Intégrale stochastique
|
|
- Corentin Beaudoin
- il y a 8 ans
- Total affichages :
Transcription
1 Intégrale stochastique Plan L intégrale stochastique générale Intégrale de Wiener Exemples Processus d Itô Formule d Itô Formule de Black & Scholes Le processus B est un mouvement Brownien et { Ft B,t } est sa filtration naturelle. 1
2 1 L intégrale stochastique générale On cherche à définir θ s db s quand {θ s,s } est un processus stochastique. Définition 1.1 On dit que {θ t,t } est un bon processus s il est (Ft B )-adapté, càglàd, et si [ E pour tout t>. ] θs 2 ds < + 2
3 1.1 Cas des processus étagés Ce sont les processus du type θ n t = p n i= θ i 1 ]ti,t i+1 ](t) où p n IN, =t t 1... t pn i =,...,p n.ondéfinit et θ i L 2 (Ω, F ti,p) pour tout I t (θ n ) = θ n s db s = p n i= θ i (B ti+1 t B ti t) 3
4 Propriétés: E [I t (θ n )] = Var [I t (θ n )] = E [ ] (θs n ) 2 ds. Les processus I t (θ n )eti 2 t (θ n ) (θn s ) 2 ds sont des martingales. 4
5 1.2 Cas général Si θ est un bon processus, il existe {θ n,n } suite de processus étagés telle que E [ ] (θ s θs n ) 2 ds quand n +. Il existe une v.a. I t (θ) decarréintégrable telle que [ E I t (θ) I t (θ n ) 2] quand n +. Onpose pour tout t. I t (θ) = θ s db s 5
6 Propriétés: E [I t (θ)] = [ Var [I t (θ)] = E ] θs 2 ds. Linéarité : I t (a 1 θ 1 + a 2 θ 2 ) = a 1 I t (θ 1 ) + a 2 I t (θ 2 ). Propriétés de martingale : Pour tout bon processus θ, les processus t I t (θ) et t I t (θ) 2 θ 2 sds 6
7 sont des (F B t )-martingales continues. E [ (I t (θ) I s (θ)) 2 F B s ] = E [ s θudu ] 2 F B s. Propriété d isométrie : Pour tous bons processus ϕ, θ et tout s, t, on a [ s t ] E [I s (ϕ)i t (θ)] = E θ u ϕ u du. Le processus est une (F B t )-martingale. I t (θ)i t (ϕ) θ u ϕ u du 7
8 Proposition 1.2 Pour tout t on a B s db s = 1 2 (B2 t t). 8
9 Il est possible de définir I t (θ) sous la seule condition θs 2 ds < + p.s. Cependant, t I t (θ) n est plus nécessairement une martingale. Définition 1.3 Soit {F t,t } une filtration et {X t,t } un processus (F t )-adapté. On dit que X est une (F t )-martingale locale s il existe une suite {τ n,n } de (F t )-temps d arrêt telle que P [τ n + ] = 1 et le processus X n : t X t τn est une martingale pour tout n. Définition 1.4 On dit que {θ t,t } est un bon processus local s il est càglàd, (F B t )-adapté, et si θ 2 s ds < + 9 p.s.
