g es à croissance quadraique. On monrera égalemen un aure résula : le héorème de comparaison. 1.1 Le cas sandard : le cas Lipschiz Soi ξ T L 2 m(f T, e soi g une foncion à valeur dans R m, P m B(R m R m d -mesurable. On fai les hypohèses suivanes : { λ >, P-p.s., g(, y, z g(, y (H1, z λ( y y + z z (, y, y, z, z (g(,, T Hm 2 dies condiions de Lipschiz. On va monrer dans un premier emps que sous ces condiions, l EDSR (1.1 adme un unique couple soluion (Y, Z dans S 2 H 2. Puis on énoncera le héorème de comparaison. 7

9 1.1.1 Exisence e unicié Soi β un réel posiif, on pose : { Hm 2,β = X processus prévisible à valeur dans R m, ( } E e β X 2 d < + muni de sa norme e S 2,β m = { ( X 2 H = E 2,β e β X 2 d, X processus prévisible à valeur dans R m, E( sup e β X 2 < + [,T ] } muni de sa norme : On a évidemen 1 : X 2 S = E( sup e β X 2,β 2. [,T ] S 2,β H 2,β Proposiion 1. Soien α < β deux réels posiifs. Alors les normes de H 2,α e de H 2,β (resp. S 2,α e de S 2,β son équivalenes. Démonsraion. Soien α < β. e βt e β X 2 e α X 2 e β X 2. Par croissance de l inégrale (resp. du sup puis de l espérance, on a l équivalence des normes dans H 2, (resp. S 2,. Remarque. Pour β = on a H 2, m = H 2 m([, T ]. On remarque que pour que l inégrale sochasique de l EDSR (1.1 soi bien définie, on prend Z dans H 2. On a plus précisemen le héorème suivan : Théorème 1 (Pardoux e Peng, voir [11]. Sous l hypohèse (H1, l EDSR (1.1 possède un unique couple soluion (Y, Z dans S 2 m H 2 m. Démonsraion. On va procéder en plusieurs éapes. Grâce à un β bien choisi, on consrui une applicaion Φ conracane qui nous perme d appliquer le héorème du poin fixe, dans les espaces souhaiés. a Consrucion d une applicaion Φ. On considère l applicaion Φ définie par : Φ : H 2,β H 2,β H 2,β H 2,β (y, z (Y, Z où : Y = ξ T Z s dw s + g(s, y s, z s ds. (1.2 L uilisaion du β non nul va nous permere de conrôler la consane de Lipschiz de Φ. Monrons que Φ es bien définie c es à dire qu à un couple (y, z de processus de H 2,β H 2,β on associe par Φ un unique couple (Y, Z dans H 2,β H 2,β soluion de ( On ome l indice m afin d alleger les écriures de Hm 2,β e Sm 2,β 8

10 ( Éan donné un couple (y, z dans H 2,β H 2,β, on pose Y := E ξ T + g(s, y s, z s ds F. On va monrer 2 que Y es dans H 2 e par l équivalence des normes, cela revien à monrer que Y es dans H 2,β. On a : ( E Y 2 d T E( sup Y 2, [,T ] avec : ( E( sup Y 2 = E [,T ] sup [,T ] (ξ E T + g(s, y s, z s ds g(s, y s, z s ds F 2. Par l inégalié (a + b 2 2(a 2 + b 2, on obien : ( E( sup Y 2 T 2E sup (ξ E T + g(s, y s, z s ds 2 F [,T ] [,T ] ( ( + 2E sup E g(s, y s, z s ds 2 F. [,T ] ( ( Or E ξ T + g(s, y s, z s ds F es une maringale, par l inégalié de Doob e l inégalié de Jensen, on a : E ( sup [,T ] (ξ E T + g(s, y s, z s ds 2 ( [ F k E ξ T + g(s, y s, z s ds ( ] + E g 2 (s, y s, z s ds. où k es une consane posiive qui varie d une ligne à l aure mais qui rese une consane posiive. On a alors : ( E sup (ξ E T + g(s, y s, z s ds 2 [ ( F k E ξt 2 + g 2 (s, y s, z s ds Or : [,T ] ( ] + E g 2 (s, y s, z s ds. g 2 (s, y s, z s ds 2 g(s, y s, z s g(s,, 2 ds + 2 g 2 (s,, ds e en appliquan l hypohèse (H1 e en uilisan le fai que y e z son dans H 2,β, on en dédui que Y S 2, < + donc Y S 2 H 2 e donc que Y H 2,β pour ou β posiifs par l équivalence des normes démonrée plus hau. On résoud mainenan l équaion (1.2 : ( Y = E ξ T + g(s, y s, z s ds F ( = E ξ T + = M g(s, y s, z s ds F g(s, y s, z s ds avec M un processus défini pour [, T ] par : ( M := E ξ T + g(s, y s, z s ds F. 2. On aura même mieux : Y es dans S 2 9 g(s, y s, z s ds 2

11 D après le héorème de représenaion des maringales, on en dédui qu il exise un unique processus Z dans H 2, el que : En prenan = T, on a : Y = M + Z s dw s M = ξ T Z s dw s + g(s, y s, z s ds. On injece l expression de M dans (1.3. On a alors : Y = ξ T Z s dw s + g(s, y s, z s ds, g(s, y s, z s ds, Y T = ξ T. (1.3 donc (Y, Z es soluion de (1.2. Si mainenan, on suppose (Y, Z e (Y, Z, deux couples dans H 2, H 2, vérifian : Y = ξ T + Z s dw s g(s, y s, z s ds e Alors : Or Y Y es adapé, donc : Y = ξ T + Z sdw s g(s, y s, z s ds. Y Y = Z s Z sdw s. Y Y = E(Y Y F ( = E Z s Z sdw s F =. On en dédui, par l inégalié de Burkholder-Davis-Gundy ou par l unicié dans la décomposiion d une maringale semi-coninue de la parie brownienne, que Z = Z pour ou. On a donc monré que l applicaion Φ es bien définie e qu elle es même à valeur dans S 2 H 2. b Esimées a priori dans H 2. Le réel posiif β n a pour rôle que de rendre l applicaion Φ conracane afin d appliquer le héorème du poin fixe de Picard, c es pour cela que les espace H 2,β e S 2,β on éé inroduis. On prend comme norme du couple (Y, Z : On pose : (Y, Z = (, e Y n+1 c es à dire : Φ(Y n, Z n = (Y n+1, Z n+1. (Y, Z 2 H 2,β = Y 2 H 2,β + Z 2 H 2,β. := ξ T Zs n+1 dw s + g(s, Ys n, Zs n ds, On défini : δ n Y := Y n+1 Y n 1

12 e On a alors : La formule d Iô donne : δ n Y 2 = 2 = 2 δ n 1 g := g(, Y n δ n Y = Y n+1 = = Y n (Z n+1, Z n g(, Y n 1 s Z n s dw s + δ n s ZdW s + δs n Y d(δs n Y δ n s Y δ n s ZdW s + 2 Par la formule d inégraion par parie : e β δ n Y 2 = β e βs δ n s Y 2 ds 2 d δ n Y s δs n 1 gds e βs δ n s Y δ n s ZdW s + 2, Z n 1. δs n 1 gds δs n Y δs n 1 gds δs n Z 2 ds. e βs δs n Y δs n 1 gds e βs δs n Z 2 ds, donc : β e βs δs n Y 2 ds + e βs δs n Z 2 ds 2 e βs δs n Y δs n ZdW s + 2 e βs δs n Y δs n 1 gds (1.4 ( Or N := eβs δs n Y δs n ZdW s es une maringale locale. Par l inégalié de Burkholder-Davis- Gundy, on en dédui : E( sup N d 1 E e 2βs δs n Y 2 δs n Z 2 ds [,T ] d 1 E sup e β δ ny 2 e βs δs n Z 2 ds [,T ] d 1 δ n Y S 2,β δ n Z H 2,β où ( on a appliqué l inégalié de Cauchy-Schwarz. Donc d après a, on a : E( N < +, donc eβs δs n Y δs n ZdW s es une maringale. En passan à l espérance dans (1.4 avec =, on a : ( β δ n Y 2 H + δ n Z 2 2,β H 2E e βs δ n 2,β s Y δs n 1 gds ( 2E e βs δs n Y g(s, Ys n, Zs n g(s, Ys n 1, Zs n 1 ds ( 2λE e βs 2 δ n s Y e βs 2 ( Y n s Ys n 1 + Zs n Zs n 1 ds 2λE e βs δs n Y 2 ds 2 e βs ( δs n 1 Y 2 + δs n 1 Z 2 ds où on a uilisé l inégalié de Cauchy-Schwarz e l inégalié (a + b 2 2a 2 + 2b 2. On obien : β δ n Y 2 H + δ n Z 2 2,β H 2 2λE e βs δ n 2,β s Y 2 ds e βs ( δs n 1 Y 2 + δ n 1 Z 2 ds s 11

13 On uilise mainenan l inégalié de Young 3 dans la dernière inégalié, on a : β δ n Y 2 H + δ n Z 2 2,β H 2λE(γ 2,β + 1 γ e βs ( δ n 1 s e βs δ n s Y 2 ds Y 2 + δs n 1 Z 2 ds 2λ(γ δ n Y 2 H 2,β + 1 γ (δn 1 Y, δ n 1 Z 2 H 2,β = (β 2λγ δ n Y 2 H 2,β + δ n Z 2 H 2,β 2λ γ (δn 1 Y, δ n 1 Z 2 H 2,β. On pose γ := β 1 2λ. On a une première condiion sur β : β > 1. On obien : On choisi β el que : On a alors : δ n Y 2 H 2,β + δ n Z 2 H 2,β 2λ2 β 1 (δn 1 Y, δ n 1 Z 2 H 2,β. 2λ 2 β 1 < 1, β > 1 β > 2λ > 1. Φ(δ n 1 Y, δ n 1 Z 2 H 2,β k (δ n 1 Y, δ n 1 Z 2 H 2,β où k < 1, donc Φ es conracane e par le héorème du poin fixe de Picard, on en dédui que l EDSR (1.1 a une unique soluion dans H 2,β H 2,β. Or, d après la proposiion 1 (l équivalence des normes, on en dédui que l EDSR (1.1 a une unique soluion dans H 2 H 2. c Soluion dans S 2 H 2. Le a monre que Y es en fai dans S 2. Il y a une unique soluion dans H 2 H 2 or Y es dans S 2 H 2 (sur le compac [, T ] donc on a une unique soluion au problème dans S 2 H 2. On a monré que l EDSR (1.1 admeai un unique couple soluion (Y, Z dans S 2 H 2, on va monrer que sous ceraines condiions iniiales, on a même un unique couple soluion dans L ([, T ] Ω H 2. Théorème 2. Si l hypohèse (H1 es saisfaie e si ξ e g(s,, son uniformémen bornées alors l EDSR (1.1 possède un unique couple soluion (Y, Z adapé dans L ([, T ] Ω H 2. Démonsraion. L exisence e l unicié du couple soluion on déjà éé monrés dans S 2 H 2. Il fau monrer que le processus (Y [,T ] (la première composane du couple soluion de (1.1 es uniformémen bornée. On suppose qu il exise c 1 e c 2 deux conanes elles que : e L idée consise à linéariser la foncion g. 3. Inégalié de Young : ab γa2 2 + b2 2γ ξ T c 1, P-p.s. g(s,, c 2 s [, T ], P-p.s. avec γ >. 12

14 i Linéarisaion g(s, Y s, Z s = g(s, Y s, Z s g(s, Y s, + g(s, Y s, g(s,, + g(s,, s [, T ]. Or on sai que pour une foncion g de classe C 1, on a : On a alors : g(x g(y = (x y 1 g (y + θ(x ydθ. 1 1 g(s, y s, z s = Z s z g(s, Y s, θz s dθ + Y s y g(s, θy s, dθ + g(s,, On pose A Z (s := 1 zg(s, Y s, θz s dθ e A Y (s = 1 yg(s, θy s, dθ. On sai que g es lipschizienne, il exise donc une consane λ posiive elle que pour ou s dans [, T ] : L EDSR (1.1 devien alors : Y = ξ T A Z (s + A Y (s λ. (L Z s (dw s A Z (sds + ii Uilisaion d un processus auxiliaire. Y s A Y (sds + g(s,, ds. On inrodui une variable aléaoire Γ s avec s T elle que : { dγ s = Γ s(a Z (sdw s + A Y (sds Ce qui signifie : Ou encore : Γ = 1 Γ s = 1 + s Γ u(a Z (udw u + A Y (udu. Γ s s = e A Z(udW s u+ A Y (udu 1 s 2 A Z(u 2du. (1.5 On inrodui l exponenielle sochasique (ou encore exponenielle de Doléans-Dade, une noaion classique, définie par : ( s E A Z (sdw s = e A Z(udW u 1 s 2 A Z(u 2du. On a évidemen : ( Γ s = E s A Z (sdw s e A Y (udu. Puisque A Z es uniformémen bornée, par le crière de Novikov 4 on en dédui que (E( s A Z(udW u s [,T ] es une maringale. Cee propriéé sera noée (α. On rappelle que ξ T = Y T. Par la formule d inégraion par parie avec pour emps iniial, on obien : Or : Γ T ξ T = 1 Y + Γ sdy s + Y s dγ s + Y, Γ T dy s = Z s dw s Z s A Z (sds Y s A Y (sds g(s,, ds, dγ s = Γ sa Z (sdw s + Γ sa Y (sds Y, Γ T = Γ sa Z (sz s dw s. 4. Si M es une maringale locale coninue elle que E(exp(1/2 M, M T < alors E(M es une maringale. 13

