Introduction au pricing d option en finance
|
|
- Mathilde Leroy
- il y a 8 ans
- Total affichages :
Transcription
1 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 en bourse ont des prix fluctuants établis en fonction de l offre et de la demande. En finance, on confond le nom du produit et son prix. Ainsi S t désigne le prix d un actif financier, par exemple l action Renault, à l instant t. S il n y avait pas d aléas dans les marchés on aurait S t+δt = S t (1 + µδt) où µ est la tendance de l actif, à la hausse (µ > 0) ou à la baisse (µ < 0). Cette relation exprime simplement que si l action Renault par exemple qui vaut aujourd hui 90$ monte de 4% en un an alors elle vaudra 90( ) = 90.3$ 12 dans un mois. Lorsque le taux d intérêt bancaire vaut r il est raisonnable de penser que µ = r, car si µ > r il serait plus avantageux d acheter ce produit financier que de prêter au taux r, et inversement, personne ne garderait le produit si µ < r. Mais le marché n étant pas entièrement prévisible, on écrit S t+δt = S t (1 + rδt + σ(w t+δt W t )) où W t est un processus aléatoire brownien et σ est un coefficient numérique appelé la volatilité. Pour la suite, nous n utiliserons qu une seule propriété de W : W t+δt W t = δt N (0, 1) 1
2 où N (0, 1) est le processus gaussien centré en zéro et de variance unité 1 Là encore la modélisation est très simple et dit simplement que la partie aléatoire est d autant plus grande que le pas de temps δt est grand et que la volatilité est grande. Ainsi pour prédire la valeur de l actif S le lendemain, le modèle a un paramètre, σ, ajusté chaque jour sur les données de la veille. Pour prédire la valeur due S dans un an il faut répéter le processus 365 fois. 1.1 Programmation La génération d un nombre aléatoire gaussien va se faire par la procédure gauss() ci-dessous. Celle-ci repose sur l utilisation de la fonction système random() qui rend un entier aléatoire compris entre 0 et un grand nombre RAND MAX (nombre prédéfini dont la valeur dépend de la précision arithmétique de l ordinateur). Ainsi chaque fois l instruction x = random() retourne une valeur différente pour x. Notez que (1+random())/double(1+RAND MAX) est un nombre quelconque entre 0 et 1 avec une probabilité uniforme. On démontre que si x et y sont deux nombres aléatoires de probabilité uniforme entre 0 et 1 alors cos(2πx) 2 log(y) est un nombre aléatoire sur R := (, + ) avec une distribution de probabilité gaussienne centrée en 0 et de variance 1. On obtient donc le programme suivant: #include <iostream> // pour les entrees sorties #include <cmath> // pour les fonctions, cos, log... #include <vector> // pour les vecteurs de la STL #include <fstream> // pour la gestion des fichiers using namespace std; // pour donner un sens a cout... const double two_pi =2*M_PI; // constante de la lib cmath 1 On rappelle qu une variable aléatoire est gaussienne N (µ, σ) si la probabilité qu elle appartienne à (x, x + dx) est (2πσ 2 ) 1/2 exp( (x µ) 2 /(2σ 2 ))dx. Remarquez que si x est N (0, 1), ax est N (0, a). 2
3 double gauss() { double x= double(1.+random())/double(1.+rand_max); double y= double(1.+random())/double(1.+rand_max); return sqrt( -2 *log(x) )*cos(two_pi*y); void EDOstoch(vector<double> &S, double S0, int M, double sigma, double r ) { // historique de S, valeur initiale de S, nb de jours, vol et taux const double dt=1./m, sdt =sigma*sqrt(dt); S[0]= S0; for(int i=1;i<m;i++) S[i]= S[i-1]*( 1 + r*dt + gauss()*sdt ); int main() { const double sigma=0.2, r=0.1; // volatilite, taux const int M=365; double So; vector<double> S(M); // prix de l actif chaque jour cout<<"entrer la valeur de So "; cin >>So; EDOstoch(S,So,M,sigma,r); cout <<"Valeur de S apres un an "<<S[M-1]<<endl; // ecriture des valeurs intermediaires dans un fichier // pour visualiser le resultat utiliser gnuplot: plot "result.dat" w l ofstream ff("result.dat"); for(int i=0;i<m;i++) ff<<s[i]<<endl; return 0; Remarque 1 Pour obtenir un entier aléatoire, random() utilise l overflow. Par exemple sur une machine 64 bits, si s est un entier plus grand que 2 32 le résultat de s s étant supérieur à , il ne tient pas dans le registre du multiplicateur de la machine, il y a overflow et la machine produit n importe quoi quand on calcule s s. Le nombre s utilisé dans random() s appelle en anglais seed. Le résultat de random() est utilisé comme seed pour l appel suivant de random(). Par défaut au début, s est toujours le même; donc si on exécute plusieurs fois ce programme on 3