10 pour tout t>. Soit θ un bon processus local. On peut définir I t (θ) pour tout t>, qui est une martingale locale. De même, en prenant la même suite de temps d arrêt, on montre que le processus est une martingale locale. I t (θ) 2 θ 2 s ds 1
11 1.3 Le crochet Définition 1.5 Si Z est une martingale locale continue, < Z > est l unique processus croissant continu (F t )-adapté tel que t Zt 2 <Z> t soit une (F t )-martingale locale. Par polarité, on peut définir le crochet de deux (F t )-martingales locales M et N en écrivant <M,N> t = 1 2 (<M+ N> t <M> t <N> t ). Le crochet <M,N>est aussi l unique processus à variation finie tel que le processus MN <M,N>soit une martingale locale. 11
12 Enfin, la proposition suivante donne enfin de <M,N>une importante construction trajectorielle : Proposition 1.6 Soient M et N deux martingales locales continues. Alors p.s. pour tout t, <M,N> t = lim n + 2 n i=1 (M t n i M t n i 1 )(N t n i N t n i 1 ) où {t n i,i=...2n } désigne la subdivision régulière sur [,t]. <I(θ) > t = θ 2 s ds et <I(θ),I(ϕ) > t = θ s ϕ s ds. On dit que deux martingales continues sont orthogonales si leur crochet est nul, c est-à-dire si leur produit est une martingale. Par exemple, deux Browniens indépendants sont des martingales orthogonales. 12
13 2 Cas particulier: Intégrale de Wiener 13
14 2.1 Définition On note L 2 (IR + ) l ensemble des (classes d équivalence des) fonctions boréliennes f de IR + dans IR de carré intégrable, c est-à-dire telles que + f(s) 2 ds <. C est un espace de Hilbert pour la norme ( 1/2 f 2 = f 2 (s) ds). 14
15 2.1.1 a. Fonctions en escalier Pour f = 1 ]u,v],onpose + f(s)db s = B(v) B(u). Soit f une fonction en escalier, f(s) = i=n i=1 f i 1 1 ]ti ;t i+1 ](s) on pose + f(s)db s = i=n i=1 f i 1 (B(t i ) B(t i 1 )). La variable aléatoire I(f) def = + f(s)db s est une variable gaussienne d espérance nulle et de variance + f 2 (s)ds. L intégrale est linéaire : I(f + g) =I(f)+I(g). Si f et g sont des fonctions en escalier E(I(f) I(g)) = f(s) g(s) ds. Le processus I R + est un processus gaussien, c est une martingale. 15
16 2.1.2 b. Cas général Si f L 2 (IR + ), il existe une suite f n de fonctions en escalier qui converge (dans L 2 (IR + )) vers f, c est-à-dire qui vérifie f n f 2 (x) dx n. Dans ce cas, la suite f n est de Cauchy dans L 2 (IR + ). La suite de v.a. F n = f n (s) db s est une suite de Cauchy dans l espace de Hilbert L 2 (Ω) (en effet F n F m 2 = f n f m 2 n,m ), donc elle est convergente. On pose I(f) def = f(s) db s = lim n f n (s) db s la limite étant prise dans L 2 (Ω). On dit que I(f) estl intégrale stochastique (ou intégrale de Wiener) de f par rapport à B. 16
17 Le sous-espace de L 2 (Ω) formé par les v.a. f(s)db s coïncide avec l espace gaussien engendré par le mouvement Brownien. 17
18 2.2 Propriétés L application f I(f) est linéaire I(f + g) =I(f)+I(g) et isométrique de L 2 (IR + )dansl 2 (Ω) E (I(f) I(g)) = f(s)g(s) ds. IR + La variable I(f) est une v.a. gaussienne centrée de variance f 2 (s)ds appartenant à l espace gaussien engendré par IR + (B t,t ) et elle vérifie pour tout t ) E (B t f(s)db s = f(s)ds. (2.1) IR + La propriété (2.1) est en fait une caractérisation de l intégrale 18
19 stochastique au sens où si pour tout t, E(ZB t )= f(s)ds, alors Z = f(s)db s. 19
20 2.3 Processus lié à l intégrale stochastique De la même façon on définit f(s)db s pour f telle que T f(s) 2 ds <, T, ce qui permet de définir l intégrale stochastique pour une classe plus grande de fonctions. On notera L 2 loc cette classe de fonctions. 2
