Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
|
|
- Géraldine Malo
- il y a 8 ans
- Total affichages :
Transcription
1 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 du cours du 9 Février A joindre : - la rédaction de la partie mathématique ainsi que la justication des techniques employées pour la simulation. - les valeurs numériques obtenues et vos commentaires. - le listing du programme de simulation. 1 Partie mathématique Soit (Ω, F, (F t ) t 0, P) un espace de probabilité ltré muni d'un mouvement Brownien standard d-dimensionnel W. On considère un processus de dynamique X t = x + bt + σw t, b R d, σ R d R d, avec σσ symétrique dénie positive. Introduisons le demi-espace D := {y R d : n y + m > 0}, n R d, m R, et τ := inf{s 0 : X s D}. Pour x D, T > 0 déterministe, et une fonction de pay-o g donnés, on s'intéresse à l'approximation numérique de la quantité E x [g(x T )I τ>t ] associée au prix d'une option à barrières. On a ici aaire à une option path dependent, et il va donc falloir tenir compte de la trajectoire du processus. On dénit pour N N, h := T/N et τ N := inf{t i := ih, i N : X ti D}. On va tout d'abord dans cette partie prouver une majoration de l'erreur faible : à l'aide de techniques de calcul stochastique. 1.1 Résultats préliminaires Err(x, T, g, h) = E x [g(x T )(I τ N >T I τ>t )] Considérons d'abord le cas d = 1 = σ, b = 0 et D = R Soit x D, A B(R + ), tribu borélienne de R +. A l'aide du principe de réexion pour le mouvement Brownien donner l'expression explicite de P x [X t A, τ > t] en terme de noyaux Gaussiens dont on précisera moyenne et variance. 2. Pour (t, x) [0, T ] D et g à croissance exponentielle, on dénit v(t, x) := E x [g(x T t )I τ>t t ]. Préciser l'edp satisfaite par v. 3. Montrer que v C 1,2 ([0, T ) D). Donner une condition sur g pour que v C 0 ([0, T ] D), puis pour que v C 2,4 ([0, T ] D). On entend par là que l'on peut prolonger de façon régulière les dérivées sur un voisinage de D. 1
2 4. Même question pour obtenir v C 2,4 b ([0, T ] D), i.e. la fonction ainsi que ses dérivées jusqu'à l'ordre indiqué sont bornées. Reprendre les questions précédentes dans le cas plus général introduit ci-avant. 1.2 Analyse de l'erreur i=0 N 1 1. Montrer que Err(x, t, g, h) = E[I τ N >t i (v(t i+1, Π D(X ti+1 )) v(t i, X ti ))] où Π D désigne la projection sur l'adhérence de D. 2. En supposant désormais que les hypothèses garantissant que v C 2,4 b ([0, T ] D) sont vériées, déduire de l'application d'une formule de Taylor à l'ordre 3 Err(x, t, g, h) = N 1 E x [I τ N >t i ( v(t i, X ti ) nf (X ti+1 ) + O(F (X ti+1 ) X ti+1 X ti ) i=0 ) +O((F (X ti+1 ) 2 ) + O(h 2 ) ]. (1) où F (x) = d(x, D)I x D d(x, D)I x D est la distance signée au bord du domaine. On pourra utiliser que Π D(X ti+1 ) = X ti+1 + nf (X ti+1 ). 3. En notant τ ti := inf{s t i : X s D}, établir C > 0, P[τ ti < t i+1 F ti ] CP[X ti+1 D F ti ]. 4. A l'aide de contrôles usuels sur le Brownien déduire du résultat précédent que Err(x, t, g, h) C h. Il existe en fait, sous de bonnes hypothèses, un développement de l'erreur de la forme Err(x, t, g, h) = C h + o( h), C = C 0 σ n E[I τ<t v(τ, X τ ) n], C 0 = On peut renvoyer aux travaux de Siegmund, [Sie79], pour des précisions sur la nature de la constante C 0 σ n. Il s'agit de l'espérance de l'overshoot normalisé, i.e. distance à la frontière lorsque le processus sort du domaine à temps discret divisé par h. Le développement d'erreur précédent justie l'utilisation d'une méthode d'extrapolation de type Romberg pour améliorer la convergence. La connaissance explicite de C 0 permet par ailleurs de proposer une méthode alternative basée sur la correction de domaine. Précisément, on va restreindre le domaine de sorte à compenser la surestimation due au temps discret. Introduisons D N := {y R d : y n + m > C 0 h σ n }, τ N D N := inf{t i : X N t i D N }. On a en fait le résultat suivant : E[g(X T )(I τ N DN >T I τ>t )] = o( h). (2) Dans un contexte d'application nancière, cette identité est présentée dans [BGK97]. Dans la suite du TP on s'attachera à mettre en oeuvre les diérentes techniques de simulation suggérées par ces résultats : simulation naive, simulation par ponts browniens, extrapolation de Romberg, technique de correction dérivant de (2). 