RISQUES DE TAUX ET DE LONGÉVITÉ : MODÉLISATION
|
|
- Agnès Georgette Paul
- il y a 8 ans
- Total affichages :
Transcription
1 RISQUES DE TAUX ET DE LONGÉVITÉ : MODÉLISATION DYNAMIQUE ET APPLICATIONS AUX PRODUITS DÉRIVÉS ET À L ASSURANCE-VIE Thèse de doctorat sous la direction de Nicole El Karoui 22 Décembre 2010
2 MOTIVATIONS Étude du modèle de Wishart (Actions) 1 Étude des risques financiers Modélisation de la volatilité stochastique sur les actions Extension au cadre des taux d intérêt 2 Étude du risque de longévité Modélisation de la mortalité par âge et par caractéristiques Modélisation microscopique de l évolution d une population 3 Étude de produits d assurance-vie Utilisation des modélisation des risques financiers et de longévité Produit de transfert de risques financiers
3 PLAN DE L EXPOSÉ Étude du modèle de Wishart (Actions) Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles 1 ÉTUDE DU MODÈLE DE WISHART (ACTIONS) 2 MODÉLISATION D UN TAUX DE MORTALITÉ INDIVIDUEL 3 MODÉLISATION DE LA DYNAMIQUE DE POPULATION 4 APPLICATIONS À L ASSURANCE-VIE
4 INTRODUCTION Étude du modèle de Wishart (Actions) Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles Modèles à volatilité stochastique Extension multidimensionelle du modèle de Heston : Variance locale positive comme trace d une matrice de Wishart Étude des propriétés dynamiques Influence des paramètres sur la volatilité implicite Approximations des prix d options dans différents régimes de volatilité
5 PROCESSUS DE WISHART (M.F. BRU, 1991) Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles Soit W t un mouvement brownien matriciel sous la probabilité Q Processus de Wishart V t comme extension multidimensionnelle d un processus CIR : dv t = (βq T Q + MV t + V tm T )dt + V tdw tq + Q T dw T t Vt V 0 = v 0 Q GL n(r) est une matrice inversible M S n (R) une matrice négative v 0 S n ++ (R) une matrix définie positive β un nombre réel tel que β > (n 1) Lorsque β est un entier, V t = β i=1 XiX i où X i,t = MX i,tdt + Q T dw i,t sont des processus d Ornstein-Uhlenbeck
6 Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles MODÈLE DE WISHART C GOURIEROUX (2006), J. DA FONSECA, M. GRASSELLI (2007) Modèle de Black-Scholes (1973) : ds t S t = rdt + σdb t Modèle de Wishart à volatilité et corrélation stochastiques : ds t = rdt + Tr(V t)db t S t dtr(v t) = (βtr(q T Q) + 2Tr(MV t))dt + 2 ρ t = Tr(R T QV t) Tr(Vt) Tr(Q T QV t) Tr(Q T QV t)(ρ tdb t + 1 ρ 2 t d B t) Extension multidimensionnelle du modèle de Heston
7 PROPRIÉTÉS Étude du modèle de Wishart (Actions) Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles Propriétés du modèle : Degré de liberté sur la dynamique de la corrélation Flexibilité par rapport au modèle de Heston Modèle affine Bonnes propriétés numériques : évaluation des options par FFT (P. Carr et D. Madan, 1999) En vue d une procédure de calibration : Influence des paramètres du Wishart sur la volatilité implicite Besoin d approximations rapides de la volatilité implicite
8 Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles INFLUENCE DES COMPOSANTES NON DIAGONALES DE V 0 FIGURE: Influence simultanée de V 0 et Q avec une matrice R quelconque et Q 12 = Q 21 = 0
9 Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles INFLUENCE DES COMPOSANTES NON DIAGONALES DE V 0 (SUITE) FIGURE: Influence simultanée de V 0 et Q avec une matrice R quelconque et Q 12 = Q 21 = 0.3
10 Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles INFLUENCE DES COMPOSANTES NON DIAGONALES DE V 0 (SUITE) FIGURE: Influence simultanée de V 0 et Q avec une matrice R quelconque et Q 12 = Q 21 = 0.5
11 Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles MÉTHODE DES PERTURBATIONS EN FINANCE J.P. FOUQUE, G. PAPANICOLAOU, R. SIRCAR ET K. SOLNA (2003) OBJECTIF : Trouver une approximation des prix d options avec une perturbation du processus de volatilité Paramètres du processus de Wishart λ M = λ n, Q = q q 1n q n1... q nn, Perturbations régulières et singulières en finance : perturbation des paramètres du processus de sorte à conserver une loi stationnaire non dégénérée Loi stationnaire du processus de Wishart dépend de la matrice de variance-covariance de l Ornstein-Uhlenbeck Σ( ) = 0 e sm Q Qe sm ds
12 ADAPTATION DE LA MÉTHODE Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles Méthode standard : perturbation EDP d évaluation Modèle affine plus efficace de perturber la transformée de Fourier 1 Perturbation de la transformée de Fourier 2 Approximation des prix d options 3 Approximation de la volatilité implicite
13 Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles NOTION DE TEMPS CARACTÉRISTIQUES D ÉVOLUTION Pour illustrer, on considère que M et Q sont diagonales. On pose ν i = q ii mi. [ E(VT ii F t) = βν2 i 2 + (Vii t βν2 i 2 ) exp T t ] τ i τ i = 1 2m i : Temps de vie caractéristique des composantes diagonales de V t βν 2 i 2 : Moyenne à l infinie des composantes diagonales de V t Information sur le régime de volatilité en comparant les τ i par rapport à la maturité T de l option
