Simulations de Monte Carlo
|
|
- Marie-Louise Mélançon
- il y a 8 ans
- Total affichages :
Transcription
1 Simulations de Monte Carlo 2 février 261 CNAM GFN 26 Gestion d actifs et des risques Gréory Taillard GFN 26 Gestion d actifs et des risques
2 2 Biblioraphie Hayat, Sere, Patrice Poncet et Roland Portait, «Mathématiques financières : évaluations des actifs et analyse du risque», Dalloz, 1996 Glasserman, Paul, «Monte Carlo Methods in Financial Enineerin», Spriner, 23 GFN 26 Gestion d actifs et des risques
3 3 Un premier exemple Calcul d une surface Comment estimer la surface d une ellipse? En remplissant uniformément un rectanle contenant l ellipse S Ellipse S Rectanle N Ellipse / N Rectanle GFN 26 Gestion d actifs et des risques
4 4 Un exemple en banque commerciale Perte en capital sur un portefeuille de crédit Une banque souhaite connaître la probabilité de perte en capital sur son activité de crédit Chaque client emprunte un montant M i à un taux r i et pour une durée T i Il y a une probabilité p i pour que le prêt ne soit pas remboursé Soit à calculer : P[ M i (1+r i ) T i xi M i ] avec P[x i = ] = p i Calcul explicite de la distribution du P&L? GFN 26 Gestion d actifs et des risques
5 5 Calcul de la distribution du P&L Caractéristiques d un portefeuille de 1 lines Line N Probabilité de défaut Nominal Taux d'intérêt Maturité ,37% 4,41 4,17% ,32% 1,32 1,62% ,13% 2,36 3,71% ,4% 4,25 2,43% ,24% 4,54,51% ,71%,29 2,25% ,62% 2,15,7% ,17% 3,81 3,7% ,52% 4,7 1,7% ,28%,77 2,5% GFN 26 Gestion d actifs et des risques
6 6 Calcul de la distribution du P&L Distribution pour 1 line 1E+ Probabilité (échelle lo) 1E-2 1E-4 1E-6 1E-8-1% -8% -6% -4% -2% % 2% 4% Gain sur le portefeuille GFN 26 Gestion d actifs et des risques
7 7 Calcul de la distribution du P&L Distribution pour 2 lines 1E+ Probabilité (échelle lo) 1E-2 1E-4 1E-6 1E-8-1% -8% -6% -4% -2% % 2% 4% Gain sur le portefeuille GFN 26 Gestion d actifs et des risques
8 8 Calcul de la distribution du P&L Distribution pour 3 lines 1E+ Probabilité (échelle lo) 1E-2 1E-4 1E-6 1E-8-1% -8% -6% -4% -2% % 2% 4% Gain sur le portefeuille GFN 26 Gestion d actifs et des risques
9 9 Calcul de la distribution du P&L Distribution pour 4 lines 1E+ Probabilité (échelle lo) 1E-2 1E-4 1E-6 1E-8-1% -8% -6% -4% -2% % 2% 4% Gain sur le portefeuille GFN 26 Gestion d actifs et des risques
10 1 Calcul de la distribution du P&L Distribution pour 5 lines 1E+ Probabilité (échelle lo) 1E-2 1E-4 1E-6 1E-8-1% -8% -6% -4% -2% % 2% 4% Gain sur le portefeuille GFN 26 Gestion d actifs et des risques
11 11 Calcul de la distribution du P&L Distribution pour 6 lines 1E+ Probabilité (échelle lo) 1E-2 1E-4 1E-6 1E-8-1% -8% -6% -4% -2% % 2% 4% Gain sur le portefeuille GFN 26 Gestion d actifs et des risques
12 12 Calcul de la distribution du P&L Distribution pour 7 lines 1E+ Probabilité (échelle lo) 1E-2 1E-4 1E-6 1E-8-1% -8% -6% -4% -2% % 2% 4% Gain sur le portefeuille GFN 26 Gestion d actifs et des risques
13 13 Calcul de la distribution du P&L Distribution pour 8 lines 1E+ Probabilité (échelle lo) 1E-2 1E-4 1E-6 1E-8-1% -8% -6% -4% -2% % 2% 4% Gain sur le portefeuille GFN 26 Gestion d actifs et des risques
14 14 Calcul de la distribution du P&L Distribution pour 9 lines 1E+ Probabilité (échelle lo) 1E-2 1E-4 1E-6 1E-8-1% -8% -6% -4% -2% % 2% 4% Gain sur le portefeuille GFN 26 Gestion d actifs et des risques
