Provisionnement face au risque de défaut des emprunteurs
|
|
- Jean-Marie Pinette
- il y a 8 ans
- Total affichages :
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
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 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 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 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 détailMesure et gestion des risques d assurance
Mesure et gestion des risques d assurance Analyse critique des futurs référentiels prudentiel et d information financière Congrès annuel de l Institut des Actuaires 26 juin 2008 Pierre THEROND ptherond@winter-associes.fr
Plus en 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 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 détailGestion 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 détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en 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 détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en 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 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 détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en 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 détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en 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 détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en 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 détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en 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 détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailOPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT)
OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) LAGGOUNE Radouane 1 et HADDAD Cherifa 2 1,2: Dépt. de G. Mécanique, université de Bejaia, Targa-Ouzemour
Plus en détailConstruction d un algorithme d accélération de la méthode des simulations dans les simulations pour le calcul du capital économique Solvabilité II
Construction d un algorithme d accélération de la méthode des simulations dans les simulations pour le calcul du capital économique Solvabilité II Laurent Devineau, Stéphane Loisel To cite this version:
Plus en détailChapitre 10. Risque et assurance. Arthur Charpentier. 10.1 La problématique du provisionnment en assurance
Chapitre 10 Risque et assurance Arthur Charpentier Dans ce chapitre, nous allons présenter quelques modèles utilisés par les assureurs afin de quantifier les risques pris. Dans les premiers chapitres,
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
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 détailMémoire d Actuariat Tarification de la branche d assurance des accidents du travail Aymeric Souleau aymeric.souleau@axa.com 3 Septembre 2010 Plan 1 Introduction Les accidents du travail L assurance des
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 détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailChapitre 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 détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailCours 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 détaildes 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 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 détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
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 détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailRisque et assurance. Arthur Charpentier. Université Rennes 1. arthur.charpentier@univ-rennes1.fr http ://freakonometrics.blog.free.
Risque et assurance Arthur Charpentier Université Rennes 1 arthur.charpentier@univ-rennes1.fr http ://freakonometrics.blog.free.fr/ Journées d Études Statistique, Luminy, Novembre 2010. 1 1 Prise en compte
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en 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 détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Plus en détailHedging delta et gamma neutre d un option digitale
Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing
Plus en détailPierre Thérond pierre@therond.fr. Année universitaire 2013-2014
http://www.therond.fr pierre@therond.fr Institut de Science Financière et d Assurances - Université Lyon 1 Année universitaire 2013-2014 Plan du cours 1 Chapitre 1 - Introduction 2 3 4 Bibliographie principale
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
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 détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en 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 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 détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailGESTION DES RISQUES D ENTREPRISE : Qualité des données, levier de pilotage stratégique 1
GESTION DES RISQUES D ENTREPRISE : Qualité des données, levier de pilotage stratégique 1 S. Wittmer 2, V. Ranaivozanany 3, A. Olympio 4 CNP Assurances sophie.wittmer@cnp.fr, voahirana.ranaivozanany@cnp.fr,
Plus en détailProbabilités 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 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 détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailSolvabilité 2, pour une meilleure protection des assurés européens
Solvabilité 2, pour une meilleure protection des assurés européens Solvabilité II, contrats responsables, normes IFRS, fiscalité : conséquences de ces normes sur le devenir des opérateurs et des couvertures
Plus en détailFacteurs à considérer en matière de quantification de la variabilité du passif des polices d assurances IARD
Document de recherche Facteurs à considérer en matière de quantification de la variabilité du passif des polices d assurances IARD Commission sur la gestion des risques et le capital requis Novembre 2012
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 détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailSolvabilité II Les impacts sur la tarification et l offre produit
Solvabilité II Les impacts sur la tarification et l offre produit Colloque du CNAM 6 octobre 2011 Intervenants OPTIMIND Gildas Robert actuaire ERM, senior manager AGENDA Introduction Partie 1 Mesures de
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
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 détailEstimation de l erreur de prédiction dans le cas de l utilisation d une combinaison de méthodes pour le calcul de provisions en assurance IARD
EURIA - Euro Institute of Actuarial Studies Bureau d études Sous la direction de Aude Goichon (KPMG) Franck Vermet (UBO) Françoise Pène (UBO) Estimation de l erreur de prédiction dans le cas de l utilisation
Plus en détailMarges pour écarts défavorables en assurances IARD
Note éducative Marges pour écarts défavorables en assurances IARD Commission des rapports financiers des compagnies d assurances IARD Décembre 2009 Document 209138 This document is available in English
Plus en détailMA6.06 : Mesure et Probabilités
Année universitaire 2002-2003 UNIVERSITÉ D ORLÉANS Olivier GARET MA6.06 : Mesure et Probabilités 2 Table des matières Table des matières i 1 Un peu de théorie de la mesure 1 1.1 Tribus...............................
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailProcessus 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 détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailHealth Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation
Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Laurent Denis STATXPERT Journée technologique "Solutions de maintenance prévisionnelle adaptées à la production" FIGEAC,
Plus en détailQUANTIFICATION DU RISQUE
QUANTIFICATION DU RISQUE Journées d études de Deauville, le 16 septembre 2011 OPÉRATIONNEL 1.Solvabilité 2 et le Risque Opérationnel 2.La gestion du Risque Opérationnel 3.Les méthodes de quantification
Plus en détailApproche modèle pour l estimation en présence de non-réponse non-ignorable en sondage
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction
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 détailProduction des Services d Assurance non-vie selon le SCN 2008
REPUBLIQUE DU CAMEROUN Paix - Travail Patrie ---------- INSTITUT NATIONAL DE LA STATISTIQUE ---------- REPUBLIC OF CAMEROON Peace - Work Fatherland ---------- NATIONAL INSTITUTE OF STATISTICS ----------
Plus en détailIncertitude financière, mesures de risque et préférences robustes
Incertitude financière, mesures de risque et préférences robustes Hans Föllmer Institut für Mathematik Humboldt-Universität zu Berlin Unter den Linden 6 10099 Berlin, Allemagne 1 Le rôle des mathématiques
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailLe métier d actuaire IARD
JJ Mois Année Le métier d actuaire IARD Journées Actuarielles de Strasbourg 6-7 octobre 2010 PLAN Présentation de l assurance non vie Le rôle de l actuaire IARD La tarification des contrats L évaluation
Plus en détail9:HSMHLH=]Y]ZYU: ISBN 2-7178-4854-1 DE L ASSURANCE NON-VIE MATHÉMATIQUES. Michel DENUIT Arthur CHARPENTIER
DENUIT_D1544_couv 07/05/04 9:44 Page 1 MATHÉMATIQUES DE L ASSURANCE NON-VIE Michel DENUIT Arthur CHARPENTIER > ApogeeI Normalizer Couleur COLLECTION «ÉCONOMIE ET STATISTIQUES AVANCÉES» esa esa COLLECTION
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en 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 détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailLeçon 01 Exercices d'entraînement
Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
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 détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en 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 détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en 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 détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détail