14 CAS D UNE VOLATILITÉ LENTE Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles Le cas d une volatilité lente correspond à (T t) τ i i.e m i 1 T t M = ε M, M = m m n Condition sur la loi stationnaire avec Σ( ) = e sm Q Qe sm ds non dégénérée : 0 q q 1n Q = ε Q, Q = q n1... q nn Méthode de perturbations régulières
15 APPROXIMATION DE LA VOLATILITÉ IMPLICITE Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles Volatilité implicite à l ordre 1 : ˆΣ t(t, K) = Tr(V t) + Tr(R QV t) 2(Tr(V t)) 3 2 [ log(ke r(t t) ) Y t + Approximation du skew à la monnaie forward K = F T t = e Yt+r(T t) : Σ t K (T, FT t ) Tr(R QV t) 2(Tr(V t)) 2 3 Ft T cohérent avec l approche en temps petits : V. Durrelman (2004) ] Tr(Vt)(T t) 2
16 APPLICATIONS NUMÉRIQUES Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles La matrice Q est choisie de sorte que la volatilité initiale mette longtemps à atteindre la volatilité asymptotique moyenne : volatilité lente ( ) ( ) β = 3.6 V 0 = M = Q = ( 0.02 ) Σ 0 = V V0 22 β = 20% et Σ = 2 (ν2 1 + ν2 2 ) 17, 8%. Temps caractéristiques τ 1 = 1 2m 1 = 10 ans et τ 2 = 1 2m 2 = 10 ans grands par rapport à la maturité de l option T = 6 mois : maturité "courte"
17 SMILE COURT TERME (FFT) Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles FIGURE: Smile court terme par FFT (T = 6m τ 1 = τ 2 = 10y)
18 ERREUR DU SMILE COURT TERME (ORDRE 1) Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles FIGURE: Erreur du smile court terme à l ordre ( ε, δ) (T = 6m τ 1 = τ 2 = 10y)
19 ERREUR DU SMILE COURT TERME (ORDRE 2) Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles FIGURE: Erreur du smile court terme à l ordre (ε, δ) (T = 6m τ 1 = τ 2 = 10y)
20 CAS D UNE VOLATILITÉ À DEUX ÉCHELLES Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles Volatilité à deux échelles avec τ 1 (T t) τ 2 : maturité intermédiaire m 2 1 T t m 1 Une composante de volatilité rapide Une composante de volatilité lente M = ( m1 ɛ 0 0 δm 2 Méthode de perturbations singulières Procédure de résolution pas à pas ) ( ν1 ɛ 0, Q = 0 ν 2δ )
21 APPROXIMATION DE LA VOLATILITÉ IMPLICITE Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles Approximation à l ordre 1 ˆΣt(T, K) = + βν2 1 2 ( βν V 22 t 1 + Vt 22 3 ) 2 q3 1 4m 2 1 βr 11 + q 2 2 R 22 (T t)vt 22 log(ke r(t t) ) Yt + (T t) βν V 22 t 2 Approximation du skew à la monnaie forward (cohérent avec travaux Bergomi): [ ] Σ t K (T, FT t ) 1 1 ε Ft T ν 3 ν2 ( βν Vt 22 ) 3 1 βr11 + δr22v 22 t T t 2 2 Une composante évanescente liée à la variation rapide de la volatilité (proportionnelle à R 11) Une composante persistante liée à la variation lente de la volatilité (proportionnelle à R 22)
22 APPLICATIONS NUMÉRIQUES Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles Paramètres du modèle : ( ) β = 3.6 V 0 = M = ( ) Q = ( ) Temps caractéristiques τ 1 = 3 mois et τ 2 = 25 ans pour une maturité d option à T = 3 ans La matrice Q est choisie de sorte que la volatilité aille de 20% à 15.6% en 3 ans
23 Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles SMILE POUR UNE VOLATILITÉ À 2 ÉCHELLES (FFT) FIGURE: Smiles avec une volatilité à 2 échelles par FFT (τ 1 = 3m T = 3y τ 2 = 25y)
24 Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles SMILE POUR UNE VOLATILITÉ À 2 ÉCHELLES (ORDRE 1) FIGURE: Smiles avec une volatilité à 2 échelles à l ordre ( ε, δ) (τ 1 = 3m T = 3y τ 2 = 25y)
25 Influence des paramètres Méthodes d approximations asymptotiques Volatilité à évolution lente Volatilité à deux échelles SMILE POUR UNE VOLATILITÉ À 2 ÉCHELLES (ORDRE 2) FIGURE: Smiles avec une volatilité à 2 échelles à l ordre (ε, δ) (τ 1 = 3m T = 3y τ 2 = 25y)
26 PLAN DE L EXPOSÉ Étude du modèle de Wishart (Actions) Modèle de mortalité individuelle Influence des caractéristiques 1 ÉTUDE DU MODÈLE DE WISHART (ACTIONS) 2 MODÉLISATION D UN TAUX DE MORTALITÉ INDIVIDUEL 3 MODÉLISATION DE LA DYNAMIQUE DE POPULATION 4 APPLICATIONS À L ASSURANCE-VIE
27 INTRODUCTION À LA LONGÉVITÉ Modèle de mortalité individuelle Influence des caractéristiques Domaine complexe avec de nombreux enjeux : Enjeu social Financement des retraites Assurance vie Modélisation pluridisciplinaire : Mathématiques Médecine Économie Démographie
28 TABLES DE MORTALITÉ Étude du modèle de Wishart (Actions) Modèle de mortalité individuelle Influence des caractéristiques Taux de mortalité q(a, t) : Probabilité qu un individu d âge a décède au cours de l année calendaire t Historique de tables de mortalité par âge et par sexe : Différences de mortalité Hommes/Femmes Évolution aléatoire et complexe du taux de mortalité Propriétés intéressante à l échelle logarithmique ( ) q(a, t) logit(q(a, t)) = ln 1 q(a, t)
29 LOGIT DE MORTALITÉ À 70 ANS Modèle de mortalité individuelle Influence des caractéristiques FIGURE: Évolution du logit de la mortalité des hommes de 70 ans en France
