Détection de ruptures offline et online pour des processus causaux
|
|
- Ève Fontaine
- il y a 8 ans
- Total affichages :
Transcription
1 Détection de ruptures offline et online pour des processus causaux Travaux avec W. Kengne (Paris 1, Yaoundé) et O. Wintenberger (Paris IX) Jean-Marc Bardet Trimestre du Laboratoire de Mathématique de Besançon 5 mai 2014 Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 1 / 49
2 Un exemple Breaks detection analysis of the FTSE index Close Time Log-return de l indice FTSE à la cloture: du 27 juillet 2005 au 18 mars 2011 = n = Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 2 / 49
3 But de l étude Deux cadres pour notre étude: Cadre offline (X 1,, X n ) trajectoire observée d une série chronologique (X t ) t Z. (X 1,, X n ) admet un nombre K 1, inconnu, de changements: pour k = 1,..., K, X t = g θk (ξ t, X t 1, X t 2, ) pour t {t k 1 + 1, t k 1 + 2,..., t k } avec (t k ) k et (θ k ) k inconnus Objectif: Estimer K, (t k ) 1 k K 1 et (θ k ) 1 k K. Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 3 / 49
4 But de l étude (fin) Cadre online (X 1,, X n ) trajectoire observée d une série chronologique (X t ) t Z, X t = g θ0 (ξ t, X t 1, X t 2, ) On observe ensuite (X 1,, X n, X n+1,, X k ) et il peut exister k > n et θ 1 tels que: avec k et θ 1 inconnus X t = g θ1 (ξ t, X t 1, X t 2, ) pour t k Objectif: Tester s il y a changement (θ 1 θ 0 ) et estimer k, et θ 0 et θ 1. Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 4 / 49
5 Plan 1 Introduction 2 Estimateur du quasi-maximum de vraisemblance Modèles classiques Estimation par maximum de quasi-vraisemblance 3 Détection de ruptures offline Définition des estimateurs Résultats asymptotiques Applications numériques 4 Détection de ruptures online Etude d un détecteur construit à partir de QMLEs Applications numériques ean-marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 5 / 49
6 Plan 1 Introduction 2 Estimateur du quasi-maximum de vraisemblance Modèles classiques Estimation par maximum de quasi-vraisemblance 3 Détection de ruptures offline Définition des estimateurs Résultats asymptotiques Applications numériques 4 Détection de ruptures online Etude d un détecteur construit à partir de QMLEs Applications numériques ean-marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 6 / 49
7 Modèles classiques Avec (ξ t ) t Z une suite de v.a.i.i.d. centrées, ARMA(1, 1) X t = a + bx t 1 + cξ t 1 + ξ t GARCH(1, 1), Engle (1982) { Xt = σ t ξ t, σ 2 t = b 0 + b 1 X 2 t 1 + c 1σ 2 t 1, b 0, b 1, c 1 > ARMA(1, 1) GARCH(1, 1) Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 7 / 49
8 Processus ARMA et processus linéaires causaux Avec (ξ t ) t Z une suite de v.a.i.i.d. centrées, p q Processus ARMA(p, q) X t + a i X t i = ξ t + b i ξ t i Processus AR( ) X t = = X t = i=1 i=1 a i X t i + ξ t i=1 b i ξ t i sous certaines conditions. i=0 Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 8 / 49
9 Processus GARCH(p, q) et ARCH( ) Processus GARCH(p, q), (Bollersev, { 1986) Xt = σ t ξ t, σt 2 = b 0 + p j=1 b jxt j 2 + q j=1 c jξt j 2 Processus ARCH( ), (Robinson, 1991) { Xt = σ t ξ t, σ 2 t = b 0 + j=1 b jx 2 t j. Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 9 / 49
10 Extensions Processus TGARCH( ), (Zakoïan, 1994) X t = σ t ξ t, σ t = b 0 + [ ] b + j max(x t j, 0) b j min(x t j, 0) j=1 avec b 0, b + j, b j 0 pour tout j N. Processus GARCH(p, q) et ARCH( ) multidimensionels, (Jeantheau, 1998, Bardet et Wintenberger, 2009) X t = ( B 0 + ) 1/2ξt B j X t j X t jb j, j=1 où (ξ k ) k Z sont des vecteurs aléatoires, B j matrices positives. Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 10 / 49
11 Deux exemples d estimation On suppose que (X 1, X 2,, X n ) est observée. Pour un processus GARCH(p, q), comment estimer θ = (b 0, b 1,, b p, c 1,, c q )? Pour un processus ARCH( ), comment estimer θ = (λ, µ) avec b j = λ µ j? Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 11 / 49