15 On obien : Donc : Γ T ξ T = Y Γ s(z s dw s Z s A Z (sds Y s A Y (sds g(s,, ds Y s Γ s(a Z (sdw s + A Y (sds Γ sz s A Z (sds iii Majoraion de Y Γ T ξ T = Y + (Γ sz s + Γ sy s A Z (sdw s Γ sg(s,, ds. (1.6 On adme provisoiremen que ( s (Γ sz s + Y s Γ sa Z (sdw s es une maringale. On noe s [,T ] cee propriéé (β. En reprenan (1.6, en uilisan le caracère F-adapé de Y, e par (β on obien : Y = E(Y F = E(Γ T ξ T F + E( Γ sg(s,, ds F. (1.7 D une par, par hypohèses e par (1.5 : E(Γ T ξ T F c 1 E(Γ T F ( (1.5 c 1 E E( A Z (sdw s e A Y (sds F. Or on a vu que comme g es lipschizienne, A Y es uniformémen bornée par une consane (condiion (L. Il exise donc une consane k elle que pour ou [, T ] : D aure par, par Fubini : ( E(Γ T ξ T F ke E( ( (α = ke E( = k. A Z (sdw s F A Z (sdw s E( Γ sg(s,, ds F c 2 E( Γ sds F c 2 E(Γ s F ds e on monre de même par (1.5, A Y éan uniformémen bornée e par (α qu il exise une consane k elle que pour ou [, T ] : E( Γ sg(s,, ds F k. On en dédui alors qu il exise k e k deux consanes elle que pour ou [, T ] : Y k + k. Ce qui achève la démonsraion du héorème en admean (β. 14

16 iv Preuve de (β On veu monrer que la maringale locale coninue N := ( s (Γ sz s + Y s Γ sa Z (sdw s s [,T ] es une maringale. Il suffi de monrer qu on a : ( E sup s [,T ] s (Γ sz s + Y s Γ sa Z (sdw s < + e par la procédure de localisaion e le héorème de convergence dominée, on aura alors une maringale. En effe, soi (τ n n une suie de emps d arrê issue de la procédure de localisaion, i.e. si s : E(N s τn F = E(N τn e On sai que T = lim τ n. n + N τn sup N s. s [,T ] Si on a l hyposhèse d inégrabilié sur le sup, alors on applique le héorème de convergence dominée e on en dédui que N es une maringale. Monrons donc que : ( E sup s [,T ] s (Γ sz s + Y s Γ sa Z (sdw s < +. En appliquan l inégalié de Burkholder-Davis-Gundy puis l inégalié (a + b 2 2a 2 + 2b 2, on a : s E( sup (Γ uz u + Y u Γ ua Z (udw u d 1 E Γ uz u + Y s Γ ua Z (u 2 ds s [,T ] 2d 1 E Γ uz u 2 + Γ uy u A Z (u 2 du. Or a + b a + b si a e b son posiifs. Donc : s E( sup (Γ uz u + Y u Γ ua Z (udw u 2d 1 E (Γ uz u 2 du s [,T ] + 2d 1 E (Γ uy u A Z (u 2 du 2d 1 E + 2d 1 E ( ( sup s [,T ] sup s [,T ] T Γ s 2 (Z u 2 du T Γ s 2 (Y u A Z (u 2 du. Par l inégalié de Cauchy-Schwarz, e sachan que A Z m on obien : ( s E (Γ uz u + Y u Γ ua Z (udw u K E( sup Γ s 2 ( Z H 2 + m Y H 2 (1.8 s [,T ] 15

17 D après (1.5, on a : s Γ s 2 = e ( s = E 2A Z(udW u+ s 2A Y (udu s A Z(u 2 du 2A Z (udw u e s 2A Y (udu e + s A Z(u 2du. D après la condiion (L, on en dédui qu il exise une consane K elle que : ( s Γ s 2 K E 2A Z (udw u. Or, d après le crière de Novikov, on en dédui que M := (E( s 2A Z(udW u s [,T ] es une maringale, donc E(M T = E(M = 1. Par le héorème de Doob : ( ( E(sup Γ s 2 4K E E 2A Z (udw u = 4K. On en dédui que : E(sup Γ s 2 < + donc en reprenan (1.8 : ( s E (Γ uz u + Y u Γ ua Z (udw u < +, s [, T ] On a prouvé (β, ce qui achève la preuve du héorème EDSR linéaire en dimension 1 On va éudier dans cee parie un cas pariculier d EDSR vérifian l hypohèse (H1, qui es aussi un cas pariculier des EDSR à coefficiens à croissance au plus linéaire que nous éudierons dans la secion suivane. On considère l EDSR : dy = (φ + Y β + Z µ d Z dw, Y T = ξ T (1.9 Proposiion 2. Soi (β, µ un couple de processus progressivemen mesurables, bornés, à valeurs dans R R d, φ un élémen de H1 2(, T e ξ T un élémen de L 2 1 (, T. Alors l EDSR (1.9 a un unique couple soluion (Y, Z dans S1 2(, T H2 d (, T. De plus, on a une expression de Y explicie : ( Y = E ξ T Γ T + Γ sφ s ds F (1.1 où (Γ s s es le processus adjoin défini par l EDS suivane : saisfai la propriéé de flo : dγ s = Γ s (β s ds + µ s dw s, Γ = 1 s u, Γ s Γ u s = Γ u P-p.s. Démonsraion. 1 La foncion (, y, z φ + yβ + zµ éan linéaire en y e z, elle es lipschizienne en ces variables. Par hypohèse, φ H1 2 (, T, on es donc sous la condiion (H1, on a donc d après le héorème 1, on en dédui que l EDSR (1.9 adme un unique couple soluion dans S1 2(, T H2 d (, T. 2 La représenaion de Y a déjà éé vue dans la preuve du héorème 2 en ii e iii. On obenai l expression de Y (1.7 à l aide du processus auxiliaire (ou adjoin Γ. En reprenan les noaions du héorème, on a donc l expression (1.1 de Y. 3 La propriéé de flo es évidene éan donné que Γ es une exponenielle sochasique. Cee proposiion nous perme de monrer la srice inégalié dans la héorème de comparaison suivan. 16

18 1.1.3 Théorème de comparaison Dans le cas uni-dimensionel (m = 1, on a un résula de comparaison pour les composanes Y de couples soluions d EDSR lorsque qu on peu comparer les condiions erminales e les coefficiens généraeurs (les foncions g de ces EDSR. Théorème 3 (Théorème de comparison, El Karoui, Peng, Quenez [4]. Soi (Y, Z (resp. (Y, Z la (resp. une soluion de l EDSR de généraeurs (g, ξ T (resp. (g, ξ T. On suppose que g saisfai les hypohèses de Lipschiz (H1 e que g (s, Y s, Z s es juse une foncion de H1 2. Si ξ T ξ T P-p.s. e que g(, Y, Z g (, Y, Z d dp-p.s., alors : Y Y, [, T ] P-p.s. De plus, si Y = Y alors ξ T = ξ T, g(, Y, Z = g (, Y, Z e Y = Y pour ou [, T ] P-p.s. En pariculier, par conraposée, si P(ξ T < ξ T > ou g(, Y, Z < g (, Y, Z alors Y < Y Démonsraion. On remarque que sous l hypohèse g(, Y, Z g (, Y, Z e la propriéé de Lipschiz de g, on a : g(, Y, Z g (, Y, Z g(, Y, Z g(, Y, Z λ( Y Y + Z Z. On va monrer que (Y Y + =. On rappelle que : e donc Y = ξ T + g(s, Y s, Z s ds Z s dw s Y = ξ T + g (s, Y s, Z sds Z sdw s Y Y = ξ T ξ T + g(s, Y s, Z s g (s, Y s, Z sds (Z s Z sdw s. On applique la formule d Iô à ((Y Y + 2 [,T ] e par la formule d inégraion par parie donne, pour α > :. avec : e α (Y Y +,2 = e αt (ξ T ξ T 2,+ 2 e αs (Y s Y s + (Z s Z sdw s + V,T, (1.11 V,T = e αs ( α(y s Y s +,2 1 Ys>Y s Z s Z s 2 + (Y s Y s + (g(s, Y s, Z s g (s, Y s, Z s ds. On en dédui alors que 5 : V,T e αs[ α(y s Y s +,2 1 Ys>Y Z s s Z s 2 ] + 2λ(Y s Y s + ( Y s Y s + Z s Z s ds. Lemme 1. Soien a e b deux réels quelconque e α > 2λ + λ 2 alors : 5. On majore λ par 2λ pour le lemme qui sui. α(a a> b 2 + 2λa + ( a + b. 17

19 Preuve du Lemme. Il suffi de remarquer que a + = 1 a> a. on a : α(a a> b 2 + 2λa + ( a + b = 1 a> ( α a 2 b 2 + 2λ a ( a + b = 1 a> ( ( b λ a 2 (α 2λ λ 2 a 2 On a monré le Lemme. a : En uilisan le Lemme, pour λ > 2λ + λ 2, on obien V,T. En reprenan l équaion (1.11, on e α (Y Y +,2 2 e αs (Y s Y s + (Z s Z sdw s, or on a monré, dans la démonsraion du héorème 1, que ( e αs (Y s Y s(z s Z sdw s [,T ] éai une maringale uniformémen inégrable e d espérance nulle. Alors E(e αs (Y Y +,2, donc (Y Y +. Ce qui implique le résula du héorème de comparaison voulu. On monre mainenan la srice inégalié. On suppose qu on a oujours ξ T ξ T e g(, Y, Z g (, Y, Z e que de plus Y = Y. Pour simplifier, on prend d = 1. On pose : ξ T := ξ T ξ T, φ := g(, Y, Z g (, Y, Z e : { (Y Y 1 (g(, Y, Z g(, Y, Z β := si Y Y sinon µ := { (Z Z 1 (g(, Y, Z g(, Y, Z si Z Z sinon. g éan lipschizienne par hypohèse par rappor à ses deuxième e sa roisième paramères, on en dédui que les processus progressivemen mesurables à valeurs réèlles β e µ son bornés. Par l hypohèse (H1, on en dédui que φ es dans H1 2(, T. Alors, le couple : (Y, Z := (Y Y, Z, Z es l unique soluion de l EDSR suivane : Y = ξ T + (φ s + Y s β s + Z µ s ds Z s dw s (1.12 On sai, d après la proposiion 2 que le processus Y es donné par : En prenan =, on obien : ( Y = E ξ T Γ T + Γ sφ s ds F ( = Y Y = E ξ T Γ T + Γ sφ s ds. Or : ξ T e φ son négaives par hypohèses e Γ es sricemen posiif, car c es une exponenielle sochasique. On en dédui alors que ξ T = ξ T e φ s = pour ou s [, T ]. Par ailleurs, on sai que, d après la première parie du héorème, Y s Y s, donc Y s = Y s pour s [, T ]. On en dédui que g(s, Y s, Z s = g (s, Y s, Z s, en reprenan (

20 1.2 Le cas non lipschiz à croissance linéaire en dimension 1 On a éudié dans la secion une EDSR don le généraeur g éai linéaire en Y e Z. Ceci es un cas pariculier d EDSR que l on va éudier dans cee parie, où le généraeur es à croissance linéaire, coninu, mais pas forcémen lipschizien en Y e Z. Plus précisémen, on reprend l EDSR (1.1 e on fai l hypohèse (H2 suivane : i k >, (y, z g(, ω, y, z g(, ω,, + k( y + z d P-p.s. (H2 ii (g(,, T H1 2 iii d P-p.s., (y, z g(, ω, y, z es coninue On a alors le résula suivan : Théorème 4 (Lepelier e San Marin. Sous l hypohèse (H2, l EDSR (1.1 a une soluion (Y, Z minimale (resp. maximale, i.e. si (Y, Z es une aure soluion de (1.1 alors Y Y P-p.s. (resp. Y Y P-p.s.. Démonsraion. Voir [1]. On a aussi un héorème de comparaison pour ces EDSR : Théorème 5. Soi (Y, Z la soluion minimale de (1.1 où (g, ξ T saisfai (H2. Soi (Y, Z une soluion d une aure EDSR avec pour généraeur (g, ξ T. On suppose que : alors, Y Y P-p.s. 1.3 Le cas quadraique ξ T ξ T P-p.s. e g(, ω, y, z g (, ω, y, z d dp-p.s. On éudie dans cee parie des EDSR quadraiques, qui nous seron uiles pour l éude des mesures de risque dynamiques (voir le chapire 2. On fai mainenan les hypohèses suivanes : i La foncion g es à valeurs réèlles. ii Il exise C > elle que P-p.s., g(, y, z C(1 + y + z (Q 2 pour ou (, y, z [, T ] R R d. iii P-p.s., pour ou [, T ], (y, z g(, y, z es coninue. iv La variable aléaoire ξ T es bornée. On pose B l ensemble des processus F -mesurable, bornés e coninus. Théorème 6 (Kobylanski [9]. Sous l hypohèse (Q, l EDSR (1.1 a une soluion maximale (Y, Z e une soluion minimale (Y, Z. De plus, Y e Y appariennen à B. Démonsraion. On renvoi à [9] pour la preuve de ce héorème. L unicié de la soluion a éé monrée par M. Kobylanski à l aide d un héorème de comparaison (voir [9] héorème 2.6, que l on énonce ici. On reprend l EDSR (1.1 sous l hypohèse (Q e on fai de plus l hypohèse (C suivane : (C ii La foncion g es différeniable en (y, z sur [ K, K] R d elle que : i Il exise C 1 > elle que g z (, y, z c 1( + C 1 z Il exise C 2 > elle que g y (, y, z c 2( + C 2 z 2 19