30 MODÈLE DE MORTALITÉ Modèle de mortalité individuelle Influence des caractéristiques Il existe différents types de modèles de mortalité par âge : Modèle de Lee Carter (1992) Modèle CBD de Cairns, Blake et Dowd (2006) Modèle d intensités de défaut (inspirés du crédit) Modèle CBD : dynamique du taux de mortalité q(a, t) à l âge a pour l année calendaire t logit (q(a, t)) = logit (q(a, t 1)) + µ(a) + σ(a)z, Z N (0, I 2) µ(a) = µ 1 + aµ 2, σ(a)z = [C 11 Z 1 + a C 21 Z 1 + a C 22 Z 2] ( ) où logit(x) = ln x 1 x Linéarité en temps du logit de mortalité Linéarité en l âge de la tendance et de la volatilité
31 ESTIMATION DE µ(a) Étude du modèle de Wishart (Actions) Modèle de mortalité individuelle Influence des caractéristiques FIGURE: Analyse de la pente du logit de mortalité en fonction de l âge sur la période 1954/2006
32 ESTIMATION DE σ(a) Étude du modèle de Wishart (Actions) Modèle de mortalité individuelle Influence des caractéristiques FIGURE: Analyse de la volatilité du logit de mortalité en fonction de l âge sur la période 1954/2006
33 CALIBRATION ET BACKTESTING Modèle de mortalité individuelle Influence des caractéristiques Calibration sur la tranche d âge 30/80 : ( ) µ H µ H = 1 µ H 2 ) µ F = ( µ F 1 µ F 2 ( = ( = ) ) ( Σ H Σ H = 11 Σ H ) ( ) Σ H 21 Σ H = ( Σ F Σ F = 11 Σ F ) ( ) Σ F 21 Σ F = Pour un individu agé de 60 ans, µ 1 10 (60 µ 2 ) Effet de l âge est petit devant la baisse de mortalité naturelle Backtesting optimal pour 1969 à 1990 de 30 ans à 90 ans ( ) µ H µ H = 1 µ H 2 ) µ F = ( µ F 1 µ F 2 ( ) = ( ) = ( Σ H Σ H = 11 Σ H ) ( ) Σ H 21 Σ H = ( Σ F Σ F = 11 Σ F ) ( ) Σ F 21 Σ F =
34 MORTALITÉ PAR CARACTÉRISTIQUES Modèle de mortalité individuelle Influence des caractéristiques OBJECTIF: Réduire le risque de base en estimant l écart de la "mortalité individuelle" à la mortalité moyenne (issue de tables de mortalité nationale) dépendant uniquement de l âge et du sexe Trouver les caractéristiques individuelles (niveau socioéconomique, santé) qui expliquent la mortalité Les prendre en compte dans un modèle de mortalité stochastique
35 DESCRIPTION DU MODÈLE Modèle de mortalité individuelle Influence des caractéristiques On note A = {A l, 1 l N} la partition des classes d âge q(t, y, x, a) la probabilité qu un individu d âge a, de traits x et vivant dans un environnement de caractéristiques y décède durant l année t Régression logistique : l {1,.., N}, a A l, ( ) q(t, y, x, a) logit[q(t, y, x, a)] = log 1 q(t, y, x, a) M x = α 1(t) + aα 2(t) + βl(t)x i i + γ j l (t)yj i=1 M y j=1 Procédure de calibration des facteurs : Calibration sur les données nationales de mortalité par âge Calibration sur les données spécifiques de mortalité par caractéristiques
36 Modèle de mortalité individuelle Influence des caractéristiques ANALYSE DES DONNÉES DE L ÉCHANTILLON DÉMOGRAPHIQUE L Échantillon Démographique Permanent (EDP) de l INSEE : individus (vivants ou décédés) nés à partir de 1866 du 1 er et le 4 Octobre Nombre de personnes vivantes chaque année : environ 1% de la population Nombreuses variables disponibles dont catégories socio-profesionnelles, statut matrimonial et niveau de diplôme 5 recensements (1968, 1975, 1982, 1990 et 1999) permettent une étude longitudinale Merci à A. Trognon et A. Frachot qui m ont aidé à récupérer ces données de l INSEE. Cela m a permis d estimer les taux de mortalité par caractéristiques et de calibrer le modèle
37 Modèle de mortalité individuelle Influence des caractéristiques INFLUENCE DU STATUT MATRIMONIAL EN 2007 (HOMMES) FIGURE: Logit du taux de mortalité pour des hommes français en 2007 avec différents statuts matrimoniaux
38 Modèle de mortalité individuelle Influence des caractéristiques INFLUENCE DU STATUT MATRIMONIAL EN 2017 (HOMMES) FIGURE: Logit du taux de mortalité pour des hommes français en 2007 avec différents statuts matrimoniaux
39 PLAN DE L EXPOSÉ Étude du modèle de Wishart (Actions) Introduction Modèlisation de processus d évolution Lien Micro/Macro Applications à la démographie 1 ÉTUDE DU MODÈLE DE WISHART (ACTIONS) 2 MODÉLISATION D UN TAUX DE MORTALITÉ INDIVIDUEL 3 MODÉLISATION DE LA DYNAMIQUE DE POPULATION 4 APPLICATIONS À L ASSURANCE-VIE
40 MODÉLISATION MICRO/MACRO Introduction Modèlisation de processus d évolution Lien Micro/Macro Applications à la démographie Modèles macroscopiques: Évolution de la population à l aide d informations macroscopiques Population entière Fournit un scénario moyen Modèles microscopiques Évolution à l échelle individuelle à l aide d information précise Échantillon de la population Interactions entre les individus Incertitude Fournit un panel de scénarios
41 PROCESSUS PONCTUEL DE POISSON Introduction Modèlisation de processus d évolution Lien Micro/Macro Applications à la démographie Processus ponctuel de Poisson d intensité λ: 1 Processus ponctuel 0 < T 1 <... < T n <.. p.s. tels que T n + p.s. 2 Les variables τ n = T n T n 1 sont indépendantes et τ n E(λ) Le processus de comptage (N t) t 0 associé au processus ponctuel {T n, n N} est défini par : N t = sup{n, T n t} = j 1 1 Tj t = j 1 1 (0,t] (T j) Autre définition du processus de Poisson : 1 N t est à accroissements indépendants et stationnaires 2 N t P(λt) Propriété dynamique : Le processus compensé Ñ t = N t λt est une martingale sur l espace canonique. N c (t) = λt est appelé compensateur du processus de Poisson.
