Provisionnement face au risque de défaut des emprunteurs

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Provisionnement face au risque de défaut des emprunteurs"

Transcription

1 Provisionnement face au risque de défaut des emprunteurs Geoffrey Nichil et Pierre Vallois Institut Elie Cartan de Lorraine Avril /12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

2 Sommaire Risque de défaut des emprunteurs 1 Risque de défaut des emprunteurs 2 3 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

3 Contexte Risque de défaut des emprunteurs Garantie considérée Banque Une assurance doit indemniser une banque suite aux défauts de paiement de ses emprunteurs, Emprunteur 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

4 Contexte Risque de défaut des emprunteurs Garantie considérée Banque Emprunteur Assurance Une assurance doit indemniser une banque suite aux défauts de paiement de ses emprunteurs, En cas de défaut de paiement de l emprunteur, la banque a la possibilité de récupérer et de revendre le bien immobilier financé par le prêt (= recours). 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

5 Contexte Risque de défaut des emprunteurs Garantie considérée Banque Emprunteur Assurance Une assurance doit indemniser une banque suite aux défauts de paiement de ses emprunteurs, En cas de défaut de paiement de l emprunteur, la banque a la possibilité de récupérer et de revendre le bien immobilier financé par le prêt (= recours). Utilisation de la garantie : Souscription 5 ans Défaut = Sinistre 25 ans Fin du prêt Montant du sinistre = Montant dû par l emprunteur - Montant du bien 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

6 Objectif pour la compagnie d assurance Objectif La compagnie d assurance doit évaluer à une date t 0 le montant des sinistres potentiels à venir (=provision) provenant des emprunteurs : 1 Dont le prêt a commencé le mois 0, 2 Et qui n ont pas eu de défaut avant la date t 0. Souscriptions 0 Date d analyse Sinistres potentiels t 0 Estimation de la provision D 2/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

7 Objectif pour la compagnie d assurance Objectif La compagnie d assurance doit évaluer à une date t 0 le montant des sinistres potentiels à venir (=provision) provenant des emprunteurs : 1 Dont le prêt a commencé le mois 0, 2 Et qui n ont pas eu de défaut avant la date t 0. Souscriptions 0 Date d analyse Sinistres potentiels t 0 Estimation de la provision D Modèle individuel : Provision = Sinistre 1 + Sinistre /12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

8 Bibliographie Risque de défaut des emprunteurs Méthodes traditionnellement utilisées en assurance non vie : 1 Méthode collective déterministe / stochastique du type Chain Ladder / Mack : Distribution-free Calculation of the Standard Error of Chain Ladder Reserve Estimates, T.Mack (1993). C 0,0 C 0,1.. C 0,t0 C 1,0 C 1,1.... C 1,t0 1 C t0,0 /12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

9 Bibliographie Risque de défaut des emprunteurs Méthodes traditionnellement utilisées en assurance non vie : 1 Méthode collective déterministe / stochastique du type Chain Ladder / Mack : Distribution-free Calculation of the Standard Error of Chain Ladder Reserve Estimates, T.Mack (1993). C 0,0 C 0,1.. C 0,t0 C 0,0 C 0,1.. C 0,t0 C 1,0 C 1,1. C 1,t C t0,0 C 1,0 C 1,1.. C 1,t0... C t0,0 C t0,1.. C t0,t 0 3/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

10 Bibliographie Risque de défaut des emprunteurs Méthodes traditionnellement utilisées en assurance non vie : 1 Méthode collective déterministe / stochastique du type Chain Ladder / Mack : Distribution-free Calculation of the Standard Error of Chain Ladder Reserve Estimates, T.Mack (1993). C 0,0 C 0,1.. C 0,t0 C 0,0 C 0,1.. C 0,t0 C 1,0 C 1,1. C 1,t C t0,0 C 1,0 C 1,1.. C 1,t0... C t0,0 C t0,1.. C t0,t 0 2 Méthode individuelle issus de la théorie de la ruine (Cramer - Lundberg) : Stochastic processes for insurance and finance, Rolski et al. (1999). N t S j, j=1 0 < t < +, où (N t) t>0 est un processus de Poisson homogène, les v.a. S j, représentant le montant du j-ème sinistre, sont positives, i.i.d et indépendantes de (N t) t>0. 3/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

11 Sommaire Risque de défaut des emprunteurs 1 Risque de défaut des emprunteurs 2 3 3/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

12 Modélisation du montant d un sinistre Notons : M j (resp. D j ) le montant (resp. la durée) du prêt de l emprunteur j, T j la date de fin du prêt de l emprunteur j, 4/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

13 Modélisation du montant d un sinistre Notons : M j (resp. D j ) le montant (resp. la durée) du prêt de l emprunteur j, T j la date de fin du prêt de l emprunteur j, φ(t j, D j, M j ) le montant dû par l emprunteur j à la date T j, ψ(m j, R T j ) le montant de la revente du bien à la date T j, où R T j est la variation des prix de l immobilier entre les dates 0 et T j. 4/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

14 Modélisation du montant d un sinistre Notons : M j (resp. D j ) le montant (resp. la durée) du prêt de l emprunteur j, T j la date de fin du prêt de l emprunteur j, φ(t j, D j, M j ) le montant dû par l emprunteur j à la date T j, ψ(m j, R T j ) le montant de la revente du bien à la date T j, où R T j est la variation des prix de l immobilier entre les dates 0 et T j. Modélisation du montant d un sinistre Le montant du sinistre pour la compagnie d assurance est modélisé par : { 0, si T j = D j S j := max [ φ(t j, D j, M j ) ψ(m j, R T j ), 0 ], si T j < D j. (1) S j dépend de T j, D j, M j et R T j. 4/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