15 15 Calcul de la distribution du P&L Distribution pour 1 lines 1E+ Probabilité (échelle lo) 1E-2 1E-4 1E-6 1E-8-1% -8% -6% -4% -2% % 2% 4% Gain sur le portefeuille GFN 26 Gestion d actifs et des risques
16 16 Simulation de la distribution du P&L Perte en capital sur un portefeuille de crédit Une banque souhaite connaître la probabilité de perte en capital sur son activité de crédit Chaque client emprunte un montant M i à un taux r i et pour une durée T i Il y a une probabilité p i pour que le prêt ne soit pas remboursé Soit à calculer : P[ M i (1+r i ) T i xi M i ] avec P[x i = ] = p i Cette probabilité est estimée à partir d un rand nombre de scénarios Pour chaque scénario, on simule les variables x i sur l ensemble du portefeuille Le revenu final est calculé puis comparé avec le capital initialement prêté La proportion de scénarios défavorables détermine la probabilité de pertes La modélisation du portefeuille peut être plus complexe : dépendance des défauts, remboursements périodiques, valorisation à des dates intermédiaires GFN 26 Gestion d actifs et des risques
17 17 Un exemple en estion de portefeuilles Etude d un Stop Loss Un érant définit la stratéie suivante Investissement initial dans un panier d actions (rentabilité annuelle de 1% pour une volatilité de 2%) Il coupe sa position si le panier perd plus de 1% par rapport à son plus haut historique (depuis la date d investissement) et le substitue par un investissement monétaire rémunéré à 3% Il réinvestit dans les actions lorsque le marché remonte de 5% à partir du plus bas historique (depuis la date de désinvestissement) Quelle est la performance moyenne de cette stratéie? Sa volatilité? Quelle est la durée moyenne de monétarisation? GFN 26 Gestion d actifs et des risques
18 18 Simulation du portefeuille Marché d actions orienté à la hausse Stratéie Actions Date (années) GFN 26 Gestion d actifs et des risques
19 19 Simulation du portefeuille Marché d actions orienté à la baisse Stratéie Actions Date (années) GFN 26 Gestion d actifs et des risques
20 2 Simulation du portefeuille Marché d actions sans tendance Stratéie 1 5 Actions Date (années) GFN 26 Gestion d actifs et des risques
21 21 Gestion dynamique et Monte Carlo Recours aux simulations pour l étude des stratéies Quelle est la performance moyenne de cette stratéie? Sa volatilité? Quelle est la durée moyenne de monétarisation? L analyse sur quelques scénarios donne une première idée du comportement de la stratéie mais des simulations intensives sont nécessaires pour quantifier plus précisément la stratéie Tout l historique des actions et du portefeuille doit être simulé La valeur finale du portefeuille dépend de la trajectoire suivie par le marché actions L étude porte éalement sur le comportement de la stratéie à des dates intermédiaires GFN 26 Gestion d actifs et des risques
22 22 Un exemple de pricin d options Le prix d un accumulator On considère l option suivante de maturité 5 ans On observe à la fin de chaque trimestre la performance de l Eurostoxx 5 et l on retient le minimum entre cette performance et 5% Au bout des 5 ans, l option paie la somme des performances retenues si elle est positive En absence d opportunité d arbitrae, on montre que le prix d une option est éale à l espérance, sous la probabilité risque neutre, de son payoff actualisé Si on connaît la loi d évolution de l Eurostoxx 5 sous la probabilité risque neutre On simule les trajectoires de prix sous cette probabilité On calcule le payoff pour chaque trajectoire Le prix de l option est estimé par la moyenne empirique des payoffs que l on actualise GFN 26 Gestion d actifs et des risques
