Méthode de Monte Carlo pour le calcul d'options
|
|
- Rodolphe Lemieux
- il y a 8 ans
- Total affichages :
Transcription
1 Méthode de Monte Carlo pour le calcul d'options LADIAS Elie, WANG Shuai 7 juin
2 Table des matières 1 Méthode de Monte-Carlo et Calcul d'intégrales Description de la méthode Construction de l'intervalle de conance Exemple : Calcul du volume de la sphère unité dans R Méthodes de réduction de variance Méthode de l'échantillonnage préférentiel Variables de contrôle Variables antithétiques Application Application : Calcul du prix d'une option en nance Les options Pricing d'une option Option panier Annexe Code R : volume de la sphère Code R : volume de la sphère avec échantillonnage préférentiel Code R : calcul des diérents calls dans la premiere partie Code R : Calcul du call européens dans la troisième partie Code R : Calcul du call sur les options paniers
3 La naissance de la méthode Monte-Carlo remonte à l'expérience de l'aiguille de Buon en Le comte Georges-Louis Leclerc de Buon réussit à estimer π en lançant de nombreuses fois une aiguille sur son parquet. Un travail long et fastidieux, c'est pourquoi les méthodes Monte-Carlo se sont réellement développées avec l'apparition des premiers ordinateurs qui donnaient la possibilité de simuler un grand nombre d'expériences aléatoires à moindre coût. Ainsi, c'est sous l'impulsion de John Von Neumann et Stanislas Ulam, lors de la seconde guerre mondiale, que les méthodes de Monte-Carlo ont été vulgarisées. Ces deux mathématiciens ont utilisé ces méthodes probabilistes pour résoudre des équations aux dérivées partielles dans des recherches sur la fabrication de la bombe atomique. Nous nous intéressons à ces méthodes car en nance, elles permettent de calculer avec une certaine précision le prix de produit dérivée que l'on ne peut pas calculer analytiquement. Ces méthodes ont de plus l'avantage d'avoir une vitesse de convergence de K/ n, insensible à la dimension. Dans un premier temps, on expliquera le fonctionnement des méthodes Monte- Carlo(MC) pour le calcul d'intégrale, puis on verra comment optimiser nos calculs avec diérentes méthodes de réduction de variance et enn on verra les applications de ces méthodes en nance. 3
4 1 Méthode de Monte-Carlo et Calcul d'intégrales 1.1 Description de la méthode La méthode Monte-Carlo repose sur un théorème fondamental de probabilités, la loi forte des grands nombres. Théorème 1. Soit (X i ) i 1 une suite de variables aléatoires indépendantes suivant toutes la même loi qu'une variable aléatoire X. On suppose que E( X ) < +. Alors pour tout ω : P { X 1 (ω) + + X n (ω) lim = E(X) } = 1 n n L'idée de la méthode Monte-Carlo est de mettre la quantité recherchée sous la forme d'une espérance de variable aléatoire puis d'approximer cette quantité en utilisant la loi forte des grands nombres. Nous pouvons résumer cette méthode en trois étapes, premièrement nous mettons notre intégrale sous la forme d'une espérance de variable aléatoire. Ensuite, nous devons calculer une quantité de la forme E(X) où X est une variables aléatoires. Nous supposons que l'on sait simuler une suite de variable aléatoire (X i ) i 1 indépendante et identiquement distribuée de loi X. Nous simulons donc cette suite, puis nous approximons E(X) par : 1 N (X X N ) E(X) Par la loi forte des grands nombres nous pouvons dire que notre approximation nira par être égale à notre espérance. Cependant pour un nombre de simulations N ni nous avons aucune idée de la qualité de notre approximation. C'est pourquoi nous allons voir comment construire un intervalle de conance de niveau α que nous donnerons en plus de notre estimation. C'està-dire que nous donnerons en plus de notre valeur un intervalle où la valeur réel a α% de chance de se trouver. Nous allons voir comment construire cette intervalle. 1.2 Construction de l'intervalle de conance. La construction de l'intervalle de conance repose sur un deuxième théorème fondamental de probabilités, le théorème central limite. Théorème 2. Soit (X i ) i 1 une suite de variables aléatoires indépendantes identiquement distribuées telles que E(X1 2) < +. Notons σ2 la variance de X 1 Alors n ( σ ɛ n) N(0, 1) n 4
