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

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

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

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

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

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

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

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

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

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

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

Mathématiques financières

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Les équations différentielles

Les équations différentielles Les équations différentielles Equations différentielles du premier ordre avec second membre Ce cours porte exclusivement sur la résolution des équations différentielles du premier ordre avec second membre

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

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

Agrégation interne de Mathématiques. Session 2009. Deuxième épreuve écrite. (et CAERPA)

Agrégation interne de Mathématiques. Session 2009. Deuxième épreuve écrite. (et CAERPA) Agrégation interne de Mathématiques (et CAEPA Session 2009 Deuxième épreuve écrite 2 NOTATIONS ET PÉLIMINAIES On désigne par le corps des nombres réels et par C le corps des nombres complexes. Si f est

Plus en détail

Calculating Greeks by Monte Carlo simulation

Calculating Greeks by Monte Carlo simulation Calculating Greeks by Monte Carlo simulation Filière mathématiques financières Projet de spécialité Basile Voisin, Xavier Milhaud Encadré par Mme Ying Jiao ENSIMAG - Mai-Juin 27 able des matières 1 Remerciements

Plus en détail

Les changements de numéraire dans la tarification de produits financiers

Les changements de numéraire dans la tarification de produits financiers INMA 2990 - Travail de fin d études Les changements de numéraire dans la tarification de produits financiers Pajot Benjamin Promoteur Devolder Pierre Juin 2010 Table des matières Introduction 1 1 Mesures

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

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

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

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

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy

Plus en détail

Quelques modèles financiers utilisant les EDSR et EDSPR avec grossissement de filtration

Quelques modèles financiers utilisant les EDSR et EDSPR avec grossissement de filtration Quelques modèles financiers utilisant les EDSR et EDSPR avec grossissement de filtration Anne EYRAUD-LOISEL ISFA, Université Lyon 1 Séminaire Lyon - Le Mans 3 Mai 2012, Le Mans 1 / 40 Outline 1 Problèmes

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

Master 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. 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 détail

Loi binomiale Lois normales

Loi binomiale Lois normales Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli

Plus en détail

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

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs

Plus en détail

QUESTIONS D ENTRETIENS EN FINANCE DE MARCHE

QUESTIONS D ENTRETIENS EN FINANCE DE MARCHE QUESTIONS D ENTRETIENS EN FINANCE DE MARCHE Le présent document est un recueil de questions, la plupart techniques, posées à des candidats généralement jeunes diplômés, issus d école d ingénieurs, de commerce

Plus en détail

Cours 7 : Utilisation de modules sous python

Cours 7 : Utilisation de modules sous python Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est

Plus en détail

Calibration de Modèles et Couverture de. Peter TANKOV Université Paris VII tankov@math.jussieu.fr

Calibration de Modèles et Couverture de. Peter TANKOV Université Paris VII tankov@math.jussieu.fr Calibration de Modèles et Couverture de Produits Dérivés Peter TANKOV Université Paris VII tankov@math.jussieu.fr 2 Table de matières 1 Les marchés de produits dérivés 7 1.1 Historique...............................

Plus en détail

Cours d Analyse. Fonctions de plusieurs variables

Cours 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 détail

Quantification Scalaire et Prédictive

Quantification Scalaire et Prédictive Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction

Plus en 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

Méthodes d approximation numérique pour le pricing des options vanilles et asiatiques dans le modèle de Heston de volatilité stochastique

Méthodes d approximation numérique pour le pricing des options vanilles et asiatiques dans le modèle de Heston de volatilité stochastique Méthodes d approximation numérique pour le pricing des options vanilles et asiatiques dans le modèle de Heston de volatilité stochastique Najed Ksouri To cite this version: Najed Ksouri. Méthodes d approximation

Plus en détail

La fonction exponentielle

La fonction exponentielle DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction

Plus en détail

Calibration de Modèles et Couverture de Produits Dérivés

Calibration de Modèles et Couverture de Produits Dérivés Calibration de Modèles et Couverture de Produits Dérivés Peter TANKOV Université Paris VII tankov@math.jussieu.fr Edition 28, dernière m.à.j. le 1 mars 28 La dernière version de ce document est disponible

