Méthodes de Monte Carlo pour les options Américaines
|
|
- Dominique Leblanc
- il y a 8 ans
- Total affichages :
Transcription
1 Méthodes de Monte Carlo pour les options Américaines Jérôme Lelong Vendredi 23 octobre 2009 J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
2 1 Introduction Le modèle de marché Options Bermuda Définition et valorisation un exemple élémentaire : le modèle de Cox Ross Rubinstein Quelques remarques Options Américaines 2 Algorithme de Longstaff Schwartz Algorithme de Tsitsiklis VanRoy Les Algorithmes de quantification Principes de la quantification Quantification aléatoire Quantification optimale Méthode duale Théorie Implémentation 3 4 J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
3 Introduction Le modèle de marché Le modèle de marché On considère un modèle de Black Scholes d dimensionnel. Soit S t := ( St 1 ),...,Sd t le vecteur des cours des actifs. ( W 1 t,...,wt d ) t 0 d M.B. standard de matrice de corrélation Γ, on note L sa racine carrée (obtenue par factorisation de Cholesky par exemple). r > 0 le taux d intérêt sans risque (supposé constant). δ 1,...,δ d > 0 les taux de dividende des actifs S 1 t,...,sd t, supposés déterministes et constants. σ := (σ 1,...,σ d ) le vecteur des volatilités des actifs. S 0 := ( S 1 0,...,Sd 0 ) le vecteur des valeurs initiales des actifs (supposées déterministes). J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
4 Introduction Le modèle de marché Le modèle de marché (cont.) La dynamique du court de l actif i est donnée par De manière équivalente ds i t = Si t ( ) r dt + σ i dwt i. ds i t = Si t (r dt + σ i L i db t ), avec B un M.B d dimensionnel et L i la i eme ligne de la matrice L. ( ) ) 1 St i = Si 0 ( t exp 2 σ2 i r + δ i + σ i L i B t, J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
5 Introduction Options Bermuda Rappel sur les options Européennes Une option Européenne de maturité T et de payoff φ(s T ) ne peut être exercée qu à l instant T et paye à cette date φ(s T ). Son prix à l instant t est donné par la valeur à l instant t du portefeuille de couverture V t permettant à l émetteur de l option de se couvrir (i.e. V T = φ(s T )) V t = H 0 t ert +H t S t. V est auto-financé, Ṽ t = V 0 + t 0 H u d S u avec la notation X t = e rt X t. S t = e σ2 2 t+σw t, d où d S u = σs u db u. Ainsi, Ṽ t = V 0 + t 0 H u σ S u db u est une martingale. Donc, Ṽ t = E(Ṽ T F t ). V t = e r(t t) E(φ(S T ) F t ). J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
6 Introduction Options Bermuda Options Bermudas I Considérons une grille de temps 0 = t 0 < t 1 < < t N = T de pas δt. Une option Bermuda peut être exercée à tout instant t 0,...,t N, et paye φ(s tk ) si elle est exercée à l instant t k. Comment évaluer son prix V t à l instant t : V T = φ(s T ), V T δt = max ( φ(s T δt ),E(e rδt φ(s T ) F T δt ) ) = max ( φ(s T δt ),E(e rδt V T F T δt ) ). En reproduisant aux pas de temps antérieurs, { VT = φ(s T ) V t = max ( φ(s t ),E(e rδt V t+δt F t ) ) pour t=t 0,...,t N 1 Une option Bermuda est toujours plus chère (au sens large) que l option Européenne correspondante. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
7 Introduction Options Bermuda Options Bermudas II Considérons, { VT = φ(s T ) V t = max ( φ(s t ),E(e rδt V t+δt F t ) ) pour t=t 0,...,t N 1 De manière équivalente en posant Ṽ t := e rt V t {ṼtN = e rt N φ(s tn ) Ṽ tk = max ( e rt k φ(s tk ), E(Ṽ tk+1 F tk ) ), 0 k N 1. (Ṽ t ) t est l enveloppe de Snell de la suite (e rt φ(s t )) t. Ṽ tk = esssup E(e rτ φ(s τ ) F tk ). τ {t k,...,t N } J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
8 Introduction Options Bermuda Options Bermudas II (cont.) τ k := min{t {t k,...,t N }, φ(s t )e rt = Ṽ t } est le t.a. optimal après t k sur l intervalle de temps discret [t k,t N ]. Ṽ tk = E(e rτ k φ(s τ k ) F t k ). Remarque : on peut en fait remplacer F t par S t. V tk = E(e r(τ k t k) φ(s τ k ) S t k ) V tk = esssup E(e r(τ t) φ(s τ ) F tk ) (1) τ t.a. {t k,...,t N } J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
9 Introduction Options Bermuda Résolution par méthodes d arbres On remplace la dynamique de (S ti ) 0 i N par une marche aléatoire (X i ) 0 i N. { Xi u avec probabilité p, X i = X i d avec probabilité 1 p. Dans le modèle binomial, le prix P est donné par P(t N,X N ) = φ(x N ) P(t j 1,X j 1 ) = max ( φ(x j 1 ), e r(t j t j 1 ) (P(t j,x j 1 u)p +(1 p)p(t j,x j 1 d)) ) 1 j N. Complexité : en dimension d, N d+1 noeuds dans l arbre. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
10 Introduction Options Bermuda Application de la méthode d arbre au Put Put à la monnaie en dimension Cox Ross Rubinstein Kamrad Ritchken FIG.: Cv en fonction du nombre de pas de temps J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
11 Introduction Options Bermuda Quelques remarques { VT = φ(s T ) V t = max ( φ(s t ),E(e rδt V t+δt F t ) ) pour t=t 0,...,t N 1 Une option Bermuda est toujours plus chère (au sens large) que l option Européenne correspondante. Supposons δ = 0. Considérons un call Bermuda de payoff φ(s t ) = (S t K ) +. Pour tout t, V t+δt φ(s t+δt ). D où e rδt E(V t+δt S t ) e rδt E(φ(S t+δt ) S t ) ( E(e rδt S t+δt S t ) K e rδt) + (S t K e rδt ) + (S t K ) +. = V t = e rδt E(V t+δt S t ). On retrouve le prix de l option Européenne. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
