Finance, Navier-Stokes, et la calibration
|
|
- Alfred Beauchemin
- il y a 8 ans
- Total affichages :
Transcription
1 Finance, Navier-Stokes, et la calibration non linéarités en finance Juin 2013
2 Lignes directrices Transport Optimal - Rappels 1 Transport Optimal - Rappels 2 3 4
3 Transport Optimal - Rappels d >> 1. R d, Observables. Λ := [ 1 2, 1 2 ]d cube unité. Mesures de probabilité : µ P() : µ() = 1, µ 0. Quantiles de µ (not. S # m = µ ). S : Λ ϕµ = (ϕ S) m, (µ S) det S = 1. Λ Répartition de µ (not. S 1,# m = µ) : S 1 : Λ. ( ϕm = ϕ S 1) µ, µ = det S 1. Λ Factorisation polaire - Y. Brennier : S L 2 (Λ, ). conservatif S = ( h) T, h W 1,2 (Λ) convexe. T : Λ Λ, T # m = m (m mesure Lebesgue). entropique S + = ( h + ) T +, h + W 1,2 (Λ) convexe.
4 Transport Optimal - Rappels d >> 1. R d, Observables. Λ := [ 1 2, 1 2 ]d cube unité. Mesures de probabilité : µ P() : µ() = 1, µ 0. Quantiles de µ (not. S # m = µ ). S : Λ ϕµ = (ϕ S) m, (µ S) det S = 1. Λ Répartition de µ (not. S 1,# m = µ) : S 1 : Λ. ( ϕm = ϕ S 1) µ, µ = det S 1. Λ Factorisation polaire - Y. Brennier : S L 2 (Λ, ). conservatif S = ( h) T, h W 1,2 (Λ) convexe. T : Λ Λ, T # m = m (m mesure Lebesgue). entropique S + = ( h + ) T +, h + W 1,2 (Λ) convexe.
5 Transport Optimal - Rappels d >> 1. R d, Observables. Λ := [ 1 2, 1 2 ]d cube unité. Mesures de probabilité : µ P() : µ() = 1, µ 0. Quantiles de µ (not. S # m = µ ). S : Λ ϕµ = (ϕ S) m, (µ S) det S = 1. Λ Répartition de µ (not. S 1,# m = µ) : S 1 : Λ. ( ϕm = ϕ S 1) µ, µ = det S 1. Λ Factorisation polaire - Y. Brennier : S L 2 (Λ, ). conservatif S = ( h) T, h W 1,2 (Λ) convexe. T : Λ Λ, T # m = m (m mesure Lebesgue). entropique S + = ( h + ) T +, h + W 1,2 (Λ) convexe.
6 Transport Optimal - Rappels d >> 1. R d, Observables. Λ := [ 1 2, 1 2 ]d cube unité. Mesures de probabilité : µ P() : µ() = 1, µ 0. Quantiles de µ (not. S # m = µ ). S : Λ ϕµ = (ϕ S) m, (µ S) det S = 1. Λ Répartition de µ (not. S 1,# m = µ) : S 1 : Λ. ( ϕm = ϕ S 1) µ, µ = det S 1. Λ Factorisation polaire - Y. Brennier : S L 2 (Λ, ). conservatif S = ( h) T, h W 1,2 (Λ) convexe. T : Λ Λ, T # m = m (m mesure Lebesgue). entropique S + = ( h + ) T +, h + W 1,2 (Λ) convexe.
7 Transport Optimal - Rappels d >> 1. R d, Observables. Λ := [ 1 2, 1 2 ]d cube unité. Mesures de probabilité : µ P() : µ() = 1, µ 0. Quantiles de µ (not. S # m = µ ). S : Λ ϕµ = (ϕ S) m, (µ S) det S = 1. Λ Répartition de µ (not. S 1,# m = µ) : S 1 : Λ. ( ϕm = ϕ S 1) µ, µ = det S 1. Λ Factorisation polaire - Y. Brennier : S L 2 (Λ, ). conservatif S = ( h) T, h W 1,2 (Λ) convexe. T : Λ Λ, T # m = m (m mesure Lebesgue). entropique S + = ( h + ) T +, h + W 1,2 (Λ) convexe.
