Pricing d options asiatiques par les méthodes de Monte Carlo
|
|
- Christian Pépin
- il y a 8 ans
- Total affichages :
Transcription
1 Pricing d options asiatiques par les méthodes de Monte Carlo BARRY IBRAHIMA et FRELE JEAN-MARC Février
2 Première partie Présentation et algorithmes Introduction Nées sur le marché des changes de okyo, d ou leur nom d asiatiques, les options sur moyennes sont de deux types : soit c est le sous-jacent qui est une moyenne, le strike étant fixe, soit c est le strike qui est une moyenne. Les payoffs respectifs s écrivent alors : max[, M(, ) K] (call) ou max[, K M(, )] (put) max[, S( ) M(, )] (call) ou max[, M(, ) S( )] (put) où M(, ) représente la moyenne des cours du terme sous jacent entre les instants et (, l échéance des options). L intérêt de telles options est que, la moyenne étant par construction moins volatile que le cours du terme sous jacent, elles sont moins chères que leurs homologues vanilles. Par ailleurs, pour un opérateur qui fait de nombreuses transactions sur le terme sous jacent ( par exemple une devise pour un importateur ou un exportateur, ou un taux d intérêt pour une institution financèire), le cours moyen de terme sous jacent est plus pertinent que le cours ponctuel une date donnée. Ces deux raisons contribuent à expliquer le succès de ces options asiatiques. Au niveau de l évaluation, on rencontre de nombreux problèmes : - Le caractère discret, et non continu, des cours observés du sous jacent. - Le calcul sur la moyenne. Dans ce rapport, nous allons présenter différentes façon d approcher l intégrale. Puis nous allons utiliser une réduction de variance sur chacuns de ces schémas pour ainsi montrer que la méthode de Monte Carlo peut être plus efficace que d autres méthodes connues que nous allons traiter en fin d article. Nous terminerons par une application au modèle d Heston
3 Contexte mathématiques. Connaissances financières Pour décrire les prix du sous-jaçent en fonction du temps, nous allons utiliser le modèle de Black et Scholes avec un actif risqué (de prix S t au temps t) et un actif non risqué (de prix St au temps t). La dynamique de l actif risqué est donnée par l équation stochastique suivante : ds t = S t (µdt + σdb t ) ou µ et σ sont deux constantes positives et (B h ) t est un mouvement Brownien standard.la dynamique de l actif sans risque est : ds t = rs t dt Comme d habitude, nous introduisons un processus W t = B t + µ r σ t qui est un mouvement Brownien sous une probabilité adaptrée, appelée probabilité risque-neutre et notée P. Sous cette nouvelle probabilité la dynamique de l actif risqué satisfait une nouvelle équation différentielle stochastique : ds t = S t (rdt + σdw t ) dont la solution est : σ (r S t = S e )t+σwt (.) où S est le prix du sous jaçent au début de la modélisation. Nous avons vu que les options asiatiques font parties des options pathdependant, dont le prix dépendait de la moyenne. Ce dernier pour une maturité peut donc être écrit : V (t, S, A) = e r( t) E[f(S t, A S (, t))] où A S (, t) = t t S u du 3
4 à partir de maintenant, =, sans perdre de généralité. La fonction f dépend du type de l option. Pour un call avec strike fixe : f(a) = (a K) + Pour un put avec strike fixe : f(a) = (K a) + Pour un call avec strike variable : f(s, a) = (s a) + Pour un put avec strike variable : f(s, a) = (a s) + Dans la suite, nous nous intéreserons aux calls à strike fixe dont la fonction de payoff est : f(a) = (a K) +. On cherche donc à calculer le prix de cette option, qui est donné ( dans l univers risque-neutre) par P = e r E (f(a)). Les schémas Si nous voulons simuler les prix par les méthodes de Monte-Carlo, nous avons besoin de modéliser la dynamique de S t, mais avant toutes choses, nous devons approximer les intégrales. Dans notre cas, il n est pas nécessaire d