12 Principe de l estimation par maximum de la quasi-vraisemblance Soit (X t ) t un processus GARCH(1, 1): X t = ( b 0 1 c 1 + b 1 j=1 = c j 1 1 X 2 t j) 1/2ξt. { Xt = σ t ξ t, σ 2 t = b 0 + b 1 X 2 t 1 + c 1 σ2 t 1 Si (ξ t ) t v.a.i.i.d. N (0, 1) avec θ = (b 0, b 1, c 1 ), la log-vraisemblance conditionnelle est: L n (θ) = n q t (θ) avec t=1 q t(θ) = 1 [( b0 ) 1X ( + b 1 c j 1 1 X 2 2 b0 t j t +log +b c 1 1 c 1 j=1 = L n (θ) dépend de (X t ) t 0 : inconnu!! j=1 )] c j 1 1 Xt j 2 Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 12 / 49
13 Principe de l estimation par maximum de la quasi-vraisemblance (fin) Idée: remplacer q t (θ) par q t (θ) avec q t(θ) = 1 2 [( b0 t 1 + b 1 1 c 1 j=1 ) 1X ( c j 1 1 Xt j 2 2 b0 t 1 t + log + b 1 1 c 1 Définir le QMLE θ n = arg max Ln (θ) avec L n (θ) = θ Θ Calculer θ n même si (ξ t ) t n est pas gaussienne. Etendre ce principe à d autres modèles? j=1 n q t (θ). t=1 Consistence du QMLE θ n vers le vrai paramètre θ? Normalité asymptotique du QMLE? )] c j 1 1 Xt j 2 Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 13 / 49
14 Une classe générale de processus causaux (X t ) t Z est un processus défini comme solution de: Classe M T (M θ, f θ ) X t = M θ (X t 1, X t 2,...) ξ t + f θ (X t 1, X t 2,...), t T, p.s.. M θ (X t 1, X t 2,...) et f θ (X t 1, X t 2,...) dépendent de θ; (ξ t ) t Z suite de v.a.i.i.d. i.i.d. telles que Eξ 0 = 0, E ( ξ 0 ) 2 = 1 et E ξ0 r < avec r 2; Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 14 / 49
15 Existence et stationnarité X t = M θ (X t 1, X t 2,...) ξ t + f θ (X t 1, X t 2,...), t Z, On suppose que f θ et M θ vérifient des conditions lipschitzienne: { f θ (x) f θ (y) j=1 α(0) j (f θ, θ) x j y j M θ (x) M θ (y) j=1 α(0) j (M θ, θ) x j y j. On définit l ensemble / Θ(r) = θ Rd j=1 α (0) j (f θ, θ) + ( E( ξ 0 r ) ) 1/r j=1 j (M θ, θ) < 1. α (0) Proposition Si θ Θ(r) avec r 1, il existe un unique processus solution (X t ) t T, causal qui est strictement stationnaire, ergodique et stationnaire d ordre r. ean-marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 15 / 49
16 Estimateur QML fθ t = f θ(x t 1, X t 2,...), Mθ t = M θ(x t 1, X t 2,...), Hθ t = Mt θ Mt θ, q t (θ) = 1 2 [ (Xt f t θ ) ( ) H t 1 ( θ Xt fθ t ) ( ( )) ] + log det H t θ. Soit f t θ = f θ(x t 1,..., X 1, 0, ), M t θ = M θ(x t 1,..., X 1, 0, ) et Ĥ t θ = M t θ ( M t θ ), alors q t (θ) est telle que q t (θ) = 1 2[ (Xt f t θ ) (Ĥt ) 1 ( θ Xt f θ t ) ( (Ĥt )) ] + log det θ. On définit le QMLE θ n = arg min Ln (θ) avec L n (θ) = θ Θ n q t (θ). t=1 Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 16 / 49
17 Comportement asymptotique du QMLE Dans Bardet et Wintenberger (2009), on montre que Si r 2 et certaines conditions, θ n a.s. n θ Si r 4 et certaines conditions, n ( θn θ ) D N ( 0, G(θ ) ) n (en particulier on suppose qu il existe l > 2 tel que pour i = 0, 1, 2 et j N, α (i) j (f θ, Θ) + α (i) j (M θ, Θ) = O(j l ) ) Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 17 / 49
18 Plan 1 Introduction 2 Estimateur du quasi-maximum de vraisemblance Modèles classiques Estimation par maximum de quasi-vraisemblance 3 Détection de ruptures offline Définition des estimateurs Résultats asymptotiques Applications numériques 4 Détection de ruptures online Etude d un détecteur construit à partir de QMLEs Applications numériques ean-marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 18 / 49
19 Le problème de détection de ruptures Le problème de détection de ruptures multiples est le suivant: X t M Tk (f θ k, M θ k ) for t T k := {t k 1 + 1,..., t k } (1) (X 1,, X n ) est observée; tk = [n τ k ] pour k = 1,..., K avec τ0 = 0 < τ 1 < < τ K = 1 ; θk θ k+1 pour k = 1,..., K 1; f θ, M θ sont connues, K, (τk ) k, (θk ) k et la loi de ξ sont inconnus. Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 19 / 49