8 Transport Optimal - Rappels d >> 1. R d, Observables. Λ := [ 1 2, 1 2 ]d cube unité. Mesures de probabilité : µ P() : µ() = 1, µ 0. Quantiles de µ (not. S # m = µ ). S : Λ ϕµ = (ϕ S) m, (µ S) det S = 1. Λ Répartition de µ (not. S 1,# m = µ) : S 1 : Λ. ( ϕm = ϕ S 1) µ, µ = det S 1. Λ Factorisation polaire - Y. Brennier : S L 2 (Λ, ). conservatif S = ( h) T, h W 1,2 (Λ) convexe. T : Λ Λ, T # m = m (m mesure Lebesgue). entropique S + = ( h + ) T +, h + W 1,2 (Λ) convexe.
9 . (équation de Navier-Stokes, partie irrotationnellle) On cherche µ(t, ) C 0 (R +, P()) satisfaisant Proposition t µ (S 1 µ ) = ɛ µ, Conservation de la masse t S S = ɛ S 1, Conservation du moment. (1) Interprétation : µ(t, x) probabilité d avoir un ordre d achat ou de vente au temps t au prix x. ( S, S 1 ) (t, ) quantile, fonction de répartition de µ(t, ).
10 . (équation de Navier-Stokes, partie irrotationnellle) On cherche µ(t, ) C 0 (R +, P()) satisfaisant Proposition t µ (S 1 µ ) = ɛ µ, Conservation de la masse t S S = ɛ S 1, Conservation du moment. (1) Interprétation : µ(t, x) probabilité d avoir un ordre d achat ou de vente au temps t au prix x. ( S, S 1 ) (t, ) quantile, fonction de répartition de µ(t, ).
11 . (équation de Navier-Stokes, partie irrotationnellle) On cherche µ(t, ) C 0 (R +, P()) satisfaisant Proposition t µ (S 1 µ ) = ɛ µ, Conservation de la masse t S S = ɛ S 1, Conservation du moment. (1) Interprétation : µ(t, x) probabilité d avoir un ordre d achat ou de vente au temps t au prix x. ( S, S 1 ) (t, ) quantile, fonction de répartition de µ(t, ).
12 Construction du système Incentive : Invariance des Profils de carnets d ordre. t P t R d prix des actifs, P(t, ) : Λ quantile Hypothèse 1 : S 1 P(t, ) S 1 P(0, ) (a) action liquide (b) action moins liquide FIGURE : S 1 (t, x P t ), statistiques de carnet d ordre. Profils de chocs entropiques (Méca flu, eq. Burger). Hypothèse 2 : d dt P t = S 1 (t, P t ) t P = S 1 P marché non liquide
13 Construction du système Incentive : Invariance des Profils de carnets d ordre. t P t R d prix des actifs, P(t, ) : Λ quantile Hypothèse 1 : S 1 P(t, ) S 1 P(0, ) (a) action liquide (b) action moins liquide FIGURE : S 1 (t, x P t ), statistiques de carnet d ordre. Profils de chocs entropiques (Méca flu, eq. Burger). Hypothèse 2 : d dt P t = S 1 (t, P t ) t P = S 1 P marché non liquide
14 Cas non visqueux ɛ = 0 : Equations d Euler Solutions conservatives, Solutions entropiques, Modèle de retour à l équilibre. P.G. Lefloch - - A Geometric approach for multidimensional hyperbolic conservation laws - En cours de rédaction. S(t, ) := S(0, y) ty méthode des caractéristiques. Solution conservative - "non physique" : µ = ( h) # m, S := ( h) T factorisation polaire de Y. Brennier. Solution entropique - "physique" : µ = h + #m, avec h + enveloppe convexe de S(t, ) La solution entropique converge vers un Dirac µ(t, ) := S(t, ) # m δ S(0), quand t.
15 Cas non visqueux ɛ = 0 : Equations d Euler Solutions conservatives, Solutions entropiques, Modèle de retour à l équilibre. P.G. Lefloch - - A Geometric approach for multidimensional hyperbolic conservation laws - En cours de rédaction. S(t, ) := S(0, y) ty méthode des caractéristiques. Solution conservative - "non physique" : µ = ( h) # m, S := ( h) T factorisation polaire de Y. Brennier. Solution entropique - "physique" : µ = h + #m, avec h + enveloppe convexe de S(t, ) La solution entropique converge vers un Dirac µ(t, ) := S(t, ) # m δ S(0), quand t.