approximer S t car il peut être exactement simulé. Nous allons discrétiser l intervale [,] en N parties égales. Le pas de subdivision sera donc h=/n et nous définisons alors le temps = k/n = kh. Notons M le nombre de réalisation de la variable aléatoire que l on effectue pour approcher la moyenne de Monte-Carlo. On aura donc deux types d erreur dans l approximation : une liée à la discrétisation en temps ( qui sera de l ordre de O ( ) N ) et une liée à la méthode de Monte-Carlo ( qui sera de l ordre de O( M )) Le schéma standard : Nous introduisons trois schémas pour estimer Y t = S udu. Le plus simple est d approcher l intégrale par la somme de Riemann : Y r,n n = h k= S tk (.) Il suffit pour calculer les S tk, de calculer les W tk, ce qui est facilement réalisable car les accroissements W tk W tk, k =..N sont des variables aléatoires gaussiennes centrées de variance h i.i.d. En effet, on a : 4
5 σ (r k =..N, S tk+ = S tk e )h+σ(w+ W ) Par exemple si nous faisons M simulations, une approximation du prix d une option asiatique strike fixe est donnée par : e r M M j= ( h ) n k= S K + Si nous posons X i = e r f(a i ) où ai est une réalisation de la variable M a, le prix de notre option est alors : M X i. Nous allons aussi chercher les intervalles de confiance pour encadrer nos prix.nous avons que la variance de X est : V(X) = M Ce qui donne en multipliant par V(X) = M M = M ( M ( M i= i= ( M Xi i= M M : ( M Xi i= X i M ( M i= M i= ) M X i M i= ) ) M X i ) ) M X i Ce qui fait dans notre cas une variance de la forme : V(X) = M e r M M i= ( ) S u du K M + prix { }} { e r M ( ) S u du K M i= + Par le théorème central limite, on a : Si (X i ) i n désigne n réalisations d une même variable aléatoire X dont on cherche calculer l espérance, on a le résultat suivant : 5
6 ( [ ]) M θ θ P X i E(X).96, E(X) M (M) (M) i= où θ désigne la variance de X. On aura ainsi les intervalles de confiances pour chacun des schémas. On peut donc en inversant la formule précédente avoir un intervalle de confiance pour le prix de l option asiatique à 95 %. ( [ M θ P E(X) X i.96, M (M) M i= ]) M θ X i (M) i= Schéma plus précis Une façon d obtenir une meilleur précision pour l approximation d intégrale est de remarquer que dans L, la variable aléatoire la plus proche de ( S udu K) + quand les (S tk, k =,..., N) sont connues, est données par : E(( S u du K) + B h ) (.3) avec B h la famille generée par les (S tk, k =,..., N). Bien sur, il est impossible de générée une espérance conditionelle de cette forme ; c est pourquoi nous allons utiliser la loi conditionelle de W u. En effet conditionnelement B h pour u [, + ] la loi de W u est : L(W u W tk = x, W tk+ = y) = N ( + u x + u h h y, (+ u)(u ) ) h (.4) lemme. Soit (x,y) un vecteur gaussien avec x à valeur dans R et y à valeur dans R. On pose θ = E(x ) E(x), θ = E(y ) et ), θ 3 = E(y) ( E(xy) E(x)E(y). La matrice covariance de (x,y) est Γ = θ θ 3 θ 3 θ. On pose λ = θ 3 θ. Alors, E(x y) = E(x) + λ(y E(y)) 6
7 De plus, si on pose z = (x E(x)) λ(y E(y)),z est une gaussienne centrée et de variance θ = θ θ 3 θ. On a donc x = E(x) + λ(ye(y)) + z avec z indépendante de y. La loi de x conditionnellement en y est donc celle d une gaussienne centrée en E(x) + λ(y E(y)) et de variance θ. Preuve : (z,y) est clairement un vecteur gaussien. Pour vérifier que z est indépendant de y, il suffit donc de calculer la covariance E(zy). On a donc : E(zy) = E(z(y E(y))) = θ 3 λθ = E(x y) = E((z + E(x) + λ(y E(y))) y) = E(z) + E(x) + λ(y E(y)) = E(x) + λ(y E(y)) Enfin, calculons la variance de z. E(z ) = E(((x E(x)) λ(y E(y)))((x E(x)) λ(y E(y)))) = θ λθ 3 θ 3 λ + λθ λ = θ θ 3 θ Pour trouver la loi de W u, on applique le lemme précédent avec x = W u et y = W tk+, en faisant démarrer le brownien en W tk = x k i.e E(x) = x k et E(y) = x k. On a donc θ = (u ), θ = δt et θ 3 = θ d où λ = u δt et θ = (u )(u tk+ ) δt. On obtient alors, pour u (, + ), L(W u W tk = x k, W tk+ = x k+ ) = N ( + u δt On a l égalité : x k + u δt x k+, (+ u)(u ) δt ). (E( S u du B h ) K) + = ( E(S u du B h ) K) + (.5) 7