4 obtiendra toujours les même valeurs. Pour obtenir des valeurs différentes à chaque exécution, ce qui est légitime puisque random() est censé générer des nombres aléatoires, il faut changer seed en rajoutant au début dans le main(): srand(time(null)); La fonction srand ne rend rien mais initialise seed à un entier calculé à partir de l horloge. Deux exécutions à deux temps différents donneront donc deux résultats différents. 160 "result.dat" Figure 1: Une réalisation de S t sur un an. 4
5 2 Pricing d option Une option sur un actif financier est un contrat d achat ou de vente de l actif à un prix donné à une date future. Ce contrat est anonyme, il peut donc être revendu et le problème à résoudre est celui de la détermination de son prix. Prenons un exemple concret: une banque possède un actif qui vaut aujourd hui S 0 = 100$; elle souhaite se couvrir contre les fluctuations du marché et pour cela elle fait savoir qu elle est prête à payer un tiers un prix P 0 (dollars, euros...) une obligation conditionnelle d achat de l action dans un an à 105$. L obligation est conditionnelle dans le sens où celui qui à reçu les P 0 est forcé d acheter l action si la banque le souhaite mais il ne peut forcer la banque à vendre. Le contrat est nominatif dans le sens que le tiers s est engagé et qu il doit donc être localisable sur la période (0,T). On dit alors que la banque a émis une option put P sur S de strike K=105$ et de maturité T=1 an. Le premier problème est de déterminer une valeur raisonnable pour P 0? La banque peut ensuite vouloir vendre l actif à une date ultérieure mais comment établir un prix raisonnable pour ce put? Notez que ce put n a de sens que si l on possède aussi l actif (on dit le sous-jacent) sur lequel il est basé; cependant on peut toujours l acheter plus tard sur le marché, c est pourquoi cette option peut avoir une vie autonome indépendamment du sous-jacent (mais toujours avec le même tiers contractant). Modélisation: Si le marché est fluide, il est raisonnable de supposer que le prix P t de P à une date t > 0 est l espérance du profit que le propriétaire de S t et P t fera à la date T, escompté en t, soit P t = e r(t t) E(K S T ) + où f + (s) = max(f(s), 0) et E désigne l espérance au sens de la théorie des probabilités, c est à dire l intégrale R (K s)+ ρ(s)ds, lorsqu une densité de 5
6 probabilité ρ() existe pour S T. En effet si dans un an l option est cotée en bourse à S T, le profit à la vente est K S T si K > S T et zéro sinon. Or n$ au temps t vaudront ne r(t t) à la date T (exprimée en portion d année) car ils peuvent être placés au taux r. Lorsque dt est petit, on introduit la notation: ds t le problème s écrit: = (S t+dt S t); alors ds t = S t (rdt + σdw t ), S t=0 = S 0 donné P t = e r(t t) E(K S T ) + (1) C est le modèle de Black et Scholes. Programmation: Il suffit de faire générer par le programme N réalisations S n de S T et de faire P t = t) N 1 e r(t N n=0 (K S n ) + D où le programme suivant: #include <iostream> #include <cmath> #include <fstream> #include <cassert> using namespace std; const double two_pi =2*M_PI; double gauss(); double EDOstoch(double S0, int M, double sigma, double r ) { const double dt=1./m, sdt =sigma*sqrt(dt); double S= S0; for(int i=1;i<m;i++) S *= (1.+gauss()*sdt+r*dt); return S; 6
7 int main() { const double r=0.1, sig=0.2, K=140, S0=120, t=12; double option = 0; int T=365, N=50000; for(int I=0;I<N;I++){ double aux = K-EDOstoch(S0,365,sig,r); if(aux<0) aux=0; option +=aux/n; cout <<"L option apres "<<t<<" jours vaut " << option*exp(-r*(t-t)/365) <<endl; return 0; L exécution de ce programme produit Valeur de l option apres 12 jours L équation aux dérivées partielles de Black & Scholes On démontre 2 grâce au calcul de Itô que (1) est équivalent à où u(x, t) est la solution de P t = u(t t, S t ) u t σ2 x 2 2 u 2 x rx u 2 x + ru = 0 dans R+ (0, T ), u(x, 0) = (K x) + Remarque 2 Notez que cette EDP contient implicitement des conditions aux limites en 0 et +. En x = 0, l EDP donne t u+ru = 0, u(0, 0) = K, donc u(0, t) = Ke rt. Si on suppose que u est dans L 2 (R + ) alors lim x + u(x, t) = 0. Exercice 1 Montrer que l EDP peut aussi s écrire sous forme divergentielle u t x 2 u x (σ2 2 x ) βx u x + ru = 0 dans R+ (0, T ), u(x, 0) = (K x) + avec β = r σ 2 xσ σ x. 2 Paul Wilmott, Sam Howison, and Jeff Dewynne. The mathematics of financial derivatives. Cambridge University Press, Cambridge, A student introduction. 7