23 23 Technique de Monte Carlo Définition Méthode numérique permettant de décrire la distribution d une variable aléatoire ou d un processus stochastique et, plus particulièrement, de calculer l espérance d une fonction de cette variable Construction d une suite de nombres (x n ) n 1 dont la répartition empirique reproduit la distribution de probabilité de la variable aléatoire x à étudier Converence assurée par la loi des rands nombres 1/n 1 i n f(x i ) E[f(x)] Particulièrement utile en l absence de solution analytique GFN 26 Gestion d actifs et des risques
24 24 Génération d une distribution uniforme La première étape de toute simulation Quelle place pour le hasard? Recours à l ordinateur qui produit des séquences de nombres pseudo-aléatoires au moyen de procédures déterministes Nécessité d initialiser la séquence : seed Générateur linéaire conruentiel : suite d entiers définie par récurrence X n+1 = ax n + c (mod m) X = seed Méthode utilisée par de nombreux calculateurs calculateurs (Excel ) Exemple de valeurs pour les constantes : m = , a = et c = Tous les énérateurs ne sont pas équivalents La lonueur de la séquence est limitée par la période du énérateur ( m) Attention à la présence de corrélation sérielle GFN 26 Gestion d actifs et des risques
25 25 Génération d une distribution uniforme Suite de 5 points énérés par conruence linéaire 1,5,1,2,3,4,5,6,7,8,9 1 GFN 26 Gestion d actifs et des risques
26 26 Génération d une distribution uniforme Amélioration de la capacité du énérateur Pour aumenter la période du énérateur Choix d une valeur de m plus rande mais limitée par la taille du CPU Combinaison de 2 énérateurs conruentiels avec des constantes différentes Pour diminuer la présence de corrélation sérielle Initialisation d un tableau de nombres aléatoires A chaque étape, on choisit aléatoirement une valeur du tableau et on la remplace par un autre nombre aléatoire Le choix d un énérateur dépend de l utilisation qui en est faite Les énérateurs simples suffisent pour un petit nombre de tiraes (< 1 6 ) Pour simuler des trajectoires sur un panier d actifs, il faut recourir à un énérateur plus puissant GFN 26 Gestion d actifs et des risques
27 27 Génération d une distribution quelconque Transformation d une distribution uniforme Utilisation de la fonction de répartition inverse La fonction de répartition d une variable aléatoire est uniformément distribuée Si elle s inverse facilement, il suffit de l appliquer à un énérateur uniforme pour obtenir la distribution désirée (ex : distribution exponentielle) Méthode de Box-Muller pour obtenir une distribution normale standard y 1 = -2lnx 1 cos(2πx 2 ) y 2 = -2lnx 1 sin(2πx 2 ) A partir de 2 variables aléatoires uniformes x 1 et x 2, on obtient 2 variables aussiennes y 1 et y 2 Plus énéralement, la distribution d une variable aléatoire peut être simulée par la transformation d autres variables aléatoires (ex : distributions lonormale, khi-deux, student ) GFN 26 Gestion d actifs et des risques
28 28 Génération d une distribution aussienne Suite de 5 points énérés par la méthode de Box-Muller GFN 26 Gestion d actifs et des risques