8 En appliquant l inégalité de Jensen ( la fonction partie positive étant convexe) on prouve que (.4) est plus petit que (.). En utilisant la loi du couple vu en, on a : E[S u B h ] = n tk+ k= E[S u W tk, W tk +]du = n tk+ k= E[S e (r σ )u+σwu W tk, W tk +]du = n tk+ S k= e (r σ )u E[e σwu W tk, W tk +]du lemme. On sait que si G suit une loi normale centrée, alors : E[e G ] = e E[G]+ V[G] Ayant la loi conditionnelle de L(W u W tk, W tk+ ), on a : E[S u B h ] = n tk+ k= e (r σ )u e σ + u h W tk +σ u h W+ + σ (+ u)(u ) h du Modifions maintenant un peu la formule précédente pour arriver à une forme simplifiée. E( S udu) = = = n tk+ k= n tk+ k= n tk+ k= e (r σ e (r σ e σ u )u e σ + { }} { + u h W tk +σ u h W+ + σ )u e σ u h (W+ W )+σ h (W+ W ) σ (u ) h =h { }} { (+ )W tk + { }} { (+ u)(u ) h du h +σ +ru e σw σ du =h { }} { (+ )(u ) (u ) σ h h du 8
9 Nous allons maintenant faire des dévellopements limités dans cette équation pour obtenir notre deuxième schéma : Posons : A(u) = e σ u h (W+ W ) σ (u ) h +ru e σw σ On a A( ) = S tk. Calculons la dérivée partielle de A par rapport à u. A u (v) = σ h (W + W tk )A( ) σ (v ) A( ) + ra( ) h On a ainsi : A u () = σ h (W + W tk )S tk + rs tk Par un dévellopement limité on a : A = S tk + ( σ h (W + W tk )S tk + rs tk )(u ) Remplaçons la valeur dans l intégrale : tk+ S tk + ( σ h (W + W tk )S tk + rs tk )(u )du = hs tk + ( σ h (W h + W tk ) + r)s tk forme : En plaçant ce résultat dans l équation préc dente, on a un schéma de la Y e,n = h n k= S tk ( + rh + σ W + W tk ) (.6) Le dernier schéma ressemble beaucoup au second. Le mouvement Brownien étant un processus Gaussien, W udu a une densité normale par rapport à la mesure de Lebesgues sur R et peut donc être facilement simulé. 9
10 lemme 3. On sait que pour u (, + ), L(W u W tk = x k, W tk+ = x k+ ) = N (M(u), Θ(u)) avec M(u) = + u x k + u x k+ et δt δt Θ(u) = (u )(+ u). On peut alors explicitement trouver la loi de δt tk+ W u d sachant que W tk = x k et W tk+ = x k+. Il s agit d une loi normale de moyenne m(x k, x k+ ) = x + y δt et de variance h3 6. Preuve : La moyenne est donnée par + M(u)du ce qui donne m(x k, x k+ ). Pour calculer la variance, on utilise le fait que le brownien est à accroissements indépendants : tk+ tk+ E(( W u M(u)du) ) = E( tk+ (W u M(u))(W v M(v))dvdu) tk+ = E( tk+ (W u v M(u v))dvdu) = tk+ tk+ Θ(u v)dvdu tk+ = u Θ(v)dvdu Ainsi : = h3 6 Y t = S u du = n tk+ S tk k= e σ(wu W ) σ (u )+r(u ) du
11 Par des dévellopement de aylor, on a : Y p,n = n k= S tk (h + rh tk+ + σ (W u W tk )du) (.7) 3 Convergence dans les espaces L p Dans cette section, nous nous intéresserons à la convergence des schémas. Nous allons citer plusieurs propositions sans les démontrer ( voir [3], l article de base de notre étude pour les preuves) Proposition 3.. Pour une diffusion de type Black et Scholes, nous avons : E S t S s C q t s q Cette proposition est valable pour toute diffusion avec un coefficient Lipschizien. Proposition 3.. Avec les notations précédentes, il existe trois schémas non décroissants K ( ),K ( ),K 3 ( ) tels que : ( ( ( E E E ( )) sup Y r,n q t Y t q t [, ] ( )) sup Y e,n q t Y t q t [, ] ( )) sup Y p,n q t Y t q t [, ] K ( ) n K ( ) n K 3( ) n 3 Ces inégalités donnent une limite suprérieure pour la vitesse de convergence, mais il est possible d obtenir un résultat plus précis. De plus, si nous étudions la convergence dans L, il est possible d obtenir le résultat exact. Proposition 3.3. Avec les notations et hypothèses précédentes nous avons : E [ ( )] S u du E S u du B h = σ e (σ +r) ( ) n (σ + r) +O n n (3.)