5 où ɛ n est l'erreur commise, c'est-à-dire Nous avons Nous voulons ɛ n = E(X) 1 n (X X n ) n σ (ɛ n) n N(0, 1) P [ɛ n < a] = 1 α Nous déduisons que a = u 1 α/2 est le fractile d'ordre 1 α/2 de la loi normale centrée réduite. Ainsi, nous pouvons écrire que u 1 α/2 n σ ɛ n u 1 α/2 X n u 1 α/2 E(X) X n + u 1 α/2 Finalement nous obtenons un intervalle de conance de la forme [ Xn u 1 α/2 σ n ; X n + u 1 α/2 σ n ] σ étant dans la plupart des cas inconnu nous utiliserons l'éstimateur sans biais de la variance V = 1 n (X i X N 1 n ) 2 i=1 Avec V, on peut maintenant obtenir un intervalle de conance de bonne qualité qui sera de la forme [ Xn u 1 α/2 V n ; X n + u 1 α/2 V n ] 1.3 Exemple : Calcul du volume de la sphère unité dans R 6 Nous cherchons à calculer le volume de la sphère de rayon 1 et de centre O R 6 dans R 6 par la méthode Mone-Carlo. Nous pouvons bien entendu calculer ce volume analytiquement, il est égal à V = π 3 /6. Nous allons noter S la sphère, alors : S = {x R 6 ; x 2 < 1} La quantité que nous cherchons à calculer est donc V ol(s) = dx = S R 6 1l { x 2 <1}dx 5
6 Figure 1 Volume de la sphère par Monte-Carlo Volume Volume de la boule Estimation par Monte Carlo Nombre de simulations Mettons cette intégrale sous la forme d'une espérance, pour cela on remarque que S est inclus dans l'hypercube de dimension 6 que nous noterons Q, on a donc : V ol(s) = 1l { x 2 <1}dx Q Notons dp Q (x) la probabilité uniforme sur Q, on a dp Q (x) = dx/64. On peut donc maintenant écrire V ol(s) = 64 1l { x 2 <1}dP Q (x) = 64E Q [1l { X 2 <1}] Q Notre intégrale est maintenant sous la forme d'une espérance. Nous allons maintenant simuler une suite (X i ) i=1...n de N variables uniformes sur Q puis notre volume sera donné en multipliant par 64 la moyenne des X i. Pour calculer notre volume nous avons écrit l'algorithme suivant sur R. (i) Simulation N variables aléatoire de loi uniforme sur Q: N=1000; X=rep(1,N); Y=matrix(runif(6*N), ncol=n); (ii) Simulation de l'indicatrice: Z=colSums(Y)); X[Z>1]=0; (iii) Le Volume de la sphère est donné par (64*somme)/N: Xb=cumsum(X)/(1:N); Ec=64*Xb; On obtient la gure 1. Nous voyons que l'approximation n'est pas très précise, on se rend compte de l'importance de rajouter l'intervalle de conance. Nous allons le rajouter sur notre gure, on choisira 0.95 comme niveau de conance. Nous ajoutons quelques lignes de code à notre algorithme. 6
7 (iv) Calcul de la variance: Nmoinsun=(1:N)-1; Nmoisun=[1]=1; V=rep(NA,N); V=64^2*cumsum((X-Xb)^2)/Nmoinsun; (v) Calcul de l'intervalle de confiance: Iinf=(Ec-qnorm(0.975, mean=0, sd=1)*sqrt(v/(1:n))); Isup=(Ec+qnorm(0.975, mean=0, sd=1)*sqrt(v/(1:n))); Figure 2 Volume de la sphère par Monte-Carlo et intervalle de conance Volume Volume de la boule Estimation par Monte Carlo Intervalle de confiance Nombre de simulations En plus de nous apporter des informations précieuses sur la précision de nos calculs, l'intervalle de conance nous donne la vitesse de convergence de la méthode. Ici, elle est de l'ordre de σ/ n. Dans la deuxième partie nous verrons comment diminuer cette vitesse de convergence à l'aide de diérentes méthodes de réduction de variance. 7
8 2 Méthodes de réduction de variance Nous avons vu que la vitesse de convergence de notre méthode dépend directement de σ 2, la variance de la quantité que nous voulons calculer. An d'améliorer cette vitesse de convergence, nous allons appliquer des méthodes dites de réduction de variance qui permettent de réduire la valeur de σ 2. On cherche toujours à calculer E(X), l'idée générale est de trouver une autre représentation sous la forme d'espérance de la quantité à calculer telle que la variance de cette nouvelle quantité soit inférieure. C'est-à-dire chercher Y tel que : { E[Y ] = E[X] V ar[y ] < V ar[x] Nous allons voir trois méthodes de réduction de variance, la méthode de l'échantillonnage préférentiel, la méthode de la variable de contrôle et la méthode des variables antithétiques. 2.1 Méthode de l'échantillonnage préférentiel Supposons que l'on cherche à calculer E[g(X)] et que la loi de X soit f(x)dx. La quantité que l'on cherche à évaluer vaut donc : E[g(X)] = g(x)f(x)dx R Soit maintenant, f la densité d'une autre loi telle que f > 0 et R f(x)dx = 1, il est clair que E[g(X)] peut aussi s'écrire : E[g(X)] = R g(x)f(x) f(x) f(x)dx g(y )f(y ) Cela signie que E[g(X)] = E[ ], si Y suit la loi de f(y f(x)dx sous P. ) On a donc une autre méthode de calcul de E[g(X)] en utilisant n tirages de Y, Y 1...Y n et en approchant E[g(X)] par : ( 1 g(y1 )f(y 1 ) + + g(y ) n)f(y n ) n f(y 1 ) f(y n ) A ce stade-là, nous ne sommes pas sûrs d'avoir amélioré l'algorithme. On g(y )f(y ) l'aura amélioré si V ar(z) < V ar(g(x)) où Z =. f(y ) 8