8 3 Option panier sur 2 sous-jacents Prenons maintenant l exemple d une banque qui pour minimiser encore les risques combine une action Renault avec une action Peugeot avec l idée que si l une baisse, l autre montera et que la somme des deux est plus stable que chacune séparée. Soient St 1, St 2 les prix de ces deux actions. On prend le modèle suivant dst 1 = St 1 (rdt + dwt 1 + dwt 2 ) dst 2 = St 2 (rdt + dwt 2 + dwt 1 ) (2) Comme précédemment Wt 1, Wt 2 sont deux processus gaussiens mais tels que E(dW 1 ) 2 = dtσ 2 1, E(dW 2 ) 2 = dtσ 2 2, E(dW 1 t dw 2 t ) = dtqσ 1 σ 2 Notez que si q = 0 on obtient le modèle précédent pour chacun des actifs et donc q mesure la corrélation entre les deux actifs. Un option put construite sur la somme S 1 + S 2 pour un strike K et une maturité T aura donc comme prix l espérance du bénéfice escompté, soit P t = e r(t t) E(K S 1 T S 2 T ) + Equation aux dérivées partielles : Dès qu une quantité déterministe dépend de la solution d une équation différentielle stochastique, le calcul de Itô s applique. Ici, il donne P t = u(t t, S 1 t, S 2 t ) où u est la solution de u t σ2 1x 2 2 u 2 x σ2 2y 2 2 u 2 2 y qσ 1σ 2 2 xy 2 u x y rx u u ry x y + ru = 0 u(x, 0) = (K x y) + (3) 4 Calcul d une courbe d option par Monte-Carlo #include <iostream> 8
9 #include <cmath> #include <fstream> using namespace std; const double two_pi =2*M_PI; class PriceMC{ public: double r,sigma,k,t,s0; // taux, vol, strike, matur,actif double t, u; // valeur de l option au temps t double gauss(); double EDOstoch(int M); double getputprice(int N, int M); PriceMC(double r1, double sigma1, double K1, double T1, double S01) : r(r1),sigma(sigma1), K(K1), T(T1), S0(S01){ ; // /////////////////////// implementation ///////////////// double PriceMC::gauss(){ double x= double(1.+random())/double(1.+rand_max); double y= double(1.+random())/double(1.+rand_max); return sqrt( -2 *log(x) )*cos(two_pi*y); double PriceMC::EDOstoch(int M){ const double dt=t/m, sdt =sigma*sqrt(dt); double S= S0; for(int i=1;i<m;i++) S *= (1+r*dt+gauss()*sdt); return S; double PriceMC::getPutPrice(int N, int M){ double option = 0; for(int n=0;n<n;n++){ double aux=k-edostoch(m); if(aux<0) aux=0; option += aux/n; return option*exp(-r*(t-t)); // //////////// end class PriceMC ////////////////////// int main(){ srandom(time(null)); PriceMC p(0.01,0.2,140,1,100); // r, sigma, K,T,S0 9
10 p.t = 0.; p.u = p.getputprice(5000,100);// nb trials, nb time steps cout <<"Valeur de l option apres "<<p.t<<" jours "<< p.u <<endl; // gnuplot pour S0->p.u: plot "option.dat" using 1:2 w l ofstream ff("option.dat"); for(p.s0=0; p.s0<250; p.s0+=10){ p.u =p.getputprice(50000,100); cout<<p.s0<<"\t"<<p.u<<endl; ff<<p.s0<<"\t"<<p.u<<endl; return 0; 140 "option.dat" using 1: Figure 2: Résultat du programme ci-dessus pour le calcul d un put. 10
11 5 Annexe: deux arguments pour justifier l EDP 5.1 Le cas déterministe Lorsque σ = 0 le problème n est pas stochastique et se réduit à ds t = S t rdt, S(t 0 ) = S 0, P 0 = e r(t t 0) (K S T ) + Ici c est volontairement que nous ne prenons pas t 0 = 0. La solution de ce problème est On en déduit que S t = e r(t t 0) S 0, P 0 = e r(t t 0) (K e r(t t 0) S 0 ) + P 0 = re r(t t0) (K e r(t t0) S 0 ) + + e r(t t0) 1 t (K e r(t t 0 ) S 0 ) +S 0re r(t t 0) 0 P 0 = e r(t t0) 1 S (K e r(t t 0 ) S 0 ) +er(t t 0) (4) 0 et donc que P 0 P 0 = rp t rs 0 t 0 S 0 qui est l EDP de Black-Scholes dans le cas σ = Le calcul de Itô Soit X t un processus verifiant dx t = µdt + σdw t et f(x t, t) à valeurs réelles fonction des statisitiques de X t et non pas des valeurs (réalisations de) X t, alors df = f f dt + t X µdt + 2 f σ 2 X 2 2 dt Autrement dit, il faut pousser le développement de Taylor justqu a l ordre 2 pour avoir tous les termes d ordre 1 a cause du fait que dw t est d ordre O( t). 11
MATHS 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 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 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 détail1.6- Génération de nombres aléatoires
1.6- Génération de nombres aléatoires 1- Le générateur aléatoire disponible en C++ 2 Création d'un générateur aléatoire uniforme sur un intervalle 3- Génération de valeurs aléatoires selon une loi normale
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 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 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 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 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 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 détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en 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 détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailLes équations différentielles