Plus en détail

Séries de Fourier. T f (x) exp 2iπn x T dx, n Z. T/2 f (x) cos ( ) f (x) dx a n (f) = 2 T. f (x) cos 2πn x )

Séries de Fourier. T f (x) exp 2iπn x T dx, n Z. T/2 f (x) cos ( ) f (x) dx a n (f) = 2 T. f (x) cos 2πn x ) Séries de Fourier Les séries de Fourier constituent un outil fondamental de la théorie du signal. Il donne lieu à des prolongements et des extensions nombreux. Les séries de Fourier permettent à la fois

Plus en détail

BTS Mécanique et Automatismes Industriels. Équations différentielles d ordre 2

BTS Mécanique et Automatismes Industriels. Équations différentielles d ordre 2 BTS Mécanique et Automatismes Industriels Équations différentielles d ordre, Année scolaire 005 006 . Définition Notation Dans tout ce paragraphe, y désigne une fonction de la variable réelle x. On suppose

Plus en détail

Correction du Baccalauréat S Amérique du Nord mai 2007

Correction du Baccalauréat S Amérique du Nord mai 2007 Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n

Plus en détail

Modélisation mathématique et finance des produits dérivés

Modélisation mathématique et finance des produits dérivés Modélisation mathématique et finance des produits dérivés Ecole Polytechnique Paris Académie Européenne Interdisciplinaire des Sciences Paris, 28 novembre 2011 Outline Introduction 1 Introduction 2 3 Qu

Plus en détail

Modèles Mathématiques Discrets pour la Finance et l Assurance. Marc et Francine DIENER

Modèles Mathématiques Discrets pour la Finance et l Assurance. Marc et Francine DIENER Modèles Mathématiques Discrets pour la Finance et l Assurance Marc et Francine DIENER 7 septembre 2007 2 Table des matières 1 Prix et couverture d une option d achat 5 1.1 Evaluation du prix dans un modèle

Plus en détail

Hedging delta et gamma neutre d un option digitale

Hedging delta et gamma neutre d un option digitale Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

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

Plus en détail

Cours 3. La conditionnelle: instructions si et selon Les boucles Comment raisonner sur les boucles: les invariants de boucle

Cours 3. La conditionnelle: instructions si et selon Les boucles Comment raisonner sur les boucles: les invariants de boucle Cours 3 : Instructions qui changent l ordre d exécution séquentiel 1 Cours 3 Instructions qui changent l ordre d exécution séquentiel La conditionnelle: instructions si et selon Les boucles Comment raisonner

Plus en détail

Claude Delannoy. 3 e édition C++

Claude Delannoy. 3 e édition C++ Claude Delannoy 3 e édition Exercices Exercices C++ en en langage langage delc++ titre 4/07/07 15:19 Page 2 Exercices en langage C++ AUX EDITIONS EYROLLES Du même auteur C. Delannoy. Apprendre le C++.

Plus en détail

Exercice du cours Gestion Financière à Court Terme : «Analyse d un reverse convertible»

Exercice du cours Gestion Financière à Court Terme : «Analyse d un reverse convertible» Exercice du cours Gestion Financière à Court Terme : «Analyse d un reverse convertible» Quand la trésorerie d une entreprise est positive, le trésorier cherche le meilleur placement pour placer les excédents.

Plus en détail

L2 MIEE 2012-2013 VAR Université de Rennes 1

L2 MIEE 2012-2013 VAR Université de Rennes 1 . Sous-ensembles de R n et fonctions (suite) 1 Nappes paramétrées Si f une fonction de deux variables, son graphe est une surface incluse dans R 3 : {(x, y, f(x, y)) / (x, y) R 2 }. Une telle surface s

Plus en détail

Options et des stratégies sur dérivés

Options et des stratégies sur dérivés Options et des stratégies sur dérivés 1. Les stratégies impliquant les options 2. Les propriétés des options sur actions 1. Stratégies sur les options De nombreuses combinaisons sont possibles Prendre

Plus en détail

Examen d informatique première session 2004

Examen d informatique première session 2004 Examen d informatique première session 2004 Le chiffre à côté du titre de la question indique le nombre de points sur 40. I) Lentille électrostatique à fente (14) Le problème étudié est à deux dimensions.