12 Introduction Options Américaines Options Américaines Une option américaine de maturité T est un contrat qui peut être exercé, à la discrétisation de son détenteur, à tout instant entre [0,T]. Une option américaine peut donc être vu comme une option Bermuda lorsque le N. Ainsi, le prix est à l instant d une option américaine de maturité T et de payoff φ est donné par P(t,S t ) := esssupe(e r(τ t) φ(s τ ) S t ), τ T t,t En pratique, on considère toujours des options Bermuda. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
13 1 Introduction Le modèle de marché Options Bermuda Définition et valorisation un exemple élémentaire : le modèle de Cox Ross Rubinstein Quelques remarques Options Américaines 2 Algorithme de Longstaff Schwartz Algorithme de Tsitsiklis VanRoy Les Algorithmes de quantification Principes de la quantification Quantification aléatoire Quantification optimale Méthode duale Théorie Implémentation 3 4 J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
14 Les algorithmes 3 types d algorithmes : 1 Itération sur les politiques d arrêt (a) approximation du temps d arrêt optimal τ, (b) calcul de E(e rτ φ(s τ )) par une méthode de Monte Carlo. 2 Itération sur les valeurs (a) utilisation de l équation de programmation dynamique, (b) approximation de l espérance conditionnelle E(e rδt P(t j,s tj ) S tj 1 ), (c) P(t 0,S t0 ) donne le prix à l instant 0. 3 Méthodes duales J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
15 Rappel du problème Une option de payoff φ que l on peut exercer en N dates 0 = t 0 < t 1 < < t N = T. Le prix à l instant t d une telle option est donné par P(t,S t ) = esssupe [ e r(τ t) ] φ(s τ ) S t τ T t,t où T t,t = {t.a. à valeurs dans[t,t] {t 0,,t N }}. P satisfait { P(T,ST ) = φ(s T ) P(t,S t ) = max ( φ(s t ),E(e rδt P(t + δt,s t+δt ) S t ) ) pour t=t 0,...,t N 1 [ ] P(t k,s tk ) = E e rτ k φ(s τ ) S t avec k τ k = inf{ t {t k,...,t N },φ(s t ) = P(t,S t ) } τ k = inf{ t {t k,...,t N },φ(s t ) e rδt E(P(t + δt,s t+δt ) F t ) } J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
16 Algorithme de Longstaff Schwartz 1 Introduction Le modèle de marché Options Bermuda Définition et valorisation un exemple élémentaire : le modèle de Cox Ross Rubinstein Quelques remarques Options Américaines 2 Algorithme de Longstaff Schwartz Algorithme de Tsitsiklis VanRoy Les Algorithmes de quantification Principes de la quantification Quantification aléatoire Quantification optimale Méthode duale Théorie Implémentation 3 4 J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
17 Algorithme de Longstaff Schwartz Algorithme de Longstaff Schwartz Principe : Tirer M trajectoires du modèle de Black Scholes (ω i ) 1 i M. Sur chaque trajectoire, calculer la quantité τ (ω i ). P(t 0,S t0 ) est ensuite calculé par une méthode de Monte Carlo P M 0 = 1 M M e rτ (ω i ) φ(s τ (ω i )(ω i )) (2) i=1 Construction de τ : équation de programmation dynamique sur les politiques d arrêt. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
18 Algorithme de Longstaff Schwartz Programmation dynamique pour τ On cherche à construire une suite (τ i ) 0 i N de manière rétrograde t.q. pour i fixé, τ i soit le t.a. optimal après l instant t i. τ i := min { t {t i,...,t N }, φ(s t ) P(t,S t ) }. La suite (τ i ) 0 i N peut se réécrire de manière récursive { τ N = T τ i = t i 1 {φ(sti ) P(t i,s ti )} + τ i+1 1 {φ(s ti )<P(t i,s ti )} 0 i N 1. On peut supprimer la dépendance en P grâce à l équivalence ( ) φ(s ti ) < P(t,S ti ) max φ(s ti ),E(e rδt P(t i+1,s ti+1 ) S t ) = E(e rδt P(t i+1,s ti+1 ) S t ) ( ) φ(s ti )e rδt < E E(e rτ i+1 φ(sτ ) S t i+1 i+1 ) S ti. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
19 Algorithme de Longstaff Schwartz Programmation dynamique pour τ On cherche à construire une suite (τ i ) 0 i N de manière rétrograde t.q. pour i fixé, τ i soit le t.a. optimal après l instant t i. τ i := min { t {t i,...,t N }, φ(s t ) P(t,S t ) }. La suite (τ i ) 0 i N peut se réécrire de manière récursive { τ N = T τ i = t i 1 {φ(sti ) P(t i,s ti )} + τ i+1 1 {φ(s ti )<P(t i,s ti )} 0 i N 1. On peut supprimer la dépendance en P grâce à l équivalence ( ) φ(s ti ) < P(t,S ti ) max φ(s ti ),E(e rδt P(t i+1,s ti+1 ) S t ) = E(e rδt P(t i+1,s ti+1 ) S t ) ( ) φ(s ti )e rδt < E e rτ i+1 φ(sτ ) S t i+1 i. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
20 Algorithme de Longstaff Schwartz Programmation dynamique pour τ (cont.) On pose { } A i := φ(s ti )e rδt E(e rτ i+1 φ(sτ ) S t i+1 i ). (3) τ i { τ N = T = t i 1 Ai + τ i+1 1 A c i 0 i N 1. (4) Il n y a plus de dépendance en P, seulement en (τ,j N). j Principale difficulté : approcher ψ i (S ti ) := E(e rτ i+1 φ(s τ ) S t i+1 i ). Idée : Utiliser le fait que l espérance conditionnelle est une projection L 2 et minimiser E[(e rτ i+1 φ(s τ ) ψ i(s ti )) 2 ] pour ψ i dans un ensemble de i+1 fonctions bien choisies. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
21 Algorithme de Longstaff Schwartz LS : étape de régression On ( pose f (t,x) = e rt φ(x). On cherche à minimiser E (f (τ i+1,s τ ) ψ i(s ti )) 2). i+1 Soit (g l,l 1) une famille totale de fonctions R d R t.q. E(g l (S ti )g l (S ti ) T ) < pour tout i,l. ψ i = l 1 α i l g l := α i g. Le calcul de E(f (τ i+1,s τ i+1 ) S t i ) est remplacé par la détermination de α i qui minimise ( [ ] ) 2 E f (τ i+1,s τ ) (αi g)(s ti ). i+1 J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
22 Algorithme de Longstaff Schwartz LS : algorithme d arrêt optimal 1. Initialisation : τ N = t N. 2. Pour i = N : i. détermination de α i = (α i,l 1) qui minimise l ( [ ] ) E f (τ i+1,s τ ) (α i 2 g)(s ti ). (5) i+1 ii. On définit Remarque : τ i = t i 1 {f (ti,s (m) t i )e rδt (α i g)(s ti )} + τ i+1 1 {f (t i,s ti )e rδt <(α i g)(s ti )}. α i est un vecteur de taille infinie. L espérance n est pas connue explicitement. Besoin de 2 approximations : tronquer α i : revient à prendre une famille libre plutôt qu une famille totale, calculer l espérance dans (5) grâce à une méthode de Monte Carlo. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