20 Quelques références sur le sujet Davis et al. (1995): détection de ruptures pour les processus AR; Lavielle et Moulines (2000) : détection de ruptures dans la moyenne de processus par contraste des moindres carrés; Lavielle and Ludena (2000): détection de ruptures dans la densité spectrale de processus longue-mémoire par contraste de Whittle; Kokoszka and Leipus (2000): détection de ruptures dans des processus ARCH; Davis et al. (2008): Détection par MDE pour une classe de processus non-linéaires. Remarque: tous ses papiers supposent l indépendance et la stationnarité des processus de chaque côté d une rupture. Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 20 / 49
21 Définition d un contraste pénalisé Pour K, t, θ fixé, on définit le contraste pénalisé Ĵn par: Ĵ n (K, t, θ) = K QLIK({t k 1 + 1,..., t k }, θ k ) + κ n K, k=1 avec κ n (n ) et QLIK({t k 1 + 1,..., t k }, θ k ) := t k t=t k 1 +1 QLIK est le contraste de quasi-vraisemblance ( Xt f θ t ) (Ĥt ) 1 ( k θk Xt f θ t ) ( (Ĥt )) k + log det θk. Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 21 / 49
22 Définition des estimateurs On définit les estimateurs ( K, t n, θ n ) de (K, t, θ ) par: ( K, t n, θ n ) := Argmin (K,t,θ) {0,...,K max } F K Θ K Ĵ n (K, t, θ) et l estimateur des τ est: τ n = t n n. Remarque: si K et t sont connus alors θ n est le QMLE de θ. Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 22 / 49
23 Convergence Théorème Si r 2, K max K et certaines conditions: ( K n, τ n, θ n ) P n (K, τ, θ ). ean-marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 23 / 49
24 Vitesses de convergence Théorème Si r 4, K max K et certaines conditions: lim δ lim P( t n n t m > δ) = 0. Théorème Si r 4, K max K, d autres conditions et si κ n = n, alors pour tout j = 1,, K, nj ( θn ( T j ) θj ) D N ( d 0, G(θ n j ) ), ean-marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 24 / 49
25 Simulations de processus AR(1) X t = θ k X t 1 + ξ t for t T k. Pour n = 500 et n = 1000, (X 1,, X n ) est simulé avec: scenario A 0 : θ (1) = 0.5 est constant (K = 1); scenario A 1 : θ (1) = 0.5 change de θ (2) = 0.2 à t = 0.5n (K = 2); scenario A 2 : θ (1) = 0.7 change de θ (2) = 0.9 à t = 0.5n (K = 2); scenario A 3 : θ (1) = 0.5 change de θ (2) = 0.3 à t1 = 0.3n qui change de θ (3) = 0.7 à t2 = 0.7n (K = 3); scenario A 4 : θ (1) = 0.7 change de θ (2) = 0.9 à t1 = 0.3n qui change de θ (3) = 0.6 à t2 = 0.7n (K = 3). Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 25 / 49
26 Résultats pour des simulations de processus AR(1) Modèle Kn = K K n < K K n > K scenario A 0 n = 500 κ n = ˆκ n (K = 1) κ n = log n κ n = n MDL procedure n = 1000 κ n = ˆκ n κ n = log n κ n = n MDL procedure scenario A 1 n = 500 κ n = ˆκ n (K = 2) κ n = log n κ n = n MDL procedure n = 1000 κ n = ˆκ n κ n = log n κ n = n MDL procedure scenario A 2 n = 500 κ n = ˆκ n (K = 2) κ n = log n κ n = n MDL procedure n = 1000 κ n = ˆκ n κ n = log n κ n = n Jean-Marc Bardet, SAMM, Université Paris 1 MDL (Trimestre Ruptures procedure pour Laboratoire processusdecausaux 0.89 Mathématique de0.07 Besançon 5 mai ) 26 / 49
27 Résultats pour des simulations de processus AR(1) Modèle Kn = K K n < K K n > K scenario A 3 n = 500 κ n = ˆκ n (K = 3) κ n = log n κ n = n MDL procedure n = 1000 κ n = ˆκ n κ n = log n κ n = n MDL procedure scenario A 4 n = 500 κ n = ˆκ n (K = 3) κ n = log n κ n = n MDL procedure n = 1000 κ n = ˆκ n κ n = log n κ n = n MDL procedure Table : Fréquence du nombre estimé de ruptures pour 100 réplications de AR(1) Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 27 / 49