2 Partie mise en oeuvre en C++ On va ici compléter les classes introduites lors du TP précédent pour évaluer des quantités de type Q T = E x [f(s T )I τ>t ] où S t = S 0 exp(σw t + (r σ2 )t), avec 2 (W t) t 0 mouvement Brownien monodimensionnel, τ := inf{t 0 : S t D}, D ouvert connexe de R. La fonction f sera supposée à croissance polynomiale. On rappelle que l'on a ici aaire à une option path dependent. Il va donc falloir tenir compte de la trajectoire de l'actif. A ce propos on va introduire un ensemble de classes pour simuler des processus stochastiques à valeurs réelles. 2
3 2.1 Classes associées à des processus aléatoires On va tout d'abord créer une classe abstraite Process dérivant de Loi_Proba et de prototype class Process: public Loi_Proba{ protected: int N; double T,DT; Process(double Ti=1,double DTi=.01); virtual double getincrement() const=0; virtual double getfinalvalue() const=0; double Simule() const{return getfinalvalue();} où T>0 désigne le temps terminal jusqu'auquel on souhaite observer le processus en partant de 0, DT est le pas de discrétisation et N le nombre de pas de discrétisation sur l'intervalle [0,T]. La méthode getincrement() renverra pour un processus X donné une réalisation de X ti+1 X ti pour i [0, N 1]. La méthode getfinalvalue() renverra une réalisation de X T. Question 1. Ecrire les constructeurs de la classe Process. Question 2. Faire dériver de Process une classe Brownian. On suggère d'utiliser le prototype suivant : class Brownian: public Process{ Normale No; Brownian(double Ti=1,double DTi=.01); double getincrement() const; double getfinalvalue() const; Implémenter les méthodes de la partie publique de cette classe. Question 3. Faire dériver de Process une classe Geometric_Brownian, de prototype : class Geometric_Brownian: public Process{ Brownian B; double sigma, r, S0; Geometric_Brownian(double S0i=100,double sigmai=.15, double r=.02, double Ti=1, double DTi=.01); double getincrement() const; double getfinalvalue() const; Implémenter les méthodes de cette classe. 2.2 Options et héritage Nous allons dans cette partie décrire et implémenter un ensemble de classes pour estimer des prix d'options par méthode de Monte Carlo dans un modèle de Black et Scholes. La classe de base pour cela sera 3
4 OptionBS:public Loi_Proba{ protected: double r,t; // On peut considérer que le taux d'actualisation et la maturité // sont des données de l'option. Geometric_Brownian GB; PayOff & PO; OptionBS(PayOff & POi,double S0i=100,double sigmai=.15, double ri=.02, double Ti=1, double DTi=.01); C'est là une classe abstraite, i.e. on n'y implémente pas la méthode Simule de Loi_Proba dont la classe OptionBS dérive. A titre indicatif, la classe VanillaOptionBS du TP précédent devrait maintenant dériver de OptionBS. Question 1. On va écrire une classe BarrierOptionBS dérivant de OptionBS de prototype class BarrierOptionBS:public OptionBS{ double borne_gauche, borne_droite; BarrierOptionBS(double bg, double bd, PayOff & POi, double SOi=100, double sigmai=.15, double r=.02, double Ti=1, double DT=.01); double Simule() const; où D = (borne_gauche,borne_droite). Implémenter les méthodes précédentes. On utilisera pour cela la discrétisation naïve du temps de sortie qui consiste à observer si la trajectoire est hors du domaine à un des instants de discrétisation. Question 2. A l'aide de la procédure de simulation élémentaire précédente, mettre en évidence