15 Modélisation de la provision Modèle - Provision pour le mois 0 La provision pour les prêts souscrits à la date 0, calculée à la date t 0, est notée P t0 et définie par : P t0 := 1 {t0 < T j < D j ; D j D} Sj, (2) j 1 [ où S j := max φ(t j, D j, M j ) ψ(m j, R T j ); 0 ] si T j < D j. S j et S j ne sont pas indépendant. 5/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

16 Sommaire Risque de défaut des emprunteurs 1 Risque de défaut des emprunteurs 2 3 5/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

17 Hypothèses - 1 Nuage de points (Durée du prêt, Date de fin du prêt) t t=d D+ 0 + D d { T j D j, D j D. Nous supposons que (T j, D j ) j 1 est un processus ponctuel de Poisson d intensité Λ. 6/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

18 Hypothèses - 1 Nuage de points (Durée du prêt, Date de fin du prêt) t t=d D+ 0 B A + D d { T j D j, D j D. Nous supposons que (T j, D j ) j 1 est un processus ponctuel de Poisson d intensité Λ : Λ = λ 1 Leb B + λ 2 Leb A, où λ 1 et λ 2 sont deux paramètres réels et strictement positifs, Leb B (resp. Leb A ) est la restriction de la mesure de Lebesgue sur R (resp. sur R 2 ) à l ensemble B (resp. A). 6/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

19 Hypothèses - 2 Hypothèses Nous supposons que : 1 (R t) t 0 est le mouvement Brownien géométrique de paramètres µ et σ tel que R 0 = 1, i.e. : R t = exp ( σb t + µt ), où (B t) t 0 est un mouvement Brownien standard. 7/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

20 Hypothèses - 2 Hypothèses Nous supposons que : 1 (R t) t 0 est le mouvement Brownien géométrique de paramètres µ et σ tel que R 0 = 1, i.e. : R t = exp ( σb t + µt ), où (B t) t 0 est un mouvement Brownien standard. 2 (T j, D j ) j 1, (M j ) j 1 et (R t) t 0 sont indépendants, 7/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

21 Hypothèses - 2 Hypothèses Nous supposons que : 1 (R t) t 0 est le mouvement Brownien géométrique de paramètres µ et σ tel que R 0 = 1, i.e. : R t = exp ( σb t + µt ), où (B t) t 0 est un mouvement Brownien standard. 2 (T j, D j ) j 1, (M j ) j 1 et (R t) t 0 sont indépendants, ( 3 Les variables M j) sont i.i.d.. j 1 7/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

22 Indicateur de risques - 1 Espérance / Variance 1 Espérance : ] [ ] E [P t0 = E M 1 1 f (t, x, θ)dtdx, (3) {t0 < t x; x D} (R +) 2 où f est une fonction déterministe dépendante de t, x et θ. Ceci est un résultat classique des processus de Poisson composés. /12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

23 Indicateur de risques - 1 Espérance / Variance 1 Espérance : ] [ ] E [P t0 = E M 1 1 f (t, x, θ)dtdx, (3) {t0 < t x; x D} (R +) 2 où f est une fonction déterministe dépendante de t, x et θ. Ceci est un résultat classique des processus de Poisson composés. 2 Variance : formule explicite pour la variance de la provision mais différente de celle des processus de Poisson composés car nous devons tenir compte de plusieurs dépendances. 8/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

24 Indicateur de risques - 1 Espérance / Variance 1 Espérance : ] [ ] E [P t0 = E M 1 1 f (t, x, θ)dtdx, (3) {t0 < t x; x D} (R +) 2 où f est une fonction déterministe dépendante de t, x et θ. Ceci est un résultat classique des processus de Poisson composés. 2 Variance : formule explicite pour la variance de la provision mais différente de celle des processus de Poisson composés car nous devons tenir compte de plusieurs dépendances. Formule programmable : lorsque les paramètres, θ, prennent des valeurs fixes il est possible de calculer numériquement l espérance et la variance de la provision avec Matlab ou R par exemple. 8/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

25 Indicateur de risques - 2 Notons N t0 le nombre de sinistres sur l intervalle de temps ]t 0, D]. 1 Rappelons que : ] [ L [N t0 = P Λ(α) ], où α = ( D t 0 ) La loi conditionnelle de P t0 sachant le nombre de sinistres N t0 est donnée par : [ ] ( )] L P t0 N t0 = n = L [f n (T j ) 1 j n, (D j ) 1 j n, (M j ) 1 j n, (G j ) 1 j n, θ, (4) où f n est une fonction explicite et (G j ) 1 j n est une suite de gaussienne i.d.d.. 9/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

26 Indicateur de risques - 2 Notons N t0 le nombre de sinistres sur l intervalle de temps ]t 0, D]. 1 Rappelons que : ] [ L [N t0 = P Λ(α) ], où α = ( D t 0 ) La loi conditionnelle de P t0 sachant le nombre de sinistres N t0 est donnée par : [ ] ( )] L P t0 N t0 = n = L [f n (T j ) 1 j n, (D j ) 1 j n, (M j ) 1 j n, (G j ) 1 j n, θ, (4) où f n est une fonction explicite et (G j ) 1 j n est une suite de gaussienne i.d.d.. Formule programmable : lorsque les paramètres, θ, prennent des valeurs fixes il est possible de programmer un algorithme de simulation de la provision et d approximer ses quantiles (réforme européenne Solvabilité 2). 9/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