9 2.2 Variables de contrôle Dans sa version la plus simple, il s'agit d'écrire E(f(X)) sous la forme : E(f(X)) = E(f(X) h(x)) + E(h(X)) avec E(h(X)) qui peut se calculer explicitement et V ar((f(x) h(x)) sensiblement plus petit que V ar(f(x)). On utilise alors une méthode de Monte- Carlo pour évaluer E(f(X) h(x)) et le calcul direct pour E(h(X)). 2.3 Variables antithétiques Supposons que l'on cherche à calculer : I = 1 0 f(x)dx comme x 1 x laisse invariante la mesure dx, on a aussi : I = (f(x) + f(1 x))dx On peut donc calculer I de la façon suivante. On tire n variables aléatoires U 1,...U n suivant une loi uniforme sur [0, 1] et indépendantes, et on approxime I par : I 2n = 1 2n (f(u 1) + f(1 U 1 ) + + f(u n ) + f(1 U n ) Lorsqu'on compare cette méthode à une méthode de Monte-Carlo directe à l'issue de 2n tirages, on peut montrer que si la fonction f est continue monotone la qualité de l'approximation s'améliore. 2.4 Application En nance nous sommes amenés à calculer des quantités du type : C = E[(e βg K) + ] Où G est une variable aléatoire de loi normale centrée réduite. Nous expliquerons dans la troisième partie à quoi correspond cette quantité. Nous allons calculer cette quantité C pour β = 1 et k = 1 avec la méthode de Monte-Carlo expliquée au paragraphe 1 puis avec les trois méthodes de réduction de variance. Méthode Monte-Carlo sans réduction de variance : De la même manière que dans la première partie on estime la quantité C en 9
10 Figure 3 Estimation de C par Monte-Carlo Estimation MC Intervalle de confiance Valeur exacte Prix e+00 2e+04 4e+04 6e+04 8e+04 1e+05 Simulations fonction du nombre de simulation, on calcule aussi l'intervalle de con ance de niveau 0.95 ainsi que la vraie valeur de C qui se calcule facilement. Nous avons tracé les résultats obtenus sur la gure 3. Méthode Monte-Carlo avec échantillonnage préférentiel : Nous allons maintenant recalculer C mais cette fois avec la méthode de l'échantillonnage préférentiel. Nous écrivons C sous la forme d'une intégrale et on multiplie et divise par β x : Z (eβx K)+ dx 2 C= β x e x /2 β x 2π R Nous faisons le changement de variable x = y sur R+ et x = y sur R, on peut alors écrire C sous la forme : Z (eβ y K)+ + (e β y K)+ y/2 dy e C= 2 2πy R+ Nous remarquons alors que f (x) = e y/2 /2 est la densité d'une variable aléatoire Y exponentielle de paramètre 1/2. Nous pouvons alors écrire : C=E (eβ Y K)+ + (e β 2πY Y K)+ La gure 4 nous donne les résultats obtenu, a n de bien visualiser l'intérêt des méthodes de réduction de variance nous avons également tracé sur le graphique l'intervalle de con ance obtenu avec une méthode de Monte-Carlo sans réduction de variance. Nous voyons tout l'intérêt de la méthode de réduction de variance, la convergence est beaucoup plus rapide et l'intervalle de con ance obtenus est signi cativement réduit. Méthode Monte-Carlo avec variable de contrôle On peut noter C P = E[eβG K] = eβ 10 2 /2 K
11 Figure 4 Estimation de C par MC avec échantillonnage préférentiel 0.90 Estimation MC échantillonage pref IC MC classique IC MC avec échantillonage pref Valeur exacte Prix e+00 2e+04 4e+04 6e+04 8e+04 1e+05 Simulations Où P = E[K (eβg )+ ] Nous écrivons alors C = eβ 2 /2 K +P Puis nous calculons C à l'aide de la méthode Monte-carlo ( gure 5 ) comparée Figure 5 Prix du call, Monte-Carlo avec variables de contrôle Estimation MC variable de controle IC MC variable de controle IC MC classique Valeur exacte Prix e+00 2e+04 4e+04 6e+04 8e+04 1e+05 Simulations à la méthode classique, nous voyons bien que notre vitesse de convergence est nettement améliorée. Méthode Monte-Carlo avec variables antithétiques On se sert du fait que G suit la même loi que -G on peut donc écrire 1 C = (E[ eβg K)+ ] + E[(eβ( G) K + ] 2 En simulant de cette manière, on obtient la gure 6 La vitesse de convergence est légèrement améliorée, mais ici cette méthode est moins e cace que les deux précédentes. A n de comparer les trois méthodes de réduction de variance nous avons calculé 1000 fois C avec les trois 11
12 Figure 6 Prix du call, Monte-Carlo et variables antithétiques Prix Estimation MC variables antithétiques IC MC classique IC MC variables antithétiques Valeur exacte 0e+00 2e+04 4e+04 6e+04 8e+04 1e+05 Simulations méthodes de réduction de variance ainsi qu'avec la méthode de Monte-Carlo sans réduction de variance. Avec les résultats obtenu nous avons tracé la gure 7. Nous voyons sur ce boxplot l'intérêt d'utiliser une méthode de réduction de 0.96 Figure 7 Boxplot comparatif des di érentes méthodes Sans réduction de variance Variable de contrôle Variables antithétiques Echantillonage préférentiel variance, en e et en utilisant l'une de ces méthodes nos calculs de C sont beaucoup plus précis. 12