21 Définiion 2. On appelle sur-soluion (resp. sous-soluion de l EDSR (1.1, un processus adapé (Y, Z, C [,T ] saisfaisan : ( Y = ξ T + g(s, Y s, Z s ds Z s dw s + dc s resp. dc s où C es un processus croissan adapé, coninu à droie e (Y, Z S 2 H 2. On a alors le héorème de comparaison de Kobylanski : Théorème 7 (Théorème de comparaison. Soien (Y 1, Z 1, C 1 une sous soluion de l EDSR de paramères (g 1, ξt 1 saisfaisan l hypohèse (Q e (Y 2, Z 2, C 2 une sur-soluion de l EDSR de paramères (g 2, ξt 2 saisfaisan l hypohèse (Q. On suppose : ξ 1 T ξ 2 T P-p.s. e d P-p.s. (y, z, g 1 (, ω, y, z g 2 (, ω, y, z e que l hypohèse (C es saisfaie pour g 1 e g 2. On a alors : Y 1 Y 2 P-p.s. [, T ]. Démonsraion. Voir la preuve du héorème 2.6 de [9] On en dédui donc, grâce au héorème de comparaison précéden, sous l hypohèse (C, que l EDSR (1.1 adme une unique soluion maximale e une unique soluion minimale, sous la condiion (Q Dorénavan on noera (H3 l hypohèse (Q unie à (C. 2

22 Chapire 2 Mesures de risque dynamiques 2.1 Mesures de risque g-condiionnelles Dans cee parie, on me en place la noion de mesure de risque dynamique e on éudie plus pariculièremen la mesure de risque dynamique enropique, puis on me en évidence le lien enre ces objes e les EDSR Approche axiomaique On me ou d abord en place les axiomes suivan : Définiion 3. Soi (Ω, F, P, (F un espace de probabilié filré. Un L 2 -opéraeur dynamique (resp. L -opéraeur dynamique noé Y, associé à (F es une famille de semi-maringales coninues qui s applique d une variable ξ T L 2 (F T (resp. L (F T, pour ou emps d arrê borné T, vers un processus (Y (ξ T [,T ]. Un el opéraeur es di : 1. (P1 Convexe si pour ou emps d arrê S T, pour ou (ξt 1, ξ2 T e pour ou λ [, 1] on a : Y S (λξt 1 + (1 λξt 2 λy S (ξt 1 + (1 λy S (ξt 2 P-p.s. 2. (P2+ Croissan si pour ou emps d arrê S T e pour ou (ξ 1 T, ξ2 T : ξ 1 T ξ 2 T P-p.s. = Y S (ξ 1 T Y S (ξ 2 T. (P2- Déroissan si pour ou emps d arrê S T e pour ou (ξ 1 T, ξ2 T : ξ 1 T ξ 2 T P-p.s. = Y S (ξ 1 T Y S (ξ 2 T. 3. Invarian par ranslaion si pour ou emps d arrê S T, pour ou η S F S e pour ou ξ T on a : (P3+ Y S (ξ T + η S = Y S (ξ T + η S P-p.s. (P3- Y S (ξ T + η S = Y S (ξ T η S P-p.s. 4. Cohérene en emps si pour S T U rois emps d arrês bornés e pour ou ξ U : (P4+ Y S (ξ U = Y S (Y T (ξ U P-p.s. (P4- Y S (ξ U = Y S ( Y T (ξ U P-p.s. 5. (P5 Sans arbirage si pour ou emps d arrê S T e pour ou (ξ 1 T, ξ2 T els que ξ1 T ξ2 T, Y S (ξ 1 T = Y S (ξ 2 T sur A S = {S < T } = ξ 1 T = ξ 2 T p.s. sur A S. 6. (P6 Condiionnellemen invarian si pour ou emps d arrê S T, pour ou B F S e pour ou ξ T, Y S (1 B ξ T = 1 B Y S (ξ T p.s. 7. (P7 Posiivemen homogène si pour ou emps d arrê S T, pour ou λ S avec λ S F S e pour ou ξ T : Y S (λ S ξ T = λ S Y S (ξ T. 21

23 Remarques 1. i La propriéé (P5 de non arbirage implique que la monoonie dans les propriéés (P2+ e (P2- es srice. En effe, en uilisan la conraposée de (P5, on a la srice monoonie dans (P2+/-. ii Les axiomes avec un signe + caracérisen un sysème de prix éudié par El Karoui e Quenez dans [5], alors que ceux avec un signe - caracérisen une mesure de risque dynamique (ce qu on éudie ici. Définiion 4 (Mesure de risques dynamique. Un opéraeur dynamique saisfaisan les axiomes (P1 de convexié, (P2- de décroissance, (P3- d invariance par ranslaion, (P4- de cohérence en emps e (P5 d absence d arbirage es appelé mesure convexe de risque dynamique. On le noera R par la suie. Si R saisfai égalemen la posiive homogénéié (P7, on di que R es une mesure de risque dynamique cohérene. On va mainenan éudier un exemple de mesure de risque dynamique Mesure de risque dynamique enropique Pour ξ T une variable aléaoire bornée e F T mesurable e γ >, on défini : e γ (ξ T := γ ln E[exp ( 1 γ ξ T ] e e γ, (ξ T := γ ln E[exp ( 1 γ ξ T F ]. Comme ξ T es bornée, on en dédui que e γ, (ξ T es borné pour ou. Proposiion 3. L opéraeur e γ défini de L dans les processus L es une mesure convexe de risque dynamique. Démonsraion. On va monrer que e γ vérifie les axiomes de la définiion d une mesure de risque dynamique. (P2- Soien ξt 1 ξ2 T deux variables aléaoires bornées e F T -mesurables, par décroissance de la foncion x exp( 1 x, croissance de l espérance condiionnelle e du logarihme, sachan γ que γ es un réèl sricemen posiif, on en dédui que e γ, (ξt 1 e γ,(ξt 2 pour ou [, T ]. Donc e γ vérifie (P2- : l hypohèse de décroissance. (P3- Soi s T, soi η s une variable aléaoire F s -mesurable, alors pour ou ξ T variable aléaoire bornée : e γ,s (ξ T + η s = γ ln E[exp ( 1 γ (ξ T + η s F s ] ( = γ ln exp ( 1 γ η se[exp ( 1 γ ξ T F s ] = e γ,s (ξ T η s. Donc e γ vérifie l invariance par ranslaion (P3-. (P4- Il fau monrer que pour ou e pour ou h, e γ, (ξ T = e γ, ( e γ,+h (ξ T p.s. On a : e γ,+h (ξ T = γ ln E[exp ( 1 γ ξ T F +h ]. Donc : [ ( e γ, ( e γ,+h (ξ T = γ ln E exp 1 F ] γ ( e γ,+h(ξ T [ ( [ ( 1 = γ ln E exp γ γ ln E exp 1 F+h ] F ] γ ξ T = e γ, (ξ T. 22

24 (P5 Soi s T, soi (ξt 1, ξ2 T un couple de variables aléaoires bornées e F T -mesurables el que : ξt 1 ξ2 T. On suppose de plus que e γ,s(ξt 1 = e γ,s(ξt 2 sur {s < T }. On a alors : e γ,s (ξ 1 T = e γ,s (ξ 2 T E(exp( 1 γ ξ1 T F s = E(exp( 1 γ ξ2 T F s ( E exp( 1 γ ξ2 T exp( 1 γ ξ1 T F s =. Or par hypohèse ξ 1 T ξ2 T donc exp( 1 γ ξ2 T exp( 1 γ ξ1 T. On en dédui que ξ1 T = ξ2 T sur {s < T }. Donc e γ vérifie l absence d arbirage. (P1 Pour ce qui es de la convexié, on peu écrire e γ (ξ T comme le sup de foncions linéaires en ξ T : voir [6] chapire 4 Moneary measures of risk, qui es donc convexe en sa variable ξ T. La proposiion suivane perme de lier la mesure enropique de risque dynamique e γ avec la soluion d une ceraine EDSR. Proposiion 4. La mesure de risque enropique dynamique (e γ, (ξ T [,T ] es soluion de l EDSR quadraique de généraeur g(, z = 1 2γ z 2 e de condiion erminale ξ T, c es à dire : de γ, (ξ T = 1 2γ Z 2 Z dw, e γ,t (ξ T = ξ T. (2.1 Démonsraion. On pose M := E (exp ( 1 γ ξ T F. M es donc une F -maringale sricemen posiive e bornée (puisque ξ T l es. Par le héorème de représenaion des maringale e en uilisan la srice posiivié de M, il exise un processus (Z [,T ] dans H1 d 2 el que : dm = 1 γ M Z dw. Par la formule d Iô appliquée à la foncion x γln(x, on obien : d(γlnm = γ dm M γ M 2 Z 2 2γ 2 M 2 d, γlnm T = ξ T de γ, (ξ T = 1 2γ Z 2 Z dw, e γ,t (ξ T = ξ T. Remarque. Puisque e γ, (ξ T vérifie : on a, éan donné que ξ T es bornée : e γ, (ξ T = ξ T + [ E 1 T 2γ Z s 2 ds Z s dw s ] ] Z s 2 F ds F = 2γE [e γ, (ξ T + ξ T <. Réciproquemen, on peu monrer que si l EDSR (2.1 a une soluion (Y, Z elle que Y T e E[ Z s 2 ds F ] soien bornée, alors Y es bornée (voir la sous-secion suivane. 23

25 2.1.3 g-opéraeurs dynamique, mesure convexe de risques dynamique e EDSR C es dans cee secion qu on me en évidence le lien enre les mesures convexes de risques dynamiques e les EDSR. On commence par définir l opéraeur généré par la soluion maximale d une EDSR. Définiion 5. Soi g un coefficien sandard (i.e. vérifian H1. Le g-opéraeur dynamique, noé Y g, es el que Y g (ξ T es la soluion maximale de l EDSR associée au couple (g, ξ T. Auremen di, le g-opéraeur dynamique pris en ξ T correspond à la première composane du couple soluion de l EDSR de généraeur (g, ξ T. On va éudier les propriéé d un el opéraeur à l aide du lemme suivan. Lemme 2. Soien g 1 e g 2 deux coefficiens réguliers els que l EDSR associé à g 1 admee une unique soluion. On pose Y gi le g i -opéraeur dynamique où i {1, 2}. On suppose que : dp d-p.s. Y g1 (ξ T = Y g2 (ξ T pour ou ξ T dans L 2 ou L. 1 Si g 1 e g 2 ne dépenden que de e z alors : dp d-p.s. (y, z g 1 (, y, z = g 2 (, y, z. 2 Dans le cas général, si les coefficiens g 1 e g 2 son coninus en, alors : dp d-p.s. (y, z g 1 (, y, z = g 2 (, y, z. Avan de prouver ce lemme, prenons l exemple de la mesure de risque dynamique enropique de la sous secion précédene. Illusraion dans le cas quadraique On pose g 1 (, y, z := 1 2γ 1 z 2 e g 2 (, y, z := 1 2γ 2 z 2. On remarque que g 1 e g 2 vérifien les hypohèses (Q e (C. Par la proposiion 4, on a pour ou ξ T bornées : Y 1 := e γ1,(ξ T = ξ T + g 1 (s, Ys 1, Zs 1 ds Zs 1 dw s e Y 2 := e γ2,(ξ T = ξ T + g 2 (s, Ys 2, Zs 2 ds Zs 2 dw s. Par hypohèse g 1 e g 2 ne dépenden pas de y. On suppose Y 1 := e γ1,(ξ T = e γ2,(ξ T =: Y 2, alors par unicié de la décomposiion d une semi-maringale, pour ou [, T ] : { g1 (s, Ys 1, Zs 1 ds = g2 (s, Ys 2, Zs 2 ds P-p.s. Z1 s dw s = Z2 s dw s P-p.s. La deuxième égalié nous donne Z 1 = Z 2 P-p.s. [, T ]. Or g 1 e g 2 ne dépenden pas de y, on a donc : soi, pour ou : g 1 (s, Z s ds = On en dédui donc que γ 1 = γ 2 donc g 1 = g 2. On revien mainenan à la preuve du lemme. g 2 (s, Z s ds P-p.s. 1 Z s 2 1 ds = Z s 2 ds.p-p.s. 2γ 1 2γ 2 24