numériquement l'identité E[f(S T )I τ N >T ] E[f(S T )I τ>t ] = C DT + o( DT) où τ N := inf{t i = ih : S ti D}, pour f(x) = (x K) +, D = (0, B), K < B. On pourra utiliser que l'expression explicite du prix, cf. [MR97], est dans ce cas donnée par ( E[f(S T )I τ>t ] = S 0 exp(rt ) N (d 1 (K, S 0, σ, r, T )) N (d 1 (B, S 0, σ, r, T )) ( B + K S 0 ) 2r σ 2 +1 ( N (2 ˆd2 (B, S 0, σ, r, T ) ˆd 2 (K, S 0, σ, r, T )) N ( ˆd 2 (B, S 0, σ, r, T )) )) ( N (d 2 (K, S 0, σ, r, T )) N (d 2 (B, S 0, σ, r, T )) ( ) 2r B σ ( N (2 ˆd1 (B, S 0, σ, r, T ) S ˆd 1 (K, S 0, σ, r, T )) N ( ˆd 1 (B, S 0, σ, r, T )) )) 0 où N (x) = P[N (0, 1) x], d 1 (x, S 0, σ, r, T ) = log(s0/x)+rt σ + 1 T 2 σ T, ˆd 1 (x, S 0, σ, r, T ) = d 1 (x, S 0, σ, r, T ) 2r σ T, et d2 (x, S 0, σ, r, T ) = d 1 (x, S 0, σ, r, T ) σ T, ˆd 2 (x, S 0, σ, r, T ) = d 2 (x, S 0, σ, r, T ) 2r σ T. On prendra S 0 = 100, B = 130, K = 90, σ =.15, r =.02. On fera varier le nombre N de pas de discrétisation en faisant bien attention à équilibrer erreur statistique associée à la méthode de Monte Carlo, dirigée par le théorème central limite, et erreur de discrétisation que l'on cherche à mettre en évidence. 4
5 Question 3. Implémenter la méthode de simulation qui utilise la probabilité qu'un pont Brownien ait dépassé un certain seuil entre deux instants de discrétisation. On suggère pour cela d'ajouter dans la partie publique de la classe Brownian une fonction de prototype static double ProbBrownBridgeBigger(double B, double xi, double xip1, double h) ; qui renvoie P[sup s [0,h] W s B W 0 = xi, W h = xip1]. Ecrire une fonction double SimuleBB() const dans la partie publique de BarrierOptionBS utilisant cette probabilité dans les cas où D = (0, B) ou D = (B, + ). Etudier l'impact de la discrétisation en temps par cette technique. Estimer le gain associé en terme de vitesse de convergence. Question 4. Implémenter les méthodes d'extrapolation de Romberg et de correction de domaine introduites en Section 1. Commenter les résultats. Question 5. An de permettre à l'utilisateur de choisir entre les diérentes méthodes de simulation on va utiliser des pointeurs sur fonctions et surcharger les constructeurs. 1. Introduire une variable double (BarrierOptionBS::*PTR_Simule) () const ; dans la partie privée de BarrierOptionBS. La variable PTR_Simule est un pointeur de fonction. Il ne peut pointer que des fonctions const de la classe BarrierOptionBS n'ayant pas d'arguments, et renvoyant un double. L'aectation de ce type de variables se fait de la façon suivante : PTR_Simule=& BarrierOptionBS::SimuleBB ; 2. Modier les constructeurs de cette classe en ajoutant un champ int FLAG, qui prendra les valeurs 0,1,2,3 en fonction de la technique retenue par l'utilisateur. - 0 : simulation naive. - 1 : simulation par ponts Browniens. - 2 : extrapolation de Romberg. - 3 : correction de domaine. 3. Modier la fonction Simule qui devient double BarrierOptionBS::Simule() const { return (this->*ptr_simule)(); } Mettre enn les diérentes méthodes de simulation dans la partie privée de la classe. Ces dernières ne sont ainsi plus directement accessibles à l'utilisateur. Références [BGK97] M. Broadie, P. Glasserman, and S. Kou. A continuity correction for discrete barrier options. Mathematical Finance, 7 :325349, [MR97] M. Musiela and M. Rutkowski. Martingale methods in nancial modelling. Springer, [Sie79] D. Siegmund. Corrected diusion approximations in certain random walk problems. Adv. in Appl. Probab., 11(4) :701719,
TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en 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 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 détailManuel d Utilisateur - Logiciel ModAFi. Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO
Manuel d Utilisateur - Logiciel ModAFi Jonathan ANJOU - Maud EYZAT - Kévin NAVARRO Grenoble, 12 juin 2012 Table des matières 1 Introduction 3 2 Modèles supportés 3 2.1 Les diérents modèles supportés pour
Plus en 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 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 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 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 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 détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en 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 détailMéthode de Monte Carlo pour le calcul d'options
Méthode de Monte Carlo pour le calcul d'options LADIAS Elie, WANG Shuai 7 juin 2013 1 Table des matières 1 Méthode de Monte-Carlo et Calcul d'intégrales 4 1.1 Description de la méthode....................
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 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 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 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 détailMesure et gestion des risques d assurance
Mesure et gestion des risques d assurance Analyse critique des futurs référentiels prudentiel et d information financière Congrès annuel de l Institut des Actuaires 26 juin 2008 Pierre THEROND ptherond@winter-associes.fr
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 détailExamen optimisation Centrale Marseille (2008) et SupGalilee (2008)
Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut
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 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 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 détailRapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources
Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils
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 détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
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 détailTD 3 : suites réelles : application économique et nancière
Mathématiques Appliquées Cours-TD : K. Abdi, M. Huaulmé, B. de Loynes et S. Pommier Université de Rennes 1 - L1 AES - 009-010 TD 3 : suites réelles : application économique et nancière Exercice 1 Calculer
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 détailPour signifier qu'une classe fille hérite d'une classe mère, on utilise le mot clé extends class fille extends mère
L'héritage et le polymorphisme en Java Pour signifier qu'une classe fille hérite d'une classe mère, on utilise le mot clé extends class fille extends mère En java, toutes les classes sont dérivée de la
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 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 détailÉvaluation d'options sur fonds cotés en bourse à levier. Simon du Tremblay. HEC Montréal. par. Science de la gestion Finance
HEC Montréal Évaluation d'options sur fonds cotés en bourse à levier par Simon du Tremblay Science de la gestion Finance Mémoire présenté en vue de l'obtention du grade de maîtrise ès science de la gestion
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
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 détailDéveloppements limités. Notion de développement limité
MT12 - ch2 Page 1/8 Développements limités Dans tout ce chapitre, I désigne un intervalle de R non vide et non réduit à un point. I Notion de développement limité Dans tout ce paragraphe, a désigne un
Plus en détailRetournement Temporel
Retournement Temporel Rédigé par: HENG Sokly Encadrés par: Bernard ROUSSELET & Stéphane JUNCA 2 juin 28 Remerciements Je tiens tout d'abord à remercier mes responsables de mémoire, M.Bernard ROUSSELET
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 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 détailFICHE UE Licence/Master Sciences, Technologies, Santé Mention Informatique