21 Théorème 2.1 Soit f L 2 loc et M t = f(s)db s. a) Le processus M est une martingale continue, la v.a. M t est d espérance et de variance f 2 (s) ds. b) Le processus M est un processus gaussien centré de covariance s f 2 (u) du à accroissements indépendants. c) Le processus (Mt 2 f 2 (s) ds, t ) est une martingale. d) Si f et g sont dans L 2 loc,ona E( f(u)db u s g(u)db u)= s f(u)g(u)du. 21
22 2.4 Intégration par parties Théorème 2.2 Si f est une fonction de classe C 1, f(s) db s = f(t)b(t) f (s)b s ds. On peut aussi écrire cette formule d(b t f(t)) = f(t)db t + B t f (t)dt. 22
23 3 Exemples 23
24 3.1 Processus d Ornstein-Uhlenbeck Théorème 3.1 L équation de Langevin V t = a pour unique solution av s ds + σb t + V, (3.1) V t = e ta V + e (t s)a σdb s. (3.2) On écrit l équation (3.1) sous forme condensée dv t + av t dt = σdb t, V donné les données du problème sont la variable aléatoire V, le Brownien B et les constantes a et σ. 24
25 Proposition 3.2 Le processus V, appellé processus d Ornstein-Uhlenbeck est gaussien d espérance et de covariance E(V t )=e ta V, cov[v s,v t ]= s e (s u)a σ 2 e (t u)a du, s t En particulier, si V est une constante (v =) et Var(V t )= σ2 (1 exp 2at). 2a cov[v s,v t ]= σ2 2a e a(s+t) (e 2as 1) 25
26 En écrivant V s = e sa V + V s e (s t)a = e ta V + s s e (s u)a σdb u e (t u)a σdb u on en déduit, pour s t V t = V s e (t s)a + ou encore V t+s = V s e ta + s e (t u)a σdb u e (t u)a σd B u où le processus B défini par B u = B s+u B s est un MB indépendant de F s (donc de V s ). 26
27 En particulier E(f(V t+s ) F s )=E(f(V s e ta + Y ) F s )=E(f(V t+s ) V s ) (dans cette égalité Y est une v.a. indépendante de F s )cequiétablit le caractère markovien de V. Le calcul explicite peut se faire en utilisant que E(f(V s (x) e ta + Y ) F s )=Ψ(V s (x) ) avec Ψ(y) =E(f(ye ta + Y )) = E(f(V (y) t )) où V (x) est la solution de l équation de valeur initiale x, soit V (x) t = e ta x + e (t s)a σdb s. 27
28 Proposition 3.3 La variable aléatoire gaussienne, de moyenne V 1 e at a σ2 2a 3 (1 e at ) 2 + σ2 1 e at (t ). a2 a et de variance V s ds est une v.a. 28
29 3.2 ModèledeVasicek dr t = a(b r t )dt + σdb t. (3.3) La forme explicite de la solution est r t =(r b)e at + b + σ e a(t u) db u. L égalité r t =(r s b)e a(t s) + b + σ établit le caractère Markovien de r. s e a(t u) db u,s t 29
30 Si r est une constante, r t est une variable gaussienne de moyenne (r b)e at + b, et de variance σ2 2a (1 exp 2at). En particulier, ce n est pas une variable positive. Le processus r est gaussien de covariance Cov(r s,r t )= σ2 2a e a(s+t) (e 2as 1) pour s t. 3
31 Proposition 3.4 Pour tout s<t, l espérance et le variance conditionnelle de r sont E(r t r s ) = (r s b)e a(t s) + b var s (r t ) = σ2 2a (1 e 2a(t s) ) Proposition 3.5 La variable r sds est une variable gaussienne de moyenne E( r s ds) =bt +(r b) 1 e at a et de variance σ2 2a 3 (1 e at ) 2 + σ2 1 e at (t ). a2 a 31
32 On en déduit E(exp s r u du F s )=exp( M(t, s)+ 1 V (t, s)). 2 32
33 Ces calculs sont utiles pour valoriser des zéro-coupons en finance : si B(t, T ) est la valeur d un ZC de maturité T,ona ( ) et B(t, T ) = exp B(t, T )=E(exp T t r u du F t ) t) 1 e a(t [b(t t)+(r t b) a σ2 4a 3 (1 e a(t t) ) 2 + σ2 2a 2 (T t 1 e a(t t) ) a ] 33
34 4 Processus d Itô Ce sont des processus écrits sous la forme X t = x + b s ds + σ s db s (4.1) où b est un processus F B t -adapté telque b s ds < + p.s. pour tout t, et σ un bon processus local. On utilise la notation formelle dx t = b t dt + σ t db t X = x. 34