26 Preuve du lemme 2. On suppose que dp d-p.s. Y g1 (ξ T = Y g2 (ξ T pour ou ξ T dans L 2 ou L, auremen di, les EDSR de généraeurs g 1 e g 2 on pour soluions respecives (Y 1, Z 1 e (Y 2, Z 2, qui son elles que Y 1 = Y 2 =: Y s mais Z 1 Z 2 a priori. Donc : g 1 (s, Y s, Zs 1 ds Zs 1 dw s = g 2 (s, Y s, Zs 2 ds Zs 2 dw s Par unicié de la décomposiion d une semi-maringale, on en dédui alors : P-p.s. { g1 (s, Y s, Zs 1 ds = g2 (s, Y s, Zs 2 ds P-p.s. Z1 s dw s = Z2 s dw s P-p.s. (2.2 Donc Z 1 = Z 2 =: Z P-p.s.. En reprenan (2.2, on en dédui que g 1 (s, Y s, Z s ds = g 2 (s, Y s, Z s ds P-p.s. (2.3 Cependan, cee égalié n es vraie a priori que pour (Y, Z, soluion des EDSR précédenes. 1 On suppose que g 1 e g 2 ne dépenden pas de y. On prend Z un processus borné quelconque. On considère la semi-maringale locale U vérifian : U = u g 1 (s, Z s ds + Z s dw s. Soi τ un emps d arrê el que U T τ soi bornée. Alors U es soluion de l EDSR Par hypohèse e en reprenan (2.3, on a : τ τ U = U T τ + g 1 (s, Z s ds Z s dw s. τ g 1 (s, Z s ds = τ g 2 (s, Z s ds. On en dédui donc que d dp-p.s. pour ou z, g 1 (, z = g 2 (, z. 2.a Dans le cas général, soi Z un processus borné. On considère Y une soluion de l équaion différenielle sochasique dy = g 1 (, Y, Z d + Z dw, Y = y. Soi τ N défini par : e T si l ensemble précéden es vide. On a τ N := inf{ [, T ], Y N} lim τ N = T. N + Le couple (Y τn T, Z 1 ],τn ]( es soluion de l EDSR de généraeur g 1 e de condiion erminale Y τn T. Par hypohèse, ce couple es aussi soluion de l EDSR de généraeur g 2 e de condiion erminale Y τn T. On en dédui, en reprenan (2.2, que ( g1 (s, Y s, Z s ds e ( g2 (s, Y s, Z s ds son indisinguables sur ], τ N T ]. En faisan endre N vers l infini, on obien d dp-p.s. g 1 (, Y, Z = g 2 (, Y, Z pour ou processus Z borné. On a monré que g 1 (, Y, z = g 2 (, Y, z pour ou z R 1 d.cependan Y es un processus pariculier (soluion d une EDSR. On va faire en sore que l égalié soi vraie pour oue variable Y F -mesurable. 25

27 2.b On suppose que g 1 (, Y, z e g 2 (, Y, z son coninus par rappor à. Soi z R 1 d, on pose, pour oue variable Y F -mesurable : Y z u := Y u g 1 (s, Y z s, zds + u zdw s u [, + h]. Donc (Y z u, z es soluion de l EDSR de coefficien généraeur g 1 e de condiion emrinale Y z Par hypohèse, on a aussi : On en dédui donc : +h Yu z = Y+h z + +h Yu z = Y+h z + u u u g 1 (s, Y z s, zds g 2 (s, Y z s, zds g 1 (s, Y z s, zds = u +h u +h u zdw s g 2 (s, Y z s, zds. zdw s. u [, + h]. Par la coninuié de g 1 e g 2 en, on a alors : 1 ( lim h h E Y+h z Y F = g i (, Y, z pour i {1, 2}. Donc g 1 (, Y, z = g 2 (, Y, z pour oue variable Y F -mesurable. Donc +h : d dp-p.s. (y, z R R d, g 1 (, y, z = g 2 (, y, z. Le héorème suivan donne des propriéés de l opéraeur dynamique Y g en uilisan le fai que ce opéraeur es la soluion maximale d une EDSR e à l aide du lemme précéden donnan des condiions sur le généraeur g. Théorème 8. Soi Y g un g-opéraeur dynamique. Alors i Y g es croissan (P2+ e sans arbirage (P5. ii Y g es cohérene en emps si g ne dépend pas de y. iii Sous les hypohèses du lemme 2 : a Y g es invarian par ranslaion (P3+ si e seulemen si g ne dépend pas de y. b Y g es posiivemen homogène (P7 si e seulemen si g es posiivemen homogène par rappor à y e z. iv Si g es convexe, Y g l es (P1. v Si g 1 g 2 alors Y g1 Y g2. Démonsraion. i La croissance de Y g (P2+ e l absence d arbirage (P5 résule du héorèm 3, le héorème de comparaison dans le cas sandard avec sa version srice. ii Cohérence en emps. Soi S T U, on doi prouver que : En effe, si g es indépendane de y, Y S (T, Y T (U, ξ U = Y T (U, ξ U + U = ξ U + = ξ U + Y S (T, Y T (U, ξ U = Y S (U, ξ U p.s. T U S S g(, Z d g(, Z d g(, Z d U T U S S Z dw + Z dw. Z dw S g(, Z d Z dw S En uilisan l unicié de la soluion d une EDSR, on a la cohérence en emps. 26

28 iii Invariance par ranslaion (P3+. On veu prouver que Y g (ξ T + m = Y g (ξ T + m si e seulemen si g ne dépend pas de y. On pose g m (, y, z := g(, y + m, z. On remarque que g ne dépend pas de y es équivalen à g m = g pour ou m. Soi Y (ξ T := Y g (ξ T la soluion maximale de l EDSR associé au couple (g, ξ T e soi Y m := Y (ξ T + m m. On en dédui : Y m = Y m = ξ T + m + = ξ T + g(s, Y s, Z s ds g m (s, Ys m, Z s ds Z s dw s m Z s dw s. Donc Y m es la soluion maximale de l EDSR associée au couple (g m, ξ T. On en dédui que Y g S (ξ T + m = Y g S (ξ T + m équivau à Y (ξ T e Y m son indisinguables. Si g m = g alors par unicié de la soluion maximale, Y (ξ T e Y m son indisinguables. Réciproquemen, si Y (ξ T e Y m son indisinguables, d après le lemme 2, g m = g. Donc Y g S (ξ T + m = Y g S (ξ T + m équivau à g m = g donc équivau à g ne dépend pas de y. iii Homogénéié (P7. La démonsraion es la même que précédemen en posan g λ (, y, z = g(, λy, λz. iv Convexié Soi (Y 1, Z 1 (resp. (Y 2, Z 2 la soluion maximale de l EDSR associée au couple (g, ξt 1 (resp. (g, ξ2 T. On pose Ỹ := λy 1 + (1 λy 2. On a : Ỹ = ỸT + ( λg(s, Y 1 s, Z 1 s + (1 λg(s, Y 2 s, Z 2 s ds Or par hypohèse g es convexe, on peu donc écrire 1 : Ỹ = ỸT + g(s, Ỹ s, Z s + α(s, Y 1 s, Y 2 s, Z 1 s, Z 2 s ds ( λz 1 s + (1 λzs 2 dws. Z s dw s où α es une processus posiif (dû à la convexié de g. Par le héorème de comparaison : Y g (λξt 1 + (1 λξ2 T es plus pei que Ỹ. Auremen di : Y g (λξ1 T + (1 λξ 2 T λy g (ξ1 T + (1 λy g (ξ2 T v Si g 1 g 2, par le héorème de comparaison on a Y g1 Y g2. d dp-p.s. On a alors le corollaire suivan. Corollaire 1. Soi g un coefficien d EDSR convexe, ne dépendan pas de y, alors R g (ξ T Y g ( ξ T es une mesure convexe de risques dynamique, appellée mesure g-condiionnelle de risques. Démonsraion. On reprend la définiion 4 e on vérifie que l opéraeur R g ( Y g ( saisfai aux cinq axiomes (P1, (P2-, (P3-, (P4- e (P5. Par le héorème 8 e sachan que g es convexe e ne dépend pas de y, R g es convexe (P1, décroissane (P2-, invariane par ranslaion (P3- puisque : R g S (ξ T + η S := Y g S ( (ξ T + η S = Y g S ( ξ T η S = R g S (ξ T η S, cohérene en emps (P4- e sans arbirage (P Représenaion duale de mesures de risque g-condiionnelles Dans cee secion, on cherche à avoir une expression de R g (ξ T, la mesure de risque g-condiionnelle prise en ξ T définie dans le corollaire 1. On va dans un premier emps éudier la ransformée de Legendre Fenchel d une foncion, donner des résulas d analyse convexe qui nous permeeron d obenir une expression de la mesure de risque g-condiionnelle. On aura égalemen besoin des noions de BMOmaringales qui seron rappellées. 1. Avec une noaion évidene pour Z := λz 1 + (1 λz 2. 27

29 2.2.1 Transformée de Legendre-Fenchel Le principal ouil pour obenir une représenaion duale d une mesure de risque g-condiionnelle es la ransformée de Lengendre-Fenchel noée G de la foncion 2 g. On reprend pour l esseniel l éude faie dans le chapire 23 de [13] On défini la ransformée de Lengendre-Fenchel de g par : où D g es le domaine de g. G(, µ := sup z D g { µ, z g(, z} (2.4 Remarques 2. On s inerresse ici à des mesures de risques g-condiionnelles donc, par le corollaire 1, g ne dépend pas de y pour la définiion de la ransformée de Legendre-Fenchel. La foncion G es convexe en µ. Éan donné que g es coninue, on a aussi : g(, z := sup µ D G { µ, z G(, µ} (2.5 où D G es le domaine 3 de G. On cherche alors si ces problèmes de maximisaion on des soluions. On a besoin d inroduire la noion de sous-dérivée d une foncion. Définiion 6. La sous-dérivée d une foncion convexe g en z, noée g(z es l ensemble : g(z := {µ g(x g(z + µ, x z, x}. Les élémens µ apparenan à ce ensemble son appellés sous-gradiens de g en z. Remarques 3. Si z n es pas dans le domaine de g, alors g(z =. Si z es dans l inérieur du domaine de g, alors g(z es non vide. Si g(z es rédui à un poin, alors la foncion g es différeniable en z. Proposiion 5. Soi g une foncion convexe, on a : Démonsraion. Soi µ g(z alors : g(z = {µ g(z µ, z G(µ}. (2.6 g(z µ, z g(x µ, x x g(z µ, z G(µ donc équivau à µ {µ g(z µ, z G(µ}. On a alors le héorème suivan : Théorème 9. Soi g une foncion convexe. a ˆµ g(z g(z = inf{g(µ µ, z } = G(ˆµ ˆµ, z. µ b ẑ G(µ G(µ = inf{g(z µ, z } = g(ẑ µ, ẑ. z 2. Cee foncion es en pariculier le généraeur d une EDSR, par définiion d une mesure de risque g-condiionnelle. 3. Plus exacemen, l ensemble de définiion de G par rappor à µ 28

30 Démonsraion. Soi ˆµ g(z, d après (2.6 : g(z ˆµ, z G(ˆµ. Donc : Or d après (2.5 : g(z G(ˆµ ˆµ, z. g(z = inf{g(µ µ, z } G(ˆµ ˆµ, z. µ Donc ˆµ es l opimum du problème de maximisaion (2.5. La réciproque es claire, e le b se démonre de la même façon. Grâce à la ransformée de Legendre-Fenchel, on a la définiion suivane caracérisan la représenaion duale d une mesure de risques g-condiionnelle. Définiion 7. On di qu une mesure de risque g-condiionnelle R g a une représenaion duale s il exise un ensemble A de conrôles admissibles els que pour ou emps d arrê S T borné e pour ou ξ T dans L 2 ou L on a : R g S (ξ T = ess sup µ A E [ ξ Qµ T S ] G(, µ d F S, où Q µ es une mesure de probabilié équivalene à P. La représenaion duale es di exace en ˆµ si l ess sup es aein en ˆµ. Le bu de la secion es de monrer qu une mesure de risques g-condiionnelle adme une représenaion duale sous les hypohèses (H1, (H2 e (H3 précédenes. Pour cela il fau ou d abord mere en place les noions de BMO-maringales BMO-maringales e héorème de Girsanov Dans cee parie, on renvoi au livre de kazamaki [8] Définiion 8 (Exponenielle sochasique. Soi W un mouvemen brownien d-dimensionnel. Soi µ un processus adapé el que µ s 2 ds < +. La maringale exponenielle associée au processus µ es la maringale locale posiive (Γ µ [,T ] définie par : ( ( Γ µ := E µ s dw s := exp µ s dw s 1 µ s 2 ds, 2 soluion de l équaion différenielle sochasique 4 : dγ µ = Γµ µ dw, Γ µ = 1. Théorème 1 (Girsanov. Soi Γ µ la maringale exponenielle définie précédemen. On suppose que Γ µ es une maringale uniformémen inégrable. Si W es un mouvemen brownien sous P alors le processus W µ := W µ sds es un mouvemen brownien sous la probabilié Q µ équivalene à P elle que dqµ dp = Γµ T. Pour appliquer le héorème de Girsanov, il fau que le processus Γ µ soi une (vraie maringale sous P. Pour se faire, deux condiions sur µ son données ici. 4. Où on noe µ es un veceur ligne, ransposé de µ. 29