NOM DE L'UE : Algorithmique et programmation C++ LICENCE INFORMATIQUE Non Alt Alt S1 S2 S3 S4 S5 S6 Parcours : IL (Ingénierie Logicielle) SRI (Systèmes et Réseaux Informatiques) MASTER INFORMATIQUE Non
Plus en détailIntroduction à l analyse numérique : exemple du cloud computing
Introduction à l analyse numérique : exemple du cloud computing Tony FEVRIER Aujourd hui! Table des matières 1 Equations aux dérivées partielles et modélisation Equation différentielle et modélisation
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 détailComplexité. Licence Informatique - Semestre 2 - Algorithmique et Programmation
Complexité Objectifs des calculs de complexité : - pouvoir prévoir le temps d'exécution d'un algorithme - pouvoir comparer deux algorithmes réalisant le même traitement Exemples : - si on lance le calcul
Plus en détailTRAVAIL D ETUDE ET DE RECHERCHE. Utilisation des arbres binomiaux pour le pricing des options américaines
Ensimag - 2éme année Mai 2010 TRAVAIL D ETUDE ET DE RECHERCHE Utilisation des arbres binomiaux pour le pricing des options américaines Anne-Victoire AURIAULT 1/48 2/48 Cadre de l Étude Cette étude a été
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
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 détailUNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP250-97157 Pointe-à-Pitre Cedex CONTRAT 2010-2013 LE MASTER NOM DU DOMAINE STS
UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP20-9717 Pointe-à-Pitre Cedex CONTRAT 2010-201 LE MASTER NOM DU DOMAINE STS Mention : Mathématiques Implantation : Guadeloupe FICHES DESCRIPTIVES
Plus en détailNOTATIONS PRÉLIMINAIRES
Pour le Jeudi 14 Octobre 2010 NOTATIONS Soit V un espace vectoriel réel ; l'espace vectoriel des endomorphismes de l'espace vectoriel V est désigné par L(V ). Soit f un endomorphisme de l'espace vectoriel
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 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 détailRaisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
Plus en détailDYNAMIQUE DE FORMATION DES ÉTOILES
A 99 PHYS. II ÉCOLE NATIONALE DES PONTS ET CHAUSSÉES, ÉCOLES NATIONALES SUPÉRIEURES DE L'AÉRONAUTIQUE ET DE L'ESPACE, DE TECHNIQUES AVANCÉES, DES TÉLÉCOMMUNICATIONS, DES MINES DE PARIS, DES MINES DE SAINT-ÉTIENNE,
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 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 détailTP : Shell Scripts. 1 Remarque générale. 2 Mise en jambe. 3 Avec des si. Systèmes et scripts
E3FI ESIEE Paris Systèmes et scripts B. Perret TP : Shell Scripts 1 Remarque générale Lorsque vous cherchez des informations sur Internet, n'oubliez pas que langage de shell script que nous avons vu correspond
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailCentre d'etudes Nucléaires de Fontenay-aux-Roses Direction des Piles Atomiques Département des Etudes de Piles
CEA-N-1195 Note CEA-N-1195 Centre d'etudes Nucléaires de Fontenay-aux-Roses Direction des Piles Atomiques Département des Etudes de Piles Service d'etudes de Protections de Piles PROPAGATION DES NEUTRONS
Plus en détailTP1 : Initiation à Java et Eclipse
TP1 : Initiation à Java et Eclipse 1 TP1 : Initiation à Java et Eclipse Systèmes d Exploitation Avancés I. Objectifs du TP Ce TP est une introduction au langage Java. Il vous permettra de comprendre les
Plus en détailTélécom Nancy Année 2013-2014
Télécom Nancy Année 2013-2014 Rapport 1A Ajout du langage C dans la Programmer's Learning Machine GIANNINI Valentin Loria 615, rue du Jardin Botanique 54600, Villers-Lès-Nancy Maître de stage : QUINSON
Plus en détailPlan Epargne Logement Evaluation des options cachées d'un PEL
Plan Epargne Logement Evaluation des options cachées d'un PEL Nicolas Baud, Paul Demey, Damien Jacomy, Gaël Riboulet & Thierry Roncalli GRO, Crédit Lyonnais, France 1er Mars 2000 Table des matières 1 Introduction
Plus en détailRenforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos.