12 E [ S u du Y e,n ] = σ n e (σ +r) ( ) (σ + r) + O n n (3.) E [ ] S u du Y r,n = K ( ) n +O n n avec K σ e (σ +r) (σ + r) (3.3) E [ ] S u du Y p,n = n σ n 4 e(σ +r) ( ) (σ + r) + O n (3.4) 4 Réduction de variance 4. Concept de la variable de contrôle Afin d améliorer l efficacité de la simulation de Monte Carlo, nous allons procéder à une réduction de variance par une variable de contrôle. Dans notre article, nous cherchons à approcher au mieux l intégrale S udu pour calculer un prix de la forme E(f). L idée est d introduire et d utiliser une nouvelle variable h tel que E(f) = E(f h) + E(h) (linéarité de l espérance) avec E(h) facilement calculable et V(f h) V(f) Nous allons suivre la méthode de Kemna et Vorst. Cette dernière consiste à approcher S udu par Y = exp( ln(s u)du) (ce qui n est pas trop faux si r et σ ne sont pas trop grands). On rapelle que σ (r E(Y ) = xe ) σ E(e Wudu = xe r σ On va donc considérer une variable de contrôle de la forme Z = e r (e K) +. L espérance de Z est donnée par : log(su)du avec d = σ E(Z) = e r σ (r ( KN ( d) + xe 6 ) N ( d + σ 3 ) (4.) 3 (ln( K S ) (r σ ) )
13 En utilisant () on a : σ (r ln(s u ) = ln(s e )u+σwu ) Ainsi on a : = ln(s ) + (r σ )u + σ(w u) ln(s u)du = ln(s ) + (r σ ) + σ W tdt Considérons maintenant la variable Z définie par : Y = ln(s u)du = ln(s ) + (r σ ) + σ W tdt Cette variable suit la loi N (ln(s ) + (r σ ), σ 3 ), et on cherche donc à simuler : E(Z) = E ( e r ) (exp(y ) K) + Calculons l éspérance de la variable de contrôle. Posons m = (r σ et v = σ 3, G une loi N (, ) et d = v (ln( x K ) + m). On a : ) σ (r E(xe ) + σ Wudu K) + = E((xe m+vg K) + ) = xe y m+vy e π { xe m+vy > K}dy K e y π { xe m+vy > K}dy or {xe m+vy > K} = {y > v (ln( x K ) + m)} = {y > d}. D où : σ (r E(xe ) + σ Wudu K) + = e m xe 3 d y vy e π dy KN ( d)
14 d xe (y+v) + v dy KN ( d) π = em = em π d+v =z { }} { xe ( y + v) + v dz KN ( d) = e m+ v N ( d + v) KN ( d) 4. Les schémas avec la variable de contrôle On va appliquer la même approximation pour W udu que celle de S udu. On a ainsi le schéma : Z r,n = e r S e (r σ ) + σ n hw tk k= K + (4.) Pour ce schéma, il suffit de simuler une somme d un mouvement Brownien en n points. Or on sait que W tk+ W tk N (, h), on va donc avoir W tk+ = W tk +N (, h). Pour ce schéma, il suffit juste de simuler une somme de gaussiennes indépendantes. De même avec le schéma en utilisant la méthode des trapèzes on a : Z r,n = e r S e (r σ ) + σ n h k= (W +W+ ) K + (4.3) Enfin pour le troisième modèle avec réduction de variance on a : Z r,n = e r S e (r σ n ) + σ k= + W udu K + (4.4) 4
15 Comme dans le cas du schéma (7) nous allons simuler pour chaque pas W tk+ alors la variable aléatoire ξ k définie par ( + W u du W tk, W tk+ ). En écrivant n tk+ W u du dans l équation précédente, nous pensons à la somme n ξ k k= k= 5 Applications Dans cette section nous allons comparer les différents schémas présentés précédement pour le prix d un call asiatique. out d abord, nous allons étudier les convergences des schémas sans et avec réduction de variance et montrer l importance de la réduction de variance pour le calcul du prix. Dans la seconde partie, nous comparons les méthodes de Monte Carlo avec d autres méthodes : différences finies, et montrons l efficacité des méthodes de Monte Carlo pour le pricing d options asiatiques. Enfin nous testerons les schémas aux limites. 5. Convergence des méthodes de Monte Carlo 5.. Simulation sans technique de réduction de variance Nous testons les schémas avec les paramètres suivants : = (an), r=., X /K= et σ=.. Les premières simulations sont réalisées sans réduction de variance et avec tirages de Monte-Carlo. Les résultats sont présentés dans le tableau suivant. On voit que la convergence est assez rapide, mais les intervalles de confiance sont bien trop grands pour une utilisation financière. 5