29 29 Simulation d une trajectoire Processus markovien à temps discret L évolution future d un processus markovien dépend uniquement de son état présent, pas de son histoire Exemple de la marche aléatoire : X t+1 = X t +ε t+1 ou X t+1 = X t (1+ε t+1 ) avec X donné et (ε t ) t 1 i.i.d De manière énérale, le processus est défini par récurrence : X t+1 = f(x t,ε t+1 ) La simulation de la trajectoire se construit pas à pas A chaque date t, on énère l innovation ε t+1 On applique la fonction de transition f à X t et ε t+1 pour obtenir X t+1 Pour N trajectoires de T périodes, il faut énérer N T nombres aléatoires GFN 26 Gestion d actifs et des risques
30 3 Simulation d une trajectoire La marche aléatoire pas à pas GFN 26 Gestion d actifs et des risques
31 31 Simulation d une trajectoire La marche aléatoire pas à pas GFN 26 Gestion d actifs et des risques
32 32 Simulation d une trajectoire La marche aléatoire pas à pas GFN 26 Gestion d actifs et des risques
33 33 Simulation d une trajectoire La marche aléatoire pas à pas GFN 26 Gestion d actifs et des risques
34 34 Simulation d une trajectoire La marche aléatoire pas à pas GFN 26 Gestion d actifs et des risques
35 35 Simulation d une trajectoire La marche aléatoire pas à pas GFN 26 Gestion d actifs et des risques
36 36 Simulation en temps continu Processus défini par une Equation Différentielle Stochastique Discrétisation de la loi d évolution du processus Les ordinateurs ne connaissent pas le temps continu Temps continu comme limite du temps discret lorsque le pas de temps tend vers dx t X t = X t+ t X t lorsque t En temps discret, l EDS dx t = µ(t, X t )dt + σ(t, X t )dw t devient : X t+ t = X t + µ(t, X t ) t + σ(t, X t ) W t Simulation d un mouvement brownien Mouvement brownien : processus continu dont les accroissements sont indépendants et suivent une loi normale W t W t ~ N(,t -t) Simulation en temps discret de la relation W (i+1) t = W i t + t ε (i+1) t Choix du pas de temps : arbitrae entre une meilleure approximation et la rapidité du calcul GFN 26 Gestion d actifs et des risques
37 37 Simulation en temps continu Le modèle de Black & Scholes Ce modèle spécifie l EDS représentant l évolution du prix S t d un actif risqué ds t = S t (µ dt + σ dw t ) En temps discret, la solution peut être approximée par : S t+ t = S t (1 + µ t + σ W t ) L EDS de Black & Scholes peut être résolue analytiquement Lemme d Ito : df(t,s t ) = f/ t dt + f/ S ds t + ½ ²f/ S² d<s t ²> En choisissant f(t,s t ) = ln(s t ), l EDS devient dln(s t ) = (µ σ ²/2) dt + σ dw t Pour simuler le modèle de Black & Scholes, on utilise de préférence la relation suivante S t+ t = S t exp[(µ σ ²/2) t + σ W t ] GFN 26 Gestion d actifs et des risques
38 38 Simulation de variables corrélées Décomposition de Choleski Toute matrice symétrique définie positive Σ peut s écrire sous la forme Σ = ΛΛ où Λ est une matrice trianulaire inférieure Le terme énéral λ ij (1 j i M) de Λ découle des relations de récurrence λ ii ² = σ ii j<i λ ij ² λ ij = (σ ij k<j λ ik λ jk )/λ jj j<i Simulation en 2 étapes Simulation des N composantes indépendantes d un vecteur aléatoire X Application de la transformation linéaire Y = ΛX La matrice de variance covariance du vecteur Y est éale à Σ = ΛΛ Pour simuler N trajectoires d un panier de P actifs sur T périodes, il faut énérer N T P nombres aléatoires GFN 26 Gestion d actifs et des risques
39 39 Simulation de variables corrélées Exemple de décomposition d une matrice de corrélation 1,,899,278,5161 Σ =,899,278 1,,6823,6823 1, -,1612,2792,5161 -,1612,2792 1, Λ = GFN 26 Gestion d actifs et des risques
