Introduction au pricing d option en finance

Dimension: px
Commencer à balayer dès la page:

Download "Introduction au pricing d option en finance"

Transcription

1 Introduction au pricing d option en finance Olivier Pironneau Cours d informatique Scientifique 1 Modélisation du prix d un actif financier Les actions, obligations et autres produits financiers cotés en bourse ont des prix fluctuants établis en fonction de l offre et de la demande. En finance, on confond le nom du produit et son prix. Ainsi S t désigne le prix d un actif financier, par exemple l action Renault, à l instant t. S il n y avait pas d aléas dans les marchés on aurait S t+δt = S t (1 + µδt) où µ est la tendance de l actif, à la hausse (µ > 0) ou à la baisse (µ < 0). Cette relation exprime simplement que si l action Renault par exemple qui vaut aujourd hui 90$ monte de 4% en un an alors elle vaudra 90( ) = 90.3$ 12 dans un mois. Lorsque le taux d intérêt bancaire vaut r il est raisonnable de penser que µ = r, car si µ > r il serait plus avantageux d acheter ce produit financier que de prêter au taux r, et inversement, personne ne garderait le produit si µ < r. Mais le marché n étant pas entièrement prévisible, on écrit S t+δt = S t (1 + rδt + σ(w t+δt W t )) où W t est un processus aléatoire brownien et σ est un coefficient numérique appelé la volatilité. Pour la suite, nous n utiliserons qu une seule propriété de W : W t+δt W t = δt N (0, 1) 1

2 où N (0, 1) est le processus gaussien centré en zéro et de variance unité 1 Là encore la modélisation est très simple et dit simplement que la partie aléatoire est d autant plus grande que le pas de temps δt est grand et que la volatilité est grande. Ainsi pour prédire la valeur de l actif S le lendemain, le modèle a un paramètre, σ, ajusté chaque jour sur les données de la veille. Pour prédire la valeur due S dans un an il faut répéter le processus 365 fois. 1.1 Programmation La génération d un nombre aléatoire gaussien va se faire par la procédure gauss() ci-dessous. Celle-ci repose sur l utilisation de la fonction système random() qui rend un entier aléatoire compris entre 0 et un grand nombre RAND MAX (nombre prédéfini dont la valeur dépend de la précision arithmétique de l ordinateur). Ainsi chaque fois l instruction x = random() retourne une valeur différente pour x. Notez que (1+random())/double(1+RAND MAX) est un nombre quelconque entre 0 et 1 avec une probabilité uniforme. On démontre que si x et y sont deux nombres aléatoires de probabilité uniforme entre 0 et 1 alors cos(2πx) 2 log(y) est un nombre aléatoire sur R := (, + ) avec une distribution de probabilité gaussienne centrée en 0 et de variance 1. On obtient donc le programme suivant: #include <iostream> // pour les entrees sorties #include <cmath> // pour les fonctions, cos, log... #include <vector> // pour les vecteurs de la STL #include <fstream> // pour la gestion des fichiers using namespace std; // pour donner un sens a cout... const double two_pi =2*M_PI; // constante de la lib cmath 1 On rappelle qu une variable aléatoire est gaussienne N (µ, σ) si la probabilité qu elle appartienne à (x, x + dx) est (2πσ 2 ) 1/2 exp( (x µ) 2 /(2σ 2 ))dx. Remarquez que si x est N (0, 1), ax est N (0, a). 2

3 double gauss() { double x= double(1.+random())/double(1.+rand_max); double y= double(1.+random())/double(1.+rand_max); return sqrt( -2 *log(x) )*cos(two_pi*y); void EDOstoch(vector<double> &S, double S0, int M, double sigma, double r ) { // historique de S, valeur initiale de S, nb de jours, vol et taux const double dt=1./m, sdt =sigma*sqrt(dt); S[0]= S0; for(int i=1;i<m;i++) S[i]= S[i-1]*( 1 + r*dt + gauss()*sdt ); int main() { const double sigma=0.2, r=0.1; // volatilite, taux const int M=365; double So; vector<double> S(M); // prix de l actif chaque jour cout<<"entrer la valeur de So "; cin >>So; EDOstoch(S,So,M,sigma,r); cout <<"Valeur de S apres un an "<<S[M-1]<<endl; // ecriture des valeurs intermediaires dans un fichier // pour visualiser le resultat utiliser gnuplot: plot "result.dat" w l ofstream ff("result.dat"); for(int i=0;i<m;i++) ff<<s[i]<<endl; return 0; Remarque 1 Pour obtenir un entier aléatoire, random() utilise l overflow. Par exemple sur une machine 64 bits, si s est un entier plus grand que 2 32 le résultat de s s étant supérieur à , il ne tient pas dans le registre du multiplicateur de la machine, il y a overflow et la machine produit n importe quoi quand on calcule s s. Le nombre s utilisé dans random() s appelle en anglais seed. Le résultat de random() est utilisé comme seed pour l appel suivant de random(). Par défaut au début, s est toujours le même; donc si on exécute plusieurs fois ce programme on 3