16 Schéma Nombre de pas Prix Intervalle de confiance à 95% Variance (.) [ ,6.446] [6.8879,6.9934] [ ,7.483] (.6) [ , ] [ ,7.3767] [ ,7.657] (.7) [7.689,7.3] [7.54,7.3] [7.6,7.66] Et la variation du prix en fontion du pas de temps pour les schéma sans réduction de variance est donnée par : 7. 7 le prix de l option en fonction de N(nbre de pas de temps) schema schema schema le prix axe des N Comme nous le verons plus tard, le prix réel de ce call est 7.4. Le tableau précédent montre que le premier schéma n est pas très efficace par rapport aux autres notamment quand le pas est faible. La surprise vient des schémas (.6) et (.7) qui semblent avoir la même convergence alors que la proposition 3 assure que le second est plus précis. Le tableau montre la limite des méthodes de Monte-Carlo sans réduction de variance pour une utilisation en finance. En effet, en finance il est d habitude de simuler trajectoires pour trouver un prix. Notre objectif est d étudier la convergence 6
17 de nos schémas quand le pas tend vers l infini. Avec cet objectif, nous devons augmenter le pas ce qui augmente donc le temps de calcul. Afin d améliorer ce temps, nous allons procéder à une technique de réduction de variance par variable de contrôle. 5.. Simulation avec la technique de réduction de variance Pour la simulation avec variable de contrôle nous conservons les mêmes paramètres que précédement mais nous faisons seulement Monte- Carlo (8% de moins qu avant). Nous observons à nouveau que les schémas (4.3) et (4.4) sont quasi identiques et que l approximation par la somme de Riemann n est toujours pas très efficace (surtout pour un pas peu élevé). Schéma Nombre de pas Prix Intervalle de confiance à 95% Variance (4.) [6.748,6.755] [ ,6.995] [7.9,7.3].5497 (4.3) [7.464,7.4498] [7.745,7.363] [7.76,7.89].455 (4.4) [ ,7.5976] [7.48,7.3966] [7.88,7.938].33 On constate que les schémas (4.3) et (4.4) ne donnent pas les valeurs prévues. Le prix se rapproche tout de même du prix correct, et la variance diminue quand le pas augmente pour chaques schémas. La variation du prix en fontion du pas de temps pour les schéma avec réduction de variance est donnée par : 7
18 le prix de l option avec reduc de var en fonction de N schemar schemar schema3r le prix axe des N Avec la réduction de variance non seulement la variance diminue mais aussi le temps d exécution.dans le tableau suivant on montre cette diminution pour N = : Les scémas schéma schéma schéma3 temps sans reduc 3. second 6.3 second 3.98 second temps avec reduc.8 second.83 second. second 5. ests aux limites Dans cette section, nous allons tester nos modèles en changeant certains paramètres. Par exemple en prenant un strike, un taux d intérèt, ou la volatilité nul afin de voir comment réagit le pricer. Comparons d abord le prix asiatique, noté S a (avec le schéma avec réduction de variance) au prix européen S e pour différents strike afin de montrer la réelle différence de prix entre ces deux options. Nous prenons S = dans tous les exemples. Nous faisons ensuite le rapport entre le prix européen et l asiatique. 8
19 Strike Prix asiatique Prix européen (faux) Rapport S e /S a On constate que le rapport devient vraiment important une fois que l on a passé la monaie. Ceci vient tout simplement par construction des options asiatiques. En effet, l option asiatique faisant une moyenne sur toute la courbe pour le prix. Cette dernière a par contruction moins de chance de se finir au dessus d un strike très au dessus du prix initial que la valeur finale S. Nous allons maintenant regarder l effet de la volatilité sur le prix asiatique et européen. Nous gardons les paramètres précédents. Volatilité(en %) Prix asiatique Prix européen On remarque que le prix asiatique est moins sensible à la volatilité que son homologue européen ( environ deux fois moins) à la monaie. Ceci est lié à la dynamique de la moyenne des options asiatiques. Durée (en années) Prix asiatique Prix européen On constate une fois de plus que le prix de l option asiatique est inférieur à celui de l européenne. 9