13 3 Application : Calcul du prix d'une option en - nance 3.1 Les options Une option est un titre nancier donnant à son détenteur le droit, et non l'obligation d'acheter ou de vendre (selon qu'il s'agit d'une option de vente ou d'achat) une certaine quantité d'un actif nancier à une date convenue et à un prix xé d'avance. La description de l'option se fait à partir de cinq éléments qui sont : La nature de l'option : on parlera souvent de call pour les options d'achat et de put pour les options de vente. L'actif sous-jacent sur lequel porte l'option : il peut s'agir d'une action, d'une obligation, d'une devise... Le montant, c'est à dire la quantité d'actif sous-jacent à acheter ou vendre. L'échéance ou date d'expiration, qui limite la durée de vie de l'option : si l'option peut être exercée à n'importe quel instant on parle d'option américaine, si l'option ne peut être exercée qu'à l'échéance on parle d'option européenne. Le prix d'exercice qui est le prix, xé à l'avance auquel se fait la transactions. L'option à un prix, appelé prime. Notre problème est de déterminer le prix de cette option. C'est le problème du pricing. Examinons, pour xer les idées, le cas d'un call européen, d'échéance T, sur une action dont le cours à la date t est donné par S t. Soit K le prix d'exercice. Il est clair que si, à l'échéance T, le prix K est supérieur au cours S T, le détenteur de l'option n'a pas intérêt à exercer. En revanche si S T > K, l'exercice de l'option permet à son détenteur de faire un prot égal à S T K en achetant l'action au prix K et en la revendant sur le marché au cours S T. Nous voyons qu'à l'échéance, la valeur du call est donnée par la quantité : (S T K) + Ici nous nous intéressons à trouver le montant de la prime que l'acheteur du call doit payer, autrement dit il s'agit de déterminer à l'instant t = 0 une richesse (S T K) + disponible à l'instant T. C'est le problème du pricing. 3.2 Pricing d'une option. On veut déterminer le prix d'un call dont le cours de l'actif sous-jacent est déterminé par S T = S0e (r 1 2 σ2 )T +σ T G 13
14 où S0 = 100 est la valeur de l'actif à la date t = 0, σ est la volatilité de l'actif. la volatilité est une mesure de l'ampleur des variations du cours d'un actif nancier. r est le taux d'intérêt non risqué, T la date d'échéance de l'option et G une variable aléatoire de loi normale centrée réduite. On veut donc calculer : C = e rt E[(S0e (r 1 2 σ2 )T +σ T G K)+ ] Avec S0, K, r, σ et T xé. Nous avons écrit une fonction qui prend S0, K, r, σ et T en paramètres et retourne le prix du call. An d'améliorer la vitesse de convergence nous avons utiliser la méthode de l'échantillonnage préférentiel vue dans la première partie. Nous avons pris S0 = 100, K = 120, r = 0.02, σ = 0.2 et T = 10. Nous avons tracé sur la gure 8 le prix du call en fonction du nombre de simulations. Ici nous pouvons comparer avec la valeur exacte Figure 8 Prix Call avec S0 = 100, K = 120, r = 0.02, T = 10 Prix Estimation MC échantillonage pref IC MC avec échantillonage pref Valeur exacte 0e+00 2e+04 4e+04 6e+04 8e+04 1e+05 Simulations qui s'obtient facilement. 3.3 Option panier Une option panier est une option ou l'actif sous-jacent est composé de plusieurs actifs risqué( action, option, devise) chacun uctuant en fonction d'une volatilité propre. Le cours de notre actif sous-jacent s'écrit dans ce cas S t = n i=1 et le prix de l'option panier s'écrit C = e rt E[ S0 i e rt 1 2 σ2 i T +σ i T Gi n S0 i e rt 1 2 σ2 i T +σ i T Gi K] i=1 14
15 En modi ant légèrement la fonction PrixCallEchPref on obtient une fonction qui nous donnera le prix de notre option panier. Supposons qu'on à un panier de 5 actifs. Acitf 1 : S01 = 100, σ1 = 0.5. Acitf 1 : S02 = 200, σ2 = 0.2. Acitf 1 : S03 = 150, σ3 = 0.1. Acitf 1 : S04 = 300, σ4 = 1. Acitf 1 : S05 = 500, σ5 = 0.8. Supposons que K = 1500, nous avons tracé le prix de l'option panier en fonction du nombre de simulation sur la gure 9. Dans le cas d'une option 240 Figure 9 Prix option panier Prix 230 Estimation MC IC Simulations panier la méthode Monte-Carlo prend tout son sens, en e et il n'existe pas de formule numérique pour le calcul exact du prix de l'option et une méthode numérique sont impossible à mettre en uvre. Dans cet exemple, la méthode de Monte-Carlo montre toute sa puissance et sa souplesse d'utilisation. Elle est quasiment aussi facile à programmer que la méthode dans le cas d'une seule action, et demande seulement un peu plus de temps de calcul et d'espace mémoire. 15