31 Changemen de probabilié avec des processus bornés Proposiion 6 (Crière de Novikov. Soi (µ [,T ] un processus F-adapé e soi (W [,T ] un mouvemen brownien sous la probabilié P. Si : alors Γ µ es une maringale. [ ( 1 T ] E exp µ 2 d < + 2 Remarque. Un cas pariculier de ce crière, qu on uilisera ici es le cas µ borné. Dans ce cas, Γ µ adme des momens de ou ordre p (voir chapire 1 de [8]. Proposiion 7. Soi µ un processus borné. Si un processus es dans H 2 (P alors il es dans H 1+ɛ (Q µ où Q µ es la probabilié équivalene à P donnée par le héorème de Girsanov précéden. Corollaire 2. Soi µ un processus F -adapé e borné, si M µ = Z sdw s es une H 2 (P-maringale, alors ˆM Z := Z sdw s µ es une Q µ -maringale uniformémen inégrable, d espérance nulle sous Q µ. Changemen de probabilié avec les BMO-maringales La condiion sur µ précédene es un peu fore, on va éendre la proposiion 7 e son corollaire sur l espace des BMO processus défini de la façon suivane : [ ] BMO(P = {ϕ H 2 C [, T ] E ϕ s 2 ds F C p.s.}. On [ le muni de la norme ϕ 2 BMO := C avec C l infimum des consanes C elles que [, T ], ] T E ϕ s 2 ds F C p.s. L inégrale sochasique ϕ sdw s es une BMO(P-maringale si le processus ϕ apparien à BMO(P. Théorème 11. Soi µ un BMO(P-processus adapé. Alors : i La maringale exponenielle associée Γ µ es une maringale uniformémen inégrable. Par le héorème de Girsanov, on peu définir une probabilié Q µ équivalene à P e W µ := W µ sds es un Q µ mouvemen brownien. ii M µ := µ µ sdw s es une BMO(P-maringale e, avec les noaions de i, ˆM := µ sdw s µ es une BMO(Q µ -maringale. Plus généralemen, oue BMO(P-maringale M Z := Z sdw s se ransforme en un processus coninu ˆM Z := Z sdw s µ qui es une BMO(Q µ -maringale. iii Les BMO-normes associées à P e Q µ son équivalenes, i.e. k Z BMO(Q µ Z BMO(P K Z BMO(Q µ où k e K son des consanes posiives qui ne dépenden que de µ. On renvoi au chapire 3 de [8] pour la preuve de ce héorème. Il en découle la proposiion suivane, qui nous servira dans la sous secion suivane. Proposiion 8. Sous (H3, soi (Y, Z la soluion maximale de l EDSR quadraique de coefficien généraeur g e de condiion erminale ξ T bornée : où M Z dy = g(, Z d dm Z, Y T = ξ T (2.7 := Z sdw s. Si g(, 1 2 BMO(P alors M Z es une BMO(P maringale. Démonsraion. En reprenan (2.7, on obien : Y = Y T + g(s, Z s ds + M Z MT Z. 3

32 Soi : Y = Y T + g(s, Z s ds Z s dw s. On applique la formule d Iô à la foncion x e βx. On obien : exp βy = exp (βy T + β soi exp (βy s g(s, Z s ds β exp (βy s Z s dw s β2 2 exp (βy s Z s 2 ds, exp βy = exp (βy T + β exp (βy s (g(s, Z s β2 Z s 2 ds β exp (βy s Z s dw s. (2.8 Par (H3, il exise k > el que g(, z g(, + k z 2. Donc : β 2 Z s 2 g(s, Z s ( β 2 k Z s 2 g(s,, s [, T ]. On fixe ɛ >, en choisissan β 2(k + ɛ, on obien : β 2 Z s 2 g(s, Z s ɛ Z s 2 g(s,, s [, T ]. (2.9 En passan sous l espérance condiionnelle dans (2.8 sous F e en uilisan (2.9, on obien, puisque Y es bornée d après le héorème 6 : [ ] [ ] βɛe exp (βy s Z s 2 ds F C 1 + βe exp (βy s g(s, ds F C 2, où C 1 e C 2 son des consanes réèlles posiives e en uilisan le fai que g(, 1 2 BMO(P pour la dernière inégalié. Or (exp (βy (,T ] es borné (puisque Y l es par le héorème 6, donc on a finalemen : [ ] E Z s 2 ds F C. Donc M Z := Z sdw s es une BMO(P maringale. Cee dernière proposiion va nous êre uile pour la preuve du héorème 12 de la parie qui sui Représenaion duale des mesures de risques On va mainenan éudier les représenaions duales des mesures de risques g-condiionnelles. L espace des conrôles admissibles dépend du coefficien g. On va éudier ce problème sous les hypohèses (H1 e (H3. En effe, si un coefficien g d une EDSR es convexe e saisfai (H2 avec g(, z c + k z, il saisfai en fai (H1 avec le même k comme consane de Lipschiz. Voir l Appendice sur les foncions de récession pour plus de précisions. Théorème 12. Soi g un coefficien convexe généraeur d EDSR ne dépendan pas de y e saisfaisan (H1 ou (H3 e soi G la ransformée de Legendre-Fenchel de g. i Pour presque ou (ω, Ω [, T ], le problème d opimisaion (2.5 adme une soluion opimale progressivemen mesurable µ(ω, dans la sous-dérivée de g en z, i.e. µ(ω, g(ω,, z. ii On a alors une représenaion duale pour la mesure de risques g-condiionnelle R g, exace en ˆµ au sens de la définiion 7 : ] R g (ξ T = ess sup µ A E [ ξ Qµ T G(s, µ s ds F où, = E Q µ [ ξ T 31 ] G(s, µ s ds F

33 1. Sous (H1 avec g(, z g(, + k z, A es l espace des processus µ adapés e bornés par k e Q µ la mesure de probabilié équivalene à P de densié Γ µ T := E( µ sdw s. 2. Sous (H3 avec g(, z g(, + k z 2, A es l espace des BMO(P-processus µ e Q µ la mesure de probabilié équivalene à P de densié Γ µ T := E( µ sdw s. iii Soi g une foncion foremen convexe, i.e. la foncion z g(, z 1 2 C z 2 es convexe, alors sa ransformé de Legendre-Fenchel G(, µ a une croissance quadraique en µ e on a la représenaion duale suivane, aeine en un ξ T : Démonsraion. [ ] E Qµ G(s, µ s ds { T = ess sup ξt E Qµ [ξ T F ] R g (ξ T = E Qµ [ξ T F ] R g (ξ T i L exisence d une soluion µ(ω, au problème d opimisaion (2.5 dans la sous dérivée de g en z es une conséquence du Théorème 9 e des Remarques 3. Pour ce qui es de la progressive mesurabilié de µ(ω,, on sai que l ensemble {µ R n : g(ω,, Z = µ, Z G(ω,, µ} es non vide (il conien µ. Alors par le héorème de sélecion mesurable, il exise un processus progressivemen mesurable, oujours noé 5 µ el que le problème d opimisaion (2.5 admee une soluion en ce processus. ii 1. Eude sous (H1. Soi g saisfaisan (H1 avec 6 g(, z g(, + k z. Alors, g(, H 2. Par définiion : donc : G(, µ := inf z D g {g(, z µ, z } G(, µ g(, H 2. (2.1 On pose : R g (ξ T := Y la soluion de l EDSR associée au couple (g, ξ T : dy = g(, Z d Z dw, Y T = ξ T. En posan A l espace des processus µ adapés e bornés par k, par le héorème de Girsanov, le processus : W µ := W µ sds es un mouvemen brownien sous la probabilié Q µ de densié Γ µ T := E( µ sdw s par rappor à P. On obien 7 alors : dy = (g(, Z µ, Z d Z dw µ, Y T = ξ T. (2.11 Comme M Z := Z sdw s es une H 2 P-maringale, par le corollaire 2, ˆM Z := Z sdw s µ es une maringale sous Q µ d espérance nulle. Or, µ A es borné par k e g es à croissance linéaire, donc le processus (g(, Z Z, µ es dans H 2 sous P. En reprenan l équaion (2.11, on obien pour ou µ A : ] Y = E [ ξ Qµ T + (g(s, Z s µ s, Z s ds F. On a alors, en reprenan (2.1 : ] Y E [ ξ Qµ T G(s, µ s ds F. (2.12 Vu que le processus ( G(, µ es borné supérieuremen par (g(, qui es inégrable sous Q µ, cee dernière espérance condiionnelle es finie. Pour avoir l égalié, on remarque 5. C es un abus de noaion ici 6. Voir appendice sur les foncions de récession 7. Nous pensons avoir décelé à ce niveau là une erreure de signe dans l aricle de N. El Karoui e P. Barrieu [1] ce qui explique leur problème de signe dans leur définiion de la ransformée de Legendre-Fenchel. 32

TD 20-21 : Modèles de marchés - Mouvement brownien

TD 20-21 : Modèles de marchés - Mouvement brownien Universié Paris VI Maser : Modèles sochasiques, applicaions à la finance (MM065) TD 20-2 : Modèles de marchés - Mouvemen brownien. Taux de change. Soi (Ω, P(Ω), P) un espace probabilisé fini non redondan

Plus en détail

Texte Ruine d une compagnie d assurance

Texte Ruine d une compagnie d assurance Page n 1. Texe Ruine d une compagnie d assurance Une nouvelle compagnie d assurance veu enrer sur le marché. Elle souhaie évaluer sa probabilié de faillie en foncion du capial iniial invesi. On suppose

Plus en détail

Présentation groupe de travail

Présentation groupe de travail Présenaion groupe de ravail Sofiane Saadane jeudi 23 mai 2013 Résumé L aricle sur lequel on ravaille [LP09] présene un problème de bandi à deux bras comporan une pénalié. Nous commencerons par présener

Plus en détail

Calcul Stochastique 2 Annie Millet

Calcul Stochastique 2 Annie Millet M - Mahémaiques Appliquées à l Économie e à la Finance Universié Paris 1 Spécialié : Modélisaion e Méhodes Mahémaiques en Économie e Finance Calcul Sochasique Annie Mille 15 14 13 1 11 1 9 8 7 6 5 4 3

Plus en détail

2. Quelle est la valeur de la prime de l option américaine correspondante? Utilisez pour cela la technique dite de remontée de l arbre.

2. Quelle est la valeur de la prime de l option américaine correspondante? Utilisez pour cela la technique dite de remontée de l arbre. 1 Examen. 1.1 Prime d une opion sur un fuure On considère une opion à 85 jours sur un fuure de nominal 18 francs, e don le prix d exercice es 175 francs. Le aux d inérê (coninu) du marché monéaire es 6%

Plus en détail

TD/TP : Taux d un emprunt (méthode de Newton)

TD/TP : Taux d un emprunt (méthode de Newton) TD/TP : Taux d un emprun (méhode de Newon) 1 On s inéresse à des calculs relaifs à des remboursemens d empruns 1. On noera C 0 la somme emprunée, M la somme remboursée chaque mois (mensualié), le aux mensuel

Plus en détail

Exemples de résolutions d équations différentielles

Exemples de résolutions d équations différentielles Exemples de résoluions d équaions différenielles Table des maières 1 Définiions 1 Sans second membre 1.1 Exemple.................................................. 1 3 Avec second membre 3.1 Exemple..................................................