40 4 Simulation de variables corrélées Exemple de décomposition d une matrice de corrélation 1,,899,278,5161 Σ =,899,278 1,,6823,6823 1, -,1612,2792,5161 -,1612,2792 1, 1, Λ = GFN 26 Gestion d actifs et des risques
41 41 Simulation de variables corrélées Exemple de décomposition d une matrice de corrélation 1,,899,278,5161 Σ =,899,278 1,,6823,6823 1, -,1612,2792,5161 -,1612,2792 1, 1, Λ =,899 GFN 26 Gestion d actifs et des risques
42 42 Simulation de variables corrélées Exemple de décomposition d une matrice de corrélation 1,,899,278,5161 Σ =,899,278 1,,6823,6823 1, -,1612,2792,5161 -,1612,2792 1, 1, Λ =,899,9959 GFN 26 Gestion d actifs et des risques
43 43 Simulation de variables corrélées Exemple de décomposition d une matrice de corrélation 1,,899,278,5161 Σ =,899,278 1,,6823,6823 1, -,1612,2792,5161 -,1612,2792 1, 1, Λ =,899,278,9959 GFN 26 Gestion d actifs et des risques
44 44 Simulation de variables corrélées Exemple de décomposition d une matrice de corrélation 1,,899,278,5161 Σ =,899,278 1,,6823,6823 1, -,1612,2792,5161 -,1612,2792 1, 1, Λ =,899,278,9959,666 GFN 26 Gestion d actifs et des risques
45 45 Simulation de variables corrélées Exemple de décomposition d une matrice de corrélation 1,,899,278,5161 Σ =,899,278 1,,6823,6823 1, -,1612,2792,5161 -,1612,2792 1, 1, Λ =,899,278,9959,666,72 GFN 26 Gestion d actifs et des risques
46 46 Simulation de variables corrélées Exemple de décomposition d une matrice de corrélation 1,,899,278,5161 Σ =,899,278 1,,6823,6823 1, -,1612,2792,5161 -,1612,2792 1, 1, Λ =,899,278,9959,666,72,5161 GFN 26 Gestion d actifs et des risques
47 47 Simulation de variables corrélées Exemple de décomposition d une matrice de corrélation 1,,899,278,5161 Σ =,899,278 1,,6823,6823 1, -,1612,2792,5161 -,1612,2792 1, 1, Λ =,899,278,9959,666,72,5161 -,284 GFN 26 Gestion d actifs et des risques
48 48 Simulation de variables corrélées Exemple de décomposition d une matrice de corrélation 1,,899,278,5161 Σ =,899,278 1,,6823,6823 1, -,1612,2792,5161 -,1612,2792 1, 1, Λ =,899,278,9959,666,72,5161 -,284,3957 GFN 26 Gestion d actifs et des risques
49 49 Simulation de variables corrélées Exemple de décomposition d une matrice de corrélation 1,,899,278,5161 Σ =,899,278 1,,6823,6823 1, -,1612,2792,5161 -,1612,2792 1, 1, Λ =,899,278,9959,666,72,5161 -,284,3957,735 GFN 26 Gestion d actifs et des risques
50 5 Simulation de variables corrélées Exemple de décomposition d une matrice de corrélation 1,,899,278,5161 Σ =,899,278 1,,6823,6823 1, -,1612,2792,5161 -,1612,2792 1, 1, Λ =,899,278,9959,666,72,5161 -,284,3957,735 GFN 26 Gestion d actifs et des risques
51 51 Précision des résultats Faible vitesse de converence Le Théorème Central Limite indique que la méthode de monte carlo convere assez lentement en O(N -1/2 ) Si (X i ) i 1 est une suite i.i.d. de variance finie σ², sa moyenne empirique M N = i X i suit asymptotiquement une loi normale centrée sur l espérance des X i et de variance σ²/n Pour aumenter la précision d un facteur 1, il faut effectuer 1 fois plus de simulations Pour accroître l efficacité des simulations, il existe différentes techniques de réduction de la variance Variables antithétiques Variable de contrôle Importance samplin GFN 26 Gestion d actifs et des risques
52 52 Précision des résultats Calcul du prix d un call 1 an ATM,12,1, Taux d intérêt : 3%, volatilité : 2% GFN 26 Gestion d actifs et des risques