42 PROCESSUS DE NAISSANCE ET MORT Introduction Modèlisation de processus d évolution Lien Micro/Macro Applications à la démographie Le processus de naissance et mort Z t = Z 0 + N b,d t = N b t + N d t un processus de Poisson d intensité b + d comptant les naissances et les décès Y n est une variable aléatoire appelée "marques" avec P(Y n = 1) = (naissance) et P(Y n = 1) = d (décès). b+d t N b,d n=1 Y n b b+d
43 MESURES PONCTUELLES DE POISSON Introduction Modèlisation de processus d évolution Lien Micro/Macro Applications à la démographie Formalisme de la mesure ponctuelle de Poisson : 1 T n une suite des temps de sauts 2 Y n une suite de "marques" à valeurs dans E de loi ν(dy) = µ(dy)/µ(e) supposée stationnaire et indépendante des T n Z(dt, dy) = n 1 δ (Tn,Y n)(dt, dy) est une mesure ponctuelle de Poisson de mesure compensée Z c (dt, dy) = λdtµ(e)ν(dy) Pour toute fonction f mesurable : t 0 f (t, y)z(dt, dy) = t f (T n, Y n) N b,d n=1
44 MESURES PONCTUELLES GÉNÉRALES Introduction Modèlisation de processus d évolution Lien Micro/Macro Applications à la démographie Mesure ponctuelle générale : on relâche les hypothèses d indépendance et de stationnarité (Perte du caractère Poissonien) Mesure compensée Z c (dt, dy) = λ(t)dtν(t, dy) où λ(.) est un processus prévisible positif et ν(., dy) un processus aléatoire prévisible Si ν(t, dy) possède une densité prévisible k par rapport à une mesure de référence P(dy) : ν(t, dy) = 1 {θ k(t,y)} P(dy)dθ R + Méthode de type rejet permet de générer des mesures ponctuelles générales à partir de mesure de Poisson
45 PROCESSUS MICROSCOPIQUE D ÉVOLUTION Introduction Modèlisation de processus d évolution Lien Micro/Macro Applications à la démographie La population est elle-même une mesure ponctuelle : z(dx) = j 1 δ xj (dx) où chaque individu est une particule δ x de caractéristique x χ Processus d évolution est à valeurs dans l espace des mesures ponctuelles Mesure ponctuelle d évolution avec passage d une mesure ponctuelle à une autre aux instants de sauts Z t(dx) = Z 0(dx) + T n t ( Z n (dx) Z n 1 (dx) ) = Z 0(dx) + T n t δ X n j (dx) ( Nn j=1 N n 1 j=1 δ X n 1(dx) ), j
46 Introduction Modèlisation de processus d évolution Lien Micro/Macro Applications à la démographie MODÈLES MICROSCOPIQUES D ÉVOLUTION DE POPULATION Modèles microscopiques en écologie : Étude d un modèle microscopique par traits (N. Fournier et S. Méléard 2004) Adaptation à une population structurée par âge et par traits (C. Tran Viet 2006) Extensions suggérées pour une population humaine : Taux d évolution de traits dans le temps (taux de mariage, taux de divorce,..) Dépendance en temps et aléa des taux d évolution : ajout de facteurs exogènes stochastiques Yt b, Yt b et Yt e Modélisation de l immigration
47 MÉCANISME D ÉVOLUTION MICROSCOPIQUE Occurence d un événement à l instant T n: Introduction Modèlisation de processus d évolution Lien Micro/Macro Applications à la démographie 1 À l instant T n, sélection d un individu au sein de la population 2 L âge et les caractéristiques de l individu permettent de déterminer les probabilités d occurence des événements : b(x, a, Y b T n ) intensité de naissance d(x, a, Y d T n ) intensité de décès e(x, a, Y b T n ) intensité de changement de trait 3 Tirage d une variable aléatoire sélectionnant un événement Décès : on retire l individu de la population Naissance : on ajoute un individu dans la population de trait x qui est tiré suivant une distribution k b (x, a, x ) Évolution de trait : l individu de trait x est remplacé par un individu de trait x qui est tiré suivant une distribution k e (x, a, x ) Rien : événement auxiliaire se produit
48 Introduction Modèlisation de processus d évolution Lien Micro/Macro Applications à la démographie PROCESSUS D ÉVOLUTION CÀD-LÀG N. FOURNIER, S. MÉLÉARD (2004) ET C. TRAN VIET (2006) Z t = N 0 t [ δ (Xi (Z 0 ),A i (Z 0 )+t) + 1 i Ns δ 1 i=0 0 Ξ (x,t s) 0 θ<m1 (s,z s,i,x ) δ (Xi (Z s ),A i (Z s )+t s) 1 m 1 (s,z s,i,x ) θ<m 2 (s,z s,i,x ) ] + (δ (x,ai (Z s )+t s) δ (X i (Z s ),A i (Z s )+t s)) 1 m 2 (s,z s,i,x ) θ<m 3 (s,z s,i,x Q(ds, di, dθ, dx ), ) où Q est une mesure ponctuelle de Poisson et où m 1 (s, Z s, i, x ) ( ) ( = b X i (Z s ), A i (Z s ), Ys b k b X i (Z s ), A i (Z s ), x ) m 2 (s, Z s, i, x ) ( ) ( = m 1 (s, Z s, i, x ) + d X i (Z s ), A i (Z s ), Ys d k d X i (Z s ), A i (Z s ), x ) m 3 (s, Z s, i, x ) = ( m 2 (s, Z s, i, x ) + e (X i (Z s ), A i (Z s ), Ys e ) ke X i (Z s ), A i (Z s ), x )
49 Introduction Modèlisation de processus d évolution Lien Micro/Macro Applications à la démographie LIEN MICRO/MACRO N. FOURNIER, S. MÉLÉARD (2004) ET C. TRAN VIET (2006) McKendrick (1926) et VonFoerster (1959) : Équation en démographique ( g t + g ) (a, t) = d(a)g(a, t), g(0, t) = a 0 b(a)g(a, t)da Approximation (p.s) à l échelle macroscopique (grandes populations) : ( g t + g ) [ ) ] (ω, x, a, t) = d (x, a, Yt d a (ω) + e (x, a, Yt e (ω)) g(ω, x, a, t) + e(x, a, Yt e )ke (x, a, x)g(ω, x, a, t)p(dx ) χ ) g(ω, x, 0, t) = b (x, a, Yt b (ω) k b (x, a, x)g(ω, x, a, t)p(dx )da χ g(ω, x, a, 0) = g 0 (ω, x, a),