35 Le coefficient b s appelle la dérive (ou le drift) du processus, et σ son coefficient de diffusion. 35
36 Le processus t x + b s ds est la partie à variation finie de X, et le processus t σ s db s la partie martingale de X (c est a priori une martingale locale). La décomposition (4.1) du processus X est unique, au sens où six admet une autre décomposition X t = x + bs ds + σ s db s, alors b b et σ σ. En particulier, X sous la forme (4.1) est une martingale locale si et seulement si b. 36
37 En fait, cette représentation des martingales locales dans une filtration Brownienne est caractéristique, indépendamment de ce que le processus soit a priori un processus d Itô : Théorème 4.1 [Théorème de représentation des martingales locales] Soit B un mouvement brownien et M une Ft B -martingale locale continue. Alors il existe x IR et θ bon processus local tel que M t = x + θ s db s. Ce théorème est extrémement important en Finance (marché complet). 37
38 Si X 1 et X 2 sont deux processus d Itô dedécomposition X i t = x + b i s ds + σ i s db s pour i =1, 2, leur crochet est par définition le crochet de leurs parties martingales. Autrement dit <X 1,X 2 > = <I(σ 1 ),I(σ 2 ) >= σ 1 sσ 2 sds. 38
39 5 Formule d Itô On se donne un processus d Itô réel X de décomposition (4.1) et une fonction f : IR IR suffisamment régulière. Théorème 5.1 [Première formule d Itô] Supposons f de classe C 2.Alors f(x t ) = f(x) + f (X s )dx s f (X s )σ 2 sds. Si f est àdérivées bornées, et σ borné, le processus f(x t ) f (X s )b s ds 1 t 2 f (X s )σsds 2 est une martingale. Cette formule s écrit sous forme condensée df (X t ) = f (X t )dx t f (X t )σ 2 t dt 39
40 = ( f (X t )b t + 1 ) 2 f (X t ) σt 2 dt + f (X t )σ t db t = f (X t )b t dt f (X t ) d X t + f (X t )σ t db t. On utilise souvent la notation df (X t )=f (X t )dx t f (X t )dx t dx t avec la table de multiplication dt db t dt db t dt 4
41 En particulier, t f(x t ) est un processus d Itô dedérive ( f (X s )b s + 1 ) 2 f (X s )σs 2 ds et de partie martingale f (X s )σ s db s. Quand les dérivées sont bornées, l intégrale stochastique apparaissant dans la formule est une vraie martingale, et on en déduit : [ E [f(x t )] = E [f(x )] + E f (X s )b s + 1 ] 2 f (X s )σs 2 ds E [ [ f(x t ) Fs B ] t ( = f(x s ) + E f (X u )b u + 1 ) 2 f (X u )σu 2 du F s B s ] 41
42 Théorème 5.2 [Deuxième formule d Itô] Soit f une fonction définie sur IR + IR de classe C 1 par rapport à t, de classe C 2 par rapport à x. Ona f(t, X t )=f(,x )+ f t(s, X s )ds+ f x(s, X s )dx s f xx(s, X s )σ 2 sds. On peut écrire cette formule sous forme différentielle : ( df (t, X t ) = f t(t, X t )+ 1 ) 2 f xx(t, X t )σt 2 dt + f x(t, X t )dx t = f t(t, X t )dt + f x(t, X t )dx t f xx(t, X t )d X t. ( = f t(t, X t )+f x(t, X t )b t + 1 ) 2 f xx(t, X t )σt 2 dt +f x(t, X t )σ t db t 42
43 Exemple fondamental: Le mouvement brownien géométrique, ou processus log-normal est défini par l équation X t = x + µ avec µ, σ IR. On montre que X s ds + σ X s db s X t = x exp [ µt + σb t σ 2 t/2 ]. Dans le cas où µ et σ sont des fonctions déterministes : X t = x + µ(s)x s ds + [ X t = X exp µ(s)ds + σ(s)ds 1 2 σ(s)x s db s ] σ 2 (s)ds. 43