16 Cas non visqueux ɛ = 0 : Equations d Euler Solutions conservatives, Solutions entropiques, Modèle de retour à l équilibre. P.G. Lefloch - - A Geometric approach for multidimensional hyperbolic conservation laws - En cours de rédaction. S(t, ) := S(0, y) ty méthode des caractéristiques. Solution conservative - "non physique" : µ = ( h) # m, S := ( h) T factorisation polaire de Y. Brennier. Solution entropique - "physique" : µ = h + #m, avec h + enveloppe convexe de S(t, ) La solution entropique converge vers un Dirac µ(t, ) := S(t, ) # m δ S(0), quand t.
17 Cas non visqueux ɛ = 0 : Equations d Euler Solutions conservatives, Solutions entropiques, Modèle de retour à l équilibre. P.G. Lefloch - - A Geometric approach for multidimensional hyperbolic conservation laws - En cours de rédaction. S(t, ) := S(0, y) ty méthode des caractéristiques. Solution conservative - "non physique" : µ = ( h) # m, S := ( h) T factorisation polaire de Y. Brennier. Solution entropique - "physique" : µ = h + #m, avec h + enveloppe convexe de S(t, ) La solution entropique converge vers un Dirac µ(t, ) := S(t, ) # m δ S(0), quand t.
18 Propriétés du système. Et extension du modèle Propriétés : Un observateur "stochastique" concluerait : La volatilité locale est toujours smilée Mais les tics sont corrélés (un achat suit une vente) Extension du modèle : Ajoutez la partie rotationnelle, et vous obtiendrez des turbulences (de marché)!. Ajoutez un terme source, et vous pourrez calibrer.
19 Propriétés du système. Et extension du modèle Propriétés : Un observateur "stochastique" concluerait : La volatilité locale est toujours smilée Mais les tics sont corrélés (un achat suit une vente) Extension du modèle : Ajoutez la partie rotationnelle, et vous obtiendrez des turbulences (de marché)!. Ajoutez un terme source, et vous pourrez calibrer.
20 Propriétés du système. Et extension du modèle Propriétés : Un observateur "stochastique" concluerait : La volatilité locale est toujours smilée Mais les tics sont corrélés (un achat suit une vente) Extension du modèle : Ajoutez la partie rotationnelle, et vous obtiendrez des turbulences (de marché)!. Ajoutez un terme source, et vous pourrez calibrer.
21 Propriétés du système. Et extension du modèle Propriétés : Un observateur "stochastique" concluerait : La volatilité locale est toujours smilée Mais les tics sont corrélés (un achat suit une vente) Extension du modèle : Ajoutez la partie rotationnelle, et vous obtiendrez des turbulences (de marché)!. Ajoutez un terme source, et vous pourrez calibrer.
22 Propriétés du système. Et extension du modèle Propriétés : Un observateur "stochastique" concluerait : La volatilité locale est toujours smilée Mais les tics sont corrélés (un achat suit une vente) Extension du modèle : Ajoutez la partie rotationnelle, et vous obtiendrez des turbulences (de marché)!. Ajoutez un terme source, et vous pourrez calibrer.