Plus en détail

Réponse indicielle et impulsionnelle d un système linéaire

Réponse indicielle et impulsionnelle d un système linéaire PSI Brizeux Ch. E2: Réponse indicielle e impulsionnelle d un sysème linéaire 18 CHAPITRE E2 Réponse indicielle e impulsionnelle d un sysème linéaire Nous connaissons ou l inérê de l éude de la réponse

Plus en détail

Le modèle de Black Scholes

Le modèle de Black Scholes Le modèle de Black Scholes Philippe Briand, Mars 3 1. Présenaion du modèle Les mahémaiciens on depuis longemps essayé de résoudre les quesions soulevées par le monde de la finance. Une des caracérisiques

Plus en détail

Les circuits électriques en régime transitoire

Les circuits électriques en régime transitoire Les circuis élecriques en régime ransioire 1 Inroducion 1.1 Définiions 1.1.1 égime saionnaire Un régime saionnaire es caracérisé par des grandeurs indépendanes du emps. Un circui en couran coninu es donc

Plus en détail

Caractéristiques des signaux électriques

Caractéristiques des signaux électriques Sie Inerne : www.gecif.ne Discipline : Génie Elecrique Caracérisiques des signaux élecriques Sommaire I Définiion d un signal analogique page 1 II Caracérisiques d un signal analogique page 2 II 1 Forme

Plus en détail

IRM fonctionnelle : QUELQUES IDEES SUR LE TRAITEMENT STATISTIQUE DES DONNEES

IRM fonctionnelle : QUELQUES IDEES SUR LE TRAITEMENT STATISTIQUE DES DONNEES IRM foncionnelle : QUELQUES IDEES SUR LE TRAITEMENT STATISTIQUE DES DONNEES Le principe général d'une éude IRMf consise à analyser le signal BOLD (Blood Oxygen Level Dependen) qui radui l'augmenaion d'afflux

Plus en détail

Chapitre 15 c Circuits RL et RC

Chapitre 15 c Circuits RL et RC Chapire 15 c Circuis L e C en régime impulsionnel Sommaire Circuis en régime impulsionnel Signal impulsionnel Mesure d'un circui C en régime impulsionnel Applicaion praique Eude du circui C en régime impulsionnel

Plus en détail

Université d Evry Val d Essonne Laboratoire d Analyse et Probabilités EA 2172 THESE. présentée pour obtenir le titre de

Université d Evry Val d Essonne Laboratoire d Analyse et Probabilités EA 2172 THESE. présentée pour obtenir le titre de Universié d Evry Val d Essonne Laboraoire d Analyse e Probabiliés EA 2172 THESE présenée pour obenir le ire de DOCTEUR EN SCIENCES MATHÉMATIQUES de l Universié d Evry Val d Essonne par Armand Brice NGOUPEYOU

Plus en détail

Solutions auto-semblables pour des modèles avec conductivité thermique

Solutions auto-semblables pour des modèles avec conductivité thermique Soluions auo-semblables pour des modèles avec conducivié hermique Séphane DELLACHERIE e Olivier LAFITTE CRM-327 5 décembre 25 Cenre de Recherches Mahémaiques, Universié de Monréal, Case posale 628, Succursale

Plus en détail

Les Univers Virtuels de la Finance

Les Univers Virtuels de la Finance Les Univers Viruels de la Finance Viruel Worlds of Finance ierre Devolder 1 Résumé. La mesure neure au risque es devenue une noion cenrale en finance moderne: elle s obien par changemen de mesure de probabilié

Plus en détail

Fonction dont la variable est borne d intégration

Fonction dont la variable est borne d intégration [hp://mp.cpgedpydelome.fr] édié le 1 jille 14 Enoncés 1 Foncion don la variable es borne d inégraion Eercice 1 [ 1987 ] [correcion] Soi f : R R ne foncion conine. Jsifier qe les foncions g : R R sivanes

Plus en détail

Mathématiques financières. Peter Tankov

Mathématiques financières. Peter Tankov Mahémaiques financières Peer ankov Maser ISIFAR Ediion 13-14 Preface Objecifs du cours L obje de ce cours es la modélisaion financière en emps coninu. L objecif es d un coé de comprendre les bases de

Plus en détail

Sous-évaluation des prix d options par le modèle de Black & Scholes.

Sous-évaluation des prix d options par le modèle de Black & Scholes. Sous-évaluaion des prix d opions par le modèle de Black & Scholes. Mise en évidence par une dynamique combinan mouvemen brownien e processus à saus. Marc Debersé ocobre 6 Résumé S il es bien connu que

Plus en détail

Exercices de baccalauréat série S sur la loi exponentielle

Exercices de baccalauréat série S sur la loi exponentielle Eercices de baccalauréa série S sur la loi eponenielle (page de l énoncé/page du corrigé) La compagnie d'auocars (Bac série S, cenres érangers, 23) (2/) Durée de vie d'un composan élecronique (Bac série

Plus en détail

La rentabilité des investissements

La rentabilité des investissements La renabilié des invesissemens Inroducion Difficulé d évaluer des invesissemens TI : problème de l idenificaion des bénéfices, des coûs (absence de saisiques empiriques) problème des bénéfices Inangibles

Plus en détail

Romain Burgot & Tchim Silué. Synthèse de l article : Note sur l évaluation de l option de remboursement anticipé

Romain Burgot & Tchim Silué. Synthèse de l article : Note sur l évaluation de l option de remboursement anticipé ENSAE 3 eme année Romain Burgo & Tchim Silué Synhèse de l aricle : Noe sur l évaluaion de l opion de remboursemen anicipé Mémoire de gesion ALM Juin 2006 Résumé Depuis 1979, la loi offre à l empruneur

Plus en détail

VA(1+r) = C 1. VA = C 1 v 1

VA(1+r) = C 1. VA = C 1 v 1 Universié Libre de Bruxelles Solvay Business School La valeur acuelle André Farber Novembre 2005. Inroducion Supposons d abord que le emps soi limié à une période e que les cash flows fuurs (les flux monéaires)

Plus en détail

MATHEMATIQUES FINANCIERES

MATHEMATIQUES FINANCIERES MATHEMATIQUES FINANCIERES LES ANNUITES INTRODUCTION : Exemple 1 : Une personne veu acquérir une maison pour 60000000 DH, pour cela, elle place annuellemen au CIH une de 5000000 DH. Bu : Consiuer un capial

Plus en détail

Analyse par intervalles pour la localisation et la cartographie simultanées; Application à la robotique sous-marine.

Analyse par intervalles pour la localisation et la cartographie simultanées; Application à la robotique sous-marine. Analyse par inervalles pour la localisaion e la carographie simulanées; Applicaion à la roboique sous-marine Fabrice LE BARS Analyse par inervalles pour la localisaion e la carographie simulanées; Thèse

Plus en détail

CHAPITRE I : Cinématique du point matériel

CHAPITRE I : Cinématique du point matériel I. 1 CHAPITRE I : Cinémaique du poin maériel I.1 : Inroducion La plupar des objes éudiés par les physiciens son en mouvemen : depuis les paricules élémenaires elles que les élecrons, les proons e les neurons

Plus en détail

Chromatographie en Phase Gazeuse CPG.

Chromatographie en Phase Gazeuse CPG. TEISSIER Thomas MADET Nicolas Licence IUP SIAL Universié de Créeil-Paris XII COMPTE-RENDU DE TP DE CHROMATOGRAPHIE: Chromaographie en Phase Gazeuse CPG. Année universiaire 23/24 Sommaire. I OBJECTIF...3

Plus en détail

Université d Evry Val d Essonne DESS d Ingéniérie Mathématique option Finance Introduction à la valorisation des produits financiers

Université d Evry Val d Essonne DESS d Ingéniérie Mathématique option Finance Introduction à la valorisation des produits financiers Universié d Evry Val d Essonne DESS d Ingéniérie Mahémaique opion Finance Inroducion à la valorisaion des produis financiers Véronique Berger versiondu10janvier2006 Conens I Insrumens financiers 5 1 Définiion

Plus en détail

4. Principe de la modélisation des séries temporelles

4. Principe de la modélisation des séries temporelles 4. Principe de la modélisaion des séries emporelles Nous raierons ici, à ire d exemple, la modélisaion des liens enre la polluion amosphérique e les indicaeurs de sané. Mais les méhodes indiquées, comme

Plus en détail

Introduction aux produits dérivés

Introduction aux produits dérivés Chapire 1 Inroducion aux produis dérivés de crédi Le risque de crédi signifie les risques financiers liés aux incapaciés d un agen (un pariculier, une enreprise ou un éa souverain) de payer un engagemen

Plus en détail

Finance 1 Université d Evry Val d Essonne. Séance 2. Philippe PRIAULET

Finance 1 Université d Evry Val d Essonne. Séance 2. Philippe PRIAULET Finance 1 Universié d Evry Val d Essonne éance 2 Philippe PRIAULET Plan du cours Les opions Définiion e Caracérisiques Terminologie, convenion e coaion Les différens payoffs Le levier implicie Exemple

Plus en détail

Solvency II, IFRS : l impact des modèles d actifs retenus

Solvency II, IFRS : l impact des modèles d actifs retenus Les normes IFRS en assurance Solvency II, IFRS : l impac des modèles d acifs reenus 31 e journée de séminaires acuariels ISA-HEC Lausanne e ISFA Lyon Pierre THÉROND pherond@winer-associes.fr 18 novembre

Plus en détail

Etude de risque pour un portefeuille d assurance récolte

Etude de risque pour un portefeuille d assurance récolte Eude de risque pour un porefeuille d assurance récole Hervé ODJO GROUPAMA Direcion ACTUARIAT Groupe 2, Bd Malesherbes 75008 Paris Tél : 33 (0 44 56 72 46 herve.odjo@groupama.com Viviane RITZ GROUPAMA Direcion

Plus en détail

( ) et est alors représenté par le graphe ci-

( ) et est alors représenté par le graphe ci- LE SIGNAL SINUSOIDAL : PRODUCTION ET OBSERVATION Le bu de ce premier TP es d une par la prise en main du maériel nécessaire pour l observaion des ondes lors de la prochaine séance (uilisaion de l oscilloscope),

Plus en détail

UNITÉ 1: LA CINÉMATIQUE

UNITÉ 1: LA CINÉMATIQUE UNITÉ 1: L CINÉMTIQUE Cinémaique: es la branche e la physique qui raie e la escripion u mouemen objes sans référence aux forces ni aux causes régissan ce mouemen. 1.1 L VITESSE ET L VITESSE VECTORIELLE

Plus en détail

COMMANDE D UNE PORTE DE GARAGE COLLECTIF

COMMANDE D UNE PORTE DE GARAGE COLLECTIF COMMANDE D UNE PORTE DE GARAGE COLLECTIF Les quesions raiées devron êre soigneusemen numéroées e le documen-réponse fourni devra êre compléé selon les indicaions de l énoncé. Il es vivemen conseillé de

Plus en détail

MODELES DE LA COURBE DES TAUX D INTERET. UNIVERSITE d EVRY Séance 4. Philippe PRIAULET

MODELES DE LA COURBE DES TAUX D INTERET. UNIVERSITE d EVRY Séance 4. Philippe PRIAULET MODELES DE LA COURBE DES AUX D INERE UNIVERSIE d EVRY Séance 4 Philippe PRIAULE Plan de la Séance Les modèles sochasiques de déformaion de la courbe des aux: Approche déaillée Le modèle de Black: référence

Plus en détail

Filtrage optimal. par Mohamed NAJIM Professeur à l École nationale supérieure d électronique et de radioélectricité de Bordeaux (ENSERB)

Filtrage optimal. par Mohamed NAJIM Professeur à l École nationale supérieure d électronique et de radioélectricité de Bordeaux (ENSERB) Filrage opimal par Mohamed NAJIM Professeur à l École naionale supérieure d élecronique e de radioélecricié de Bordeaux (ENSERB) Filre adapé Définiions Filre adapé dans le cas de brui blanc 3 3 Cas d un

Plus en détail

Rappels théoriques. -TP- Modulations digitales ASK - FSK. Première partie 1 INTRODUCTION

Rappels théoriques. -TP- Modulations digitales ASK - FSK. Première partie 1 INTRODUCTION 2 IUT Blois Déparemen GTR J.M. Giraul, O. Bou Maar, D. Ceron M. Richard, P. Sevesre e M. Leberre. -TP- Modulaions digiales ASK - FSK IUT Blois Déparemen du Génie des Télécommunicaions e des Réseaux. Le

Plus en détail

Files d attente (1) F. Sur - ENSMN. Introduction. 1 Introduction. Vocabulaire Caractéristiques Notations de Kendall Loi de Little.

Files d attente (1) F. Sur - ENSMN. Introduction. 1 Introduction. Vocabulaire Caractéristiques Notations de Kendall Loi de Little. Cours de Tronc Commun Scienifique Recherche Opéraionnelle Les files d aene () Les files d aene () Frédéric Sur École des Mines de Nancy www.loria.fr/ sur/enseignemen/ro/ 5 /8 /8 Exemples de files d aene

Plus en détail

Page # $ %& +',- VAN = 30; F 2 = 50; F 3 = 140. = -200 ; F 1. Avec r = 3% => VAN = 4,38 > 0. Avec r = 5% => VAN = -5,14 < 0.