4 obtiendra toujours les même valeurs. Pour obtenir des valeurs différentes à chaque exécution, ce qui est légitime puisque random() est censé générer des nombres aléatoires, il faut changer seed en rajoutant au début dans le main(): srand(time(null)); La fonction srand ne rend rien mais initialise seed à un entier calculé à partir de l horloge. Deux exécutions à deux temps différents donneront donc deux résultats différents. 160 "result.dat" Figure 1: Une réalisation de S t sur un an. 4

5 2 Pricing d option Une option sur un actif financier est un contrat d achat ou de vente de l actif à un prix donné à une date future. Ce contrat est anonyme, il peut donc être revendu et le problème à résoudre est celui de la détermination de son prix. Prenons un exemple concret: une banque possède un actif qui vaut aujourd hui S 0 = 100$; elle souhaite se couvrir contre les fluctuations du marché et pour cela elle fait savoir qu elle est prête à payer un tiers un prix P 0 (dollars, euros...) une obligation conditionnelle d achat de l action dans un an à 105$. L obligation est conditionnelle dans le sens où celui qui à reçu les P 0 est forcé d acheter l action si la banque le souhaite mais il ne peut forcer la banque à vendre. Le contrat est nominatif dans le sens que le tiers s est engagé et qu il doit donc être localisable sur la période (0,T). On dit alors que la banque a émis une option put P sur S de strike K=105$ et de maturité T=1 an. Le premier problème est de déterminer une valeur raisonnable pour P 0? La banque peut ensuite vouloir vendre l actif à une date ultérieure mais comment établir un prix raisonnable pour ce put? Notez que ce put n a de sens que si l on possède aussi l actif (on dit le sous-jacent) sur lequel il est basé; cependant on peut toujours l acheter plus tard sur le marché, c est pourquoi cette option peut avoir une vie autonome indépendamment du sous-jacent (mais toujours avec le même tiers contractant). Modélisation: Si le marché est fluide, il est raisonnable de supposer que le prix P t de P à une date t > 0 est l espérance du profit que le propriétaire de S t et P t fera à la date T, escompté en t, soit P t = e r(t t) E(K S T ) + où f + (s) = max(f(s), 0) et E désigne l espérance au sens de la théorie des probabilités, c est à dire l intégrale R (K s)+ ρ(s)ds, lorsqu une densité de 5

6 probabilité ρ() existe pour S T. En effet si dans un an l option est cotée en bourse à S T, le profit à la vente est K S T si K > S T et zéro sinon. Or n$ au temps t vaudront ne r(t t) à la date T (exprimée en portion d année) car ils peuvent être placés au taux r. Lorsque dt est petit, on introduit la notation: ds t le problème s écrit: = (S t+dt S t); alors ds t = S t (rdt + σdw t ), S t=0 = S 0 donné P t = e r(t t) E(K S T ) + (1) C est le modèle de Black et Scholes. Programmation: Il suffit de faire générer par le programme N réalisations S n de S T et de faire P t = t) N 1 e r(t N n=0 (K S n ) + D où le programme suivant: #include <iostream> #include <cmath> #include <fstream> #include <cassert> using namespace std; const double two_pi =2*M_PI; double gauss(); double EDOstoch(double S0, int M, double sigma, double r ) { const double dt=1./m, sdt =sigma*sqrt(dt); double S= S0; for(int i=1;i<m;i++) S *= (1.+gauss()*sdt+r*dt); return S; 6

7 int main() { const double r=0.1, sig=0.2, K=140, S0=120, t=12; double option = 0; int T=365, N=50000; for(int I=0;I<N;I++){ double aux = K-EDOstoch(S0,365,sig,r); if(aux<0) aux=0; option +=aux/n; cout <<"L option apres "<<t<<" jours vaut " << option*exp(-r*(t-t)/365) <<endl; return 0; L exécution de ce programme produit Valeur de l option apres 12 jours L équation aux dérivées partielles de Black & Scholes On démontre 2 grâce au calcul de Itô que (1) est équivalent à où u(x, t) est la solution de P t = u(t t, S t ) u t σ2 x 2 2 u 2 x rx u 2 x + ru = 0 dans R+ (0, T ), u(x, 0) = (K x) + Remarque 2 Notez que cette EDP contient implicitement des conditions aux limites en 0 et +. En x = 0, l EDP donne t u+ru = 0, u(0, 0) = K, donc u(0, t) = Ke rt. Si on suppose que u est dans L 2 (R + ) alors lim x + u(x, t) = 0. Exercice 1 Montrer que l EDP peut aussi s écrire sous forme divergentielle u t x 2 u x (σ2 2 x ) βx u x + ru = 0 dans R+ (0, T ), u(x, 0) = (K x) + avec β = r σ 2 xσ σ x. 2 Paul Wilmott, Sam Howison, and Jeff Dewynne. The mathematics of financial derivatives. Cambridge University Press, Cambridge, A student introduction. 7