Plus en détail

BNP Paribas, CIB, Global Equity and Commodity Derivatives Research.

BNP Paribas, CIB, Global Equity and Commodity Derivatives Research. BNP Paribas, CIB, Global Equity and Commodity Derivatives Research. BNP PARIBAS jouit d une dimension internationale sur le marché des produits dérivés sur actions. Notre équipe de Recherche et Développement

Plus en détail

INTRODUCTION À LA THÉORIE DE STABILITÉ DES SYSTÈMES CONSERVATIFS

INTRODUCTION À LA THÉORIE DE STABILITÉ DES SYSTÈMES CONSERVATIFS INTRODUCTION À LA THÉORIE DE STABILITÉ DES SYSTÈMES CONSERVATIFS David Ryckelynck Centre des Matériaux, Mines ParisTech David.Ryckelynck@mines-paristech.fr Bibliographie : Stabilité et mécanique non linéaire,

Plus en détail

Finance, Navier-Stokes, et la calibration

Finance, 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 détail

Stage de Recherche Interpolation du smile de corrélation sur les CDO

Stage de Recherche Interpolation du smile de corrélation sur les CDO Stage de Recherche Interpolation du smile de corrélation sur les CDO Thomas JANNAUD - X2005 Avril-Août 2008 1 TABLE DES MATIÈRES TABLE DES MATIÈRES Table des matières I Cadre du stage 4 1 Présentation

Plus en détail

TP : Gestion d une image au format PGM

TP : Gestion d une image au format PGM TP : Gestion d une image au format PGM Objectif : L objectif du sujet est de créer une classe de manipulation d images au format PGM (Portable GreyMap), et de programmer des opérations relativement simples

Plus en détail

Programmation C++ (débutant)/instructions for, while et do...while

Programmation C++ (débutant)/instructions for, while et do...while Programmation C++ (débutant)/instructions for, while et do...while 1 Programmation C++ (débutant)/instructions for, while et do...while Le cours du chapitre 4 : le for, while et do...while La notion de

Plus en détail

Méthodes de Monte Carlo en Finance. Notes de cours

Méthodes de Monte Carlo en Finance. Notes de cours Méthodes de Monte Carlo en Finance Notes de cours Bruno Bouchard Université Paris-Dauphine bouchard@ceremade.dauphine.fr Cette version : Septembre 27 1 1 Première version: 22 2 Table des matières 1 Généralités

Plus en détail

Projet L1, S2, 2015: Simulation de fourmis, Soutenance la semaine du 4 mai.

Projet L1, S2, 2015: Simulation de fourmis, Soutenance la semaine du 4 mai. Projet L1, S2, 2015: Simulation de fourmis, Soutenance la semaine du 4 mai. 1 Introduction On considère une grille de 20 lignes 20 colonnes. Une case de la grille peut être vide, ou contenir une et une

Plus en détail

Tableaux (introduction) et types de base

Tableaux (introduction) et types de base Tableaux (introduction) et types de base A. Motivation..................................................... 4 B. Les tableaux.................................................... 5 C. Construction des tableaux.......................................

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires CHAPITRE I. SIMULATION DE VARIABLES ALÉATOIRES 25 Chapitre I Simulation de variables aléatoires La simulation informatique de variables aléatoires, aussi complexes soient elles, repose sur la simulation

Plus en détail

LIF1 : ALGORITHMIQUE ET PROGRAMMATION IMPÉRATIVE, INITIATION

LIF1 : ALGORITHMIQUE ET PROGRAMMATION IMPÉRATIVE, INITIATION Licence STS Université Claude Bernard Lyon I LIF1 : ALGORITHMIQUE ET PROGRAMMATION IMPÉRATIVE, INITIATION 1 COURS 7 : Structures et Fichiers OBJECTIFS DE LA SÉANCE Deux notions abordées dans ce cours Celle

Plus en détail

Liste des notes techniques... xxi Liste des encadrés... xxiii Préface à l édition internationale... xxv Préface à l édition francophone...

Liste des notes techniques... xxi Liste des encadrés... xxiii Préface à l édition internationale... xxv Préface à l édition francophone... Liste des notes techniques.................... xxi Liste des encadrés....................... xxiii Préface à l édition internationale.................. xxv Préface à l édition francophone..................