23 Calibration avec contraintes formations de singularités Calibration par contraintes : µ 0 (t, ) est le "prior" historique inf d( µ 0 (t m ), ), µ 1, contr. Pj m µ 1 = Cj m µ 1 P() Avellaneda (1998) : d ( ) µ 0, µ 1 Kullback-Leibler d ( ) ( µ 0, µ 1 := ln µ ) 0 µ 1 µ 1 Remarque : Ne marche pas (il faut ajouter de la viscosité). d ( ) µ 0, µ 1 distance de Wasserstein d ( ) ) µ 0, µ 1 := W2 (µ 0, µ 1 = inf x S(x) 2 µ 0 S # µ 1 =µ 0
24 Calibration avec contraintes formations de singularités Calibration par contraintes : µ 0 (t, ) est le "prior" historique inf d( µ 0 (t m ), ), µ 1, contr. Pj m µ 1 = Cj m µ 1 P() Avellaneda (1998) : d ( ) µ 0, µ 1 Kullback-Leibler d ( ) ( µ 0, µ 1 := ln µ ) 0 µ 1 µ 1 Remarque : Ne marche pas (il faut ajouter de la viscosité). d ( ) µ 0, µ 1 distance de Wasserstein d ( ) ) µ 0, µ 1 := W2 (µ 0, µ 1 = inf x S(x) 2 µ 0 S # µ 1 =µ 0
25 Calibration avec contraintes formations de singularités Calibration par contraintes : µ 0 (t, ) est le "prior" historique inf d( µ 0 (t m ), ), µ 1, contr. Pj m µ 1 = Cj m µ 1 P() Avellaneda (1998) : d ( ) µ 0, µ 1 Kullback-Leibler d ( ) ( µ 0, µ 1 := ln µ ) 0 µ 1 µ 1 Remarque : Ne marche pas (il faut ajouter de la viscosité). d ( ) µ 0, µ 1 distance de Wasserstein d ( ) ) µ 0, µ 1 := W2 (µ 0, µ 1 = inf x S(x) 2 µ 0 S # µ 1 =µ 0
26 Calibration avec Wasserstein Solutions conservative, solution entropique, formations de singularités On obtient une expression explicite de la fonction de répartition ( S 1 1 := S 1 0 λ i P i ), λ i multiplicateurs Lagrange. i Calcul du quantile S 1 quand S 1 1 n est pas un difféomorphisme? Infinité de solutions : Une solution est conservative : S 1 = h, h convexe ( h) 1 factorisation polaire de S 1 1 ( Y. Brennier) Une solution est entropique : S 1 = h +, h + convexe ( h + ) 1 enveloppe convexe de S 1 1
27 Calibration avec Wasserstein Solutions conservative, solution entropique, formations de singularités On obtient une expression explicite de la fonction de répartition ( S 1 1 := S 1 0 λ i P i ), λ i multiplicateurs Lagrange. i Calcul du quantile S 1 quand S 1 1 n est pas un difféomorphisme? Infinité de solutions : Une solution est conservative : S 1 = h, h convexe ( h) 1 factorisation polaire de S 1 1 ( Y. Brennier) Une solution est entropique : S 1 = h +, h + convexe ( h + ) 1 enveloppe convexe de S 1 1
28 Au final : Une méthode de Monte-Carlo calibrée rapide, equi-probable, multi-dimensionnelle minimisation discrète : (S 0 i ) i "quantile" historique. 1 inf S i =( h) i N S i Si 0 2, contr. 1 P j S i = C j N i Illustration sur une liste de put / call i (a) quantile historique (b) conservatif (c) entropique FIGURE : Calibration Monte-Carlo sur BoA.
29 Au final : Une méthode de Monte-Carlo calibrée rapide, equi-probable, multi-dimensionnelle minimisation discrète : (S 0 i ) i "quantile" historique. 1 inf S i =( h) i N S i Si 0 2, contr. 1 P j S i = C j N i Illustration sur une liste de put / call i (a) quantile historique (b) conservatif (c) entropique FIGURE : Calibration Monte-Carlo sur BoA.
30 Et une économétrie unifiée Soit S 1 (t n, ) n 0 calibré. Soit X t L 2 (Λ, ) et t n t s t n+1 S(t, s, X t, ) := s t ( ) t n+1 t n S 1 (t n+1, ) S 1 (t n, ) + X t ( ). On note π(t, s, X t, ) := S(t, s, X t, ) # m, qu on peut interpréter comme une probabilité de transition π(t, s, X t, ) P(X(t) = X t X(s) = ) retropropagation sur les trajectoires Monte-Carlo.
31 Et une économétrie unifiée Soit S 1 (t n, ) n 0 calibré. Soit X t L 2 (Λ, ) et t n t s t n+1 S(t, s, X t, ) := s t ( ) t n+1 t n S 1 (t n+1, ) S 1 (t n, ) + X t ( ). On note π(t, s, X t, ) := S(t, s, X t, ) # m, qu on peut interpréter comme une probabilité de transition π(t, s, X t, ) P(X(t) = X t X(s) = ) retropropagation sur les trajectoires Monte-Carlo.
32 Et une économétrie unifiée Soit S 1 (t n, ) n 0 calibré. Soit X t L 2 (Λ, ) et t n t s t n+1 S(t, s, X t, ) := s t ( ) t n+1 t n S 1 (t n+1, ) S 1 (t n, ) + X t ( ). On note π(t, s, X t, ) := S(t, s, X t, ) # m, qu on peut interpréter comme une probabilité de transition π(t, s, X t, ) P(X(t) = X t X(s) = ) retropropagation sur les trajectoires Monte-Carlo.