16 4 Annexe 4.1 Code R : volume de la sphère #TER #15/04/2013 # Exemple : Calcul du volume de la boule dans R6 N=10000; X=rep(1,N); Y=matrix(runif(6*N), ncol=n ); Y=Y*Y; Z=sqrt(colSums(Y)); X[Z>1]=0; Xb=cumsum(X)/(1:N); Ec=64*Xb; pdf("v1.pdf"); plot(ec, ylim=c( , ), col='red', xlab='nombre de simulations',ylab='v abline(h= ); legend('topright', c('volume de la boule', 'Estimation par Monte-Carlo'), col=c('blac dev.off(); #0.1.5: Calcul de l'intervalle de confiance. Nmoinsun=(1:N)-1; Nmoinsun[1]=1; V=rep(NA,N) V=64^2*cumsum((X-Xb)^2)/Nmoinsun; Iinf=(Ec-qnorm(0.975, mean = 0, sd = 1)*sqrt(V/(1:N))); Isup=(Ec+qnorm(0.975, mean = 0, sd = 1)*sqrt(V/(1:N))); pdf("v2.pdf"); plot(ec, ylim=c( , ), col='red', xlab='nombre de simulations',ylab='v abline(h= ); points(iinf, col='grey', pch='.'); points(isup, col='grey', pch='.'); legend('topright', c('volume de la boule', 'Estimation par Monte-Carlo', 'Intervalle dev.off(); 16
17 4.2 Code R : volume de la sphère avec échantillonnage préférentiel n_simul=10000; sigma=0.5; #Simulation d'un loi normale centré de variance sigma sur R6 : Y=matrix(rnorm(6*n_simul,0,sigma), ncol=n_simul); #Simulation de g(x)=1{ Y <1} G=rep(1,n_simul); Y2=Y*Y temp=colsums(y2)^2; G[temp>1]=0; #Simulation de f(y) : loi uniforme (-1,1) sur R6 X=matrix(1,nrow=6, ncol=n_simul); X[Y>1]=0; X[Y<(-1)]=0; F=rep(1,n_simul); temp=colsums(x); F[temp<6]=0; #Calculer Ft de Y: U2=colSums(Y2); Ft=exp(-U/2*sigma^2)/((2*pi*sigma^2)^3) #Caclul de la variable aléatoire cherché: Z=(G*F)/Ft #Monte-Carlo MC=cumsum(Z)/(1:n_simul); x11(); plot(mc, col='red', xlab='nombre de simulations',ylab='volume',,type='l') abline(h= ); 17
18 4.3 Code R : calcul des diérents calls dans la premiere partie #EXEMPLE CALL REDUCTION DE VARIANCE: #Simulation d'un call sans réduction de variance : N=100000; G=rnorm(N,0,1); #Simulation de N call: X0=exp(G)-1; C0=X0; C0[X0<0]=0; #Estimation du prix du call: Pc0=cumsum(C0)/(1:N) #Calcul de la variance: V0=rep(0,N) V0=cumsum((C0-Pc0)^2)/((1:N)-1); #Intervalle de Confiance de niveau 0.95: Iinf0=Pc0-qnorm(0.975, mean = 0, sd = 1)*sqrt(V0/(1:N)); Isup0=Pc0+qnorm(0.975, mean = 0, sd = 1)*sqrt(V0/(1:N)); #Résultat graphique: pdf("callbrut.pdf", height=8); plot(pc0, ylim=c( , ), type='l', col='red', xlab='simulations', ylab='p points(iinf0, col='grey', type='l'); points(isup0, col='grey', type='l'); legend('topright', c( 'Estimation MC', 'Intervalle de confiance', 'Valeur exacte'), c abline(h= , col='black'); dev.off() # Simulation d'un call par Monte-Carlo avec méthode Variable de controle. # On utilise: C=exp(beta/2)+P-K 18
19 # Simulation de N Put : X1=1-exp(G); P1=X1; P1[X1<0]=0; #Simulation de N Call a l'aide de la formule : C1=exp(1/2)+P1-1; #Estimation du prix du Call : Pc1=cumsum(C1)/(1:N); #Calcul de la variance : V1=rep(0,N) V1=cumsum((C1-Pc1)^2)/((1:N)-1); #Intervalle de Confiance de niveau 0.95: Iinf1=Pc1-qnorm(0.975, mean = 0, sd = 1)*sqrt(V1/(1:N)); Isup1=Pc1+qnorm(0.975, mean = 0, sd = 1)*sqrt(V1/(1:N)); pdf("callvarcont.pdf", height=8); plot(pc1, ylim=c( , ), type='l', col='red', xlab='simulations', ylab='p points(iinf0, col='grey', type='s'); points(isup0, col='grey', type='s'); points(iinf1, col='blue', type='s'); points(isup1, col='blue', type='s'); legend('topright', c( 'Estimation MC variable de controle', 'IC MC variable de contro abline(h= , col='black'); dev.off(); # Simulation d'un putt par Monte-Carlo avec méthode variables antithétiques. #Simulation du call: Xa=(exp(G)-1); Xb=(exp(-G)-1); Ca=Xa; Ca[Xa<0]=0; Cb=Xb; Cb[Xb<0]=0; C2=(Ca+Cb)/2 #Prix du call par Monte-Carlo: 19
20 Pc2=cumsum(C2)/(1:N); #Calcul de la variance : V2=rep(0,N) V2=cumsum((C2-Pc2)^2)/((1:N)-1); #Intervalle de Confiance de niveau 0.95: Iinf2=Pc2-qnorm(0.975, mean = 0, sd = 1)*sqrt(V2/(1:N)); Isup2=Pc2+qnorm(0.975, mean = 0, sd = 1)*sqrt(V2/(1:N)); pdf("callvaranti.pdf", height=8); plot(pc2, ylim=c( , ), type='l', col='red', xlab='simulations', ylab='p points(iinf0, col='grey', type='s'); points(isup0, col='grey', type='s'); points(iinf2, col='blue', type='s'); points(isup2, col='blue', type='s'); legend('topright', c( 'Estimation MC variables antithétiques', 'IC MC classique', 'IC abline(h= , col='black'); dev.off(); #Simulation d'un call avec echantillonage pref: Y=rexp(N,1/2); Xc=exp(sqrt(Y))-1; Xd=exp(-sqrt(Y))-1; Cc=Xc; Cc[Xc<0]=0; Cd=Xd; Cd[Xd<0]=0; C3=(Cc+Cd)/(sqrt(2*pi*Y)); #Prix du call par Monte-Carlo: Pc3=cumsum(C3)/(1:N); #Calcul de la variance : V3=rep(0,N) V3=cumsum((C3-Pc3)^2)/((1:N)-1); #Intervalle de Confiance de niveau 0.95: Iinf3=Pc3-qnorm(0.975, mean = 0, sd = 1)*sqrt(V3/(1:N)); Isup3=Pc3+qnorm(0.975, mean = 0, sd = 1)*sqrt(V3/(1:N)); 20