28 Une procédure pour choisir une valeur adaptative de κ n Problème: si n n est pas très grand (typiquement n = 1000), K n n estime pas bien K avec un choix théorique a priori de κ n (typiquement κ n = n). = Choix adaptatif de κ n suivant une procédure de sélection de modèle (Lebarbier, 2005 Baudry et al., 2009, Arlot, 2009) Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 28 / 49
29 Choix adaptatif de κ n a-) Slope estimation when n=500 b-) Slope estimation when n=1000 -QLIK criteria QLIK criteria K K L heuristique de la pente pour un processus AR(1): n = 500, κ n et n = 1000, κ n Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 29 / 49
30 Simulations: estimation de K a-) Penalized QLIK criteria when n=500 b-) Penalized QLIK criteria when n=1000 Penalized QLIK criteria Penalized QLIK criteria K K Le critère QLIK pénalisé pour un processus AR(1) Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 30 / 49
31 Exemple d utilisation de κ n pour un processus AR(1) avec 2 ruptures a-) 500 observations of AR(1) with two breaks b-) 1000 observations of AR(1) with two breaks Time Time Processus AR(1) (n = 500 and n = 1000) avec: τ 1 = 0.3 et τ 2 = 0.7, θ 0 = 0.2, θ 1 = 0.4 et θ 2 = 0.25 Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 31 / 49
32 Simulations for AR(2) process X t = φ 1(k) X t 1 + φ 2(k) X t 2 + ξ t pour t T k. Avec θ (k) = (φ 1 (k), φ 2 (k)), (X 1,, X n ) est simulé avec: scenario B 0 : θ (1) = (0.4, 0.3) est constant (K = 1); scenario B 1 : θ (1) = (0.4, 0.3) change en θ (2) = (0.1, 0.3) à t = 0.5n (K = 2); scenario B 1 : θ (1) = (0.4, 0.3) change en θ (2) = (0.2, 0.5) à t = 0.5n (K = 2); scenario B 2 : θ (1) = (0.4, 0.3) change en θ (2) = (0.6, 0.1) à t = 0.5n (K = 2). Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 32 / 49
33 Résultats de simulations pour des processus AR(2) Model Kn = K K n < K K n > K scenario B 0 n = 500 κ n = ˆκ n (K = 1) κ n = log n κ n = n MDL procedure n = 1000 κ n = ˆκ n κ n = log n κ n = n MDL procedure scenario B 1 n = 500 κ n = ˆκ n (K = 2) κ n = log n κ n = n MDL procedure n = 1000 κ n = ˆκ n κ n = log n κ n = n MDL procedure scenario B 2 n = 500 κ n = ˆκ n (K = 3) κ n = log n κ n = n MDL procedure n = 1000 κ n = ˆκ n κ n = log n κ n = n Jean-Marc Bardet, SAMM, Université Paris 1 MDL (Trimestre Ruptures procedure pour Laboratoire processusdecausaux 0.22 Mathématique de0.78 Besançon 5 mai ) 33 / 49
34 Simulations pour des processus GARCH(1, 1) X t = σ t Z t, σ 2 t = a 0(k) + a 1(k)X 2 t + b 1(k)σ 2 t for t T k. Avec θ = (a 0, a 1, b 1 ), (X 1,, X n ) est simulé avec: scenario G 0 : θ (1) = (0.5, 0.2, 0.2) est constant (K = 1); scenario G 1 : θ (1) = (0.5, 0.2, 0.2) change en θ (2) = (0.5, 0.2, 0.6) à t = 0.5n (K = 2); scenario G 2 : θ (1) = (0.5, 0.6, 0.2) change en θ (2) = (1, 0.6, 0.2) à t = 0.5n (K = 2); scenario G 3 : θ (1) = (0.5, 0.2, 0.2) change en θ (2) = (0.5, 0.2, 0.0) à t 1 = 0.3n, puis change en θ (3) = (0.1, 0.2, 0.0) à t 2 = 0.7n (K = 3); scenario G 4 : θ (1) = (0.5, 0.6, 0.2) change en θ (2) = (1, 0.6, 0.2) à t 1 = 0.3n, puis change en θ (3) = (1, 0.2, 0.2) à t 2 = 0.7n (K = 3). Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 34 / 49
35 Resultats de simulations pour des processus GARCH(1, 1) Model Kn = K K n < K K n > K scenario G 0 n = 500 κ n = ˆκ n (K = 1) κ n = log n κ n = n MDL procedure n = 1000 κ n = ˆκ n κ n = log n κ n = n MDL procedure scenario G 1 n = 500 κ n = ˆκ n (K = 2) κ n = log n κ n = n MDL procedure n = 1000 κ n = ˆκ n κ n = log n κ n = n MDL procedure scenario G 2 n = 500 κ n = ˆκ n (K = 2) κ n = log n κ n = n MDL procedure n = 1000 κ n = ˆκ n κ n = log n κ n = n Jean-Marc Bardet, SAMM, Université Paris 1 MDL (Trimestre Ruptures procedure pour Laboratoire processusdecausaux 0.57 Mathématique de0.31 Besançon 5 mai ) 35 / 49
36 Model Kn = K K n < K K n > K scenario G 3 n = 500 κ n = ˆκ n (K = 3) κ n = log n κ n = n MDL procedure n = 1000 κ n = ˆκ n κ n = log n κ n = n MDL procedure scenario G 4 n = 500 κ n = ˆκ n (K = 3) κ n = log n κ n = n MDL procedure n = 1000 κ n = ˆκ n κ n = log n κ n = n MDL procedure Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 36 / 49