20 5.3 Comparaison avec d autres méthodes de pricing Nous allons comparer la méthode de Monte-Carlo à d autres méthodes pour pricer les options asiatiques Différences finies Cette mèthode est basée sur l équation suivante : V t (x, t) + σ x V (x, t) (ρ(t) + rx) V (x, t) = x x Prenons ρ = et réécrivons l équation sous une autre forme par le changement de variable Ṽ ( t, x) = V (t, x) Ṽ t (x, t) σ x ( ) Ṽ (x, t) + x + rx Ṽ (x, t) =, x R, x ( avec les conditions initiales Ṽ (x, ) =,x et u (t, ) = e rt ), r t Une discétisation standard en temps donne le schéma suivant : Ṽ n+ Ṽ n + BṼ n+θ =, θ [, ] t Avec les dérivées partielles d ordre (centrée) fournit l expression de B : ( ) ( ) ( BṼ = i + rz Ṽi+ n+ Ṽ i n+ i z ) σ z i (Ṽ n+ i+ n+ Ṽi + Ṽ ) i n+ z Par la méthode LU, nous allons résoudre le système AU n+ = U n, où les coefficients de la matrice A sont : a[i] = b[i] = c[i] = ( ) ) ( σ i + rx i x ( ) δt + σ i ( σ i ( ) ) + + x i x (5.) (5.) (5.3)
21 La variation du prix en fontion du pas de temps et d espace par la méthode des différence finies est donnée par : le prix par difference finie diff_finie le prix axe des x axe du temps Le choix de la discrétisation est importante car la stabililté du schema en depend comme le montre l exemple suivant : le prix d une option asiatique avec =,sigma=.,r=.,s=k= "asian.dat" index :: prix axe du temps axe des x
22 Deuxième partie Modèle d Heston Présentation En présence d une nappe de volatilité, nous savons que la volatilité n est pas constante durant la vie du produit. Le modèle de Heston permet de modéliser une volatilité stochastique et est très utilisé pour le pricing d options path-dependent. En 993, Heston a proposé le modèle suivant : ds t = rs t dt + V t S t dwt σ(s, i) = dv t = k (θ V t ) dt + σ V t dwt d W, W t = ρdt Le processus (V t ) t est un processus du type CIR. θ est la moyenne de long terme de la variance,k la vitesse de retour vers cette moyenne et σ la volatilité du processus de variance, connue sous le nom de vol de vol. Le paramètre σ est le coefficient de diffusion de la volatilité et r est le taux sans risque. Il est important de dire que dans les modèles à volatilité stochastique, le marchè financier est incomplet ( il y a deux sources de risque et seulement le terme sous jaçent pour dupliquer l option. Les études empiriques montrent que la densité de log-returns de l actif ds t n est pas gaussienne et est caractérisée par des queues importantes et des crêtes élevées. Le paramètre ρ peut-être interprété comme la corrélation des log-returns et la volatilité de l actif. Si ρ > alors la volatilité augmente si ds t >, ceci diffusera la queue droite de la distribution et comprimera la queue gauche (l inverse étant pour ρ < ). Le paramètre ρ affecte aussi proportionnellement la skewness de la distribution. Le paramètre σ augment la kurtosis de la distribution et rend aussi le skew(biais) plus important. L algorithme Le temps sera discrétisé en N pas de taille δt, nous avons = Nδt. En commençant à S et v = σ { Si+ = S i ( + rδt + σ i δt (N (, ) ρ + N (, ) )) ρ v i+ = v i + k (θ v i ) δt + σ i δtn (, ) δ, avec σ i = v i
23 òu N j (, ),j=, sont des réalisations de deux gaussiennes indépendantes. On calcule ensuite le prix par les méthodes précédentes. Il faut alors calibrer notre modèle, c est à dire trouver les paramètres k,σ et θ qui permettent de retrouver les prix du marché. Pour cela il faut trouver les paramètres qui minimisent une distance entre les prix générés par le modèle et les prix du marché. Dans notre cas, nous avons cherché les paramètres qui, en appliquant le modèle de Heston au schéma sans réduction de variance nous donne un prix d environ 6.99 pour un pas de. Normalement, il faut calibrer le modèle d Heston avec des prix de produits vanilles observés sur le marché. Nous allons ensuite tester, en conservant ces paramètres, le modèle de Heston avec les autres schémas. Pour une lecture plus approfondie sur les techniques de calibration du modèle d Heston, on peut se référer á []. Nous trouvons les paramètres suivants : θ =.79,k =.5, =. et ρ =.6 En péconditionnant par la volatilité, nous cherchons l EDP de Black et Scholes correspondante