44 Théorème 5.3 [Troisième formule d Itô] Soient X 1 et X 2 deux processus d Itô issus de x 1 (resp. de x 2 ) de coefficient de dérive b 1 (resp. b 2 ), de coefficient de diffusion σ 1 (resp. σ 2 )et portés respectivement par deux Browniens B 1 et B 2 corrélés avec coefficient ρ. On suppose que b i,σ i sont Ft Bi -adaptés. Soit f une fonction de IR 2 dans IR de classe C 2 àdérivées bornées. On a f(x 1 t,x 2 t )=f(x 1,x 2 ) f 1(X 1 s,x 2 s ) dx 1 s + f 2(X 1 s,x 2 s ) dx 2 s ( f 11(X s 1,Xs 2 ) ( σs 1 ) 2 +2ρ f 12(Xs 1,Xs 2 )σsσ 1 s 2 + f 22(X s 1,Xs 2 ) ( σs 2 ) 2 ) ds où f i désigne la dérivée par rapport à x i et f ij par rapport à x j puis x i, i, j =1, 2. la dérivée seconde 44
45 Proposition 5.4 [Formule d intégration par parties] X 1 t X 2 t = x 1 x 2 + X 1 s dx 2 s + X 2 s dx 1 s + ρ σ 1 sσ 2 s ds. d(x 1 X 2 ) t = X 1 t dx 2 t + X 2 t dx 1 t + d X 1,X 2 t. 45
46 6 Formule de Black & Scholes On considère un marché financier comportant un actif dit sans risque de taux constant r et de prix St = e rt et un actif risqué dont le prix S vérifie ds t = bs t dt + σs t db t soit S t = S exp [ σb t +(b σ 2 /2)t ] On fixe un horizon T> et on souhaite donner le prix d un actif financier qui versera h(s T )àladatet. Le cas d un call Européen de maturité T et de strike K correspond au cas h(x) =(x K) +. 46
47 On procède par duplication (hedging): on forme un portefeuille constitué d α parts de l actif sans risque (le montant de la richesse investie dans cet actif est αe rt )etdeβ t parts de l actif risqué. On va trouver un portefeuille auto-financant de valeur terminale h(s T ). La valeur de ce portefeuille àladatet est V t = α t St + β t S t. La condition d auto-financement se formalise par dv t = α t ds t + β t ds t ; soit dv t = rv t dt + β t S t ((b r)dt + σdb t ) 47
48 On suppose que la valeur du portefeuille àladatet est une fonction déterministe du temps et de la valeur de l actif risqué, soit V (t, S t ). En utilisant la deuxième formule d Itô, on calcule ( V dv t = t (t, S V t)+ bs t x (t, S t)+ σ2 St 2 2 ) V 2 x 2 (t, S t) ( ) V + σs t x (t, S t) db t. En identifiant avec la condition d auto-financement, V σβ t S t = σs t x (t, S t) soit β t = V x (t, S t), ce qui entraîne alors V rs t x (t, S t)+ V t (t, S t) + σ2 St 2 2 avec pour condition terminale V (T,S T )=h(s T ). dt 2 V x 2 (t, S t) rv (t, S t )= 48
49 Comme S t est une v.a. qui peut prendre toutes les valeurs de IR +, on en déduit que V satisfait l EDP rx V V x (t, x) + t (t, x) σ2 x 2 2 V 2 x (t, x) rv (t, x) = (6.1) avec pour condition terminale V (T,x)= h(x). Dans le cas d un call européen h(x) =(x K) +, et pour σ>, cette équation se résout alors en : V (t, x) = xn (d 1 ) Ke r(t t) N (d 2 ) 49
50 où N est la fonction de répartition d une v.a. gaussienne standard : N (x) = 1 2π x e u2 /2 du, et avec les notations ( 1 ( ) d 1 = 2σ ln xe r(t t) /K T t + 1 ) 2 σ2 (T t) et d 2 = d 1 σ T t. La quantité C x (t, S t) = N (d 1 ) qui représente la couverture du marché, soit le nombre de parts de l actif sous jacent utilisées pour répliquer l option s appelle le Delta de l option et représente aussi la sensibilité du prix de l option par rapport au prix du sous jacent. 5
51 Comme conséquence de la formule d Itô appliquée aux EDS, on verra plus tard une formule probabiliste pour le prix du call : C(t, S t ) = e r(t T ) E [( S ] T K) + F t lorsque le S a pour dynamique d S t = r S t dt + σ S t db t. Cette interprétation est fondamentale en Finance, et fait intervenir un changement de probabilité. 51
Probabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailCours de Calcul stochastique Master 2IF EVRY. Monique Jeanblanc
Cours de Calcul stochastique Master 2IF EVRY Monique Jeanblanc Septembre 26 2 Contents 1 Généralités 7 1.1 Tribu............................................... 7 1.1.1 Définition d une tribu.................................