37 Exemple de données financières Breaks detection analysis of the FTSE index Close Time Log-return de l indice FTSE à la cloture: du 27 juillet 2005 au 18 mars 2011 = n = Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 37 / 49
38 Plan 1 Introduction 2 Estimateur du quasi-maximum de vraisemblance Modèles classiques Estimation par maximum de quasi-vraisemblance 3 Détection de ruptures offline Définition des estimateurs Résultats asymptotiques Applications numériques 4 Détection de ruptures online Etude d un détecteur construit à partir de QMLEs Applications numériques ean-marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 38 / 49
39 Le problème de détection de rupture online Le problème de détection de rupture online est le suivant: H 0 : θ 0 tel que (X n ) n N provient du modèle M N (M θ0, f θ0 ); H 1 : k > n et θ 0 θ 1 tels que (X n ) n N provient du modèle M {1,,k }(M θ0, f θ0 ) M {k, }(M θ1, f θ1 ) Objectifs: Choisir entre H 0 et H 1 pour chaque k > n Estimer θ 0 et θ 1. Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 39 / 49
40 Quelques références sur le sujet Chu et al. (1996): Monitoring pour un changement structurel. Berkes et al. (2004): Détection CUSUM séquentielle for GARCH processes. Aue et al. (2009): Détection séquentielle de rupture multivariée. Naet al. (2011): Monitoring pour un changement de paramètre pour des séries chronologiques. Remarque: tous ces papiers supposent l indépendance des processus des 2 cotés du changement de régime Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 40 / 49
41 Définition du détecteur On définit pour k > n et l {n,, k 1}, Ĉ k,l := n k l k Ĝ(T 1,n ) 1/2 ( θ(tl,k ) θ(t 1,n ) ). Le détecteur est: Ĉ k := max l Π n,k Ĉ k,l, avec Π n,k := {n v n, n v n + 1,, k v n } où v n et v n / n 0. Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 41 / 49
42 Comportement asymptotique du détecteur Pour c α > 0, on définit pour k > n le temps d arrêt: } τ(n) := Inf {k > n / Ĉk > c α. { } = P{τ(n) < } = P sup Ĉ k > c α k>n On choisit c α > tel que: { limn P H0 {τ(n) < } = α lim n P H1 {τ(n) < } = 1 Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 42 / 49
43 Comportement asymptotique du détecteur (suite) Théorème Sous H 0 et les conditions du théorème de normalité asymptotique du QMLE, { lim P{τ(n) < } = P sup n sup t>1 1<s<t W d (s) sw d (1)) t où W d est un mouvement Brownien standard de dimension d. > c α } ean-marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 43 / 49
44 Comportement asymptotique du détecteur (fin) Théorème Sous H 1 et les conditions du théorème de normalité asymptotique du QMLE, pour lim sup n k (n)/n < et k n = k (n) + n δ avec 1/2 < δ < 1, Ĉ kn a.s. n. En conséquence Corollary Sous les hypothèses du Théorème, lim P{τ(n) < } = 1. n ean-marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 44 / 49
45 Deux exemples simulés a ) C k for GARCH(1,1) without change b ) C k for GARCH(1,1) with one change at k*= k GARCH(1,1), n = 500, k = 501,, 1000 a-) θ 0 = (0.01, 0.3, 0.2) b-) θ 0 = (0.01, 0.3, 0.2), θ 1 = (0.05, 0.5, 0.2) à k = 750 k Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 45 / 49
46 Simulations dn Mean SD Min Q 1 Med Q 3 Max AR(1) n = 500 ; k = n + 50 Ĉ k Q k n = 500 ; k = n Ĉ k Q k n = 1000 ; k = n + 50 Ĉ k Q k n = 1000 ; k = n Ĉ k Q k GARCH(1,1) n = 500 ; k = n + 50 Ĉ k Q k n = 500 ; k = n Ĉ k Q k n = 1000 ; k = n + 50 Ĉ k Q k n = 1000 ; k = n Ĉ k Q k Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 46 / 49
47 Retour sur l exemple financier Breaks detection in the FTSE 100 Returns FTSE t F,1 t F,2 t F,3 t F,4 t F,5 t F, Time Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 47 / 49