et ensuite sa solution qu on utilisera pour calculer le prix par des simulation de type Monte Carlo. Considérons alors le procesus(cf [4]) : { dst = rs t dt + ρσ t µ t S t dt + σ t S t ρ dw t µ t = W t i+ W t i δt ρσ ts t pour t [t i, t i+ ] Et par la formule d Ito on obtient : dlog (S t ) = rdt + ρσ t µ t dt + σ t ρ dwt ( ρ ) σt dt On obtient alors : S ti+ = S ti exp(rδt + σ ti ( ρ (W t i+ W t i ))) + ρ(w t i+ W t i )) σ t i δt) S ti+ = S ti exp(rδt + σ ti (W t i+ W t i ) σ t i δt) Nous reconnaissons ici une discrétisation du processus stochastique suivant : exp(rt + t σ tdwt t σ dt) Où σ t est solution de la dynamique d la volatilité dans le modèle de Heston. C est avec cette nouvelle discrétisation qu on va faire les simulations de Monte Carlo. C est ce qui est fait avec la fonction privehestonmcbs. 3
24 schéma (.) (.6) MC et BS Prix asiatique Conclusion Le pricing d option path-dependant comme les options asiatiques peut se faire par plusieurs méthodes. Nous avons vu que la méthode de Monte- Carlo peut-être très compétitive en terme de précision et de rapidité de calcul, notament grâce à la technique de réduction de variance sugérée par Kemna et Vorst. De plus, le méthode de Monte-Carlo permet d avoir un intervalle de confiance pour le prix. La méthode des différences finies donne un prix proche mais souffre d une instabilité importante avec parfois des prix négatif (même en faisant une différenciation à droite ou à gauche). En présence d un smile, le modèle d Heston permet de considèrer une volatilité stochastique et corrige donc cette hypothèse erronée du modèle de Black- Scholes. outefois, ce modèle n est pas exempt de défauts. Obtenir le bon calibrage est assez difficile et long. De plus, ce modèle ne s utilise que sur des options de maturité relativement courte (un an ou moins), car du fait du théorème de la limite centrale, le processus des log rentabilités tend à long terme à redevenir gaussien, ce qui aplatit sensiblement, contrairement aux observations, le smile des options longues. Références [] Davalos, B, Le modèle d Heston et ses extensions. 7. [] Jackel, P., Monte Carlo methods in finance. [3] Lapeyre, B. emam, E., Competitive Monte Carlo methods for the pricing of Asian Options.. [4] Pironneau, O. Loeper, G., A mixed PDE/Monte-Carlo Method For Stochastic Volatility Models.. 4
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 détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en 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 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 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 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 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 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 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 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 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 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 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 détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en 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 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 détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en 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 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 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 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 détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en 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 détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
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 détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailMARTINGALES POUR LA FINANCE
MARTINGALES POUR LA FINANCE une introduction aux mathématiques financières Christophe Giraud Cours et Exercices corrigés. Table des matières I Le Cours 7 0 Introduction 8 0.1 Les produits dérivés...............................