Master Mathématiques et Applications Spécialité : Ingénierie mathématique et modélisation Parcours : Mathématique et Informatique : Statistique, Signal, Santé (MI3S) 2015-2016 RÉSUMÉ DES COURS : (dernière
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 détailCompte-rendu de projet de Système de gestion de base de données
Compte-rendu de projet de Système de gestion de base de données Création et utilisation d'un index de jointure LAMBERT VELLER Sylvain M1 STIC Université de Bourgogne 2010-2011 Reponsable : Mr Thierry Grison
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailDIPLOME D'ETUDES APPROFONDIES EN ECONOMIE ET FINANCE THEORIE DES MARCHES FINANCIERS. Semestre d hiver 2001-2002
Département d économie politique DIPLOME D'ETUDES APPROFONDIES EN ECONOMIE ET FINANCE THEORIE DES MARCHES FINANCIERS Semestre d hiver 2001-2002 Professeurs Marc Chesney et François Quittard-Pinon Séance
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
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 détailCompte rendu des TP matlab
Compte rendu des TP matlab Krell Stella, Minjeaud Sebastian 18 décembre 006 1 TP1, Discrétisation de problèmes elliptiques linéaires 1d Soient > 0, a R, b 0, c, d R et f C([0, 1], R). On cerce à approcer
Plus en détailGénéralités sur le Langage Java et éléments syntaxiques.
Généralités sur le Langage Java et éléments syntaxiques. Généralités sur le Langage Java et éléments syntaxiques....1 Introduction...1 Genéralité sur le langage Java....1 Syntaxe de base du Langage...
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 détailRecherche dans un tableau
Chapitre 3 Recherche dans un tableau 3.1 Introduction 3.1.1 Tranche On appelle tranche de tableau, la donnée d'un tableau t et de deux indices a et b. On note cette tranche t.(a..b). Exemple 3.1 : 3 6
Plus en détailINF2015 Développement de logiciels dans un environnement Agile. Examen intra 20 février 2014 17:30 à 20:30
Examen intra 20 février 2014 17:30 à 20:30 Nom, prénom : Code permanent : Répondez directement sur le questionnaire. Question #1 5% Quelle influence peut avoir le typage dynamique sur la maintenabilité
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 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 détailLe passage de l'embedded Value à l'economic Value
Le passage de l'embedded Value à l'economic Value Une meilleure prise en compte des options et des garanties Ferdia Byrne, Claire Lasvergnas 23 septembre 2003 Les principes L'application Le marché français
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 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 détailCARACTERISTIQUE D UNE DIODE ET POINT DE FONCTIONNEMENT
TP CIRCUITS ELECTRIQUES R.DUPERRAY Lycée F.BUISSON PTSI CARACTERISTIQUE D UNE DIODE ET POINT DE FONCTIONNEMENT OBJECTIFS Savoir utiliser le multimètre pour mesurer des grandeurs électriques Obtenir expérimentalement
Plus en détailLes correcteurs accorderont une importance particulière à la rigueur des raisonnements et aux représentations graphiques demandées.
Les correcteurs accorderont une importance particulière à la rigueur des raisonnements et aux représentations graphiques demandées. 1 Ce sujet aborde le phénomène d instabilité dans des systèmes dynamiques
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailProgrammation Objet - Cours II
Programmation Objet - Cours II - Exercices - Page 1 Programmation Objet - Cours II Exercices Auteur : E.Thirion - Dernière mise à jour : 05/07/2015 Les exercices suivants sont en majorité des projets à
Plus en détailSUJET ZÉRO Epreuve d'informatique et modélisation de systèmes physiques
SUJET ZÉRO Epreuve d'informatique et modélisation de systèmes physiques Durée 4 h Si, au cours de l épreuve, un candidat repère ce qui lui semble être une erreur d énoncé, d une part il le signale au chef
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 détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
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 détail2. RAPPEL DES TECHNIQUES DE CALCUL DANS R
2. RAPPEL DES TECHNIQUES DE CALCUL DANS R Dans la mesure où les résultats de ce chapitre devraient normalement être bien connus, il n'est rappelé que les formules les plus intéressantes; les justications
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailUEO11 COURS/TD 1. nombres entiers et réels codés en mémoire centrale. Caractères alphabétiques et caractères spéciaux.
UEO11 COURS/TD 1 Contenu du semestre Cours et TDs sont intégrés L objectif de ce cours équivalent a 6h de cours, 10h de TD et 8h de TP est le suivant : - initiation à l algorithmique - notions de bases
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détail