21 pdf("callechpref.pdf", height=5); plot(pc3, ylim=c( , ), type='l', col='red', xlab='simulations', ylab='p points(iinf0, col='grey', type='s'); points(isup0, col='grey', type='s'); points(iinf3, col='blue', type='s'); points(isup3, col='blue', type='s'); legend('topright', c( 'Estimation MC échantillonage pref', 'IC MC classique', 'IC MC abline(h= , col='black'); dev.off(); # #Construction des boxplot pour comparer les méthodes. N=10000; nb_simul=1000; Pc0=rep(NA, nb_simul); #Sans réduction de variance for( i in 1:nb_simul){ G=rnorm(N,0,1); #Simulation de N call: X0=exp(G)-1; C0=X0; C0[X0<0]=0; #Estimation du prix du call: Pc0[i]=sum(C0)/N; } Pc1=rep(NA, nb_simul); #Avec variable de controle for(i in 1:nb_simul){ G=rnorm(N,0,1); X1=1-exp(G); P1=X1; P1[X1<0]=0; C1=exp(1/2)+P1-1; Pc1[i]=sum(C1)/N; } Pc2=rep(NA, nb_simul); #Variables antithétiques for(i in 1:nb_simul){ G=rnorm(N,0,1); 21
22 Xa=(exp(G)-1); Xb=(exp(-G)-1); Ca=Xa; Ca[Xa<0]=0; Cb=Xb; Cb[Xb<0]=0; C2=(Ca+Cb)/2 Pc2[i]=sum(C2)/N; } Pc3=rep(NA, nb_simul); # échantillonage préferentiel for(i in 1:nb_simul){ G=rnorm(N,0,1); Y=rexp(N,1/2); Xc=exp(sqrt(Y))-1; Xd=exp(-sqrt(Y))-1; Cc=Xc; Cc[Xc<0]=0; Cd=Xd; Cd[Xd<0]=0; C3=(Cc+Cd)/(sqrt(2*pi*Y)); Pc3[i]=sum(C3)/N; } pdf("boxplot.pdf", height=8); boxplot(pc0, Pc2,Pc3, Pc1,col=c('red','blue','green','yellow')); legend('topright', c('sans réduction de variance', 'Variable de contrôle', 'Variables abline(h= , col='black'); dev.off() 4.4 Code R : Calcul du call européens dans la troisième partie PrixCallEchPref=function(S0, r, sigma, T, K){ #Fonction qui calcule le prix d'un call européen #Elle retourne le graphe du prix trouvé en fonction du nombre de simulation N_simul=10000; Y=rexp(N_simul, 1/2); X=rep(0, N_simul); X1=rep(0, N_simul); X=S0*exp(r*T-(1/2)*sigma^2*T+sigma*sqrt(Y)*sqrt(T))-K; X1=X; X1[X<0]=0; 22
23 Z=rep(0, N_simul); Z1=rep(0, N_simul); Z=S0*exp(r*T-(1/2)*sigma^2*T-sigma*sqrt(Y)*sqrt(T))-K; Z1[Z<0]=0; C=(X1+Z1)/(sqrt(2*pi*Y)); P=cumsum(C)/(1:N_simul); PrixCallEchPref=exp(-r*T)*P; V=rep(0,N_simul ); V=exp(-r*T)^2*cumsum((C-P)^2)/((1:N_simul)-1); Iinf=PrixCallEchPref-qnorm(0.975, mean = 0, sd = 1)*sqrt(V/(1:N_simul)); Isup=PrixCallEchPref+qnorm(0.975, mean = 0, sd = 1)*sqrt(V/(1:N_simul)); x11(); plot(prixcallechpref, ylim=c(20,30), type='l', col='yellow', xlab='simulations', ylab points(iinf, col='grey', type='l'); points(isup, col='grey', type='l'); } 4.5 Code R : Calcul du call sur les options paniers #Pricing put sur portefeuille d'option. PrixCalla=function(S0, r, sigma, T, K){ # Fonction qui retourne le prix d'une option lorsque l'actif sous jacent est un porte # S0 un vecteur de la valeurs initiale des sous jacents # r le taux d'intérêt sans risque # sigma un vecteur de volatilité des sous jacents # K le strike N_simul=3*10^5; X=rep(0,N_simul); for(i in 1:N_simul){ G=rnorm(1, 0, 1); X[i]=sum(S0*exp(r*T-(1/2)*sigma^2*T+sigma*sqrt(T)*G))-K; } X1=X; X1[X<0]=0; P=cumsum(X1)/(1:N_simul); PrixCalla=exp(-r*T)*P; 23
24 V=rep(0,N_simul ); V=exp(-r*T)^2*cumsum((X1-P)^2)/((1:N_simul)-1); Iinf=PrixCalla-qnorm(0.975, mean = 0, sd = 1)*sqrt(V/(1:N_simul)); Isup=PrixCalla+qnorm(0.975, mean = 0, sd = 1)*sqrt(V/(1:N_simul)); pdf("portefeuille.pdf", height=8); plot(prixcalla, type='l',ylim=c(200,240), col='red', xlab='simulations', ylab='prix') points(iinf, col='grey', type='l'); points(isup, col='grey', type='l'); legend('topright', c('estimation MC', 'IC'), col=c('red', 'grey'), pch=15); return(prixcalla) } S0=c(100,200,100,200,500); r=0.02; sigma=c(0.3,0.2,0.1,0.4,0.1); T=10; K=1500; A=PrixCalla(S0,r,sigma,T,K); 24
25 Références [1] Hasard nombres aléatoires et méthode Monte Carlo. [2] Introduction au calcul stochastique appliqué à la nance. [3] Méthodes de Monte-Carlo pour les équations de transport et de diusion. 25
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 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 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 détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
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 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 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 détailSPREAD (CYLINDRE) CONSTRUCTION DE DEUX OPTIONS
Dans un contrat d'option, le détenteur acquiert un droit, l'émetteur contracte une obligation. Un prix doit être payé par le détenteur à l'émetteur : c'est la prime (premium). LE CALCUL DU MONTANT DE LA