50 SCÉNARIOS D ÉVOLUTION JUSQU EN 2097 Introduction Modèlisation de processus d évolution Lien Micro/Macro Applications à la démographie FIGURE: Scénarios d évolution de la taille de la population jusqu en 2097 avec un scénario de mortalité
51 Introduction Modèlisation de processus d évolution Lien Micro/Macro Applications à la démographie STATISTIQUES DE PROJECTIONS DÉMOGRAPHIQUES Statistiques (2050) Limite basse Centrale Limite hausse 10% 50% 90% Indice Standardisé de Fécondité Taille de la population (millions) ans (%) Potential Support Ratio Nombre de morts (millions) Nombre de naissances (millions) Number d immigrés (millions) TABLE: Statistiques de projections avec une natalité et une immigration statiques (2006)
52 SCÉNARIOS DE PROJECTION Introduction Modèlisation de processus d évolution Lien Micro/Macro Applications à la démographie Double stochasticité (processus de mortalité et processus d évolution) scénarios variés Approximation aux grandes population comportement pertinent Scénario moyen est réaliste et proche des projections INSEE Identification du panel de scénarios (extrêmes ou non) générés par le modèle
53 Introduction Modèlisation de processus d évolution Lien Micro/Macro Applications à la démographie PROBLÈME DES RETRAITES DU POINT DE VUE DÉMOGRAPHIQUE OBJECTIF : Conserver une situation démographique acceptable Politiques d immigration et d âge de départ à la retraite Estimations pour l horizon 2050 en conservant 3 actifs pour un inactif : Immigration seule : plus de immigrés par an (politique irréaliste) Immigration + report de l âge de la retraite : environ immigrés par an
54 PLAN DE L EXPOSÉ Étude du modèle de Wishart (Actions) Risque de base Transfert de risque de taux Life Nominal Chooser Swaption Étude quantitative du produit 1 ÉTUDE DU MODÈLE DE WISHART (ACTIONS) 2 MODÉLISATION D UN TAUX DE MORTALITÉ INDIVIDUEL 3 MODÉLISATION DE LA DYNAMIQUE DE POPULATION 4 APPLICATIONS À L ASSURANCE-VIE
55 INTRODUCTION Étude du modèle de Wishart (Actions) Risque de base Transfert de risque de taux Life Nominal Chooser Swaption Étude quantitative du produit Les compagnies d assurance font face à de nombreux défis : Risque systémique lié à la longévité à l échelle nationale Risque spécifique (risque de base) lié à l hétérogénéité des portefeuilles Transfert des risques financiers
56 SCÉNARIOS D ÉVOLUTION Risque de base Transfert de risque de taux Life Nominal Chooser Swaption Étude quantitative du produit Scénarios de survie d un groupe spécifique de N individus : Méthode standard (sans modèle de dynamique de population): Modèle de mortalité 1 scénario de mortalité N scénarios de survie (pour chaque individu) fournit 1 scénario d évolution du groupe de N individus Modélisation proposée : Modèle de mortalité individuelle 1 scénario de mortalité Modèle microscopique de dynamique de population fournit directement 1 scénario d évolution d un groupe de N individus Modélisation efficace numériquement
57 Risque de base Transfert de risque de taux Life Nominal Chooser Swaption Étude quantitative du produit INFLUENCE DU STATUT MATRIMONIAL (HOMMES) FIGURE: Scénario central de flux d un portefeuille de rentes viagères pour des français agés de 60 ans ayant différents statuts matrimoniaux
58 TRANSFERT DE RISQUE FINANCIER Risque de base Transfert de risque de taux Life Nominal Chooser Swaption Étude quantitative du produit Les assurances sont fortement soumises à un risque de taux d intérêt Rente au taux k Investissement sur produits de taux (obligations,...) Produit de transfert de risque de taux Assurances spécialisées dans le risque de longévité Banques spécialisées dans le risque de taux Produit décorrélant les deux risques : l assurance transfert son risque de taux en conservant son risque de longévité
59 PROBLÉMATIQUE Étude du modèle de Wishart (Actions) Risque de base Transfert de risque de taux Life Nominal Chooser Swaption Étude quantitative du produit Difficultés liées à la mise en place d un produit de longévité : Pas de marché de longévité (absence de référence commune) Assymétrie d information Modélisation et évaluation complexes (évaluation en probabilité historique) Mise en place d un produit de taux pur
60 PORTEFEUILLE RÉEL Étude du modèle de Wishart (Actions) Risque de base Transfert de risque de taux Life Nominal Chooser Swaption Étude quantitative du produit FIGURE: Répartition des âges des assurés du portefeuille
61 ÉVOLUTION DU PORTEFEUILLE Risque de base Transfert de risque de taux Life Nominal Chooser Swaption Étude quantitative du produit FIGURE: Exemple de scénarios extrêmes de survie des assurés du portefeuille
62 PROBLÉMATIQUE Étude du modèle de Wishart (Actions) Risque de base Transfert de risque de taux Life Nominal Chooser Swaption Étude quantitative du produit Couverture des produits d assurance-vie : Couverture statique du risque de taux d intérêt Swaps Couverture dynamique du risque futur Swaptions Longévité des individus Swaptions à nominal variable Incertitude sur l évolution de la longévité Choix de la série de nominaux