48 Breaks detection in the FTSE 100 Returns FTSE t F,1 t F,2 t F,3 t F,4 t F,5 t F, Time Breaks detection analysis of the FTSE index Close Time Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 48 / 49
49 Références Bardet, J.-M. et Kengne, W. (2014). Monitoring procedure for parameter change in causal time series. Journal of Multi. Analysis Bardet, J.-M., Kengne, W. et Wintenberger, O. (2012). Detecting multiple change-points in general causal time series using penalized quasi-likelihood. Elect. Journal Statis. Bardet, J.-M. et Wintenberger, O. (2009). Asymptotic normality of the Quasi-Maximum Likelihood Estimator for multidimensional causal processes. Ann. Statist. Kengne, W. (2012). Testing for parameter constancy in general causal time series models. Journal of Time Series Analysis Jean-Marc Bardet, SAMM, Université Paris 1 (Trimestre Rupturesdupour Laboratoire processusdecausaux Mathématique de Besançon 5 mai 2014 ) 49 / 49
TESTS 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 détailTravail en collaboration avec F.Roueff M.S.Taqqu C.Tudor
Paramètre de longue mémoire d une série temporelle : le cas non linéaire Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor Notion de longue mémoire Les valeurs d une série temporelle X = (X l )
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 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 détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en 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 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 détailMASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Econométrie pour la Finance
MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Université d Orléans Econométrie pour la Finance Modèles ARCH - GARCH Applications à la VaR Christophe Hurlin Documents et Supports Année Universitaire
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 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 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 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 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 détailModèle GARCH Application à la prévision de la volatilité
Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes
Plus en 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 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 détail2 TABLE DES MATIÈRES. I.8.2 Exemple... 38
Table des matières I Séries chronologiques 3 I.1 Introduction................................... 3 I.1.1 Motivations et objectifs......................... 3 I.1.2 Exemples de séries temporelles.....................
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 détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
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 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 détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en 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 détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
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 détailMODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
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 détailModélisation de séries financières par un modèle multifractal. Céline Azizieh
Modélisation de séries financières par un modèle multifractal Céline Azizieh Mémoire présenté à l Université Libre de Bruxelles en vue d obtenir le diplôme d actuaire Supervision: W. Breymann (RiskLab,
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
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 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 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 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 détailKeywords: Probability of catastrophic events, Bivariate extreme value theory, Heavy tailed distributions, ALS methods.