8 3 Option panier sur 2 sous-jacents Prenons maintenant l exemple d une banque qui pour minimiser encore les risques combine une action Renault avec une action Peugeot avec l idée que si l une baisse, l autre montera et que la somme des deux est plus stable que chacune séparée. Soient St 1, St 2 les prix de ces deux actions. On prend le modèle suivant dst 1 = St 1 (rdt + dwt 1 + dwt 2 ) dst 2 = St 2 (rdt + dwt 2 + dwt 1 ) (2) Comme précédemment Wt 1, Wt 2 sont deux processus gaussiens mais tels que E(dW 1 ) 2 = dtσ 2 1, E(dW 2 ) 2 = dtσ 2 2, E(dW 1 t dw 2 t ) = dtqσ 1 σ 2 Notez que si q = 0 on obtient le modèle précédent pour chacun des actifs et donc q mesure la corrélation entre les deux actifs. Un option put construite sur la somme S 1 + S 2 pour un strike K et une maturité T aura donc comme prix l espérance du bénéfice escompté, soit P t = e r(t t) E(K S 1 T S 2 T ) + Equation aux dérivées partielles : Dès qu une quantité déterministe dépend de la solution d une équation différentielle stochastique, le calcul de Itô s applique. Ici, il donne P t = u(t t, S 1 t, S 2 t ) où u est la solution de u t σ2 1x 2 2 u 2 x σ2 2y 2 2 u 2 2 y qσ 1σ 2 2 xy 2 u x y rx u u ry x y + ru = 0 u(x, 0) = (K x y) + (3) 4 Calcul d une courbe d option par Monte-Carlo #include <iostream> 8

9 #include <cmath> #include <fstream> using namespace std; const double two_pi =2*M_PI; class PriceMC{ public: double r,sigma,k,t,s0; // taux, vol, strike, matur,actif double t, u; // valeur de l option au temps t double gauss(); double EDOstoch(int M); double getputprice(int N, int M); PriceMC(double r1, double sigma1, double K1, double T1, double S01) : r(r1),sigma(sigma1), K(K1), T(T1), S0(S01){ ; // /////////////////////// implementation ///////////////// double PriceMC::gauss(){ double x= double(1.+random())/double(1.+rand_max); double y= double(1.+random())/double(1.+rand_max); return sqrt( -2 *log(x) )*cos(two_pi*y); double PriceMC::EDOstoch(int M){ const double dt=t/m, sdt =sigma*sqrt(dt); double S= S0; for(int i=1;i<m;i++) S *= (1+r*dt+gauss()*sdt); return S; double PriceMC::getPutPrice(int N, int M){ double option = 0; for(int n=0;n<n;n++){ double aux=k-edostoch(m); if(aux<0) aux=0; option += aux/n; return option*exp(-r*(t-t)); // //////////// end class PriceMC ////////////////////// int main(){ srandom(time(null)); PriceMC p(0.01,0.2,140,1,100); // r, sigma, K,T,S0 9

10 p.t = 0.; p.u = p.getputprice(5000,100);// nb trials, nb time steps cout <<"Valeur de l option apres "<<p.t<<" jours "<< p.u <<endl; // gnuplot pour S0->p.u: plot "option.dat" using 1:2 w l ofstream ff("option.dat"); for(p.s0=0; p.s0<250; p.s0+=10){ p.u =p.getputprice(50000,100); cout<<p.s0<<"\t"<<p.u<<endl; ff<<p.s0<<"\t"<<p.u<<endl; return 0; 140 "option.dat" using 1: Figure 2: Résultat du programme ci-dessus pour le calcul d un put. 10

11 5 Annexe: deux arguments pour justifier l EDP 5.1 Le cas déterministe Lorsque σ = 0 le problème n est pas stochastique et se réduit à ds t = S t rdt, S(t 0 ) = S 0, P 0 = e r(t t 0) (K S T ) + Ici c est volontairement que nous ne prenons pas t 0 = 0. La solution de ce problème est On en déduit que S t = e r(t t 0) S 0, P 0 = e r(t t 0) (K e r(t t 0) S 0 ) + P 0 = re r(t t0) (K e r(t t0) S 0 ) + + e r(t t0) 1 t (K e r(t t 0 ) S 0 ) +S 0re r(t t 0) 0 P 0 = e r(t t0) 1 S (K e r(t t 0 ) S 0 ) +er(t t 0) (4) 0 et donc que P 0 P 0 = rp t rs 0 t 0 S 0 qui est l EDP de Black-Scholes dans le cas σ = Le calcul de Itô Soit X t un processus verifiant dx t = µdt + σdw t et f(x t, t) à valeurs réelles fonction des statisitiques de X t et non pas des valeurs (réalisations de) X t, alors df = f f dt + t X µdt + 2 f σ 2 X 2 2 dt Autrement dit, il faut pousser le développement de Taylor justqu a l ordre 2 pour avoir tous les termes d ordre 1 a cause du fait que dw t est d ordre O( t). 11