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 détailExtrait du Bulletin Officiel des Finances Publiques-Impôts DIRECTION GÉNÉRALE DES FINANCES PUBLIQUES
Extrait du Bulletin Officiel des Finances Publiques-Impôts DIRECTION GÉNÉRALE DES FINANCES PUBLIQUES Identifiant juridique : BOI-BIC-PDSTK-10-20-70-50-20120912 DGFIP BIC - Produits et stocks - Opérations
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 détailProcessus Stochastiques
Processus Stochastiques Olivier Scaillet University of Geneva and Swiss Finance Institute Outline 1 Introduction 2 Chaînes de Markov 3 Application en assurance 4 Application en nance Processus Stochastique
Plus en détailCorrection du baccalauréat S Liban juin 2007
Correction du baccalauréat S Liban juin 07 Exercice. a. Signe de lnx lnx) : on fait un tableau de signes : x 0 e + ln x 0 + + lnx + + 0 lnx lnx) 0 + 0 b. On afx) gx) lnx lnx) lnx lnx). On déduit du tableau
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 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 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 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 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 détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailBrochure d'information sur les options
Brochure d'information sur les options Introduction La présente brochure explique succinctement le fonctionnement des options et se penche sur les risques éventuels liés au négoce d options. Le glossaire
Plus en détailEtude de fonctions: procédure et exemple
Etude de fonctions: procédure et exemple Yves Delhaye 8 juillet 2007 Résumé Dans ce court travail, nous présentons les différentes étapes d une étude de fonction à travers un exemple. Nous nous limitons
Plus en détailJournal officiel de l'union européenne
20.5.2014 L 148/29 RÈGLEMENT DÉLÉGUÉ (UE) N o 528/2014 DE LA COMMISSION du 12 mars 2014 complétant le règlement (UE) n o 575/2013 du Parlement européen et du Conseil en ce qui concerne les normes techniques
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 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 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 détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
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 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 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 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 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 détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détailTURBOS WARRANTS CERTIFICATS. Les Turbos Produits à effet de levier avec barrière désactivante. Produits non garantis en capital.
TURBOS WARRANTS CERTIFICATS Les Turbos Produits à effet de levier avec barrière désactivante. Produits non garantis en capital. 2 LES TURBOS 1. Introduction Que sont les Turbos? Les Turbos sont des produits
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 détailSECTION 5 : OPERATIONS SUR PRODUITS DERIVES
SECTION 5 : OPERATIONS SUR PRODUITS DERIVES 1 - DEFINITION DES PRODUITS DERIVES 2 - DEFINITIONS DES MARCHES 3 - USAGE DES CONTRATS 4 - COMPTABILISATION DES OPERATIONS SUR PRODUITS DERIVES 51 SECTION 5
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 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 détailIntroduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
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 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 détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
Plus en détail1 TD1 : rappels sur les ensembles et notion de probabilité
1 TD1 : rappels sur les ensembles et notion de probabilité 1.1 Ensembles et dénombrement Exercice 1 Soit Ω = {1, 2, 3, 4}. Décrire toutes les parties de Ω, puis vérier que card(p(ω)) = 2 4. Soit k n (
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 détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
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 détail2- Comment les traders gèrent les risques
2- Comment les traders gèrent les risques front office middle office back office trading échange d'actifs financiers contrôle des risques, calcul du capital requis enregistrement des opérations traitement
Plus en détailNOTIONS DE PROBABILITÉS
NOTIONS DE PROBABILITÉS Sommaire 1. Expérience aléatoire... 1 2. Espace échantillonnal... 2 3. Événement... 2 4. Calcul des probabilités... 3 4.1. Ensemble fondamental... 3 4.2. Calcul de la probabilité...