33 Chaine de Markov - Propriétés de martingale On se donne une c.i. µ(0, ) P(), et on calcule µ(t, ) t µ (V µ ) = 0, Masse (MARKOV) V µ = 0, Moment (Martingale). avec dans nos exemples (2) t V 1 2 V 2 2 = ɛ V, V = S 1, (Navier-Stokes). V (t, ) = (ts 1 + (1 t)s 0 ) S 1, (Calibration) Question : sous quelles conditions le système (2) définit-il un processus martingale??
34 Exemple : Browniens et Fokker-Planck Données de marché : taux, forex, actions, commodités, etc.. : R d, d >> 1, t S t suivent un brownien ds t = r(t, S t )dt + σ(t, S t ) dw t, S t := ( S i,t )i=1..d σ(t, ) L (, M(R d 2 )) est la volatilitée locale. Fokker-Planck : µ(t, ) densité de proba de S t suit l équation t µ + (V µ) = 0, avec V (t, ) = r ξ ξ ln µ, ξ := 1 ( ) 2 σσt, ξ := j ξ i,j i.e. V µ = Λ r(t, S) (S est martingale sous Q) j i=1..d
35 Exemple : Browniens et Fokker-Planck Données de marché : taux, forex, actions, commodités, etc.. : R d, d >> 1, t S t suivent un brownien ds t = r(t, S t )dt + σ(t, S t ) dw t, S t := ( S i,t )i=1..d σ(t, ) L (, M(R d 2 )) est la volatilitée locale. Fokker-Planck : µ(t, ) densité de proba de S t suit l équation t µ + (V µ) = 0, avec V (t, ) = r ξ ξ ln µ, ξ := 1 ( ) 2 σσt, ξ := j ξ i,j i.e. V µ = Λ r(t, S) (S est martingale sous Q) j i=1..d
36 Calibration de volatilité locale - Dupire. σ(t, ) : (a) Bonnans - Cognet - Volle. INRIA Estimation de la volatilité locale... zones de volatilité négatives (bleues)??
37 Calibration de volatilité locale - Dupire. σ(t, ) : (a) Bonnans - Cognet - Volle. INRIA Estimation de la volatilité locale... zones de volatilité négatives (bleues)??
38 Annexe Lectures complementaires Lectures complementaires I Peter Tankov. Surface de volatilié, Calibration de Modèles et Couverture de Produits Dérivés M Avellaneda. Minimum-relative-entropy calibration of asset pricing models, International Journal of Theoretical and Applied Finance, (1998). Optimally Transported Schemes - Applications in Finance, (2008).
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 détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailSurface de volatilité
Surface de volatilité Peter TANKOV Université Paris-Diderot(ParisVII) tankov@math.univ-paris-diderot.fr Dernière m.à.j. February 15, 15 Ce document est mis à disposition sous un contrat Creative Commons
Plus en détailCalibration de Modèles et Couverture de Produits Dérivés
Calibration de Modèles et Couverture de Produits Dérivés Peter TANKOV Université Paris VII tankov@math.jussieu.fr Edition 28, dernière m.à.j. le 1 mars 28 La dernière version de ce document est disponible
Plus en détailValue at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061
Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain
Plus en détailIntroduction au pricing d option en finance
Introduction au pricing d option en finance Olivier Pironneau Cours d informatique Scientifique 1 Modélisation du prix d un actif financier Les actions, obligations et autres produits financiers cotés
Plus en détailTRAVAIL D ETUDE ET DE RECHERCHE. Utilisation des arbres binomiaux pour le pricing des options américaines
Ensimag - 2éme année Mai 2010 TRAVAIL D ETUDE ET DE RECHERCHE Utilisation des arbres binomiaux pour le pricing des options américaines Anne-Victoire AURIAULT 1/48 2/48 Cadre de l Étude Cette étude a été
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailOptions exotiques. April 18, 2000
Options exotiques Nicole El Karoui, Monique Jeanblanc April 18, 2000 1 Introduction Les options exotiques sont des produits complexes, qui constituent un marché d une réelle importance depuis les années
Plus en détailRésumé... 9... 10... 10... 10
Bibliographie 1 Table des matières Table des matières.................................... 3 Résumé............................................ 9........................................ 10........................................