Plus en détail

Résumé... 9... 10... 10... 10

Résumé... 9... 10... 10... 10 Bibliographie 1 Table des matières Table des matières.................................... 3 Résumé............................................ 9........................................ 10........................................

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

Premiers pas avec Mathematica

Premiers pas avec Mathematica Premiers pas avec Mathematica LP206 : Mathématiques pour physiciens I Année 2010/2011 1 Introduction Mathematica est un logiciel de calcul formel qui permet de manipuler des expressions mathématiques symboliques.

Plus en détail

Modèles Mathématiques Discrets pour la Finance et l Assurance. Marc et Francine DIENER

Modèles Mathématiques Discrets pour la Finance et l Assurance. Marc et Francine DIENER Modèles Mathématiques Discrets pour la Finance et l Assurance Marc et Francine DIENER 28 mars 2010 2 Table des matières 1 Prix et couverture d une option d achat 5 1.1 Evaluation du prix dans un modèle

Plus en détail

Séminaire RGE REIMS 17 février 2011

Séminaire RGE REIMS 17 février 2011 Séminaire RGE REIMS 17 février 2011 ADACSYS Présentation des FPGA Agenda Spécificité et différences par rapport aux autres accélérateurs Nos atouts Applications Approche innovante Document confidentiel

Plus en détail

Tarification de la Timer Option à Horizon Fini

Tarification de la Timer Option à Horizon Fini L Institut bénéficie du soutien financier de l Autorité des marchés financiers ainsi que du ministère des Finances du Québec Note technique NT 14-03 Tarification de la Timer Option à Horizon Fini Avril

Plus en détail

ENSIL Troisième Année ELT

ENSIL Troisième Année ELT IFORMATIQUE APPLIQUEE TD1 Dans le cadre de ces TD, nous procédons à la simulation d'un système de télécommunication numérique. Cette opération va nous permettre d'étudier la performance du système sous

Plus en détail

Les techniques des marchés financiers

Les techniques des marchés financiers Les techniques des marchés financiers Exercices supplémentaires Christine Lambert éditions Ellipses Exercice 1 : le suivi d une position de change... 2 Exercice 2 : les titres de taux... 3 Exercice 3 :

Plus en détail

EXERCICE 4 (7 points ) (Commun à tous les candidats)

EXERCICE 4 (7 points ) (Commun à tous les candidats) EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat

Plus en détail

Devoir Surveillé n 5 BTS 2009 groupement B

Devoir Surveillé n 5 BTS 2009 groupement B EXERCICE 1 (12 points) Devoir Surveillé n 5 BTS 2009 groupement B Les trois parties de cet exercice peuvent être traitées de façon indépendante. A. Résolution d une équation différentielle On considère

Plus en détail

Chapitre 15 Options et actifs conditionnels. Plan

Chapitre 15 Options et actifs conditionnels. Plan Chapitre 15 Options et actifs conditionnels Plan Fonctionnement des options Utilisation des options La parité put-call Volatilité et valeur des options Les modèles de détermination de prix d option Modèle

Plus en détail

Options exotiques. April 18, 2000

Options exotiques. April 18, 2000 Options exotiques Nicole El Karoui, Monique Jeanblanc April 18, 2000 1 Introduction Les options exotiques sont des produits complexes, qui constituent un marché d une réelle importance depuis les années

Plus en détail

Université Joseph Fourier Premier semestre 2009/10. Licence première année - MAT11a - Groupe CHB-1. Contrôle Continu 1, le 9/10/2009

Université Joseph Fourier Premier semestre 2009/10. Licence première année - MAT11a - Groupe CHB-1. Contrôle Continu 1, le 9/10/2009 Université Joseph Fourier Premier semestre 9/ Licence première année - MATa - Groupe CHB- Contrôle Continu, le 9//9 Le contrôle dure heure. Questions de cours. ) Soit f :]a, b[ ]c, d[ unefonctionbijectiveetdérivabletelleque,pourtoutx

Plus en détail

Théorie et codage de l information

Théorie et codage de l information Théorie et codage de l information Mesure quantitative de l information - Chapitre 2 - Information propre et mutuelle Quantité d information propre d un événement Soit A un événement de probabilité P (A)

Plus en détail