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

Master ISIFAR 2ème année Exercices pour le cours Mathématiques Financières

Master ISIFAR 2ème année Exercices pour le cours Mathématiques Financières Master ISIFAR 2ème année Exercices pour le cours Mathématiques Financières Chapitre 1 Exercice 1. * Calculer le prix à terme d échéance T d une obligation de nominal N, qui verse un coupon C à la date

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

Méthodes numériques pour le pricing d options

Méthodes numériques pour le pricing d options Méthodes numériques pour le pricing d options Mohamed Ben Alaya 6 février 013 Nous allons tester les différentes méthodes de différence finies vu dans le cours en l appliquant au calcul du call ou le put

Plus en détail

1.6- Génération de nombres aléatoires

1.6- Génération de nombres aléatoires 1.6- Génération de nombres aléatoires 1- Le générateur aléatoire disponible en C++ 2 Création d'un générateur aléatoire uniforme sur un intervalle 3- Génération de valeurs aléatoires selon une loi normale

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

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

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

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

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

Simulations de Monte Carlo

Simulations de Monte Carlo Simulations de Monte Carlo 2 février 261 CNAM GFN 26 Gestion d actifs et des risques Gréory Taillard GFN 26 Gestion d actifs et des risques 2 Biblioraphie Hayat, Sere, Patrice Poncet et Roland Portait,

Plus en détail

INTRODUCTION : EDP ET FINANCE.

INTRODUCTION : EDP ET FINANCE. INTRODUCTION : EDP ET FINANCE. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) EDP et finance. 1 / 16 PLAN DU COURS 1 MODÈLE ET ÉQUATION DE BLACK SCHOLES 2 QUELQUES EXTENSIONS A. Popier

Plus en détail

Utilisation des éléments finis pour le pricing d'options

Utilisation des éléments finis pour le pricing d'options 1 Utilisation des éléments finis pour le pricing d'options Semaine «éléments finis», ENSMP 29 novembre 2006 Jean-Didier Garaud (ONERA, DMSE/LCME) 2 Plan Actions et produits dérivés Modèle de Black-Scholes

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

La Volatilité Locale

La Volatilité Locale La Volatilité Locale Bertrand TAVIN Université Paris 1 - Panthéon Sorbonne 26 mai 2010 Résumé Dans cette courte note nous introduisons le concept de volatilité locale et les modèles de pricing basés sur

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

Les 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 détail

2.5- Les flux. 1- Librairies de flux. 2- Manipulation de cin. 3- Lecture et écriture de fichiers. 4- Les flux et les chaînes

2.5- Les flux. 1- Librairies de flux. 2- Manipulation de cin. 3- Lecture et écriture de fichiers. 4- Les flux et les chaînes 2.5- Les flux 1- Librairies de flux 2- Manipulation de cin 3- Lecture et écriture de fichiers 4- Les flux et les chaînes 5- Passage de paramètres en ligne de commande 6- Un exemple de récupération CSV

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

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

Informatique III: Programmation en C++ Introduction. Examens. Chargé de cours François Fleuret francois.fleuret@epfl.ch

Informatique III: Programmation en C++ Introduction. Examens. Chargé de cours François Fleuret francois.fleuret@epfl.ch Informatique III: Programmation en C++ Lundi 24 Octobre 2005 Chargé de cours François Fleuret francois.fleuret@epfl.ch Assistant Mathieu Salzmann mathieu.salzmann@epfl.ch Assistants étudiants Ali Al-Shabibi

Plus en détail

Options exotiques complexes

Options exotiques complexes Options exotiques complexes Cette série d exercices porte sur les options exotiques (chapitre 14 ) avec éventuellement des taux d intérêt stochastiques (chapitres 16 et 17). Les exercices les plus difficiles

Plus en détail

La méthode Monte-Carlo. DeriveXperts. 19 mai 2011

La méthode Monte-Carlo. DeriveXperts. 19 mai 2011 19 mai 2011 Outline 1 Introduction Définition Générale Génération de nombre aléatoires Domaines d application 2 Cadre d application Méthodologie générale Remarques Utilisation pratique Introduction Outline

Plus en détail

Pricing d options asiatiques par les méthodes de Monte Carlo

Pricing d options asiatiques par les méthodes de Monte Carlo Pricing d options asiatiques par les méthodes de Monte Carlo BARRY IBRAHIMA et FRELE JEAN-MARC Février Première partie Présentation et algorithmes Introduction Nées sur le marché des changes de okyo, d