E Laurence Lescourret & Christian Y. Robert Centre de Recherche en Economie et Statistique LaboratoiredeFinanceetd Assurance 5 Boulevard Gabriel Peri, 92245 Malakoff Résumé: De par leur nature, les événements
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 détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
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 détailCommunications numériques
Communications numériques 1. Modulation numérique (a) message numérique/signal numérique (b) transmission binaire/m-aire en bande de base (c) modulation sur fréquence porteuse (d) paramètres, limite fondamentale
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
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 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 détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
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 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 détailUne application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies Ariane Lançon (Observatoire de Strasbourg) en collaboration avec: Jean-Luc Vergely,
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 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 détailUNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE
UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN ÉCONOMIE PAR MATHIEU SISTO NOVEMBRE
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en 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 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 détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
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 détailTests exacts d indépendance sérielle dans les cas de distributions continues et discrètes
Tests exacts d indépendance sérielle dans les cas de distributions continues et discrètes Jean-Marie Dufour Université de Montréal Abdeljelil Farhat Université de Montréal First version: August 2001 This
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 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 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 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 détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en 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 détailStatistiques descriptives
Statistiques descriptives L3 Maths-Eco Université de Nantes Frédéric Lavancier F. Lavancier (Univ. Nantes) Statistiques descriptives 1 1 Vocabulaire de base F. Lavancier (Univ. Nantes) Statistiques descriptives
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 détailLe Modèle Linéaire par l exemple :
Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités
Plus en détailConception systematique d'algorithmes de detection de pannes dans les systemes dynamiques Michele Basseville, Irisa/Cnrs, Campus de Beaulieu, 35042 Rennes Cedex, bassevilleirisa.fr. 1 Publications. Exemples
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en 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 détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
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 détailApproche modèle pour l estimation en présence de non-réponse non-ignorable en sondage
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction
Plus en 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 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 détailDébouchés professionnels
Master Domaine Droit, Economie, Gestion Mention : Monnaie, Banque, Finance, Assurance Spécialité : Risque, Assurance, Décision Année universitaire 2014/2015 DIRECTEUR de la spécialité : Monsieur Kouroche
Plus en détailUNE REPRESENTATION GRAPHIQUE DE LA LIAISON STATISTIQUE ENTRE DEUX VARIABLES ORDONNEES. Éric TÉROUANNE 1
33 Math. Inf. Sci. hum., (33 e année, n 130, 1995, pp.33-42) UNE REPRESENTATION GRAPHIQUE DE LA LIAISON STATISTIQUE ENTRE DEUX VARIABLES ORDONNEES Éric TÉROUANNE 1 RÉSUMÉ Le stéréogramme de liaison est
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 détailDétection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux
Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux hétérogènes Laurent Déjean Thales Airborne Systems/ENST-Bretagne Le 20 novembre 2006 Laurent Déjean Détection en
Plus en détailLeçon 01 Exercices d'entraînement
Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =
Plus en 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 détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en 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 détailPierre Thérond pierre@therond.fr. Année universitaire 2013-2014
http://www.therond.fr pierre@therond.fr Institut de Science Financière et d Assurances - Université Lyon 1 Année universitaire 2013-2014 Plan du cours 1 Chapitre 1 - Introduction 2 3 4 Bibliographie principale
Plus en 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 détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en 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 détailFormations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
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 détailInterception des signaux issus de communications MIMO
Interception des signaux issus de communications MIMO par Vincent Choqueuse Laboratoire E 3 I 2, EA 3876, ENSIETA Laboratoire LabSTICC, UMR CNRS 3192, UBO 26 novembre 2008 Interception des signaux issus
Plus en détailLa théorie des anticipations de la structure par terme permet-elle de rendre compte de l évolution des taux d intérêt sur euro-devise?
ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 62 2001 La théorie des anticipations de la structure par terme permet-elle de rendre compte de l évolution des taux d intérêt sur euro-devise? Éric JONDEAU * RÉSUMÉ.
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De
Plus en détailWeb Science. Master 1 IFI. Andrea G. B. Tettamanzi. Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.
Web Science Master 1 IFI Andrea G. B. Tettamanzi Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.fr 1 Annonce : recherche apprenti Projet Géo-Incertitude Objectifs
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 détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailDirection des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Etab=MK3, Timbre=G430, TimbreDansAdresse=Vrai, Version=W2000/Charte7, VersionTravail=W2000/Charte7 Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détail