Plus en 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 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 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 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 détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en 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 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 détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en 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 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 détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en 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 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 détailGénération de scénarios économiques
Modélisation des taux d intérêt Pierre-E. Thérond ptherond@galea-associes.eu pierre@therond.fr Galea & Associés ISFA - Université Lyon 1 22 novembre 2013 Motivation La modélisation des taux d intérêt est
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
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 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 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 détailProblème 1 : applications du plan affine
Problème 1 : applications du plan affine Notations On désigne par GL 2 (R) l ensemble des matrices 2 2 inversibles à coefficients réels. Soit un plan affine P muni d un repère (O, I, J). Les coordonnées
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 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 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 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 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 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 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 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 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 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 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 détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en 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 détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en 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 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 détailCalibration de Modèles et Couverture de Produits Dérivés
Calibration de Modèles et Couverture de Produits Dérivés Peter TANKOV Université Paris VII tankov@math.jussieu.fr Edition 28, dernière m.à.j. le 1 mars 28 La dernière version de ce document est disponible
Plus en 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 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 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 détailDécomposition de Föllmer-Schweizer. explicite d un passif d assurance vie. au moyen du calcul de Malliavin
Décomposition de Föllmer-Schweizer explicite d un passif d assurance vie au moyen du calcul de Malliavin Mémoire présenté par Sébastien de Valeriola en vue de l obtention du master en sciences actuarielles
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 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 détailCalibration de modèles et couverture de produits dérivés
Calibration de modèles et couverture de produits dérivés Peter Tankov To cite this version: Peter Tankov. Calibration de modèles et couverture de produits dérivés. DEA. Calibration de modèles et couverture
Plus en détailSurface de volatilité
Surface de volatilité Peter TANKOV Université Paris-Diderot(ParisVII) tankov@math.univ-paris-diderot.fr Dernière m.à.j. February 15, 15 Ce document est mis à disposition sous un contrat Creative Commons
Plus en 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 détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en 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 détailQUESTIONS D ENTRETIENS EN FINANCE DE MARCHE
QUESTIONS D ENTRETIENS EN FINANCE DE MARCHE Le présent document est un recueil de questions, la plupart techniques, posées à des candidats généralement jeunes diplômés, issus d école d ingénieurs, de commerce
Plus en détailMéthodes d approximation numérique pour le pricing des options vanilles et asiatiques dans le modèle de Heston de volatilité stochastique
Méthodes d approximation numérique pour le pricing des options vanilles et asiatiques dans le modèle de Heston de volatilité stochastique Najed Ksouri To cite this version: Najed Ksouri. Méthodes d approximation
Plus en détailÉVALUATION FORMATIVE. On considère le circuit électrique RC représenté ci-dessous où R et C sont des constantes strictement positives.
L G L G Prof. Éric J.M.DELHEZ ANALYSE MATHÉMATIQUE ÉALUATION FORMATIE Novembre 211 Ce test vous est proposé pour vous permettre de faire le point sur votre compréhension du cours d Analyse Mathématique.
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 détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailLa 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 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 détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailMesures gaussiennes et espaces de Fock
Mesures gaussiennes et espaces de Fock Thierry Lévy Peyresq - Juin 2003 Introduction Les mesures gaussiennes et les espaces de Fock sont deux objets qui apparaissent naturellement et peut-être, à première
Plus en détailModélisation de séries financières par un modèle multifractal. Céline Azizieh
Modélisation de séries financières par un modèle multifractal Céline Azizieh Mémoire présenté à l Université Libre de Bruxelles en vue d obtenir le diplôme d actuaire Supervision: W. Breymann (RiskLab,
Plus en 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 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 détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en 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 détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en 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 détailEquations différentielles linéaires à coefficients constants
Equations différentielles linéaires à coefficients constants Cas des équations d ordre 1 et 2 Cours de : Martine Arrou-Vignod Médiatisation : Johan Millaud Département RT de l IUT de Vélizy Mai 2007 I
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 détailRésumé... 9... 10... 10... 10
Bibliographie 1 Table des matières Table des matières.................................... 3 Résumé............................................ 9........................................ 10........................................
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 détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en 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 détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en 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 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 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 et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailApproximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
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 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 détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en 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 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 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 détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détailIntégrales doubles et triples - M
Intégrales s et - fournie@mip.ups-tlse.fr 1/27 - Intégrales (rappel) Rappels Approximation éfinition : Intégrale définie Soit f définie continue sur I = [a, b] telle que f (x) > 3 2.5 2 1.5 1.5.5 1 1.5
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 détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
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 détailPlanche n o 22. Fonctions de plusieurs variables. Corrigé
Planche n o Fonctions de plusieurs variables Corrigé n o : f est définie sur R \ {, } Pour, f, = Quand tend vers, le couple, tend vers le couple, et f, tend vers Donc, si f a une limite réelle en, cette
Plus en détailChapitre 1 Régime transitoire dans les systèmes physiques
Chapitre 1 Régime transitoire dans les systèmes physiques Savoir-faire théoriques (T) : Écrire l équation différentielle associée à un système physique ; Faire apparaître la constante de temps ; Tracer
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 détail