63 LIFE NOMINAL CHOOSER SWAPTION Risque de base Transfert de risque de taux Life Nominal Chooser Swaption Étude quantitative du produit Swaption sur swap à nominal variable au strike k : [ P N ] swaption = E Q T (k SV T (T 0, T N, δ, N t)) + B(T, T i )N Ti δb(0, T) Choix d un nombre α T [0, 1] par l assureur en T (avec l information disponible) Couverture sur la série de nominal N α T t = α TN t + (1 α T)N + t i=1 Taux forward de swap à nominal variable SV T(T 0, T N, δ, α T, N t, N + t ) pour la série N t déterminée par le α T Évaluation de la "Life Nominal Chooser Swaption" (LNCS) au strike k : P LNCS δb(0, T) = E Q N T max 0 α T 1 (k SV T (T 0, T N, δ, α T, N, N + )) + B(T, T i )(α T N T + (1 α T )N + i T ) i i=1 E Q T max 0 l n (k SV T (T 0, T N, δ, l N n, N, N + )) + B(T, T i )( l n N T + (1 l i n )N+ T ) i i=1
64 EXEMPLE DE CHOIX D UN α T (SUITE) Risque de base Transfert de risque de taux Life Nominal Chooser Swaption Étude quantitative du produit FIGURE: Choix du paramètre α T en 2029
65 ÉTUDE DU PRODUIT Étude du modèle de Wishart (Actions) Risque de base Transfert de risque de taux Life Nominal Chooser Swaption Étude quantitative du produit Produit sur max : influence corrélation des taux HJM 2 facteurs calibré sur la courbe de taux européenne et sur certaines swaptions spécifiques (maturité et tenor adaptés) La corrélation des taux forward successifs est supposée constante : Prix du produit en fonction de k et ρ ρ = correl(f (., T), f (., T + dt))
66 COURBE DES TAUX INITIALE Risque de base Transfert de risque de taux Life Nominal Chooser Swaption Étude quantitative du produit FIGURE: Courbe de taux européenne du 8 Avril 2009
67 NOTION DE COÛT SUR RENTE Risque de base Transfert de risque de taux Life Nominal Chooser Swaption Étude quantitative du produit Rente viagère : P rente = k LVL(α), où LVL(α) = N i=1 (αn T i + (1 α)n + T i )B(T, T i) Life Nominal Chooser Swaption : c = P LNCS est appelé coût sur rente LVL(α) P LNCS = c LVL(α) Interprétation : Sans achat du produit : rente au taux k sans couverture du risque de taux Avec achat du produit : rente au taux k + c avec couverture du risque de taux
68 INFLUENCE CORRÉLATION Risque de base Transfert de risque de taux Life Nominal Chooser Swaption Étude quantitative du produit Corrélation taux Corrélation swap Prix Prix Prix Prix Coût sur successifs 10Y/12Y α = 0 α = 0.5 α = 1 LNCS rente ρ = % 3015 bp 2656 bp 2244 bp 3020 bp 0.87% ρ = % 2954 bp 2580 bp 2215 bp 2960 bp 0.853% ρ = % 2886 bp 2529 bp 2183 bp 2897 bp 0.835% ρ = % 2813 bp 2474 bp 2147 bp 2828 bp 0.815% ρ = % 2732 bp 2412 bp 2107 bp 2751 bp 0.793% ρ = % 2641 bp 2342 bp 2061 bp 2667 bp 0.769% ρ = % 2540 bp 2264 bp 2009 bp 2574 bp 0.742% TABLE: Évolution du prix du produit à k = 4.3% en fonction de la corrélation des taux successifs Lorsque ρ diminue Prix des swaptions à nominal variable diminue Prix de la switch option augmente de = 5bp à = 34bp Caractère exotique augmente mais reste relativement faible
69 BILAN Étude du modèle de Wishart (Actions) Risque de base Transfert de risque de taux Life Nominal Chooser Swaption Étude quantitative du produit Estimation du risque de base : hétérogénéité du portefeuille Produit pur de taux adapté aux attentes des deux contreparties Utilisation d un modèle de taux plus riche (Wishart sur les taux)
70 CONCLUSION Étude du modèle de Wishart (Actions) Risque de base Transfert de risque de taux Life Nominal Chooser Swaption Étude quantitative du produit Merci de votre attention
MATHS 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 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 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 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 détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en 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 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 détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en détailTARIFICATION EN ASSURANCE COMPLEMENTAIRE SANTE: il était une fois, un statisticien, un actuaire, un économiste de la santé
TARIFICATION EN ASSURANCE COMPLEMENTAIRE SANTE: il était une fois, un statisticien, un actuaire, un économiste de la santé Plan de l intervention 1 2 3 Généralités sur le fonctionnement de l assurance
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 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 détailMODELES DE LA COURBE DES TAUX D INTERET. UNIVERSITE d EVRY Séance 1. Philippe PRIAULET
MODELES DE LA COURBE DES TAUX D INTERET UNIVERSITE d EVRY Séance 1 Philippe PRIAULET Plan du Cours Introduction Définition de la courbe des taux La multitude de courbes des taux Pourquoi utiliser un modèle
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en 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 détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailAgrégation des portefeuilles de contrats d assurance vie
Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l
Plus en détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
Plus en détailGestion obligataire passive