27 Indicateur de risques - 3 Notons qu en réalité : P t0 = P t0 ( D). (5) 0/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

28 Indicateur de risques - 3 Notons qu en réalité : P t0 = P t0 ( D). (5) Convergence en loi de la provision Supposons que µ < 0. Il vient alors que la provision converge en loi vers une gaussienne : P t0 ( D) ( D) 2 C 1 (θ) L G, (6) D C 2 (θ) D + où G est une gaussienne centrée, réduite et C 1 (θ), C 2 (θ) sont des constantes réelles. Formule programmable : lorsque les paramètres, θ, prennent des valeurs fixes il est possible d approximer les quantiles de la provision. 0/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

29 Idée de preuve Nous noterons : X k( ) [ ] [ k D, (Rt) t 0 := E (M 1 ) k S(t, d, R t)] dλ(t, d), k = 1, 2. A( D) 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

30 Idée de preuve Nous noterons : X k( ) [ ] [ k D, (Rt) t 0 := E (M 1 ) k S(t, d, R t)] dλ(t, d), k = 1, 2. A( D) 1 Etape 1 : P t0 ( D, (rt) t 0 ) = D Alors : ɛ k + X 1( D, (rt) t 0 ), k=1 D Corollaire de Lindeberg : [ ɛ E k 2+δ] = o k=1 P t0 ( D, (r t) t 0 ) X 1 ( D, (r t) t 0 ) X 2( D, (rt) t 0 ) ([ D k=1 V (ɛ k ) ] 2+δ ) L G. D +. 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

31 Idée de preuve Nous noterons : X k( ) [ ] [ k D, (Rt) t 0 := E (M 1 ) k S(t, d, R t)] dλ(t, d), k = 1, 2. A( D) 1 Etape 1 : P t0 ( D, (rt) t 0 ) = D Alors : ɛ k + X 1( D, (rt) t 0 ), k=1 D Corollaire de Lindeberg : [ ɛ E k 2+δ] = o k=1 P t0 ( D, (r t) t 0 ) X 1 ( D, (r t) t 0 ) X 2( D, (rt) t 0 ) ([ D k=1 V (ɛ k ) ] 2+δ ) L G. D +. 2 Etape 2 : µ < 0 X k( ) D, (R t) t 0 L ( D) C 2 k (θ), k = 1, 2. D + 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

32 Idée de preuve Nous noterons : X k( ) [ ] [ k D, (Rt) t 0 := E (M 1 ) k S(t, d, R t)] dλ(t, d), k = 1, 2. A( D) 1 Etape 1 : P t0 ( D, (rt) t 0 ) = D Alors : ɛ k + X 1( D, (rt) t 0 ), k=1 D Corollaire de Lindeberg : [ ɛ E k 2+δ] = o k=1 P t0 ( D, (r t) t 0 ) X 1 ( D, (r t) t 0 ) X 2( D, (rt) t 0 ) ([ D k=1 V (ɛ k ) ] 2+δ ) L G. D +. 2 Etape 2 : µ < 0 X k( ) D, (R t) t 0 L ( D) C 2 k (θ), k = 1, 2. D /12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

33 Estimation et perspective Estimation : Un grand nombre de données pour estimer : les montants empruntés, le processus de fluctuation des prix de l immobilier : µ et σ, les paramètres λ 1 et λ 2 présents dans Λ. 12/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

34 Estimation et perspective Estimation : Un grand nombre de données pour estimer : les montants empruntés, le processus de fluctuation des prix de l immobilier : µ et σ, les paramètres λ 1 et λ 2 présents dans Λ. = Données publiques et privées. 12/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

35 Estimation et perspective Estimation : Un grand nombre de données pour estimer : les montants empruntés, le processus de fluctuation des prix de l immobilier : µ et σ, les paramètres λ 1 et λ 2 présents dans Λ. = Données publiques et privées. Perspective : Problème lorsque l horizon d analyse est restreinte à un an (Solvabilité 2), Couverture de la provision de sinistres. 12/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

36 Références Risque de défaut des emprunteurs T. Mack. Distribution-free Calculation of the Standard Error of Chain Ladder Reserve Estimates. Dans : Astin Bulletin (1993) M.V. Wüthrich et M. Merz. Stochastic Claims Reserving Methods in Insurance. Dans : The Wiley Finance Series (2008) T. Rolski et al. Stochastic processes for insurance and finance. Dans : Wiley Series in Probability and Statistics (1999) M. Pigeon, K. Antonio et M. Denuit. Individual loss reserving with the multivariate skew normal distribution. Dans : (2012) C.R. Larsen. An individual claims reserving model. Dans : Astin Bulletin (2007) E. Ohlsson et J. Lauzeningks. The one-year non-life insurance risk. Dans : Insurance : Mathematics and Economics (2009) P. Vallois et G. Nichil. Provisioning against borrowers default risk. Dans : Soumis à Insurance : mathematics and economics (2014) 2/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

37 Merci 12/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

38 1 R t représente la variation de la valeur du bien financé due au cours de l immobilier. Nous pourrions penser que, par exemple, une forte variation de la valeur du bien indiquerait un effondrement du marché de l immobilier. Ce qui pourrait signifier, ou traduire, un risque plus important de déclaration des sinistres : un effondrement du marché de l immobilier pourrait être synonyme d une crise plus large touchant toute la population (crise systémique). Nous supposerons qu un tel lien, difficilement mesurable, n existe pas et donc que le processus ponctuel de Poisson est indépendant de la variation de l immobilier. 2 Nous pourrions également penser que le cours de l immobilier varie de façon différente selon la valeur des biens considérés. Par exemple il pourrait exister : Une forte variation de l immobilier pour les biens à faible valeur, Et une faible variation de l immobilier pour les biens à forte valeur. Cette différence de variation est significative sur une gamme de biens très large. Chez l assureur en question le montant des biens est relativement concentré. 3 D autre part le montant emprunté ne joue aucun rôle sur la déclaration d un sinistre : un sinistre est causé par un changement dans la situation personnel d un emprunteur et non dans les caractéristiques du prêt. 12/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