23 Algorithme de Longstaff Schwartz LS : troncature de la famille de régression Ensure: Initialisation : τ N = t N for i = N 1 to 1 do Détermination de ˆα i,k = ( ˆα i,k,1 l k) qui minimise l ( [ ] ) 2 E f ( ˆτ ) ( i+1,sˆτi+1 ˆαi,k g)(s ) ti On définit end for ˆτ i = t i 1 {f (ti,s ti )e rδt ( ˆα i,k g)(s ti )} + ˆτ i+11 {f (ti,s ti )e rδt <( ˆα i,k g)(s ti )}. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
24 Algorithme de Longstaff Schwartz LS : sommes Monte Carlo au lieu de E Ensure: (S (m),m = 1,...,M) M copies indépendantes de (S t1,...,s tn ) Ensure: Initialisation : pour m = 1,...,M, τ (m) N = t N for i = N 1 to 1 do Détermination de ˆα i,k = ( ˆα i,k,1 l k) qui minimise l ( [ ( ) ] ) 1 M 2 f τ (m) M i+1,s(m) (α i,k g)(s (m) τ (m) t i ). m=1 On définit pour m = 1,...,M τ (m) i = t i 1 {f (ti,s (m) t )e rδt ( ˆα i end for Le prix est donné par ( 1 max φ(s t0 ), M i+1 (m) i,k g)(s t )} + τ(m) i+1 1 {f (t i,s (m) i t )e rδt (m) <( ˆα i,k g)(s i t )}. i M m=1 f ( τ (m) 1,S (m) ) ). τ (m) 1 J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
25 Algorithme de Longstaff Schwartz LS : quelques commentaires Algorithme robuste car une erreur sur l estimation de E( ) n engendre pas forcément une erreur sur le calcul de la stratégie optimale. Il peut être intéressant de travailler avec S tj = Σ 1 j (S tj m j ) m j = E(S tj ) = (S0 i e(r δ i)t j ) i [ ( ) ] Σ 2 j = Var(S t j ) = m p j mq exp t j j σ p σ q L pk L qk 1. Besoin de garder toutes les trajectoires pour calculer taille : M N d. 1 M M f m=1 k ( ) τ (m) 1,S (m). τ (m) 1 J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
26 Algorithme de Longstaff Schwartz LS : quelques commentaires Choix de la base de régression : On peut ajouter le payoff à la base au moins pour les temps proches de la maturité. La base peut changer au cours du temps. Souvent une famille de polynômes Attention à ne pas avoir une famille trop riche = risque d over-fitting, mauvaise stabilité numérique Glasserman et Yu (2004) : Number of paths vs number of basis functions in American option pricing. Cas log-normal : k = O( logm). Exemple :M = 100,000, k 4. Pour d = 3, polynômes d ordre 2. Cas normal : k = O(logM). Exemple :M = 100,000, k 12. Pour d = 3, polynômes d ordre 3. En dimension > 1, produit tensoriel de functions de 1 variable. Pour réduire le mauvais conditionnement du problème, considérer S t /S 0 comme variable (ou mieux S t /Var(S t )) + passage en variable log éventuellement. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
27 Algorithme de Longstaff Schwartz LS : convergence Résultats rigoureux de convergence dus à E. Clément, D. Lamberton et P. Protter An Analysis of a least square regression method for American option pricing, Finance and Stochastics, Convergence L 2 quand k. A k fixé, convergence presque sûre et TCL quand M. Pas d expression de la variance limite apparaissant dans le TCL. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
28 Algorithme de Longstaff Schwartz LS : amélioration On utilise la simulation rétrograde du Brownien pour ne pas conserver toutes les trajectoires. On ne garde à chaque étape j de l algorithme que les vecteurs du Brownien (S (m) t,m = 1,...,M), j du sous-jacent arrêté (S τ (m) j,m = 1,...,M). On utilise la simulation rétrograde de S tj sachant S tj+1. Taille : M d au lieu de M d N. Mise en œuvre de variables antithétiques dans la simulation des trajectoires des actifs. Si à l instant t j, φ(s tj ) = 0, on n exerce pas l option. Pas besoin de calculer E(f (τ i+1,s τ i+1 ) S t i ) sur l ensemble {φ(s tj ) = 0}. = On ne garde que les trajectoires à la monnaie. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
29 Algorithme de Longstaff Schwartz Simulation rétrograde du Brownien On cherche S tj connaissant S tj+1 (et aussi S 0 ). On utilise la simulation rétrograde du Brownien. Sachant B tj+1 = b, la loi de B tj est une loi gaussienne ( N b t ) j t j, (t j+1 t j ). t j+1 t j+1 Preuve : Il suffit de considérer la v.a. Y j = B tj βb tj+1 et de chercher β pour que Y j B tj+1. = β = t j t j+1. Y j est une gaussienne centrée indépendante de B tj+1, reste à calculer sa variance. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
30 Algorithme de Longstaff Schwartz Résolution du problème des moindres carrés ( On cherche α = argmin M R k i=1 [Z i (α g)(x i )] 2). Soit en dérivant par rapport à α j ( ( ) M k Z i α l g l )(X i ) g j (X i ) = 0, l=0 ( ) k M M g j (X i )g l (X i ) α l = Z i g j (X i ). i=1 i=1 i=1 l=0 ( ) M M Z i g(x i ) = D (M) α avec D (M) = g j (X i )g l (X i ) i=1 i=1 D est symétrique définie positive. Grâce à l algorithme de Cholesky, D = T T (T triangulaire inférieure). Reste 2 systèmes triangulaires à résoudre. j,l. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
31 Algorithme de Longstaff Schwartz Résolution du problème des moindres carrés (cont.) En pratique, D est mal conditionnée. L algorithme de Cholesky trouve des valeurs propres nulles ou légèrement négatives ( 10 6 ). Alternatives : factorisation QR : D = QR où Q est une matrice orthogonale et R une matrice triangulaire supérieure. On peut ajouter une permutation P, DP = QR ( D = QRP T ) factorisation LU avec permutation pour une meilleure stabilité numérique. Utilisation d une bibliothèque externe pour résoudre le problème de moindre carrés linéaire. Bien symétriser D. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