Plus en détail

Principes de Finance

Principes de Finance Principes de Finance 13. Théorie des options II Daniel Andrei Semestre de printemps 2011 Principes de Finance 13. Théorie des options II Printemps 2011 1 / 34 Plan I Stratégie de réplication dynamique

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

Ecole Supérieure d Ingénieurs Léonard de Vinci

Ecole Supérieure d Ingénieurs Léonard de Vinci Ecole Supérieure d Ingénieurs Léonard de Vinci «Pricing d options Monte Carlo dans le modèle Black-Scholes» Etudiant : / Partie A : Prix de Call et Put Européens Partie B : Pricing par Monte Carlo et réduction

Plus en détail

ECOLE NATIONALE DES PONTS ET CHAUSSEES. Risque de crédit. Vente de protection d'une rme sur elle-même. Sébastien LEROUX Antony Mc BRIDE Rémi PARIS

ECOLE NATIONALE DES PONTS ET CHAUSSEES. Risque de crédit. Vente de protection d'une rme sur elle-même. Sébastien LEROUX Antony Mc BRIDE Rémi PARIS ECOLE NATIONALE DES PONTS ET CHAUSSEES Risque de crédit Vente de protection d'une rme sur elle-même Sébastien LEROUX Antony Mc BRIDE Rémi PARIS March 7, 2007 Introduction Généralement, la vente ou l'achat

Plus en détail

Etude de Cas de Structuration Magistère d Economie et de Statistiques

Etude de Cas de Structuration Magistère d Economie et de Statistiques Etude de Cas de Structuration Magistère d Economie et de Statistiques David DUMONT - TEAM CALYON 22 avril 2008 Dans 2 ans, si l EURODOL est inférieur à 1,40 touchez 116% du nominal investi en euros, sinon

Plus en détail

Mathématiques financières

Mathématiques financières Mathématiques financières Arnaud Triay Table des matières 1 Introduction Position du problème.1 Pricing des options........................................... Formalisme..............................................

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

Document d implémentation - Logiciel ModAFi. Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO

Document d implémentation - Logiciel ModAFi. Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO - Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO Grenoble, 11 juin 2012 Table des matières 1 Avant-propos 3 2 Présentation de l architecture du logiciel 3 2.1 Core..........................................

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

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

EXAMEN 14 janvier 2009 Finance 1

EXAMEN 14 janvier 2009 Finance 1 EXAMEN 14 janvier 2009 Durée 2h30 heures Exercice 1 On considère un modèle de marché de type arbre binomial à trois étapes avec un actif risqué S et un actif non risqué. On suppose S 0 = 1000$ et à chaque

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

Modèles en temps continu pour la Finance

Modèles en temps continu pour la Finance Modèles en temps continu pour la Finance ENSTA ParisTech/Laboratoire de Mathématiques Appliquées 23 avril 2014 Evaluation et couverture pour les options européennes de la forme H = h(s 1 T ) Proposition

Plus en détail

Tutorat 3 de Mathématiques (2ème année)

Tutorat 3 de Mathématiques (2ème année) Tutorat 3 de Mathématiques (2ème année) Marches aléatoires et marchés financiers Groupe 4 tuteur : J. Bouttier 8 février 2010 Résumé Depuis la thèse de Bachelier, les marchés nanciers ont constitué un

Plus en détail

Année 2009/2010. Rapport de projet de dernière année ISIMA F4

Année 2009/2010. Rapport de projet de dernière année ISIMA F4 Année 2009/2010 Rapport de projet de dernière année ISIMA F4 «Evaluation d options Européenne Vanille, Américaine Vanille et Asiatique» Elaboré par : Encadré par : Monsieur Mehdi Fhima Résumé Les options

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

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

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

Méthodes numériques pour les options Américaines

Méthodes numériques pour les options Américaines Méthodes numériques pour les options Américaines Jérôme Lelong Année 2009-2010 J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE 2009-2010 1 / 43 1 Introduction Le modèle de marché Options Bermuda Définition

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

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

Plus en détail

Evaluation d options avec incertitude sur la volatilité

Evaluation d options avec incertitude sur la volatilité Evaluation d options avec incertitude sur la volatilité Andrea Odetti, Rémy Ripoll 5 octobre 000 Table des matières 1 Introduction 1 La formule de Black et Scholes 3 Incertitude sur la volatilité 3.1 Modèles

Plus en détail

PROJET MODELE DE TAUX

PROJET MODELE DE TAUX MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh

Plus en détail

Modèle de Heston. Pricing d options européennes et calibration. G. BLANCHET, M. ELACHECHE, E. JEANGIRARD, K. SALEH Tuteur : Adel Ben Haj Yedder