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 détailManuel sur les risques liés aux portefeuilles d'investissement DEGIRO
Manuel sur les risques liés aux portefeuilles d'investissement DEGIRO Sommaire 1. Introduction... 2 2. Aperçu du portefeuille... 4 3. Risque du portefeuille dans la pratique... 7 4. Risques au niveau des
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 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 détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
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 détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
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 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 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 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 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 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 détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
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 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 détailFONCTION EXPONENTIELLE ( ) 2 = 0.
FONCTION EXPONENTIELLE I. Définition Théorème : Il eiste une unique fonction f dérivable sur R telle que f ' = f et f (0) =. Démonstration de l'unicité (eigible BAC) : L'eistence est admise - Démontrons
Plus en détailChapitre 1 Cinématique du point matériel
Chapitre 1 Cinématique du point matériel 7 1.1. Introduction 1.1.1. Domaine d étude Le programme de mécanique de math sup se limite à l étude de la mécanique classique. Sont exclus : la relativité et la
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 détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailLA RÉGULARISATION DES CHARGES EN FIN D EXERCICE
LA RÉGULARISATION DES CHARGES EN FIN D EXERCICE À la fin de l'exercice financier, il faut examiner tous les comptes de la balance de vérification afin de déterminer lesquels nécessitent un ajustement.
Plus en détailConstruction de l'intégrale de Lebesgue
Université d'artois Faculté des ciences Jean Perrin Mesure et Intégration (Licence 3 Mathématiques-Informatique) Daniel Li Construction de l'intégrale de Lebesgue 10 février 2011 La construction de l'intégrale
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 détailLES OPTIONS ET LE DIVIDENDE. Makram BELLALAH et Armand DERHY
LES OPTIONS ET LE DIVIDENDE Makram BELLALAH et Armand DERHY Résumé Nous présentons dans cet article les concepts d'une évaluation rationnelle des options et nous développons les principaux modèles en présence
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 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 détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en détailOM 1 Outils mathématiques : fonction de plusieurs variables
Outils mathématiques : fonction de plusieurs variables PCSI 2013 2014 Certaines partie de ce chapitre ne seront utiles qu à partir de l année prochaine, mais une grande partie nous servira dès cette année.
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 détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détail= 1 si n = m& où n et m sont souvent des indices entiers, par exemple, n, m = 0, 1, 2, 3, 4... En fait,! n m
1 épartement de Physique, Université Laval, Québec Pierre Amiot, 1. La fonction delta et certaines de ses utilisations. Clientèle Ce texte est destiné aux physiciens, ingénieurs et autres scientifiques.
Plus en détailCOMPRENDRE LES OPTIONS BINAIRES - LEÇON 1
COMPRENDRE LES OPTIONS BINAIRES - LEÇON 1 Qu est ce que sont les options binaires? Le trading d options binaires, parfois connu sous le nom des options numériques ou ORF (options de retour fixe), est une
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 détailI. Ensemble de définition d'une fonction
Chapitre 2 Généralités sur les fonctions Fonctions de références et fonctions associées Ce que dit le programme : Étude de fonctions Fonctions de référence x x et x x Connaître les variations de ces deux
Plus en détailGEA II Introduction aux probabilités Poly. de révision. Lionel Darondeau
GEA II Introduction aux probabilités Poly. de révision Lionel Darondeau Table des matières Énoncés 4 Corrigés 10 TD 1. Analyse combinatoire 11 TD 2. Probabilités élémentaires 16 TD 3. Probabilités conditionnelles
Plus en détailÉquations non linéaires
CHAPTER 1 Équations non linéaires On considère une partie U R d et une fonction f : U R d. On cherche à résoudre { x U 1..1) f x) = R d On distinguera les cas d = 1 et d > 1. 1.1. Dichotomie d = 1) 1.1.1.
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 détailCHAPITRE VIII : Les circuits avec résistances ohmiques
CHAPITRE VIII : Les circuits avec résistances ohmiques VIII. 1 Ce chapitre porte sur les courants et les différences de potentiel dans les circuits. VIII.1 : Les résistances en série et en parallèle On
Plus en détailChristophe Roulet LA BOURSE
Christophe Roulet LA BOURSE LA BOURSE: COMMENT ÇA MARCHE? La loi de l'offre et de la demande La Bourse représente le lieu de rencontre privilégié entre vendeurs et acheteurs qui tous souhaitent réaliser
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Plus en détailCalculs de probabilités avec la loi normale
Calculs de probabilités avec la loi normale Olivier Torrès 20 janvier 2012 Rappels pour la licence EMO/IIES Ce document au format PDF est conçu pour être visualisé en mode présentation. Sélectionnez ce
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailQu est-ce-qu un Warrant?
Qu est-ce-qu un Warrant? L epargne est investi dans une multitude d instruments financiers Comptes d epargne Titres Conditionnel= le detenteur à un droit Inconditionnel= le detenteur a une obligation Obligations
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 détailRecueil des formulaires et des instructions à l'intention des institutions de dépôts
Recueil des formulaires et des instructions à l'intention des institutions de dépôts RELEVÉ DES MODIFICATIONS Risque de taux d'intérêt et de concordance des échéances Numéro de la modification Date d établissement
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 détail