Page # $ %& +',- VAN = 30; F 2 = 50; F 3 = 140. = -200 ; F 1. Avec r = 3% => VAN = 4,38 > 0. Avec r = 5% => VAN = -5,14 < 0. # $ %& 1. La VAN. Les aures crières 3. Exemple. Choix d invesissemen à long erme 5. Exercices!" '* '( Un proje ne sera mis en œuvre que si sa valeur acuelle nee ou VAN, définie comme la somme acualisée

Plus en détail

Recueil d'exercices de logique séquentielle

Recueil d'exercices de logique séquentielle Recueil d'exercices de logique séquenielle Les bascules: / : Bascule JK Bascule D. Expliquez commen on peu modifier une bascule JK pour obenir une bascule D. 2/ Eude d un circui D Q Q Sorie A l aide d

Plus en détail

STOCHASTIC CONTROL METHODS FOR OPTIMAL PORTFOLIO INVESTMENT

STOCHASTIC CONTROL METHODS FOR OPTIMAL PORTFOLIO INVESTMENT THÈSE DE DOCTORAT DE L ÉCOLE POLYTECHNIQUE Spécialié : MATHÉMATIQUES APPLIQUÉES Présenée par Gilles-Edouard ESPINOSA pour obenir le grade de DOCTEUR DE l ÉCOLE POLYTECHNIQUE Suje : MÉTHODES DE CONTRÔLE

Plus en détail

Documentation Technique de Référence Chapitre 8 Trames types Article 8.14-1

Documentation Technique de Référence Chapitre 8 Trames types Article 8.14-1 Documenaion Technique de Référence Chapire 8 Trames ypes Aricle 8.14-1 Trame de Rappor de conrôle de conformié des performances d une insallaion de producion Documen valide pour la période du 18 novembre

Plus en détail

Le mode de fonctionnement des régimes en annuités. Secrétariat général du Conseil d orientation des retraites

Le mode de fonctionnement des régimes en annuités. Secrétariat général du Conseil d orientation des retraites CONSEIL D ORIENTATION DES RETRAITES Séance plénière du 28 janvier 2009 9 h 30 «Les différens modes d acquisiion des drois à la reraie en répariion : descripion e analyse comparaive des echniques uilisées»

Plus en détail

EPREUVE SPECIFIQUE - FILIERE PSI PHYSIQUE 1. Durée : 4 heures

EPREUVE SPECIFIQUE - FILIERE PSI PHYSIQUE 1. Durée : 4 heures SESSION PSIP3 EPREUVE SPECIFIQUE - FILIERE PSI PHYSIQUE Durée : 4 heures NB : Le candida aachera la plus grande imporance à la claré, à la précision e à la concision de la rédacion Si un candida es amené

Plus en détail

UN MODÈLE D ÉVALUATION DES COÛTS AGRÉGÉS LIÉS AUX ASSURANCES POUR LES PROFESSIONNELS DE LA SANTÉ

UN MODÈLE D ÉVALUATION DES COÛTS AGRÉGÉS LIÉS AUX ASSURANCES POUR LES PROFESSIONNELS DE LA SANTÉ UN MODÈLE D ÉVALUATION DES COÛTS AGRÉGÉS LIÉS AUX ASSURANCES POUR LES PROFESSIONNELS DE LA SANTÉ Mémoire Emmanuel Hamel Maîrise en acuaria Maîres ès sciences (M.Sc.) Québec, Canada Emmanuel Hamel, 03 Résumé

Plus en détail

Lycée Viette TSI 1. T.P. cours 04 oscilloscope G.B.F. multimètres. P DV P DH écran fluorescent

Lycée Viette TSI 1. T.P. cours 04 oscilloscope G.B.F. multimètres. P DV P DH écran fluorescent Lycée Viee TSI 1 T.P. cours 04 oscilloscope G.B.F. mulimères I. Principe de foncionnemen de l oscilloscope à ube cahodique 1. Descripion F C W A 1 A 2 vide spo P DV P DH écran fluorescen F filamen C cahode

Plus en détail

Pricing des produits dérivés de crédit dans un modèle

Pricing des produits dérivés de crédit dans un modèle Pricing des produis dérivés de crédi dans un modèle à inensié Nordine Bennani & Cyril Sabbagh Table des maières 1 Présenaion générale des dérivés de crédi 3 1.1 Inroducion...................................

Plus en détail

CHAPITRE 13. EXERCICES 13.2 1.a) 20,32 ± 0,055 b) 97,75 ± 0,4535 c) 1953,125 ± 23,4375. 2.±0,36π cm 3

CHAPITRE 13. EXERCICES 13.2 1.a) 20,32 ± 0,055 b) 97,75 ± 0,4535 c) 1953,125 ± 23,4375. 2.±0,36π cm 3 Chapire Eercices de snhèse 6 CHAPITRE EXERCICES..a), ±,55 b) 97,75 ±,455 c) 95,5 ±,475.±,6π cm.a) 44,, erreur absolue de,5 e erreur relaive de, % b) 5,56, erreur absolue de,5 e erreur relaive de,9 % 4.a)

Plus en détail

Calculs stochastique et de Malliavin appliqués aux modèles de taux d intérêt engendrant des formules

Calculs stochastique et de Malliavin appliqués aux modèles de taux d intérêt engendrant des formules Calculs sochasique e de Malliavin appliqués aux modèles de aux d inérê engendran des formules fermées Caroline Pinoux To cie his version: Caroline Pinoux. Calculs sochasique e de Malliavin appliqués aux

Plus en détail

Les générateurs de scénarios économiques Problématiques et modélisation des indices financiers. Le 29 Mars 2012

Les générateurs de scénarios économiques Problématiques et modélisation des indices financiers. Le 29 Mars 2012 Les généraeurs de scénarios économiques Problémaiques e modélisaion des indices financiers Le 29 Mars 202 Les généraeurs de scénarios économiques Inroducion Un généraeur de scénarios économiques perme

Plus en détail

AMPLIFICATEUR OPERATIONNEL EN REGIME NON LINEAIRE

AMPLIFICATEUR OPERATIONNEL EN REGIME NON LINEAIRE AMPLIFICATEUR OPERATIONNEL EN REGIME NON LINEAIRE Dans e hapire l'amplifiaeur différeniel inégré sera oujours onsidéré omme parfai, mais la ension de sorie ne pourra prendre que deux valeurs : V sa e V

Plus en détail

SYSTÈME HYBRIDE SOLAIRE THERMODYNAMIQUE POUR L EAU CHAUDE SANITAIRE

SYSTÈME HYBRIDE SOLAIRE THERMODYNAMIQUE POUR L EAU CHAUDE SANITAIRE SYSTÈME HYBRIDE SOLAIRE THERMODYNAMIQUE POUR L EAU CHAUDE SANITAIRE Le seul ballon hybride solaire-hermodynamique cerifié NF Elecricié Performance Ballon hermodynamique 223 lires inox 316L Plaque évaporarice

Plus en détail

Planche 2. z ), où γ = 1 µ/σ2 ; ou encore :

Planche 2. z ), où γ = 1 µ/σ2 ; ou encore : Plnche Exercice 1 On considère un mrché nncier de ux d'inérê r e une cion de dynmique risque neure ds = S µd + σdw, S = x Soi une brrière hue ; on considère une opion brrière Up In qui délivre l'cion S

Plus en détail

Oscillations forcées en régime sinusoïdal.

Oscillations forcées en régime sinusoïdal. Conrôle des prérequis : Oscillaions forcées en régime sinusoïdal. - a- Rappeler l expression de la période en foncion de la pulsaion b- Donner l expression de la période propre d un circui RLC série -

Plus en détail

Chapitre 2 L investissement. . Les principales caractéristiques de l investissement

Chapitre 2 L investissement. . Les principales caractéristiques de l investissement Chapire 2 L invesissemen. Les principales caracérisiques de l invesissemen.. Définiion de l invesissemen Définiion générale : ensemble des B&S acheés par les agens économiques au cours d une période donnée

Plus en détail

L évaluation immobilière. Michel Baroni 27/11/2009

L évaluation immobilière. Michel Baroni 27/11/2009 L évaluaion immobilière Michel Baroni 27/11/2009 Méhodes exisanes Méhodes des comparables Dépend de la base de données; méhode hédonique évenuellemen possible Méhodes de capialisaion Dépend de la base

Plus en détail

Copules et dépendances : application pratique à la détermination du besoin en fonds propres d un assureur non vie

Copules et dépendances : application pratique à la détermination du besoin en fonds propres d un assureur non vie Copules e dépendances : applicaion praique à la déerminaion du besoin en fonds propres d un assureur non vie David Cadoux Insiu des Acuaires (IA) GE Insurance Soluions 07 rue Sain-Lazare, 75009 Paris FRANCE

Plus en détail

ÉVALUATION DES PRODUITS DÉRIVÉS DE CRÉDIT Fevrier 2003

ÉVALUATION DES PRODUITS DÉRIVÉS DE CRÉDIT Fevrier 2003 ÉVALUATION DES PRODUITS DÉRIVÉS DE CRÉDIT Fevrier 2003 Idriss Tchapda Djamen UniversiéClaudeBernardLyon1 Insiu de Science F inancière e d 0 Assurances (ISFA) 1. Résumé. Évaluaion des produis dérivés de

Plus en détail

Cours d électrocinétique :

Cours d électrocinétique : Universié de Franche-Comé UFR des Sciences e Techniques STARTER 005-006 Cours d élecrocinéique : Régimes coninu e ransioire Elecrocinéique en régimes coninu e ransioire 1. INTRODUCTION 5 1.1. DÉFINITIONS

Plus en détail

Panorama des méthodes de coûtenance

Panorama des méthodes de coûtenance Recherche en Managemen de Proje Panorama des méhodes de coûenance Pour réduire les coûs de vos projes e augmener vos marges, quelle méhode choisir? François GAGNÉ, FGF Consulan Les Renconres 2005 du Managemen

Plus en détail

F 2 = - T p K 0. ... F T = - T p K 0 - K 0

F 2 = - T p K 0. ... F T = - T p K 0 - K 0 Correcion de l exercice 2 de l assisana pré-quiz final du cours Gesion financière : «chéancier e aux de renabilié inerne d empruns à long erme» Quesion : rappeler la formule donnan les flux à chaque échéance

Plus en détail

Un modèle de projection pour des contrats de retraite dans le cadre de l ORSA

Un modèle de projection pour des contrats de retraite dans le cadre de l ORSA Un modèle de proecion pour des conras de reraie dans le cadre de l ORSA - François Bonnin (Hiram Finance) - Floren Combes (MNRA) - Frédéric lanche (Universié Lyon 1, Laboraoire SAF) - Monassar Tammar (rim

Plus en détail

Réseaux de Petri temporels : méthodes d analyse et vérification avec TINA

Réseaux de Petri temporels : méthodes d analyse et vérification avec TINA Chapire 1 Réseaux de Peri emporels : méhodes d analyse e vérificaion avec TINA 1.1. Inroducion Parmi les echniques proposées pour spécifier e vérifier des sysèmes dans lesquels le emps apparaî comme paramère,

Plus en détail

CH.3 PROBLÈME DE FLOTS

CH.3 PROBLÈME DE FLOTS H.3 PROLÈME E FLOTS 3.1 Le réeaux de ranpor 3.2 Le flo maximum e la coupe minimum 3.3 L'algorihme de Ford e Fulkeron 3. Quelque applicaion Opi-comb ch 3 1 3.1 Le réeaux de ranpor Réeau de ranpor : graphe

Plus en détail

Sommaire de la séquence 12

Sommaire de la séquence 12 Sommaire de la séquence 12 Séance 1........................................................................................................ Je prends un bon dépar.......................................................................................

Plus en détail

Méthodes financières et allocation d actifs en assurance

Méthodes financières et allocation d actifs en assurance Méhodes financières e allocaion d acifs en assurance - Norber GAURON (JWA Acuaires, Paris) - Frédéric PLANCHE (Universié Lyon, Laboraoire SAF) - Pierre HEROND (JWA Acuaires, Lyon) 2005. (WP 2025) Laboraoire

Plus en détail

Solutions AUTOMATISMES. L essentiel

Solutions AUTOMATISMES. L essentiel AUTOMATISMES Freinage élecronique des Les variaeurs de viesse on beaucoup évolué ces dernières années, an en ermes de performance echnique que de coû. Cela leur a permis de conquérir de nouvelles posiions,

Plus en détail

Estimation des matrices de trafics

Estimation des matrices de trafics Cédric Foruny 1/5 Esimaion des marices de rafics Cedric FORTUNY Direceur(s) de hèse : Jean Marie GARCIA e Olivier BRUN Laboraoire d accueil : LAAS & QoSDesign 7, av du Colonel Roche 31077 TOULOUSE Cedex

Plus en détail

Les Générateurs de Scénarios Économiques : quelle utilisation en assurance? 1

Les Générateurs de Scénarios Économiques : quelle utilisation en assurance? 1 Les Généraeurs de Scénarios Économiques : quelle uilisaion en assurance? 1 Alaeddine FALEH 2 Frédéric PLANCHET 3 Didier RULLIERE 4 ISFA- Universié Lyon I 5 Caisse des Dépôs e Consignaions 6 RÉSUMÉ Dans

Plus en détail

Sciences Industrielles pour l Ingénieur

Sciences Industrielles pour l Ingénieur Sciences Indusrielles pour l Ingénieur Cenre d Inérê 6 : CONVERTIR l'énergie Compéences : MODELISER, RESOUDRE CONVERSION ELECTROMECANIQUE - Machine à couran coninu en régime dynamique Procédés de piloage

Plus en détail

Académie Européenne Interdisciplinaire des Sciences Colloque Théories et Modèles en Sciences Sociales 28-29 novembre 2011.