32 Algorithme de Longstaff Schwartz LS : complexité A chacune des N étapes : M d pour la simulation du sous-jacent, k(k + 1)/2 M pour calculer D plus le coût de l inversion de D, où k est le nombre de régresseurs. En réalité, seulement k(k + 1)/2 #{m : φ(s (m) t j ) > 0}. Algorithme de Cholesky : k 3 /6. Algorithme QR : 2k 3 /3 Cholesky Résolution du système triangulaire : k 2. = O(N M k 2 ). J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
33 Algorithme de Longstaff Schwartz Exemples numériques Modèle de Black Scholes en dimension 3. Spot Volatility Interest rate Dividend rate 0 Correlation 0.3 Strike 100 Maturity 1 J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
34 Algorithme de Longstaff Schwartz LS : Influence du nombre de régresseurs (put) sans payoff avec payoff FIG.: Influence du nombre de régresseurs J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
35 Algorithme de Longstaff Schwartz LS : Influence du nombre de régresseurs (put min) sans payoff avec payoff FIG.: Influence du nombre de régresseurs J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
36 Algorithme de Longstaff Schwartz LS : variables antithétiques (Call) 8.57 standard antithetique prix e4 2e4 3e4 4e4 5e4 nb tirages FIG.: Réduction de variance J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
37 Algorithme de Longstaff Schwartz LS : nombre de dates d exercice (Call) 8381e e e e e e e FIG.: Cv en fonction du nbre de dates d exercice (50000 tirages) J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
38 Algorithme de Longstaff Schwartz LS : nombre de dates d exercice (Put) prix nb dates exercice FIG.: Cv en fonction du nbre de dates d exercice (50000 tirages) J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
39 Algorithme de Tsitsiklis VanRoy 1 Introduction Le modèle de marché Options Bermuda Définition et valorisation un exemple élémentaire : le modèle de Cox Ross Rubinstein Quelques remarques Options Américaines 2 Algorithme de Longstaff Schwartz Algorithme de Tsitsiklis VanRoy Les Algorithmes de quantification Principes de la quantification Quantification aléatoire Quantification optimale Méthode duale Théorie Implémentation 3 4 J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
40 Algorithme de Tsitsiklis VanRoy Algorithme de Tsitsiklis VanRoy Programmation dynamique : { P(tN,S tn ) = φ(s tn ) ( ) P(t j 1,S tj 1 ) = max φ(s tj 1 ), E(e rδt P(t j,s tj ) S tj 1 ), 1 j N. On pose Q j := E(e rδt P(t j+1,s tj+1 ) S tj ). { QN 1 = E(e rδt φ(s tn ) S tn 1 ), ( ) = E e rδt max(φ(s tj+1 ), Q j+1 ) S tj ), 0 j N 2. Q j On utilise la convention Q N = 0, ainsi ) Q N 1 = E (e rδt max(φ(s tn ),Q N ) S tn 1. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
41 Algorithme de Tsitsiklis VanRoy TV : étape de régression De nouveau, on utilise une méthode de moindres carrés pour approcher Q j. Soit (g l,l 1) une famille libre de fonctions telle que E(g l (S tj )g l (S tj )) < pour tout 1 j d. On cherche à approcher ( ) Q j = E e rδt max(φ(s(t j+1 ),Q j+1 ) S tj ) = ψ j (S tj ) par k l=1 αj l g l(s tj ). ( M [ α j = argmin m=1 Q (m) j ) ] 2 (α j g)(s (m) t j ). J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
42 Algorithme de Tsitsiklis VanRoy TV : algorithme Ensure: Simuler M trajectoires : S (m) t N pour m = 1...M Ensure: Q (m) N = 0 pour m = 1 M for j = N 1 to 1 do = e rδt max(φ(s (m) ) pour m = 1...M. Q (m) j t j+1 ),Q (m) j+1 Trouver α j qui minimise ( M [ α Q (m) j m=1 Q (m) j := (α g)(s (m) t j ) pour m = 1...M. end for Le prix est donné par e rδt 1 M i=1 ) ] 2 (α g)(s (m) t j ). M ( ) max φ(s t0 ),Q (m) 1. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
43 Algorithme de Tsitsiklis VanRoy TV : implémentation Besoin de stocker au cours de l algorithme la valeur courante du sous-jacent et du prix : vecteur M d pour le sous-jacent, vecteur M pour le prix Complexité : à chacune des N étapes M d pour la simulation du sous-jacent, k 2 M pour calculer D k 3 /6 (ou 2k 3 /3) + k 2 pour la résolution du système. M pour le Monte Carlo final. Coût total : O(N k 2 (M + k)) J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
44 Algorithme de Tsitsiklis VanRoy TV : comparaison avec LS LS approxime la stratégie optimale alors que TV approxime la valeur de continuation : approche fort différente, même stratégie pour le calcul des espérances conditionnelles, même complexité que LS mais utilise toute les trajectoires pas seulement celles à la monnaie, pratiquement TV est moins performant que LS : une erreur sur le calcul des E( ) se traduit obligatoirement par une erreur sur le calcul du prix. on peut aussi utiliser des régresseurs normalisés, mettre le payoff dans la base et utiliser des variables antithétiques. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
45 Algorithme de Tsitsiklis VanRoy TV : Influence du nombre de régresseurs (put) FIG.: TV : Influence du nombre de régresseurs J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
46 Algorithme de Tsitsiklis VanRoy Comparaison LS et TV (put) TV LS FIG.: Comparaison LS et TV (50000 tirages) J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
47 Les Algorithmes de quantification 1 Introduction Le modèle de marché Options Bermuda Définition et valorisation un exemple élémentaire : le modèle de Cox Ross Rubinstein Quelques remarques Options Américaines 2 Algorithme de Longstaff Schwartz Algorithme de Tsitsiklis VanRoy Les Algorithmes de quantification Principes de la quantification Quantification aléatoire Quantification optimale Méthode duale Théorie Implémentation 3 4 J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