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailGénération de scénarios économiques
Modélisation des taux d intérêt Pierre-E. Thérond ptherond@galea-associes.eu pierre@therond.fr Galea & Associés ISFA - Université Lyon 1 22 novembre 2013 Motivation La modélisation des taux d intérêt est
Plus en détailMémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.
Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY
Plus en détailCalcul Stochastique pour la finance. Romuald ELIE
Calcul Stochastique pour la finance Romuald ELIE 2 Nota : Ces notes de cours sont librement inspirées de différentes manuels, polycopiés, notes de cours ou ouvrages. Citons en particulier ceux de Francis
Plus en détailERRATA ET AJOUTS. ( t) 2 s2 dt (4.7) Chapitre 2, p. 64, l équation se lit comme suit : Taux effectif = 1+
ERRATA ET AJOUTS Chapitre, p. 64, l équation se lit comme suit : 008, Taux effectif = 1+ 0 0816 =, Chapitre 3, p. 84, l équation se lit comme suit : 0, 075 1 000 C = = 37, 50$ Chapitre 4, p. 108, note
Plus en détailListe des notes techniques... xxi Liste des encadrés... xxiii Préface à l édition internationale... xxv Préface à l édition francophone...
Liste des notes techniques.................... xxi Liste des encadrés....................... xxiii Préface à l édition internationale.................. xxv Préface à l édition francophone..................
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détailCalibration de modèles et couverture de produits dérivés
Calibration de modèles et couverture de produits dérivés Peter Tankov To cite this version: Peter Tankov. Calibration de modèles et couverture de produits dérivés. DEA. Calibration de modèles et couverture
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailF411 - Courbes Paramétrées, Polaires
1/43 Courbes Paramétrées Courbes polaires Longueur d un arc, Courbure F411 - Courbes Paramétrées, Polaires Michel Fournié michel.fournie@iut-tlse3.fr http://www.math.univ-toulouse.fr/ fournie/ Année 2012/2013
Plus en détailINTRODUCTION INTRODUCTION
INTRODUCTION INTRODUCTION Les options sont des actifs financiers conditionnels qui donnent le droit mais pas l'obligation d'effectuer des transactions sur des actifs supports. Leur intérêt réside dans
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailThéorie de la Mesure et Intégration
Ecole Nationale de la Statistique et de l Administration Economique Théorie de la Mesure et Intégration Xavier MARY 2 Table des matières I Théorie de la mesure 11 1 Algèbres et tribus de parties d un ensemble
Plus en détailManuel d Utilisateur - Logiciel ModAFi. Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO
Manuel d Utilisateur - Logiciel ModAFi Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO Grenoble, 12 juin 2012 Table des matières 1 Introduction 3 2 Modèles supportés 3 2.1 Les diérents modèles supportés pour
Plus en détailModule 7: Chaînes de Markov à temps continu
Module 7: Chaînes de Markov à temps continu Patrick Thiran 1 Introduction aux chaînes de Markov à temps continu 1.1 (Première) définition Ce module est consacré aux processus à temps continu {X(t), t R
Plus en détailMathématiques pour la finance Définition, Evaluation et Couverture des Options vanilles Version 2012
Mathématiques pour la finance Définition, Evaluation et Couverture des Options vanilles Version 2012 Pierre Andreoletti pierre.andreoletti@univ-orleans.fr Bureau E15 1 / 20 Objectifs du cours Définition
Plus en détailCours de Calcul stochastique Master 2IF EVRY. Monique Jeanblanc
Cours de Calcul stochastique Master 2IF EVRY Monique Jeanblanc Septembre 26 2 Contents 1 Généralités 7 1.1 Tribu............................................... 7 1.1.1 Définition d une tribu.................................