39 Mesure aléatoire de Poisson Propriétés Rappelons deux propriétés des mesures aléatoires de Poisson : 1 Pour tout borélien A tel que Λ(A) <, N(A) suit une loi de Poisson de paramètres Λ(A), i.e. : P [ ] Λ(A) Λ(A)k N(A) = k = e k!, k 0. 2 Pour tout A 1,..., A n ensemble deux à deux disjoints, les v.a. indépendantes. ( ) N(A k ) sont 1 k n 12/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

40 Temps continu Hypothèse L unité de temps est le mois, i.e. T j prend des valeurs discrètes : T j = 0, 1, 2,.... Dans la pratique un défaut peut avoir lieu à nimporte quel temps T j R + tel que 0 T j < D j. Nous supposerons que le temps est continu de la manière suivante : si un défaut a lieu à la date T j + dt [T j, T j + 1[, alors nous supposerons qu il a lieu à la date T j. Ainsi nous noterons : { S 1,j t = S 1,j [t], t 0, S 2,j t = S 2,j [t], t 0, où [t] est la partie entière de t. Donc les processus (S 1,i t ) t 0 et (S 2,i t ) t 0 sont constants par morceaux. 12/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

41 Algorithme de simulation Simulation Le précédent théorème nous permet de simuler la provision avec l algorithme suivant : 1 Simuler une v.a. N P( λ Lebesgue(At0 )) : n. 2 Simuler n v.a. (T i, D i )i.i.d U(A t0 ) : (t i, d i ) 1 i n. 3 Simuler n v.a. G i i.i.d. N (0, 1) : (g i ) 1 i n. 4 Calculer : p 1 := i=1 où rt [ σ i := exp ] tg i + µt. n i m i g {t i, d i, r 1t1 rt l l t l 1 }, 5 Exécuter les étapes (1) (5) k fois, nous obtenons un échantillon (p 1,..., p k ). On peut déduire de l échantillon (p 1,..., p k ) différents résultats tel que : moyenne, variance et quantile. l=2 12/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

1 La formule de Black et Scholes en t discret

1 La formule de Black et Scholes en t discret Université de Provence Préparation Agrégation Epreuve de Modélisation, Option Proba. Texte : La formule de Black Scholes en Finance Étienne Pardoux 1 La formule de Black et Scholes en t discret On suppose

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

Processus aléatoires avec application en finance

Processus 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 détail

Modèle classique Extensions Modèle multi-branches. Théorie de la ruine. Esterina Masiello (ISFA)

Modèle classique Extensions Modèle multi-branches. Théorie de la ruine. Esterina Masiello (ISFA) Esterina Masiello Institut de Science Financière et d Assurances Université Lyon 1 Premières Journées Actuarielles de Strasbourg 6-7 octobre 2010 En résumé... Modèle classique de la théorie de la ruine

Plus en détail

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options

TP1 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 détail

Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets

Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université de Franche-Comté)

Plus en détail

Simulations des Grecques : Malliavin vs Différences finies

Simulations des Grecques : Malliavin vs Différences finies 0.1. LES GRECQUES 1 Simulations des Grecques : iavin vs Différences finies Christophe Chorro Ce petit document vise à illustrer de manière numérique les techniques présentées lors du mini cours sur le

Plus en détail

Tests 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 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 détail

Gestion du niveau de la franchise d un contrat avec bonus-malus. Pierre THEROND & Stéphane BONCHE

Gestion du niveau de la franchise d un contrat avec bonus-malus. Pierre THEROND & Stéphane BONCHE Gestion du niveau de la franchise d un contrat avec bonus-malus Pierre THEROND & Stéphane BONCHE SOMMAIRE 1. Réduction de franchise en l absence de système bonus-malus A - Bonnes propriétés du modèle collectif

Plus en détail

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale.

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Aix Marseille Université. Algorithmes Stochastiques. M MIS. Fabienne Castell... Chapitre : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Le but de ce chapitre

Plus en détail

Le modèle de Black et Scholes

Le modèle de Black et Scholes Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un

Plus en détail

Le Modèle de Black-Scholes. DeriveXperts. 27 octobre 2010

Le Modèle de Black-Scholes. DeriveXperts. 27 octobre 2010 27 octobre 2010 Outline 1 Définitions Le modèle de diffusion de Black-Scholes Portefeuille auto-finançant Objectif de BS 2 Portefeuille auto-finançant et formule de Black-Scholes Formulation mathématique

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Segmentation en assurance et problématiques de gestion des risques associées en mortalité

Segmentation en assurance et problématiques de gestion des risques associées en mortalité Segmentation en assurance et problématiques de gestion des risques associées en mortalité 13 septembre 2013, version 1.0 Aymric Kamega, Actuaire aymric.kamega@univ-brest.fr www.euria.univ-brest.fr Sommaire

Plus en détail

Plan de la présentation. La simulation de Monte Carlo des processus de diffusion. La simulation de Monte Carlo. La simulation de Monte Carlo