Finance 1 Université d Evry Séance 7 Gestion obligataire passive Philippe Priaulet L efficience des marchés Stratégies passives Qu est-ce qu un bon benchmark? Réplication simple Réplication par échantillonnage
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 détailQUESTIONS D ENTRETIENS EN FINANCE DE MARCHE
QUESTIONS D ENTRETIENS EN FINANCE DE MARCHE Le présent document est un recueil de questions, la plupart techniques, posées à des candidats généralement jeunes diplômés, issus d école d ingénieurs, de commerce
Plus en détailRésumé... 9... 10... 10... 10
Bibliographie 1 Table des matières Table des matières.................................... 3 Résumé............................................ 9........................................ 10........................................
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 détailESSEC Cours Wealth management
ESSEC Cours Wealth management Séance 9 Gestion de patrimoine : théories économiques et études empiriques François Longin 1 www.longin.fr Plan de la séance 9 Epargne et patrimoine des ménages Analyse macroéconomique
Plus en détailPrésentation à l Institut canadien de la retraite et des avantages sociaux. Selon Wikipédia
Évaluation actuarielle du Régime de rentes du Québec au 31 décembre 2012, une œuvre de science-fiction? Présentation à l Institut canadien de la retraite et des avantages sociaux Georges Langis Actuaire
Plus en détailLISTE D EXERCICES 2 (à la maison)
Université de Lorraine Faculté des Sciences et Technologies MASTER 2 IMOI, parcours AD et MF Année 2013/2014 Ecole des Mines de Nancy LISTE D EXERCICES 2 (à la maison) 2.1 Un particulier place 500 euros
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
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 détailMémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.
Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY
Plus en détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
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 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 détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire FFA Jean-Paul LAURENT Professeur à l'isfa jean-paul.laurent@univ-lyon1.fr http://laurent.jeanpaul.free.fr/ 0 De la la mesure à l analyse des risques! Intégrer
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
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 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 détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en 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 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 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 détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
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 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 détailTable des matières. Avant-propos. Chapitre 2 L actualisation... 21. Chapitre 1 L intérêt... 1. Chapitre 3 Les annuités... 33 III. Entraînement...
III Table des matières Avant-propos Remerciements................................. Les auteurs..................................... Chapitre 1 L intérêt............................. 1 1. Mise en situation...........................
Plus en détailIntroduction à l analyse numérique : exemple du cloud computing
Introduction à l analyse numérique : exemple du cloud computing Tony FEVRIER Aujourd hui! Table des matières 1 Equations aux dérivées partielles et modélisation Equation différentielle et modélisation
Plus en détailModélisation des carrières salariales. dans Destinie
INSTITUT NATIONAL DE LA STATISTIQUE ET DES ÉTUDES ÉCONOMIQUES Série des documents de travail de la Direction des Etudes et Synthèses Économiques G 990 Modélisation des carrières salariales dans Destinie
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 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 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 détailTests de sensibilité des projections aux hypothèses démographiques et économiques : variantes de chômage et de solde migratoire
CONSEIL D ORIENTATION DES RETRAITES Séance plénière du 16 décembre 2014 à 14 h 30 «Actualisation des projections» Document N 5 Document de travail, n engage pas le Conseil Tests de sensibilité des projections
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 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 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 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 détailPratique des options Grecs et stratégies de trading. F. Wellers
Pratique des options Grecs et stratégies de trading F. Wellers Plan de la conférence 0 Philosophie et structure du cours 1 Définitions des grecs 2 Propriétés des grecs 3 Qu est ce que la volatilité? 4
Plus en 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 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 détailEvaluation générale de la qualité des données par âge et sexe
Analyse démographique pour la prise des décisions. Tendances, et inégalités de mortalité et de fécondité en Afrique francophone : les outils en ligne de l UNFPA / UIESP pour l'estimation démographique.