48 Les Algorithmes de quantification Quantification de variables aléatoires Soit X une variable aléatoire dans R d et n N. On se donne un ensemble discret Γ = {y 1,...,y n } R d, une partition Borélienne A = (A i ) i=1...n de R d telle que pour tout i, y i A i. y i est en général le centre de A i et on note A i = C i (y). Un n quantificateur est une application h n : R d telle que h n (X) = n y i 1 {X Ci (y)}. i=1 Si X L 2, un quantificateur L 2 optimal est une application h n définie par la donnée de Γ, et A qui réalise l optimum dans le problème de minimisation { inf E( X h n (X) 2 ); {y 1,...,y n } R d, (A i ) i=1...n partition de R d}. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
49 Les Algorithmes de quantification Quantification de variables aléatoires (cont.) Γ est l ensemble {y 1,...,y n } qui minimise inf{e(min y {y1,...,y n } X y 2 ); {y1,...,y n }} ; la partition A correspondante est l ensemble des cellules de Voronoi associées à ces points {y 1,...,y n }. Cellule de Voronoi associée au point y i Vor(y i ) = {x R d : y Γ d(x,y i ) d(x,y)}. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
50 Les Algorithmes de quantification Quantification de processus Soit (X k ) k un processus Markovien à temps discret simulable. On quantifie X k à chaque instant k. n k : taille de la grille de la quantification à l instant k, Γ k = {y k 1,...,yk n k } la grille de quantification à l instant k, A k = (C i (y)) i=1...nk une partition Borélienne de R d, ˆX k le processus quantifié. On définit le processus quantifié par n k ˆX k := y k i 1 {X k C k (y)}. (6) i i=1 ( ˆX k ) k n est plus un processus de Markov pour la filtration de X mais on peut calculer ses probabilités de transition p k ij := P( ˆX k+1 = y k+1 j ˆX k = y k i ). (7) J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
51 Les Algorithmes de quantification Quantification et arrêt optimal On rappelle que le prix de l option américaine est donné par { VtN = φ(s tn ) V tk = max(φ(s tk ), e rδt E(V tk+1 S tk )), 0 k N 1. On quantifie le processus (S tk ) k et on considère { ˆV tn = φ(ŝ tn ) ˆV tk = max(φ(ŝ tk ), e rδt E( ˆV tk+1 Ŝ tk )), 0 k N 1. (8) Problème : Calcul de l espérance conditionnelle. On définit la suite de fonction ˆv k par ˆv N (y N ) = φ(y N ) i {1,...,n i i N } ( ) n ˆv k (y k i ) = max φ(y k k+1 i ), e rδt p k ij ˆv k+1(y k+1 j ) j=1 1 i n k 0 k N 1. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
52 Les Algorithmes de quantification Quantification et arrêt optimal (cont.) Calcul de p k ij : p k ij = P(Ŝ tk+1 = y k+1 j Ŝ tk = y k i ), = P(S tk+1 A k+1 j,s tk A k i ) P(S tk A k i ). On utilise une méthode de M.C. puisqu on sait simuler le processus S. Pratiquement : 1. Simuler (S (1),...,S (M) ), M trajectoires de S aux instants t 0,...,t n. 2. Pour k = 1,...,n, p k ij = Mm=1 1 { S (m) t k+1 A k+1 j Mm=1 1 { } S (m) t A k k i } 1 { } S (m) t A k k i. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
53 Les Algorithmes de quantification Quantification : implémentation Initialisation des ensembles de quantification (n d N) grâce à n trajectoires Browniennes. Initialisation du problème de programmation dynamique. A chacune des N étapes Simulation des M Browniens (M d) conditionnellement au pas de temps précédent (i + 1) Calcul des transitions de probabilité (n 2 M) : on peut précalculer l indice de la cellule à laquelle appartient chaque tirage. Mise à jour du problème de programmation dynamique. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
54 Les Algorithmes de quantification Quantification aléatoire ( self quantization ) Supposons que pour tout instant j, n j = n. On tire n trajectoires (S (1),...,S (n) ), aux instants t 0,...,t N et on pose y j i := S(i) t j i = 1,...,n j = 1,...,N. On prend pour A j le diagramme de Voronoi associé aux points {y j i ; i = 1,...,n}. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
55 Les Algorithmes de quantification Quantification aléatoire : nombre de quantificateurs (Put) nb reg=100 nb reg=200 nb reg=300 nb reg= prix e4 2e4 3e4 4e4 5e4 nb tirages FIG.: Influence du nombre de quantificateurs (10 dates d exercice) J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
56 Les Algorithmes de quantification Quantification aléatoire : dates d exercices (Put) prix nb dates=5 nb dates=10 nb dates=15 nb dates=20 1e4 2e4 3e4 4e4 5e4 nb tirages FIG.: Influence du nombre de dates d exercice J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
57 Les Algorithmes de quantification Quantification optimale Supposons que n j = n. On cherche à minimiser la distorsion à tout instant t j, ( ) 2 ( ) D j (y) := E min S tj y k = E d j (y,s tj ). avec 1 k n d j (y,ξ) = min ξ yk 2. 1 k n D j est de classe C 1 en tout point y (R d ) n et avec ( D j (y) = E d ) j, y i i=1...n d j y i (y,ξ) = (y i ξ)1 { ξ A j i }. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
58 Les Algorithmes de quantification Quantification optimale (cont.) On cherche y = (y 1,...,y n ) Rdn t.q. D j (y ) = 0. On utilise un algorithme de gradient pour approcher y. Soit ξ t une suite i.i.d. selon la loi de S tj et γ t une suite réelle positive décroissante vérifiant γ t = t t γ 2 t <. Pour Y 0 R d n, Y t+1 i = Y t i γ t(y t i ξt+1 )1 { ξ t+1 A j }. i Sous certaines hypothèses, Y t i p.s. t y i. On procède ainsi pour trouver les ensembles Γ j à chaque pas de temps t 0,...,t N. Remarque : En pratique, on prend Ŝ 0 = S 0 (supposé déterministe). J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