Plan de la présentation. La simulation de Monte Carlo des processus de diffusion. La simulation de Monte Carlo. La simulation de Monte Carlo La simulation de Monte Carlo des processus de diffusion Les méthodes stochastiques dans les sciences de la gestion 6-640-93 Geneviève Gauthier Plan de la présentation La simulation de Monte Carlo La simulation

Plus en détail

Problèmes de fiabilité dépendant du temps

Problèmes de fiabilité dépendant du temps Problèmes de fiabilité dépendant du temps Bruno Sudret Dépt. Matériaux et Mécanique des Composants Pourquoi la dimension temporelle? Rappel Résistance g( RS, ) = R S Sollicitation g( Rt (), St (),) t =

Plus en détail

SOMMAIRES D OUVRAGES PARUS

SOMMAIRES D OUVRAGES PARUS SOMMAIRES D OUVRAGES PARUS TITRE : MÉTHODES ACTUARIELLES DE L'ASSURANCE VIE (cours et exercices corrigés) AUTEUR : Christian HESS ÉDITEUR : ÉCONOMICA, PARIS DATE DE PARUTION : NOVEMBRE 2000 357 pages prix

Plus en détail

Prix d options européennes

Prix d options européennes Page n 1. Prix d options européennes Une société française tient sa comptabilité en euros et signe un contrat avec une entreprise américaine qu elle devra payer en dollars à la livraison. Entre aujourd

Plus en détail

Axe MSA Bilan scientifique et perspectives. ENSM.SE L. Carraro - 17 décembre 07

Axe MSA Bilan scientifique et perspectives. ENSM.SE L. Carraro - 17 décembre 07 Axe MSA Bilan scientifique et perspectives ENSM.SE L. Carraro - 17 décembre 07 17 décembre 07 2 Plan Compétences acquises domaines scientifiques compétences transverses Domaines ou activités accessibles

Plus en détail

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

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques

Plus en détail

Probabilités III Introduction à l évaluation d options

Probabilités III Introduction à l évaluation d options Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un

Plus en détail

des compagnies d assurance : évolutions récentes

des compagnies d assurance : évolutions récentes Les Contrôle normes IFRS de la solvabilité en assurance des compagnies d assurance : évolutions récentes - DIAF Hanoi, le 28 février 2005 Pierre THEROND Consultant JWA - Actuaires & chargé de cours à l

Plus en détail

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique Télécom ParisTech, 09 mai 2012 http://www.mathematiquesappliquees.polytechnique.edu/ accueil/programmes/cycle-polytechnicien/annee-1/

Plus en détail

Probabilités 5. Simulation de variables aléatoires

Probabilités 5. Simulation de variables aléatoires Probabilités 5. Simulation de variables aléatoires Céline Lacaux École des Mines de Nancy IECL 27 avril 2015 1 / 25 Plan 1 Méthodes de Monte-Carlo 2 3 4 2 / 25 Estimation d intégrales Fiabilité d un système

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte 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 détail

3.8 Introduction aux files d attente

3.8 Introduction aux files d attente 3.8 Introduction aux files d attente 70 3.8 Introduction aux files d attente On va étudier un modèle très général de problème de gestion : stocks, temps de service, travail partagé...pour cela on considère

Plus en détail

Intégrale stochastique

Intégrale stochastique Intégrale stochastique Plan L intégrale stochastique générale Intégrale de Wiener Exemples Processus d Itô Formule d Itô Formule de Black & Scholes Le processus B est un mouvement Brownien et { Ft B,t

Plus en détail

Mesure et gestion des risques d assurance

Mesure et gestion des risques d assurance Mesure et gestion des risques d assurance Analyse critique des futurs référentiels prudentiel et d information financière Congrès annuel de l Institut des Actuaires 26 juin 2008 Pierre THEROND ptherond@winter-associes.fr

Plus en détail

Prévention et gestion des risques naturels et environnementaux

Prévention et gestion des risques naturels et environnementaux Prévention et gestion des risques naturels et environnementaux Risque et assurance : quelques éléments théoriques Ecole des Ponts - Le 6 Avril 01 Jacques Pelletan 1 Théorie du risque et pérennité de l

Plus en détail

IFT6561. Simulation: aspects stochastiques

IFT6561. Simulation: aspects stochastiques IFT 6561 Simulation: aspects stochastiques DIRO Université de Montréal Automne 2013 Détails pratiques Professeur:, bureau 3367, Pav. A.-Aisenstadt. Courriel: bastin@iro.umontreal.ca Page web: http://www.iro.umontreal.ca/~bastin

Plus en détail

10/04/2001 1- INTRODUCTION. Vivien BRUNEL

10/04/2001 1- INTRODUCTION. Vivien BRUNEL Vivien BRUNEL LE RISQUE OPERATIONNEL - INTRODUCTION Le risque opérationnel est un concept mal défini ; dans le cas d une institution financière, il est même défini par une non-définition : il se réfère

Plus en détail

MATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA

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 détail

Calcul stochastique appliqué à la finance. Volatilités stochastique, locale et implicite

Calcul stochastique appliqué à la finance. Volatilités stochastique, locale et implicite Calcul stochastique appliqué à la finance Ioane Muni Toke Draft version Ce document rassemble de brèves notes de cours. Les résultats sont proposés sans démonstration, les preuves ayant été données en

Plus en détail

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes

Contents. 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 détail

MODELE DE PROVISIONNEMENT SUR DONNEES DETAILLEES

MODELE DE PROVISIONNEMENT SUR DONNEES DETAILLEES MODELE DE PROVISIONNEMENT SUR DONNEES DETAILLEES EN ASSURANCE NON-VIE GUILLAUME BENETEAU Towers-Perrin Tillinghast 20, place de Seine Tour Neptune La défense 1 92086 Paris La Défense cedex France tél :

Plus en détail

Modélisation des coûts d assurance résultant de catastrophes naturelles

Modélisation des coûts d assurance résultant de catastrophes naturelles Modélisation des coûts d assurance résultant de catastrophes naturelles par Mathieu Boudreault Étudiant à la maîtrise en mathématiques (concentration actuariat) Université Laval (Québec) Canada Association

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 1. a. On considère un modèle de marché (B, S) à une étape. On suppose que S = 5 C et qu à la date t = 1 on a (S u 1 = 51, S d 1 = 48).