53 53 Variables antithétiques Doubler simplement le nombre de points Pour chaque valeur énérée à partir d une densité de probabilité centrée et symétrique, on sélectionne éalement la valeur opposée Le temps de calcul est plus faible que si on énérait 2N valeurs indépendantes Permet de s assurer que la moyenne de l échantillon simulé est nulle Si la distribution n est pas centrée, il suffit de prendre le symétrique par rapport à la moyenne L efficacité en terme de réduction de variance dépend de la fonction que l on applique à la variable aléatoire et dont on cherche à estimer l espérance Cette méthode n est pas valable pour des distributions non symétriques GFN 26 Gestion d actifs et des risques
54 54 Variables antithétiques Calcul du prix d un call 1 an ATM,12,1, Taux d intérêt : 3%, volatilité : 2% GFN 26 Gestion d actifs et des risques
55 55 Variable de contrôle Utiliser une variable similaire et d espérance connue Si on dispose d une variable Y dont on peut calculer explicitement l espérance et qu on suppose assez proche de X, on utilise un estimateur de la forme M X β(m Y E[Y]) où M X et M Y sont les moyennes simulées de X et Y Pour obtenir une efficacité optimale, il faut prendre β = cov(m X,M Y )/var(m Y ) La variance de l estimation vaut alors (1- ρ XY ²) var(m X ) En pratique, X et Y s expriment sous la forme de 2 fonctions similaires d une même variable aléatoire On commence par simuler un petit nombre de valeurs pour estimer β On lance une simulation à rande échelle et on calcule E[X] à partir du β estimé Technique réellement intéressante si les valeurs de X et Y sont très corrélées GFN 26 Gestion d actifs et des risques
56 56 Importance samplin Priviléier les trajectoires qui comptent le plus Lorsqu on veut estimer l espérance de f(x), il arrive fréquemment qu une petite partie des simulations contribue pour une rande partie du résultat Pour une option très en dehors de la monnaie, il y a peu de trajectoires du sousjacent pour lesquelles l option terminera dans la monnaie Ces trajectoires contribuent peu à l estimation du prix ce qui ralentit la converence On cherche alors une nouvelle distribution pour X qui favorise le tirae de trajectoires où f prend ses valeurs les plus sinificatives Il convient de corrier l estimateur de la moyenne afin de prendre en compte la déformation de la distribution de X Si p(x) est la distribution d oriine et q(x) la distribution modifiée, chaque trajectoire est pondérée par p(x i ) /q(x i ) Toute la difficulté réside dans le choix de la distribution modifiée GFN 26 Gestion d actifs et des risques
Value 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 détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en 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 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 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 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 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 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 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 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 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 détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailExercice du cours Gestion Financière à Court Terme : «Analyse d un reverse convertible»
Exercice du cours Gestion Financière à Court Terme : «Analyse d un reverse convertible» Quand la trésorerie d une entreprise est positive, le trésorier cherche le meilleur placement pour placer les excédents.