59 Les Algorithmes de quantification Quantification optimale : cas gaussien Supposons que B soit un M.B. Pour y (R d ) n ( ) 2 D tj (y) := E min B tj y k = 1 k n min u yk 2 p(u,tj )du, R d 1 k n avec p(,t) la densité de B à l instant t. Si y minimise D 1, alors grâce à la propriété d échelle de la gaussienne y j = t j y minimise D tj. Approximation de y. Soit Y N (0,I d ) et y 0 (R d ) n. On pose y n+1 k := E ( Y Y C k (y n ) ). (D 1 (y n )) n décroît et y n tend vers un minimum local de D 1 (global pour le cas N (0,I d )). J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
60 Les Algorithmes de quantification Quantification optimale : nombre de quantificateurs (Call) prix nb quantificateurs=50 nb quantificateurs=100 nb quantificateurs=200 1e4 2e4 3e4 4e4 5e4 nb tirages FIG.: Influence du nombre de quantificateurs J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
61 Les Algorithmes de quantification Quantification optimale : nombre de quantificateurs (Put) prix nb quantificateurs=50 nb quantificateurs=100 nb quantificateurs=200 1e4 2e4 3e4 4e4 5e4 nb tirages FIG.: Influence du nombre de quantificateurs J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
62 Les Algorithmes de quantification Quantification optimale : dates d exercice (Call) prix nb dates exercice FIG.: Influence du nombre de dates d exercice J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
63 Les Algorithmes de quantification Quantification optimale : dates d exercice (Put) prix nb dates exercice FIG.: Influence du nombre de dates d exercice J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
64 Méthode duale 1 Introduction Le modèle de marché Options Bermuda Définition et valorisation un exemple élémentaire : le modèle de Cox Ross Rubinstein Quelques remarques Options Américaines 2 Algorithme de Longstaff Schwartz Algorithme de Tsitsiklis VanRoy Les Algorithmes de quantification Principes de la quantification Quantification aléatoire Quantification optimale Méthode duale Théorie Implémentation 3 4 J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
65 Méthode duale Méthodes duales I { UT = e rt φ(s T ) U t = max ( e rt φ(s t ),E(U t+δt F t ) ) pour t=t 0,...,t N 1 (U t ) t est une sur-martingale. Décomposition de Doob-Meyer : U t = U 0 + M t A t où M est une martingale nulle en zéro et A un processus croissant prévisible nul en zéro. Rogers (2002) et Haugh & Kogan (2001) ont montré que Théorème 1 [ ] U 0 = inf M H0 1 E sup(e φ(s t ) M t ) t T avec H 1 0 l ensemble des martingales nulles en zéro et t.q. sup t T M t est intégrable. De plus, M réalise l infimum. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
66 Méthode duale Méthodes duales II Idées de la preuve. 1 U 0 = sup τ T E(e rτ φ(s τ )) = supe(e rτ φ(s τ ) M τ ) τ T 2 D autre part, e rt φ(s t ) U t = U 0 + M t A t. E(sup(e rt φ(s t ) M t )) t T inf M H 1 0 E(sup t T (e rt φ(s t ) M t )) E(sup(e rt φ(s t ) Mt )) t T E(sup(U t Mt t T = U 0. )) = E(sup(U 0 A t )) t T J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
67 Méthode duale Approche de Rogers pour le Put (dimension 1) I 1 Approcher le prix par inf λ E(sup t T (e rt φ(s t ) λm t )). 2 Un bon choix de M dm t = 1 {t t}d P(t,S t ), avec t = inf{t 0 : S t K } et P(t,S t ) le prix actualisé de l option européenne correspondante à l instant t. 3 Calculer inf λ E(sup t T (e rt φ(s t ) λm t )) avec le M précédent. λ E(sup t T (e rt φ(s t ) λm t ) est une fonction convexe. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
68 Méthode duale Approche de Rogers pour le Put (dimension 1) II 1. (S (m),m = 1,...,M) M copies indépendantes de (S t1,...,s tn ). 2. Pour chaque (t i,s (m) t i ) calculer le prix actualisé P(t i,s (m) t i ) de l option européenne en ce point grâce à la formule de Balck & Scholes. 3. Calculer (M (m) t i ) pour m = 1,...,M et i = 0,...,N. M (m) = 0 et { } I (m) = min i 0 : S (m) K M (m) t i t i+1 = M (m) t i + 1 {i I (m) }( P(t i+1,s (m) t i+1 ) P(t i,s (m) t i ) 4. On cherche λ [λ, λ]. Soit λ 0 = 0, λ 0 = λ et λ 0 = λ. { λn+1 = λ n +λ n 2, λn = λ n si le taux accroissement en λ n > 0 λ n+1 = λ n +λ n 2, λ n = λ n si le taux accroissement en λ n 0 Arrêt : taux d accroissement < seuil J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
69 Méthode duale Autre approche I Belomestny, Bender, Schoenmakers (2007), True upper bounds for Bermudan products via non-nested Monte Carlo. (Y tj ) j approximation du processus de prix U t aux dates {t 0,,t N } Y tj = Y 0 + M tj + A tj où A est prévisible, A 0 = 0 et M martingale nulle en 0. A ti+1 A tj = E tj (Y tj+1 ) Y tj, M ti+1 M tj = Y tj+1 E tj (Y tj+1 ). Si E( M t 2 ) < t, Z = (Z 1,,Z d ) tel que M tj = t j 0 Z tdw t. On considère une partition π = {s 1,,s L } {t 0,,t N }. Y tj+1 Y tj Z si (W si+1 W si ) + A tj+1 A tj s i π:t j s i <t j+1 Z d s i 1 [ E si (Ws d s i+1 s i+1 Ws d i )Y tj+1 ], t j s i < t j+1 i J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
70 Méthode duale Autre approche II Calcul de E si [ (W d s i+1 W d s i )Y tj+1 ], Si on a une stratégie d exercice (τ 1,,τ n ), on sait que Y tj = E tj [e rτ j φ(s τj )], puis Z d s i 1 [ ] E si (Ws d s i+1 s i+1 Ws d i )e rτ j φ(s τj ), t j s i < t j+1 i = pas d espérances conditionnelles imbriquées. ] E si [(W s d i+1 Ws d i )e rτ j φ(s τj ) = g(s si ). g est approchée par une technique de moindres carrés comme dans LS. [ lim π 0 E max 0 j N M tj Mt j 2] = 0. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
71 1 Introduction Le modèle de marché Options Bermuda Définition et valorisation un exemple élémentaire : le modèle de Cox Ross Rubinstein Quelques remarques Options Américaines 2 Algorithme de Longstaff Schwartz Algorithme de Tsitsiklis VanRoy Les Algorithmes de quantification Principes de la quantification Quantification aléatoire Quantification optimale Méthode duale Théorie Implémentation 3 4 J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