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de

Plus en détail

Le corps R des nombres réels

Le corps R des nombres réels Le corps R des nombres réels. Construction de R à l aide des suites de Cauchy de nombres rationnels On explique brièvement dans ce paragraphe comment construire le corps R des nombres réels à partir du

Plus en détail

Processus de Poisson. 3-602-84 Modèles probabilistes et stochastiques de la gestion. Geneviève Gauthier. Automne 2007. HEC Montréal.

Processus de Poisson. 3-602-84 Modèles probabilistes et stochastiques de la gestion. Geneviève Gauthier. Automne 2007. HEC Montréal. Processus de Poisson 3-602-84 Modèles probabilistes et stochastiques de la gestion Geneviève Gauthier HEC Montréal Automne 2007 1 Références Ce texte a été librement inspiré de notes prises au cours de

Plus en détail

Delta couverture de produits dérivés en Finance. ESILV Ingénierie Financière S8 Cours du 24 avril 2012 Partie 2 Marie Bernhart

Delta couverture de produits dérivés en Finance. ESILV Ingénierie Financière S8 Cours du 24 avril 2012 Partie 2 Marie Bernhart Delta couverture de produits dérivés en Finance ESILV Ingénierie Financière S8 Cours du 24 avril 2012 Partie 2 Marie Bernhart Plan de la présentation Couverture de produits dérivés en Finance Principe

Plus en détail

Introduction aux modèles financiers

Introduction aux modèles financiers Notes pour le module spécifique Introduction aux modèles financiers Ecole Centrale de Lyon Option Mathématiques 1 2 Introduction Quelques références Pour comprendre les marchés financiers, avoir un apreçu

Plus en détail

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures) CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un

Plus en détail

Hedging delta et gamma neutre d un option digitale

Hedging 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 détail

Makram BEN DBABIS Associate Towers Watson & Doctorant Mathématiques Appliquées en Sciences Actuarielles Université Paris Dauphine December 14, 2010 PLAN PROBLÉMATIQUE, INTÉRÊT DU SUJET 1 PROBLÉMATIQUE,

Plus en détail

Estimation et calibration des paramètres

Estimation et calibration des paramètres et calibration des paramètres 6-601-09 Simulation Monte Carlo Geneviève Gauthier HEC Montréal 1 1. Nous allons discuter des diverses façons de déterminer les paramètres des modèles que nous employons lors

Plus en détail

Résumé des communications des Intervenants

Résumé des communications des Intervenants Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit

Plus en détail

Équation de Langevin avec petites perturbations browniennes ou

Équation 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 détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES 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 détail

Arthur Charpentier. Université Rennes I et École polytechnique. Laurent Devineau. Milliman. Jean-Marie Nessi. Institut des actuaires

Arthur Charpentier. Université Rennes I et École polytechnique. Laurent Devineau. Milliman. Jean-Marie Nessi. Institut des actuaires MESURER LE RISQUE LORS DU CALCUL DES PROVISIONS POUR SINISTRES À PAYER Arthur Charpentier Université Rennes I et École polytechnique Laurent Devineau Milliman Jean-Marie Nessi Institut des actuaires P

Plus en détail

Actuariat I ACT2121. huitième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.

Actuariat I ACT2121. huitième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free. Actuariat I ACT2121 huitième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 Soit X une variable aléatoire continue de fonction de densité

Plus en détail

L enseignement des probabilités à Telecom Paristech

L enseignement des probabilités à Telecom Paristech L enseignement des probabilités à Telecom Paristech L. Decreusefond TPT L. Decreusefond (TPT) L enseignement des probabilités à Telecom Paristech 1 / 39 1 Enjeux 2 Difficultés 3 Modèle de Cox-Ross-Rubinstein

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

MODELES DE LA COURBE DES TAUX Université d Evry Val d Essonne Séance 5. Philippe PRIAULET

MODELES DE LA COURBE DES TAUX Université d Evry Val d Essonne Séance 5. Philippe PRIAULET MODELES DE LA COURBE DES TAUX Université d Evry Val d Essonne Séance 5 Philippe PRIAULET Mise en place et mesure de performance de stratégies obligataires Introduction 1- La notion de paris sur la courbe

Plus en détail

Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure

Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure Svetlana Gribkova, Olivier Lopez Laboratoire de Statistique Théorique et Appliquée, Paris 6 4 Mars 2014

Plus en détail

Gestion des Risques Financiers

Gestion des Risques Financiers Gestion des Risques Financiers Thierry Roncalli 9 janvier 2008 Merci de rédiger entièrement vos réponses. 1 La réglementation Bâle II 1. Quelles sont les principales diérences entre l'accord originel de

Plus en détail

Master 2 IMOI - Mathématiques Financières

Master 2 IMOI - Mathématiques Financières Master 2 IMOI - Mathématiques Financières Exercices - Liste 1 1 Comportement d un investisseur face au risque Exercice 1 Soit K la matrice définie par 1 2 [ 3 1 1 3 1.1 Montrer que K est la matrice de

Plus en détail

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1

Master 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 détail

Processus de comptage, Poisson mélange, fonction de perte exponentielle, système bonus-malus.