Modèle de Heston. Pricing d options européennes et calibration. G. BLANCHET, M. ELACHECHE, E. JEANGIRARD, K. SALEH Tuteur : Adel Ben Haj Yedder Modèle de Heston Pricing d options européennes et calibration G. BLANCHET, M. ELACHECHE, E. JEANGIRARD, K. SALEH Tuteur : Adel Ben Haj Yedder Projet de département IMI En partenariat avec Natexis 21 juin

Plus en détail

APPLICATION. Définition des classes : On va définir - une classe carte - une classe piledecartes - une classe joueur

APPLICATION. Définition des classes : On va définir - une classe carte - une classe piledecartes - une classe joueur APPLICATION On souhaite écrire un programme qui permet à l utilisateur de jouer au jeu de cartes 21. Principe : L utilisateur reçoit une carte à la fois et après chaque carte il décide s il continue ou

Plus en détail

Précision d un résultat et calculs d incertitudes

Précision d un résultat et calculs d incertitudes Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................

Plus en détail

Modélisation des marchés de matières premières

Modélisation des marchés de matières premières Modélisation des marchés de matières premières Louis MARGUERITTE Jean-Baptiste NESSI Institut des Actuaires Auditorium CNP Vendredi 10 Avril 2009 L. MARGUERITTE JB. NESSI Modélisation des marchés de matières

Plus en détail

Simulations de Monte Carlo en finance : Pricer d option

Simulations de Monte Carlo en finance : Pricer d option Emma Alfonsi, Xavier Milhaud - M2R SAF Simulations de Monte Carlo en finance : Pricer d option Sous la direction de M. Pierre Alain Patard ISFA - Mars 2008 . 1 Table des matières 1 Introduction 4 2 Un

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

Les options : Lien entre les paramètres de pricing et les grecs

Les options : Lien entre les paramètres de pricing et les grecs Cette page est soutenue par ALGOFI Cabinet de conseil, d ingénierie financière et dépositaire de systèmes d information financiers. Par Ingefi, le Pôle Métier Ingénierie Financière d Algofi. ---------------------------------------------------------------------------------------------------------------------

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

Probabilités II Étude de quelques lois. Master Gestion de Portefeuille IAE Gustave Eiffel Jacques Printems printems@u-pec.

Probabilités II Étude de quelques lois. Master Gestion de Portefeuille IAE Gustave Eiffel Jacques Printems printems@u-pec. Probabilités II Étude de quelques lois Master Gestion de Portefeuille IAE Gustave Eiffel Jacques Printems printems@u-pec.fr 2012 2013 1 1 Lois discrètes. On considère des v.a. ne prenant que des valeurs

Plus en détail

Théorie Financière 8 P. rod i u t its dé dérivés

Théorie Financière 8 P. rod i u t its dé dérivés Théorie Financière 8P 8. Produits dit dérivés déié Objectifsdelasession session 1. Définir les produits dérivés (forward, futures et options (calls et puts) 2. Analyser les flux financiers terminaux 3.

Plus en détail

VALORISATION DES PRODUITS DE CHANGE :

VALORISATION DES PRODUITS DE CHANGE : VALORISATION DES PRODUITS DE CHANGE : TERMES, SWAPS & OPTIONS LIVRE BLANC I 2 Table des Matières Introduction... 3 Les produits non optionnels... 3 La méthode des flux projetés... 3 Les options de change

Plus en détail

Estimation du coût de l incessibilité des BSA

Estimation du coût de l incessibilité des BSA Estimation du coût de l incessibilité des BSA Jean-Michel Moinade Oddo Corporate Finance 22 Juin 2012 Incessibilité des BSA Pas de méthode académique reconnue Plusieurs méthodes «pratiques», dont une usuelle

Plus en détail

I. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.

I. 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 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

MEMOIRE Présenté pour l obtention du diplôme de : MAGISTER EN MATHEMATIQUES

MEMOIRE Présenté pour l obtention du diplôme de : MAGISTER EN MATHEMATIQUES REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE MINISTERE DE L ENSEIGNEMENT SUPERIEURE ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE DE MENTOURI - CONSTANTINE FACULTE DES SCIENCES DEPARTEMENT DE MATHEMATIQUES

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

Calibration des modèles

Calibration des modèles Calibration des modèles Rapport de projet de fin d études Auteur : Professeurs responsables : LEFEVERE Laurent FINTZ Nesim LONGEVIALLE Antoine TAFLIN Erik MANOLESSOU Marietta Table des matières Introduction

Plus en détail

Chapitre 2 : Références, tableaux, pointeurs, allocation dynamique de mémoire

Chapitre 2 : Références, tableaux, pointeurs, allocation dynamique de mémoire Université Pierre et Marie Curie Programmation en C++ Master M2 "IFMA" R. Roux, F. Benaych-Georges & D. Simon Chapitre 2 : Références, tableaux, pointeurs, allocation dynamique de mémoire Table des matières

Plus en détail

Évaluation des options américaines par méthodes de Monte-Carlo. Jacky Mochel

Évaluation des options américaines par méthodes de Monte-Carlo. Jacky Mochel Évaluation des options américaines par méthodes de Monte-Carlo Jacky Mochel 3 décembre 2002 1 2 TABLE DES MATIÈRES Table des matières 1 Introduction 3 1.1 Définitions et notations..............................