Académie Européenne Interdisciplinaire des Sciences Colloque Théories et Modèles en Sciences Sociales 28-29 novembre 2011. RISQUE EXTREME ET REGULARITE FRACTALE EN FINANCE Académie Européenne Inerdisciplinaire des Sciences Colloque Théories e Modèles en Sciences Sociales 28-29 novembre 2011 Lauren Emmanuel Calve Lauren Emmanuel

Plus en détail

Fouille de données fonctionnelles

Fouille de données fonctionnelles Fouille de données foncionnelles Gilber Sapora Chaire de Saisique Appliquée Conservaoire Naional des Ars e Méiers 292 Rue Sain Marin 75141 Paris Cedex 3 gilber.sapora@cnam.fr 1 Premiers ravaux: J. J. C.

Plus en détail

Optimisation par Colonies de Fourmis pour la Programmation Logique Étendue

Optimisation par Colonies de Fourmis pour la Programmation Logique Étendue Opimisaion par Colonies de Fourmis pour la Programmaion Logique Éendue Pascal Nicolas Frédéric Saubion Igor Séphan LERIA Universié d Angers UFR Sciences bd Lavoisier 49045 ANGERS cedex 01 {pascal.nicolasfrederic.saubionigor.sephan}@univ-angers.fr

Plus en détail

GBF et Oscilloscope. 1. «un seul bouton à la fois tu manipuleras»; 2. «aux boutons inconnus tu ne toucheras». I) Première approche

GBF et Oscilloscope. 1. «un seul bouton à la fois tu manipuleras»; 2. «aux boutons inconnus tu ne toucheras». I) Première approche e Oscilloscope objecif de ce TP es d apprendre à uiliser, ie. à régler, deux des appareils les plus courammen uilisés : le e l oscilloscope. Pour cela vous serez amené(e) à uiliser e à associer de nouveaux

Plus en détail

Un Cadre Probabiliste pour l Optimisation des Systèmes de Dialogue

Un Cadre Probabiliste pour l Optimisation des Systèmes de Dialogue SETIT 2007 4 rh Inernaional Conference: Sciences of Elecronic, Technologies of Informaion and Telecommunicaions March 25-29, 2007 TUNISIA Un Cadre robabilise pour l Opimisaion des Sysèmes de Dialogue Olivier

Plus en détail

2009-01 EFFICIENCE INFORMATIONNELLE DES 1948-2008 UNE VERIFICATION ECONOMETRIQUE MARCHES DE L OR A PARIS ET A LONDRES, DE LA FORME FAIBLE

2009-01 EFFICIENCE INFORMATIONNELLE DES 1948-2008 UNE VERIFICATION ECONOMETRIQUE MARCHES DE L OR A PARIS ET A LONDRES, DE LA FORME FAIBLE 009-01 EFFICIENCE INFORMATIONNELLE DES MARCHES DE L OR A PARIS ET A LONDRES, 1948-008 UNE VERIFICATION ECONOMETRIQUE DE LA FORME FAIBLE Thi Hong Van HOANG Efficience informaionnelle des marchés de l or

Plus en détail

Comparaison des composantes de la croissance de la productivité : Belgique, Allemagne, France et Pays-Bas 1996-2007

Comparaison des composantes de la croissance de la productivité : Belgique, Allemagne, France et Pays-Bas 1996-2007 Bureau fédéral du Plan Avenue des Ars 47-49, 1000 Bruxelles hp://www.plan.be WORKING PAPER 18-10 Comparaison des composanes de la croissance de la producivié : Belgique, Allemagne, France e Pays-Bas 1996-2007

Plus en détail

Séquence 2. Pourcentages. Sommaire

Séquence 2. Pourcentages. Sommaire Séquence 2 Pourcenages Sommaire Pré-requis Évoluions e pourcenages Évoluions successives, évoluion réciproque Complémen sur calcularices e ableur Synhèse du cours Exercices d approfondissemen 1 1 Pré-requis

Plus en détail

Relation entre la Volatilité Implicite et la Volatilité Réalisée.

Relation entre la Volatilité Implicite et la Volatilité Réalisée. Relaion enre la Volailié Implicie e la Volailié Réalisée. Le cas des séries avec la coinégraion fracionnaire. Rappor de Recherche Présené par : Mario Vázquez Velasco Direceur de Recherche : Benoî Perron

Plus en détail

Thème : Electricité Fiche 5 : Dipôle RC et dipôle RL

Thème : Electricité Fiche 5 : Dipôle RC et dipôle RL Fiche ors Thème : Elecricié Fiche 5 : Dipôle e dipôle Plan de la fiche Définiions ègles 3 Méhodologie I - Définiions oran élecriqe : déplacemen de charges élecriqes q a mesre d débi de charges donne l

Plus en détail

Surveillance et maintenance Prévisionnelle

Surveillance et maintenance Prévisionnelle Page Surveillance e mainenance Prévisionnelle Sommaire Page 2 La Prévisionnelle o Terminologie e Normes o Elémens de conexe ( enjeux, mise en œuvre.) Exemples d applicaions réalisées par le Ceim o L approche

Plus en détail

DESSd ingéniérie mathématique Université d Evry Val d Essone Evaluations des produits nanciers

DESSd ingéniérie mathématique Université d Evry Val d Essone Evaluations des produits nanciers DESSd ingéniérie mahémaique Universié d Evry Val d Essone Evaluaions des produis nanciers Véronique Berger Cours Janvier-Mars 2003 version du 27 mars 2003 Conens I Présenaion du plan de cours 3 II Insrumens

Plus en détail

Risque associé au contrat d assurance-vie pour la compagnie d assurance. par Christophe BERTHELOT, Mireille BOSSY et Nathalie PISTRE

Risque associé au contrat d assurance-vie pour la compagnie d assurance. par Christophe BERTHELOT, Mireille BOSSY et Nathalie PISTRE Ce aricle es disponible en ligne à l adresse : hp://www.cairn.info/aricle.php?id_revue=ecop&id_numpublie=ecop_149&id_article=ecop_149_0073 Risque associé au conra d assurance-vie pour la compagnie d assurance

Plus en détail

Diagnostic à base de modèle : application à un moteur diesel suralimenté à injection directe

Diagnostic à base de modèle : application à un moteur diesel suralimenté à injection directe Insiu Naional olyechnique de Lorraine enre de Recherche en Auomaique de Nancy École docorale IAEM Lorraine Déparemen de Formaion Docorale en Auomaique Diagnosic à base de modèle : applicaion à un moeur

Plus en détail

Sur les Obligations Convertibles à Option Retardée de Remboursement Anticipé au Gré de l Émetteur 1

Sur les Obligations Convertibles à Option Retardée de Remboursement Anticipé au Gré de l Émetteur 1 ur les Obligaions Converibles à Opion Reardée de Remboursemen Anicipé au Gré de l Émeeur F. ANDRE-LE POGAMP F. MORAUX florence.andre@univ-rennes.fr franck.moraux@univ-rennes.fr Universié de Rennes I-IGR

Plus en détail

Redressement non commandé sur charge RLE en conduction continue

Redressement non commandé sur charge RLE en conduction continue Redressemen non commandé sur charge RL en conducion coninue SI 9- I. Conversion alernaif-coninu, exemples d applicaions liés à la racion Figure : Locomoive BB5 Réseau de disribuion Redresseur saique monophasé

Plus en détail

COURS GESTION FINANCIERE A COURT TERME SEANCE 9 LE RISQUE DE TAUX GESTION DU RISQUE DE TAUX

COURS GESTION FINANCIERE A COURT TERME SEANCE 9 LE RISQUE DE TAUX GESTION DU RISQUE DE TAUX COURS GESTION FINANCIERE A COURT TERME SEANCE 9 LE RISQUE DE TAUX GESTION DU RISQUE DE TAUX SEANCE 9 LE RISQUE DE TAUX GESTION DU RISQUE DE TAUX Obje de la séance 9: défini le risque de aux e présener

Plus en détail

Article. «Les effets à long terme des fonds de pension» Pascal Belan, Philippe Michel et Bertrand Wigniolle

Article. «Les effets à long terme des fonds de pension» Pascal Belan, Philippe Michel et Bertrand Wigniolle Aricle «Les effes à long erme des fonds de pension» Pascal Belan, Philippe Michel e Berrand Wigniolle L'Acualié économique, vol 79, n 4, 003, p 457-480 Pour cier ce aricle, uiliser l'informaion suivane

Plus en détail

De l inscription à la publication des résultats en ligne à l Université de Lomé : quels impacts sur l adoption des TIC chez les étudiants?

De l inscription à la publication des résultats en ligne à l Université de Lomé : quels impacts sur l adoption des TIC chez les étudiants? Ouagadougou, Burkina Faso, du 26 au 28 février 2015 De l inscripion à la publicaion des résulas en ligne à l Universié de Lomé : quels impacs sur l adopion des TIC chez les éudians? Halourou MAMAN, Universié

Plus en détail

CARACTERISTIQUES STATIQUES D'UN SYSTEME

CARACTERISTIQUES STATIQUES D'UN SYSTEME CARACTERISTIQUES STATIQUES D'UN SYSTEE 1 SYSTEE STABLE, SYSTEE INSTABLE 1.1 Exemple 1: Soi un sysème composé d une cuve pour laquelle l écoulemen (perurbaion) es naurel au ravers d une vanne d ouverure

Plus en détail

VISUALISATION DES SIGNAUX ELECTRIQUES OSCILLOSCOPE CATHODIQUE ANALOGIQUE

VISUALISATION DES SIGNAUX ELECTRIQUES OSCILLOSCOPE CATHODIQUE ANALOGIQUE VISUALISATION DES SIGNAUX ELECTRIQUES OSCILLOSCOPE CATHODIQUE ANALOGIQUE INTRODUCTION L'oscilloscope es le plus polyvalen des appareils de mesures élecroniques. Il peu permere simulanémen de visualiser

Plus en détail

DOMS : une architecture de suivi de la Qualité de Service dans les Systèmes Répartis Objet. Nathanaël Cottin

DOMS : une architecture de suivi de la Qualité de Service dans les Systèmes Répartis Objet. Nathanaël Cottin DOMS : une archiecure de suivi de la Qualié de Service dans les Sysèmes Réparis Obje Nahanaël Coin Responsable : M. Wack UTBM DEA IAP Besançon Février/Juille 2000 DOMS v1.0 : une archiecure de suivi de

Plus en détail

Intégration de Net2 avec un système d alarme intrusion

Intégration de Net2 avec un système d alarme intrusion Ne2 AN35-F Inégraion de Ne2 avec un sysème d alarme inrusion Vue d'ensemble En uilisan l'inégraion d'alarme Ne2, Ne2 surveillera si l'alarme inrusion es armée ou désarmée. Si l'alarme es armée, Ne2 permera

Plus en détail

TB 352 TB 352. Entrée 1. Entrée 2

TB 352 TB 352. Entrée 1. Entrée 2 enrées série TB logiciel d applicaion 2 enrées à émission périodique famille : Inpu ype : Binary inpu, 2-fold TB 352 Environnemen Bouon-poussoir TB 352 Enrée 1 sories 230 V Inerrupeur Enrée 2 Câblage sur

Plus en détail

TP Mesures de la vitesse du son

TP Mesures de la vitesse du son TP Mesures de la viesse du son Bu du TP. Lors de cee séance de ravaux praiques, l éudian es amené à mesurer la viesse de propagaion du son dans l air e dans l eau. 1 Inroducion Qu es-ce qu un son? Un son

Plus en détail

3 POLITIQUE D'ÉPARGNE

3 POLITIQUE D'ÉPARGNE 3 POLITIQUE D'ÉPARGNE 3. L épargne exogène e l'inefficience dynamique 3. Le modèle de Ramsey 3.3 L épargne opimale dans le modèle AK L'épargne des sociéés dépend largemen des goûs des agens, de faceurs

Plus en détail

AFRICAMPUS 2015 Ouagadougou, Burkina Faso, du 26 au 27 février 2015

AFRICAMPUS 2015 Ouagadougou, Burkina Faso, du 26 au 27 février 2015 zzz UNE APPROCHE CONCEPTUELLE DE L APPROPRIATION DES SYSTEMES D INFORMATION MOBILES (SIM) PAR LES UTILISATEURS OUEST AFRICAINS AU TRAVERS D UNE METHODE DELPHI Marc BIDAN & Béchir ABBA GONI Thème n 5 PLAN

Plus en détail

1ère partie : caractéristiques générales d'un signal périodique v(t) v V max

1ère partie : caractéristiques générales d'un signal périodique v(t) v V max G. Pinson - Physique Appliquée Signaux périodiques A3-P / A3 - Mesurage des signaux périodiques ère parie : caracérisiques générales d'un signal périodique () 3 + 4 sin 5 max pp DC (ms) min () Signal arian

Plus en détail