72 Approximation de la frontière d exercice Toke et Girard (2006) Monte Carlo Valuation of Mutli dimensional American options through grid computing Approximation de la frontière d exercice {x R d : P(t,x) = C(t,x)} où C(t,x) est la valeur de continuation à la date t, au point x. 1. Construire J bons points B j, j = 1,,J dans R d 1 2. Pour chaque pas de temps t = t N : t 1 et chaque dimension i = 1 : d i. Pour j = 1 : J, calculer S i(j, ) t solution de I(St i,bj,t) = C(St i,bj,t) (point fixe). [parallèle] { ii. Calculer la frontière Ft i(b t ) sur l ensemble des (B 1,S i(1, ) t ),,(B J,S i(j, ) } t ) (par une régression polynomiale d ordre 3). [synchronisation à chaque pas de temps] 3. Calculer le prix de l option connaissant les {F i t } t [parallèle] E(e rτ φ(s τ )) où τ = inf { t 0 : 1 i d,s i t F i t (B t) } T (pour une option de type call) J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
73 Classification Doan, Gaiwak, Bossy, Baude et Stokes-Rees (2008) Parallel Pricing Algorithm for Multi-Dimensional Bermudan/American options using Monte Carlo methods Soient P(t,x) et φ(t,x) respectivement le prix actualisé et le payoff à la date t. Posons β(t, x) = φ(t, x) P(t, x). L option est exercée si S t {x : β(t,x) > 0}. Soient (S i t ) i=1,,m M trajectoires de S et τ i = min { t {t 0,,t N } : β(t,s i t ) > 0} T. P(0,S 0 ) = 1 M M φ(τ i,sτ i i )e rτ i i=1 Trouver une fonction F t (x) t.q. sgnf t (x) = sgnβ(t,x). J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
74 Classification (cont.) 1. Partie classification Simuler (S i t 0,,S i t N ) i=1,,m1 M 1 trajectoires de S. Ensure: F tm (x) = φ(t,x) for j = N 1 to 0 do for i = 1 to M 1 [parallèle] do A partir de S i t j, générer M 2 trajectoires, notées (S ik t j+1,,s ik t N ) τ i k = min{ t {t j+1,,t N } : F t (S ik t ) > 0} T. y i = φ(t j,s i t j ) 1 M 2 M2 k=1 φ(τi k,sik )e r(τi τ i k t j) k end for A partir de {(S i t j,y i )} M 1 i=1, estimer F t j par boosting end for J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
75 Classification (cont.) 2. Partie Monte Carlo Simuler (S i t 0,,S i t N ) i=1,,m M trajectoires de S. for i = 1 to M [parallèle] do τ i = min { t {t j+1,,t N } : F t (S i t ) > 0} T. end for 3. Boosting P(0,S 0 ) = 1 M M φ(τ i,sτ i i )e rτ i i=1 F t = argmine(e Yf (S t ) ) satisfait sgnf t (x) = sgne(y x) f avec Y = φ(t,s t ) φ(t,s T )e r(t t) J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
76 1 Introduction Le modèle de marché Options Bermuda Définition et valorisation un exemple élémentaire : le modèle de Cox Ross Rubinstein Quelques remarques Options Américaines 2 Algorithme de Longstaff Schwartz Algorithme de Tsitsiklis VanRoy Les Algorithmes de quantification Principes de la quantification Quantification aléatoire Quantification optimale Méthode duale Théorie Implémentation 3 4 J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
77 sur les différents algorithmes Dans tous les cas, il s agit d une approximation du prix : le problème de programmation dynamique est résolu en temps discret. Longstaff Schwartz est le plus utilisé et est relativement robuste. La régression peut se faire en dimension petite. Tsitsiklis VanRoy est un peu moins performant et de la même de complexité. Les algorithmes de quantification sont un peu plus lents et le nombre de quantificateurs utilisés influence fortement le résultat. Pour la quantification optimale, le calcul des régresseurs pénalisent l algorithme. Les approches duales permettent d obtenir des bornes supérieures du prix. Les algorithmes de calcul parallèle doivent encore progresser. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
78 1 Introduction Le modèle de marché Options Bermuda Définition et valorisation un exemple élémentaire : le modèle de Cox Ross Rubinstein Quelques remarques Options Américaines 2 Algorithme de Longstaff Schwartz Algorithme de Tsitsiklis VanRoy Les Algorithmes de quantification Principes de la quantification Quantification aléatoire Quantification optimale Méthode duale Théorie Implémentation 3 4 J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 77
79 Temps d arrêt Enveloppe de Snell Algorithme de Cholesky Temps d arrêt Temps d arrêt Soit (X n ) n un processus à temps discret. On définit la filtration associée F par F n = σ(x i, i n) (c est la plus petite tribu qui rend les v.a. X i, i n mesurables). Soit τ une v.a. à valeurs dans N. On dit que τ est un F temps d arrêt si pour tout n, {τ = n} F n ou {τ n} F n. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 3
80 Temps d arrêt Enveloppe de Snell Algorithme de Cholesky Enveloppe de Snell Enveloppe de Snell Soit (Z n ) 0 n N une suite de v.a. et (F n ) n la filtration qu elles engendrent. On définit la suite { UN = Z N On pose τ 0 = inf{n 0 : U n = Z n }. Théorème 2 U n = max(z n,e(u n+1 F n )) n N 1. (U n τ0 ) 0 n N est une martingale. De plus, U 0 = E(Z τ0 F 0 ) = sup τ T 0,N E(Z τ F 0 ) Remarque : Si X 0 est déterministe, alors F 0 = {,Ω}, donc E( F 0 ) = E( ). J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 3
81 Temps d arrêt Enveloppe de Snell Algorithme de Cholesky Algorithme de Cholesky Algorithme de Cholesky Factorisation de Cholesky d une matrice carrée symétrique positive A de taille n Pour k = 1,...,n faire T k,k = A k,k T 2 k,j, j<k pour i = k + 1,...,n faire A i,k T k,j T i,j j<k T i,k = T k,k. J. Lelong (ENSIMAG/LJK) Vendredi 23 octobre / 3