Plus en détailRésumé... 9... 10... 10... 10
Bibliographie 1 Table des matières Table des matières.................................... 3 Résumé............................................ 9........................................ 10........................................
Plus en détailRapport de projet Risque de Crédit, Risque de Défaut : Étude de l influence du taux de recouvrement sur le prix de CDOs.
Rapport de projet Risque de Crédit, Risque de Défaut : Étude de l influence du taux de recouvrement sur le prix de CDOs. Auteurs : Hecht Frédéric, Porzier Rémi, Font Guillaume Cours «Risque de Crédit,
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 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 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 détailMéthodes d approximation numérique pour le pricing des options vanilles et asiatiques dans le modèle de Heston de volatilité stochastique
Méthodes d approximation numérique pour le pricing des options vanilles et asiatiques dans le modèle de Heston de volatilité stochastique Najed Ksouri To cite this version: Najed Ksouri. Méthodes d approximation
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 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 détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailChapitre 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 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 détailModèle GARCH Application à la prévision de la volatilité
Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes
Plus en 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 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 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 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 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 détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
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 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 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 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 détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en 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 détailExercice du cours Gestion Financière à Court Terme : «Analyse d un reverse convertible»
Exercice du cours Gestion Financière à Court Terme : «Analyse d un reverse convertible» Quand la trésorerie d une entreprise est positive, le trésorier cherche le meilleur placement pour placer les excédents.
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 détailINTRODUCTION INTRODUCTION
INTRODUCTION INTRODUCTION Les options sont des actifs financiers conditionnels qui donnent le droit mais pas l'obligation d'effectuer des transactions sur des actifs supports. Leur intérêt réside dans
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 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 détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en 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 détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailBaccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé
Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H
Plus en détailLa mesure de Lebesgue sur la droite réelle
Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et
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 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 deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en 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 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 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 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 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 détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailNombre dérivé et tangente
Nombre dérivé et tangente I) Interprétation graphique 1) Taux de variation d une fonction en un point. Soit une fonction définie sur un intervalle I contenant le nombre réel a, soit (C) sa courbe représentative
Plus en 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 détailSurface de volatilité
Surface de volatilité Peter TANKOV Université Paris-Diderot(ParisVII) tankov@math.univ-paris-diderot.fr Dernière m.à.j. February 15, 15 Ce document est mis à disposition sous un contrat Creative Commons
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailChapitre 1. L intérêt. 2. Concept d intérêt. 1. Mise en situation. Au terme de ce chapitre, vous serez en mesure de :
Chapitre 1 L intérêt Au terme de ce chapitre, vous serez en mesure de : 1. Comprendre la notion générale d intérêt. 2. Distinguer la capitalisation à intérêt simple et à intérêt composé. 3. Calculer la
Plus en détailEvaluation des options parlatransformée de Fourier
Evaluation des options parlatransformée de Fourier Bogdan Negrea Juin 00 y Abstract Le modèle de Black et Scholes a pour hypothèse la constance de la volatilité associée à la distribution risque-neutre.
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 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 détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailChapitre 0 Introduction à la cinématique
Chapitre 0 Introduction à la cinématique Plan Vitesse, accélération Coordonnées polaires Exercices corrigés Vitesse, Accélération La cinématique est l étude du mouvement Elle suppose donc l existence à
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
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 détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en 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 détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
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 détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
Plus en 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 détailDérivation : cours. Dérivation dans R
TS Dérivation dans R Dans tout le capitre, f désigne une fonction définie sur un intervalle I de R (non vide et non réduit à un élément) et à valeurs dans R. Petits rappels de première Téorème-définition
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 détailEstimation du coût de l incessibilité des BSA
Estimation du coût de l incessibilité des BSA Jean-Michel Moinade Oddo Corporate Finance 22 Juin 2012 Incessibilité des BSA Pas de méthode académique reconnue Plusieurs méthodes «pratiques», dont une usuelle
Plus en détail