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 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 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 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 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 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 détailChapitre 1. L intérêt. 2. Concept d intérêt. 1. Mise en situation. Au terme de ce chapitre, vous serez en mesure de :
Chapitre 1 L intérêt Au terme de ce chapitre, vous serez en mesure de : 1. Comprendre la notion générale d intérêt. 2. Distinguer la capitalisation à intérêt simple et à intérêt composé. 3. Calculer la
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 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 détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en 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 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 détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en 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 détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en 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 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 détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en 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 détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailLa valeur présente (ou actuelle) d une annuité, si elle est constante, est donc aussi calculable par cette fonction : VA = A [(1-1/(1+k) T )/k]
Evaluation de la rentabilité d un projet d investissement La décision d investir dans un quelconque projet se base principalement sur l évaluation de son intérêt économique et par conséquent, du calcul
Plus en détailCHAPITRE IV Oscillations libres des systèmes à plusieurs degrés de liberté
CHAPITE IV Oscillations ibres des Systèmes à plusieurs derés de liberté 010-011 CHAPITE IV Oscillations libres des systèmes à plusieurs derés de liberté Introduction : Dans ce chapitre, nous examinons
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 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 détailLes techniques des marchés financiers
Les techniques des marchés financiers Corrigé des exercices supplémentaires Christine Lambert éditions Ellipses Exercice 1 : le suivi d une position de change... 2 Exercice 2 : les titres de taux... 3
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 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 détailSujet 4: Programmation stochastique propriétés de fonction de recours
Sujet 4: Programmation stochastique propriétés de fonction de recours MSE3313: Optimisation Stochastiqe Andrew J. Miller Dernière mise au jour: October 19, 2011 Dans ce sujet... 1 Propriétés de la fonction
Plus en détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
Plus en 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 détailModule 7: Chaînes de Markov à temps continu
Module 7: Chaînes de Markov à temps continu Patrick Thiran 1 Introduction aux chaînes de Markov à temps continu 1.1 (Première) définition Ce module est consacré aux processus à temps continu {X(t), t R
Plus en 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 détailLe théorème des deux fonds et la gestion indicielle
Le théorème des deux fonds et la gestion indicielle Philippe Bernard Ingénierie Economique& Financière Université Paris-Dauphine mars 2013 Les premiers fonds indiciels futent lancés aux Etats-Unis par
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en 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 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 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 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 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 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 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 détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en 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 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 détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailMATHÉMATIQUES ET APPLICATIONS
MASTER 2 ème ANNÉE MATHÉMATIQUES ET APPLICATIONS Parcours Mathématiques du Risque et Actuariat ANNÉE UNIVERSITAIRE 2015 2016 1 PRESENTATION Le Master 2 Mathématiques du Risque et Actuariat a pour objectif
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 détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
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 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 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 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 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 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 détailPratique des options Grecs et stratégies de trading. F. Wellers
Pratique des options Grecs et stratégies de trading F. Wellers Plan de la conférence 0 Philosophie et structure du cours 1 Définitions des grecs 2 Propriétés des grecs 3 Qu est ce que la volatilité? 4
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 détailOptions et Volatilité (introduction)
SECONDE PARTIE Options et Volatilité (introduction) Avril 2013 Licence Paris Dauphine 2013 SECONDE PARTIE Philippe GIORDAN Head of Investment Consulting +377 92 16 55 65 philippe.giordan@kblmonaco.com
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en 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 détailINTRODUCTION INTRODUCTION
INTRODUCTION INTRODUCTION Les options sont des actifs financiers conditionnels qui donnent le droit mais pas l'obligation d'effectuer des transactions sur des actifs supports. Leur intérêt réside dans
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 détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailLe modèle de régression linéaire
Chapitre 2 Le modèle de régression linéaire 2.1 Introduction L économétrie traite de la construction de modèles. Le premier point de l analyse consiste à se poser la question : «Quel est le modèle?». Le
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
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 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 détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
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 détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en 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 détailRésumé... 9... 10... 10... 10
Bibliographie 1 Table des matières Table des matières.................................... 3 Résumé............................................ 9........................................ 10........................................
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailProbabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1
Introduction Probabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1 L auteur remercie Mme Sylvie Gervais, Ph.D., maître
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 détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailComprendre les produits structurés
Comprendre les produits structurés Sommaire Page 3 Introduction Page 4 Qu est-ce qu un produit structuré? Quels sont les avantages des produits structurés? Comment est construit un produit structuré? Page
Plus en détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Plus en détailComment évaluer une banque?
Comment évaluer une banque? L évaluation d une banque est basée sur les mêmes principes généraux que n importe quelle autre entreprise : une banque vaut les flux qu elle est susceptible de rapporter dans
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 détail