Processus de comptage, Poisson mélange, fonction de perte exponentielle, système bonus-malus. JF WALHIN* J PARIS* * Université Catholique de Louvain, Belgique Le Mans Assurances, Belgique RÉSUMÉ Nous proposons une méthodologie générale pour construire un système bonus-malus équilibré basé sur une

Plus en détail

Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com

Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com Points abordés Méthodes numériques employées en finance Approximations de prix

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Chapitre 17 Le modèle de Black et Scholes

Chapitre 17 Le modèle de Black et Scholes Chapitre 17 Le modèle de Black et Scholes Introduction Au début des 70 s, Black, Scholes et Merton ont opéré une avancée majeure en matière d évaluation d options Ces contributions et leurs développements

Plus en détail

Spécialistes de pricing des dérivées actions et crédit complexes et de l obligation convertible.

Spécialistes de pricing des dérivées actions et crédit complexes et de l obligation convertible. Spécialistes de pricing des dérivées actions et crédit complexes et de l obligation convertible. Pedro Ferreira : Présentation de ITO33 27 novembre 2007 1 La société 2 Equity to Credit 3 Le problème de

Plus en détail

Les mathématiques appliquées de la finance

Les mathématiques appliquées de la finance Les mathématiques appliquées de la finance Utiliser le hasard pour annuler le risque Emmanuel Temam Université Paris 7 19 mars 2007 Emmanuel Temam (Université Paris 7) Les mathématiques appliquées de la

Plus en détail

Modèle GARCH Application à la prévision de la volatilité

Modèle GARCH Application à la prévision de la volatilité Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes

Plus en détail

FIMA, 7 juillet 2005

FIMA, 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 détail

Modélisation stochastique des données à partir d essais sur matériaux. Pr. Denys Breysse Université Bordeaux 1

Modélisation stochastique des données à partir d essais sur matériaux. Pr. Denys Breysse Université Bordeaux 1 Modélisation stochastique des données à partir d essais sur matériaux Pr. Denys Breysse Université Bordeaux 1 Hasard cause fictive de ce qui arrive sans raison apparente ou explicable (Petit Robert). Ce

Plus en détail

Exemple de mise en place d un processus ORSA Journées de l institut des Actuaires 21.09.2012

Exemple de mise en place d un processus ORSA Journées de l institut des Actuaires 21.09.2012 Exemple de mise en place d un processus ORSA Journées de l institut des Actuaires 21.09.2012 Principales propriétés de l ORSA Les grands principes Vision prospective L évaluation des risques dans l ORSA

Plus en détail

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009 Projets scilab L3 Maths Appliquées lagache@biologie.ens.fr 2 Avril 29 REMARQUE: quelques résultats importants concernant le théorème central limite et les intervalles de confiance sont rappelés dans la

Plus en détail

Rapport de Recherche. 1 Estimation fonctionnelle en temps continu. 1.1 Vitesses de convergence pour l estimateur à noyau. (D. Blanke - Mars 2008)

Rapport de Recherche. 1 Estimation fonctionnelle en temps continu. 1.1 Vitesses de convergence pour l estimateur à noyau. (D. Blanke - Mars 2008) Rapport de Recherche (D. Blanke - Mars 2008) L essentiel de mes activités de recherche porte sur l estimation fonctionnelle ou paramétrique pour des processus. L ensemble de ces travaux peut se diviser

Plus en détail

Les Variable Annuities sous la directive Solvabilité II

Les Variable Annuities sous la directive Solvabilité II Les Variable Annuities sous la directive Solvabilité II Mémoire présenté le vendredi 10 juin 2011 par Clément Schmitt clement.schmitt@fixage.com Introduction Solvabilité II impose des fonds propres réglementaires

Plus en détail

de calibration Master 2: Calibration de modèles: présentation et simulation d

de 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 détail

Chapitre I Théorie de la ruine

Chapitre I Théorie de la ruine Chapitre I Théorie de la ruine Olivier Wintenberger ISUP 2, Université Paris VI (slides Olivier Lopez) Année universitaire 2013-2014 1 Risque collectif 2 Modélisation des coûts de sinistres 3 Probabilité

Plus en détail

Séminaire TEST. 1 Présentation du sujet. October 18th, 2013

Séminaire 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 détail

Principe des tests statistiques

Principe des tests statistiques Principe des tests statistiques Jean Vaillant Un test de signification est une procédure permettant de choisir parmi deux hypothèses celles la plus probable au vu des observations effectuées à partir d

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale. 15 novembre 2010

Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale. 15 novembre 2010 Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale 15 novembre 2010 Table des matières 1 Rappel sur les Processus Gaussiens 2 Théorie du chaos multiplicatif gaussien de

Plus en détail

Regime Switching Model : une approche «pseudo» multivarie e

Regime Switching Model : une approche «pseudo» multivarie e Regime Switching Model : une approche «pseudo» multivarie e A. Zerrad 1, R&D, Nexialog Consulting, Juin 2015 azerrad@nexialog.com Les crises financières survenues dans les trente dernières années et les

Plus en détail

Production de données et échelles temporelles de l évaluation du risque en finance. Deuxième partie (séance 2)

Production de données et échelles temporelles de l évaluation du risque en finance. Deuxième partie (séance 2) Séminaire d enseignement M2 Production de données et échelles temporelles de l évaluation du risque en finance Deuxième partie (séance 2) Séminaire M2 2015-2016 page 1 Plan 1. Les échelles de temps 2.