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 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 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 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 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 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 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 détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en 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 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 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 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 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 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 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 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 détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en 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 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 détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
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 détailPropriétés 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 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 détailPrix 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 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 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 détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailFinance, Navier-Stokes, et la calibration
Finance, Navier-Stokes, et la calibration non linéarités en finance 1 1 www.crimere.com/blog Avril 2013 Lignes directrices Non-linéarités en Finance 1 Non-linéarités en Finance Les équations de Fokker-Planck
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en 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 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 détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
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 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 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 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 détailHedging delta et gamma neutre d un option digitale
Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing
Plus en 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 détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
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 détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en 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 détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailMesures gaussiennes et espaces de Fock
Mesures gaussiennes et espaces de Fock Thierry Lévy Peyresq - Juin 2003 Introduction Les mesures gaussiennes et les espaces de Fock sont deux objets qui apparaissent naturellement et peut-être, à première
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
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 détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailDérivés Financiers Options
Stratégies à base d options Dérivés Financiers Options 1) Supposons que vous vendiez un put avec un prix d exercice de 40 et une date d expiration dans 3 mois. Le prix actuel de l action est 41 et le contrat
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en 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 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 détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en 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 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 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 détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détail1 Introduction et modèle mathématique
Optimisation parallèle et mathématiques financières Optimisation parallèle et mathématiques financières Pierre Spiteri 1 IRIT ENSEEIHT, UMR CNRS 5505 2 rue Charles Camichel, B.P. 7122 F-31 071 Toulouse,
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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailCalculating 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 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 détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
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 détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en 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 détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailCorrection 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 détailMARTINGALES POUR LA FINANCE
MARTINGALES POUR LA FINANCE une introduction aux mathématiques financières Christophe Giraud Cours et Exercices corrigés. Table des matières I Le Cours 7 0 Introduction 8 0.1 Les produits dérivés...............................
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 détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détailPetite introduction aux mathématiques des dérivés financiers (notes de cours, version provisoire)
Petite introduction aux mathématiques des dérivés financiers notes de cours, version provisoire Michel Miniconi Département de Mathématiques Laboratoire Jean-Alexandre Dieudonné Université de Nice Sophia-Antipolis
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 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 détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailAlgorithmes pour la planification de mouvements en robotique non-holonome
Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
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 détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détail