Plus en détailCouverture des risques dans les marchés financiers
énéral2.6.137 1 2 Couverture des risques dans les marchés financiers Nicole El Karoui Ecole Polytechnique,CMAP, 91128 Palaiseau Cedex email : elkaroui@cmapx.polytechnique.fr Année 23-24 2 Table des matières
Plus en détailFLUIDES EN ÉCOULEMENT Méthodes et modèles
FLUIDES EN ÉCOULEMENT Méthodes et modèles Jacques PADET Professeur Émérite à l Université de Reims Seconde édition revue et augmentée TABLE DES MATIÈRES PRÉSENTATION Préface de la 1 ère édition Prologue
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailCircuits RL et RC. Chapitre 5. 5.1 Inductance
Chapitre 5 Circuits RL et RC Ce chapitre présente les deux autres éléments linéaires des circuits électriques : l inductance et la capacitance. On verra le comportement de ces deux éléments, et ensuite
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailProduits de crédit en portefeuille
Chapitre 6 Produits de crédit en portefeuille et défauts corrélés Dans ce chapitre, on étudie des produits financiers de crédit en portfeuille, notamment k th -to-default swap et CDOs (voir 1.2 pour une
Plus en détailCours Marché du travail et politiques d emploi
Cours Marché du travail et politiques d emploi L offre de travail Pierre Cahuc/Sébastien Roux ENSAE-Cours MTPE Pierre Cahuc/Sébastien Roux (ENSAE) L offre de travail 1 / 48 Introduction Introduction Examen
Plus en détailThéorie 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 détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailRisque de contrepartie sur opérations de marché Olivier D COHEN
16 Jan 2013 JJ Mois Année Risque de contrepartie sur opérations de marché Olivier D COHEN RISQ/MAR/MRC Plan 1. Le pilotage des activités de la banque/le contrôle du secteur bancaire 2. Mesures du risque
Plus en détailL ÉVALUATION DES OPTIONS AVEC PRIME DE LIQUIDITÉ
L ÉVALUATION DES OPTIONS AVEC PRIME DE LIQUIDITÉ L ÉVALUATION DES OPTIONS AVEC PRIME DE LIQUIDITÉ Mondher Bellalah (Université du Maine) et Jean-Luc Prigent (Université de Cergy-Pontoise) 1 Résumé. Les
Plus en détailApproximations comonotones pour le prix d une option d achat Européenne en présence de dividendes discrets
Approximations comonotones pour le prix d une option d achat Européenne en présence de dividendes discrets - Pierre-Alain PATARD (Université Lyon 1, Laboratoire SAF, CMCIC, Asset Management) - Jean Claude
Plus en détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailQUESTIONS D ENTRETIENS EN FINANCE DE MARCHE
QUESTIONS D ENTRETIENS EN FINANCE DE MARCHE Le présent document est un recueil de questions, la plupart techniques, posées à des candidats généralement jeunes diplômés, issus d école d ingénieurs, de commerce
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
Plus en détailCours de Mécanique du point matériel
Cours de Mécanique du point matériel SMPC1 Module 1 : Mécanique 1 Session : Automne 2014 Prof. M. EL BAZ Cours de Mécanique du Point matériel Chapitre 1 : Complément Mathématique SMPC1 Chapitre 1: Rappels
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailCapital Structure Arbitrage : Theory and Practice of Structural Models
: Theory and Practice of Structural Models Pierre GARREAU University Paris-1 Panthéon Sorbonne 9 Juillet 2008 P. Garreau Press Review Les Enjeux Mise en Bouche Définitions Press Review Volkswagen, Europe
Plus en détailValorisation d es des options Novembre 2007
Valorisation des options Novembre 2007 Plan Rappels Relations de prix Le modèle binomial Le modèle de Black-Scholes Les grecques Page 2 Rappels (1) Définition Une option est un contrat financier qui confère
Plus en détailOptions et Volatilité (introduction)
SECONDE PARTIE Options et Volatilité (introduction) Avril 2013 Licence Paris Dauphine 2013 SECONDE PARTIE Philippe GIORDAN Head of Investment Consulting +377 92 16 55 65 philippe.giordan@kblmonaco.com
Plus en détailEstimation 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 détailLimite de champ moyen
Limite de champ moyen Cours de DEA, 2001-2002 Cédric Villani UMPA, ESL 46 allée d Italie 69364 Lyon Cedex 07 cvillani@umpa.ens-lyon.fr 2 CHAPITRE 0 Ce document constitue le support écrit pour un cours
Plus en détailL E Ç O N. Marches aléatoires. Niveau : Terminale S Prérequis : aucun
9 L E Ç O N Marches aléatoires Niveau : Terminale S Prérequis : aucun 1 Chaînes de Markov Définition 9.1 Chaîne de Markov I Une chaîne de Markov est une suite de variables aléatoires (X n, n N) qui permet
Plus en détailn N = u N u N+1 1 u pour u 1. f ( uv 1) v N+1 v N v 1 1 2 t