Plus en détail

Principe de symétrisation pour la construction d un test adaptatif

Principe de symétrisation pour la construction d un test adaptatif Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université

Plus en détail

3. Evaluer la valeur d une option. 1. Arbres binomiaux 2. Modèle de Black, Scholes et Merton

3. Evaluer la valeur d une option. 1. Arbres binomiaux 2. Modèle de Black, Scholes et Merton 3. Evaluer la valeur d une option 1. Arbres binomiaux. Modèle de Black, choles et Merton 1 Les arbres binomiaux ; évaluation des options sur actions Cox, Ross, Rubinstein 1979 Hypothèse absence opportunité

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage stochastique non linéaire par la théorie de représentation des martingales Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de

Plus en détail

Le Modèle de taux de Ho-Lee - Pricing d obligation

Le Modèle de taux de Ho-Lee - Pricing d obligation Le Modèle de taux de Ho-Lee - Pricing d obligation Le modèle de Thomas S. Y. Ho et Sang-bin Lee [1] est un modèle simple de fluctuation de taux d intérêts. Il est utilisé sous l hypothèse d absence d opportunité

Plus en détail

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de

Plus en détail

Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1

Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1 Université Paris Diderot Physique L2 2014-2015 Simulations Numériques SN4 Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1 Objectifs : Simuler

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

B&S Pratique et limites

B&S Pratique et limites B&S Pratique et limites Christophe Chorro (christophe.chorro@univ-paris1.fr) Université Paris 1 Décembre 2008 hristophe Chorro (christophe.chorro@univ-paris1.fr) (Université Paris BS 1) Pratique et limites

Plus en détail

1.1 Prime d une option d achat dans le modèle de Cox, Ross et Rubinstein

1.1 Prime d une option d achat dans le modèle de Cox, Ross et Rubinstein 1 Examen 1.1 Prime d une option d achat dans le modèle de Cox, Ross et Rubinstein On considère une option à 90 jours sur un actif ne distribuant pas de dividende de nominal 100 francs, et dont le prix

Plus en détail

Value at Risk - étude de cas

Value at Risk - étude de cas Value at Risk - étude de cas Daniel Herlemont 17 juin 2011 Table des matières 1 Introduction 1 2 La Value at Risk 1 2.1 La VaR historique................................. 2 2.2 La VaR normale..................................

Plus en détail

Le risque de crédit. DeriveXperts. 23 juillet 2010

Le risque de crédit. DeriveXperts. 23 juillet 2010 23 juillet 2010 Définitions Exemples - Interactions Obligations Credit Default Swap (CDS) First To Default Collateralized Debt Obligation (CDO) Probabilité de défaut Le modèle exponentiel dynamique - Introduction

Plus en détail

Problème de contrôle optimal pour une chaîne de Markov

Problème de contrôle optimal pour une chaîne de Markov Problème de contrôle optimal pour une chaîne de Markov cours ENSTA MA206 Il s agit de résoudre un problème d arrêt optimal pour une chaîne de Markov à temps discret. Soit X n une chaîne de Markov à valeurs

Plus en détail

Chapitre 7 : Intégration sur un intervalle quelconque

Chapitre 7 : Intégration sur un intervalle quelconque Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction

Plus en détail

Approximation polynomiale de la densité de probabilité

Approximation polynomiale de la densité de probabilité Approximation polynomiale de la densité de probabilité Applications en assurance P.O. Goffard Axa France - Institut de Mathématiques de Marseille I2M Aix-Marseille Université Soutenance de thèse de doctorat

Plus en détail

Examen d accès - 28 Septembre 2012

Examen d accès - 28 Septembre 2012 Examen d accès - 28 Septembre 2012 Aucun document autorisé - Calculatrice fournie par le centre d examen Cet examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses

Plus en détail

LES PROVISIONS TECHNIQUES : UNE APPROCHE PAR SIMULATIONS

LES PROVISIONS TECHNIQUES : UNE APPROCHE PAR SIMULATIONS LES PROVISIONS TECHNIQUES : UNE APPROCHE PAR SIMULATIONS Yannick REGAZZONI Actuaire I.S.F.A. Jérôme SANDER Le Foyer Assurance, Luxembourg Le but de cet article est de proposer une méthode d'estimation

Plus en détail

Christophe Pouzat. SELECT : 26 Octobre 2009

Christophe Pouzat. SELECT : 26 Octobre 2009 Une application simple du théorème de Donsker pour la construction de tests de qualité d ajustement de modèles de l intensité conditionnelle d un processus de comptage Christophe Pouzat Laboratoire de

Plus en détail

Cours de gestion des risques d assurances et de théorie de la ruine. Stéphane Loisel

Cours de gestion des risques d assurances et de théorie de la ruine. Stéphane Loisel Cours de gestion des risques d assurances et de théorie de la ruine Stéphane Loisel ISFA, 2005-2006 Table des matières I Modélisation de la charge sinistre : du modèle individuel au modèle collectif 5

Plus en détail

Méthodes de Monte Carlo pour le pricing d options

Méthodes de Monte Carlo pour le pricing d options Méthodes de Monte Carlo pour le pricing d options Mohamed Ben Alaya 14 février 2013 Nous allons tester les différentes méthodes probabilistes vu dans le cours en l appliquant au calcul du call ou le put

Plus en détail