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 détailCircuits RL et RC. Chapitre 5. 5.1 Inductance
Chapitre 5 Circuits RL et RC Ce chapitre présente les deux autres éléments linéaires des circuits électriques : l inductance et la capacitance. On verra le comportement de ces deux éléments, et ensuite
Plus en détailConstruction de bases biométriques pour l assurance dépendance. SCOR inform - Novembre 2012
Construction de bases biométriques pour l assurance dépendance SCOR inform - Novembre 2012 Construction de bases biométriques pour l assurance dépendance Auteur Laure de Montesquieu Responsable Centre
Plus en détailSimulation d application des règles CNAV AGIRC ARRCO sur des carrières type de fonctionnaires d Etat
CONSEIL D ORIENTATION DES RETRAITES Séance plénière du 10 avril 2014 à 9 h 30 «Carrières salariales et retraites dans les secteurs et public» Document N 9 Document de travail, n engage pas le Conseil Simulation
Plus en détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailRésultats techniques de la mortalité au Canada
Résultats techniques de la mortalité au Canada Présentation à l assemblée annuelle de l ICA à Vancouver 29 juin 2010 1 Présentation Espérance de vie Amélioration de la longévité Comparaisons internationales
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 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 détailMATHÉMATIQUES ET APPLICATIONS
MASTER 2 ème ANNÉE MATHÉMATIQUES ET APPLICATIONS Parcours Mathématiques du Risque et Actuariat ANNÉE UNIVERSITAIRE 2015 2016 1 PRESENTATION Le Master 2 Mathématiques du Risque et Actuariat a pour objectif
Plus en détailANNEXE VII EFFETS MACROECONOMIQUES DE LA REFORME PIECE JOINTE N 2 SIMULATIONS REALISEES A PARTIR DU MODELE MACROECONOMETRIQUE MESANGE
ANNEXE VII, PJ n 2, page 1 ANNEXE VII EFFETS MACROECONOMIQUES DE LA REFORME PIECE JOINTE N 2 SIMULATIONS REALISEES A PARTIR DU MODELE MACROECONOMETRIQUE MESANGE ANNEXE VII, PJ n 2, page 2 Les simulations
Plus en détailLe taux d'actualisation en assurance
The Geneva Papers on Risk and Insurance, 13 (No 48, July 88), 265-272 Le taux d'actualisation en assurance par Pierre Devolder* Introduction Le taux d'actualisation joue un role determinant dans Ia vie
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 détailCouverture des risques dans les marchés financiers
énéral2.6.137 1 2 Couverture des risques dans les marchés financiers Nicole El Karoui Ecole Polytechnique,CMAP, 91128 Palaiseau Cedex email : elkaroui@cmapx.polytechnique.fr Année 23-24 2 Table des matières
Plus en détailLe risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailOptions, Futures, Parité call put
Département de Mathématiques TD Finance / Mathématiques Financières Options, Futures, Parité call put Exercice 1 Quelle est la différence entre (a) prendre une position longue sur un forward avec un prix
Plus en détailLa baisse tendancielle des rentes réduitelle la demande d épargne retraite? Leçons tirées d une réforme des tables de mortalité
La baisse tendancielle des rentes réduitelle la demande d épargne retraite? Leçons tirées d une réforme des tables de mortalité Alexis DIRER LEO, Université d Orléans Co-écrit avec Rim Ennajar-Sayadi Journée
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
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 détailQuels liens entre les modèles et la réalité? Mathilde Jung Université d été / Lundi 9 Juillet 2012 AG2R LA MONDIALE
Quels liens entre les modèles et la réalité? Mathilde Jung Université d été / Lundi 9 Juillet 2012 AG2R LA MONDIALE Solvabilité 2, une réforme en 3 piliers Les objectifs : Définir un cadre harmonisé imposant
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
Plus en détailUne application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies Ariane Lançon (Observatoire de Strasbourg) en collaboration avec: Jean-Luc Vergely,
Plus en détailRisque de contrepartie sur opérations de marché. Marwan Moubachir
JJ Mois Année Risque de contrepartie sur opérations de marché Marwan Moubachir RISQ/CMC/MOD Le contenu de cette présentation ne représente que le point de vue de son auteur et n'engage en rien la Société
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailCalcul intégral élémentaire en plusieurs variables
Calcul intégral élémentaire en plusieurs variables PC*2 2 septembre 2009 Avant-propos À part le théorème de Fubini qui sera démontré dans le cours sur les intégrales à paramètres et qui ne semble pas explicitement
Plus en détailجامعة باجي مختار عنابة
6Bوزارة التعليم العالي والبحث العلمي Université Badji Mokhtar Annaba Badji Mokhtar University - Annaba 4BFaculté des Sciences 0BDépartement de Mathématiques جامعة باجي مختار عنابة 5BAnnée : 2012/2013 1BTHÈSE
Plus en détailTravail en collaboration avec F.Roueff M.S.Taqqu C.Tudor
Paramètre de longue mémoire d une série temporelle : le cas non linéaire Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor Notion de longue mémoire Les valeurs d une série temporelle X = (X l )
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en 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 détailMéthodes de simulation des décès. appliquées au régime de retraite de la. fonction publique d État
Méthodes de simulation des décès appliquées au régime de retraite de la fonction publique d État Hady Senghor et Benoît Buisson Service des retraites de l État Septembre 2014 1 2 Sommaire Résumé... 4 I
Plus en détailL Econométrie des Données de Panel
Ecole Doctorale Edocif Séminaire Méthodologique L Econométrie des Données de Panel Modèles Linéaires Simples Christophe HURLIN L Econométrie des Données de Panel 2 Figure.: Présentation Le but de ce séminaire
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 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 détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détailOM 1 Outils mathématiques : fonction de plusieurs variables
Outils mathématiques : fonction de plusieurs variables PCSI 2013 2014 Certaines partie de ce chapitre ne seront utiles qu à partir de l année prochaine, mais une grande partie nous servira dès cette année.
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en détailChapitre 2/ La fonction de consommation et la fonction d épargne
hapitre 2/ La fonction de consommation et la fonction d épargne I : La fonction de consommation keynésienne II : Validations et limites de la fonction de consommation keynésienne III : Le choix de consommation
Plus en détail