3.La méthode de Dirichlet 99 11 Le théorème de Dirichlet 3.La méthode de Dirichlet Lorsque Dirichlet, au début des années 180, découvre les travaux de Fourier, il cherche à les justifier par des méthodes
Plus en détailRupture et plasticité
Rupture et plasticité Département de Mécanique, Ecole Polytechnique, 2009 2010 Département de Mécanique, Ecole Polytechnique, 2009 2010 25 novembre 2009 1 / 44 Rupture et plasticité : plan du cours Comportements
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en détailQuantification 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 détailEXERCICE 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 détailProcessus Stochastiques
Processus Stochastiques Olivier Scaillet University of Geneva and Swiss Finance Institute Outline 1 Introduction 2 Chaînes de Markov 3 Application en assurance 4 Application en nance Processus Stochastique
Plus en détail3ème séance de Mécanique des fluides. Rappels sur les premières séances Aujourd hui : le modèle du fluide parfait. 2 Écoulements potentiels
3ème séance de Mécanique des fluides Rappels sur les premières séances Aujourd hui : le modèle du fluide parfait 1 Généralités 1.1 Introduction 1.2 Équation d Euler 1.3 Premier théorème de Bernoulli 1.4
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailIncertitude financière, mesures de risque et préférences robustes
Incertitude financière, mesures de risque et préférences robustes Hans Föllmer Institut für Mathematik Humboldt-Universität zu Berlin Unter den Linden 6 10099 Berlin, Allemagne 1 Le rôle des mathématiques
Plus en détail8 Ensemble grand-canonique
Physique Statistique I, 007-008 8 Ensemble grand-canonique 8.1 Calcul de la densité de probabilité On adopte la même approche par laquelle on a établi la densité de probabilité de l ensemble canonique,
Plus en détailPlan. 5 Actualisation. 7 Investissement. 2 Calcul du taux d intérêt 3 Taux équivalent 4 Placement à versements fixes.
Plan Intérêts 1 Intérêts 2 3 4 5 6 7 Retour au menu général Intérêts On place un capital C 0 à intérêts simples de t% par an : chaque année une somme fixe s ajoute au capital ; cette somme est calculée
Plus en détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailPratique des options Grecs et stratégies de trading. F. Wellers
Pratique des options Grecs et stratégies de trading F. Wellers Plan de la conférence 0 Philosophie et structure du cours 1 Définitions des grecs 2 Propriétés des grecs 3 Qu est ce que la volatilité? 4
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailMéthodes 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 détailCHAPITRE 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
Plus en détailAutomatique Linéaire 1 Travaux Dirigés 1A ISMIN
Automatique Linéaire 1 Travaux Dirigés Travaux dirigés, Automatique linéaire 1 J.M. Dutertre 2014 TD 1 Introduction, modélisation, outils. Exercice 1.1 : Calcul de la réponse d un 2 nd ordre à une rampe
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailModélisation du comportement habituel de la personne en smarthome
Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai
Plus en détailPROJET MODELE DE TAUX
MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détail2008/03. La concentration des portefeuilles : perspective générale et illustration
2008/03 La concentration des portefeuilles : perspective générale et illustration Olivier Le Courtois Professeur de finance et d assurance UPR Economie, Finance et Gestion EMLYON Christian Walter Actuaire
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire FFA Jean-Paul LAURENT Professeur à l'isfa jean-paul.laurent@univ-lyon1.fr http://laurent.jeanpaul.free.fr/ 0 De la la mesure à l analyse des risques! Intégrer
Plus en détailExercices - 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 détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailLa tarification d options
La tarification d options Proposition pour une approche déterministe Pierre Bernhard 1 Stéphane Thiery 2 Marc Deschamps 3 Nous proposons ici une théorie de la tarification d options sur la base d un modèle
Plus en détailCalcul intégral élémentaire en plusieurs variables
Calcul intégral élémentaire en plusieurs variables PC*2 2 septembre 2009 Avant-propos À part le théorème de Fubini qui sera démontré dans le cours sur les intégrales à paramètres et qui ne semble pas explicitement
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailجامعة باجي مختار عنابة
6Bوزارة التعليم العالي والبحث العلمي Université Badji Mokhtar Annaba Badji Mokhtar University - Annaba 4BFaculté des Sciences 0BDépartement de Mathématiques جامعة باجي مختار عنابة 5BAnnée : 2012/2013 1BTHÈSE
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détail