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

Cours de mathématiques pour la Terminale S

Cours de mathématiques pour la Terminale S Cours de mathématiques pour la Terminale S Savoir-Faire par chapitre Florent Girod 1 Année scolaire 2015 / 2016 1. Externat Notre Dame - Grenoble Table des matières 1) Suites numériques.................................

Plus en détail

Examen de Programmation I

Examen de Programmation I Examen de Programmation I Sciences et Technologies du Vivant, Semestre 1 Mercredi 22 décembre 2010 1. N oubliez pas de mettre vos NOM et PRÉNOM sur toutes vos copies. 2. Merci de garder la donnée. 3. Vous

Plus en détail

Licence Sciences et Technologies Examen janvier 2010

Licence Sciences et Technologies Examen janvier 2010 Université de Provence Introduction à l Informatique Licence Sciences et Technologies Examen janvier 2010 Année 2009-10 Aucun document n est autorisé Les exercices peuvent être traités dans le désordre.

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 L2 MIASHS Cours de B. Desgraupes Simulation Stochastique Séance 04: Nombres pseudo-aléatoires Table des matières 1

Plus en détail

Représentation des nombres entiers et réels. en binaire en mémoire

Représentation des nombres entiers et réels. en binaire en mémoire L3 Mag1 Phys. fond., cours C 15-16 Rep. des nbs. en binaire 25-09-05 23 :06 :02 page 1 1 Nombres entiers 1.1 Représentation binaire Représentation des nombres entiers et réels Tout entier positif n peut

Plus en détail

Introduction aux Mathématiques et Modèles Stochastiques des Marchés Financiers

Introduction aux Mathématiques et Modèles Stochastiques des Marchés Financiers Introduction aux Mathématiques et Modèles Stochastiques des Marchés Financiers Huyên PHAM Université Paris 7 Laboratoire de Probabilités et Modèles Aléatoires, CNRS UMR 7599 pham@math.jussieu.fr Version

Plus en détail

Volatilité stochastique : étude d un modèle ergodique.

Volatilité stochastique : étude d un modèle ergodique. Volatilité stochastique : étude d un modèle ergodique. Julien Guyon julien.guyon@polytechnique.fr novembre Table des matières 1 Introduction 5 1.1 Notations............................. 5 1. Interprétation...........................

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

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Plan 1 Incertitudes des modèles empiriques 2 Identification et caractérisation des paramètres incertains

Plus en détail

Modèles structurels. Chapitre 4. 4.1 Modèle de Merton

Modèles structurels. Chapitre 4. 4.1 Modèle de Merton Chapitre 4 Modèles structurels 4.1 Modèle de Merton L idée principale de modèles structurels est basée sur l article fondateur de Merton [?], où un défaut est provoqué quand une entreprise n arrive pas

Plus en détail

Analyse de données et méthodes numériques

Analyse de données et méthodes numériques Analyse de données et méthodes numériques Analyse de données: Que faire avec un résultat? Comment le décrire? Comment l analyser? Quels sont les «modèles» mathématiques associés? Analyse de données et

Plus en détail

Cahier de vacances. Exercices PCSI - PC, Lycée Dupuy de Lôme

Cahier de vacances. Exercices PCSI - PC, Lycée Dupuy de Lôme Cahier de vacances Exercices PCSI - PC, Lycée Dupuy de Lôme Votre année de PCSI a été bien remplie et il est peu probable que l année de PC qui arrive vous paraisse plus facile. C est pourquoi, je vous

Plus en détail

ENONCE : La formule de Black et Scholes sur les marchés financiers (Niveau terminale S ou ES)

ENONCE : La formule de Black et Scholes sur les marchés financiers (Niveau terminale S ou ES) ENONCE : La formule de Black et Scholes sur les marchés financiers (Niveau terminale S ou ES) Depuis sa publication en 1973, la formule de Black et Scholes s est imposée comme la référence pour la valorisation

Plus en détail

Stratégies sur options et Pricer d'options

Stratégies sur options et Pricer d'options Stratégies sur options et Pricer d'options Définition Une option (ou Warrant) est un contrat qui confère à son porteur le droit d acheter ou de vendre un sous-jacent (action, obligation, indice synthétique,

Plus en détail

Modèle de Black-Scholes

Modèle de Black-Scholes Ecole Normale Supérieure de Cachan Rapport de stage Maîtres de stage : Laurent DESVILLETTES(Laurent.Desvillettes@cmla.ens-cachan.fr) et Francesco SALVARANI(francesco.salvarani@unipv.it) Modèle de Black-Scholes

Plus en détail

1 Sujets donnés en option scientifique

1 Sujets donnés en option scientifique Les sujets suivants, posés aux candidats des options scientifique, économique, technologique et littéraire BL constituent la première version d un échantillon des sujets proposés lors des épreuves orales

Plus en détail

Lois de probabilité à densité Loi normale

Lois de probabilité à densité Loi normale DERNIÈRE IMPRESSIN LE 31 mars 2015 à 14:11 Lois de probabilité à densité Loi normale Table des matières 1 Lois à densité 2 1.1 Introduction................................ 2 1.2 Densité de probabilité

Plus en détail

Valorisation d es des options Novembre 2007

Valorisation d es des options Novembre 2007 Valorisation des options Novembre 2007 Plan Rappels Relations de prix Le modèle binomial Le modèle de Black-Scholes Les grecques Page 2 Rappels (1) Définition Une option est un contrat financier qui confère

Plus en 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

Méthodes numériques pour la finance

Méthodes numériques pour la finance Méthodes numériques pour la finance Olivier Guibé 1 mars 010 Table des matières 1 Les outils de modélisation pour les options 1.1 Options............................................... 1. Modèle du marché

Plus en détail

Propriétés des options sur actions

Propriétés des options sur actions Propriétés des options sur actions Bornes supérieure et inférieure du premium / Parité call put 1 / 1 Taux d intérêt, capitalisation, actualisation Taux d intéret composés Du point de vue de l investisseur,

Plus en détail

Prix et couverture d une option d achat

Prix et couverture d une option d achat Chapitre 1 Prix et couverture d une option d achat Dans cette première leçon, on explique comment on peut calculer le prix d un contrat d option en évaluant celui d un portefeuille de couverture de cette

Plus en détail

Annexe Simulations de Monte Carlo

Annexe Simulations de Monte Carlo Annexe Simulations de Monte Carlo Cette annexe présente, de façon pratique, les principales techniques opératoires des simulations de Monte Carlo. Le lecteur souhaitant une présentation plus rigoureuse

Plus en détail

Mathématiques Financières

Mathématiques Financières Mathématiques Financières 3 ème partie Marchés financiers en temps discret & instruments financiers dérivés Université de Picardie Jules Verne Amiens Par Jean-Paul FELIX Cours du vendredi 19 février 2010-1

Plus en détail

Utilisation des arbres binomiaux pour le pricing des options américaines

Utilisation des arbres binomiaux pour le pricing des options américaines Utilisation des arbres binomiaux pour le pricing des options américaines Anne-Victoire Auriault Plan de la présentation Introduction. Le problème des options 2. Le modèle de Cox-Ross-Rubinstein 3. Les

Plus en détail

CHAMPION Matthieu Modèles de Marché en Visual Basic ESILV S04 S6. Sommaire... 1. Introduction... 2

CHAMPION Matthieu Modèles de Marché en Visual Basic ESILV S04 S6. Sommaire... 1. Introduction... 2 Sommaire Sommaire... 1 Introduction... 2 1 Trois différentes techniques de pricing... 3 1.1 Le modèle de Cox Ross Rubinstein... 3 1.2 Le modèle de Black & Scholes... 8 1.3 Méthode de Monte Carlo.... 1

Plus en détail

Manuel d Utilisateur - Logiciel ModAFi. Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO

Manuel d Utilisateur - Logiciel ModAFi. Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO Manuel d Utilisateur - Logiciel ModAFi Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO Grenoble, 12 juin 2012 Table des matières 1 Introduction 3 2 Modèles supportés 3 2.1 Les diérents modèles supportés pour

Plus en détail

X. Juvigny. Septembre 2007

X. Juvigny. Septembre 2007 De C à C++ X Juvigny Septembre 2007 1 Introduction Outre les nouvelles possibilités en programmation orienté objet, le C++ offre de plus de nouvelles caractéristiques par rapport au langage C dont il est

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

Informatique III: Programmation en C++

Informatique III: Programmation en C++ Rappel: fstream Informatique III: Programmation en C++ void open(const char *nom fichier, openmode mode) ouvre le fichiers nom fichier dans le mode mode (ifstream: par défaut en lecture, ofstream: par

Plus en détail

Ecole Nationale des Ponts et Chaussées Option Adjusted Spread

Ecole Nationale des Ponts et Chaussées Option Adjusted Spread Ecole Nationale des Ponts et Chaussées Option Adjusted Spread Dimitri Kassatkine, Sofiane Maayoufi IMI Finance Mars 2006 1 INTRODUCTION 1.1 Présentation des produits obligataires Une obligation est un

Plus en détail