Les équations différentielles Equations différentielles du premier ordre avec second membre Ce cours porte exclusivement sur la résolution des équations différentielles du premier ordre avec second membre
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 détailEstimation du coût de l incessibilité des BSA
Estimation du coût de l incessibilité des BSA Jean-Michel Moinade Oddo Corporate Finance 22 Juin 2012 Incessibilité des BSA Pas de méthode académique reconnue Plusieurs méthodes «pratiques», dont une usuelle
Plus en détailPrix et couverture d une option d achat
Chapitre 1 Prix et couverture d une option d achat Dans cette première leçon, on explique comment on peut calculer le prix d un contrat d option en évaluant celui d un portefeuille de couverture de cette
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 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 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 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 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 détailCours 7 : Utilisation de modules sous python
Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est
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 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 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 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 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 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 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 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 détailClaude Delannoy. 3 e édition C++
Claude Delannoy 3 e édition Exercices Exercices C++ en en langage langage delc++ titre 4/07/07 15:19 Page 2 Exercices en langage C++ AUX EDITIONS EYROLLES Du même auteur C. Delannoy. Apprendre le C++.
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 détailExamen d informatique première session 2004
Examen d informatique première session 2004 Le chiffre à côté du titre de la question indique le nombre de points sur 40. I) Lentille électrostatique à fente (14) Le problème étudié est à deux dimensions.
Plus en détailProgrammation C++ (débutant)/instructions for, while et do...while
Programmation C++ (débutant)/instructions for, while et do...while 1 Programmation C++ (débutant)/instructions for, while et do...while Le cours du chapitre 4 : le for, while et do...while La notion de
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 détailProjet L1, S2, 2015: Simulation de fourmis, Soutenance la semaine du 4 mai.
Projet L1, S2, 2015: Simulation de fourmis, Soutenance la semaine du 4 mai. 1 Introduction On considère une grille de 20 lignes 20 colonnes. Une case de la grille peut être vide, ou contenir une et une
Plus en détailTP : Gestion d une image au format PGM
TP : Gestion d une image au format PGM Objectif : L objectif du sujet est de créer une classe de manipulation d images au format PGM (Portable GreyMap), et de programmer des opérations relativement simples
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 détailRésumé... 9... 10... 10... 10
Bibliographie 1 Table des matières Table des matières.................................... 3 Résumé............................................ 9........................................ 10........................................
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 détailLicence Sciences et Technologies Examen janvier 2010
Université de Provence Introduction à l Informatique Licence Sciences et Technologies Examen janvier 2010 Année 2009-10 Aucun document n est autorisé Les exercices peuvent être traités dans le désordre.
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 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 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 détailC++ Programmer. en langage. 8 e édition. Avec une intro aux design patterns et une annexe sur la norme C++11. Claude Delannoy
Claude Delannoy Programmer en langage C++ 8 e édition Avec une intro aux design patterns et une annexe sur la norme C++11 Groupe Eyrolles, 1993-2011. Groupe Eyrolles, 2014, pour la nouvelle présentation,
Plus en détailPremiers pas avec Mathematica
Premiers pas avec Mathematica LP206 : Mathématiques pour physiciens I Année 2010/2011 1 Introduction Mathematica est un logiciel de calcul formel qui permet de manipuler des expressions mathématiques symboliques.
Plus en détailSéminaire RGE REIMS 17 février 2011
Séminaire RGE REIMS 17 février 2011 ADACSYS Présentation des FPGA Agenda Spécificité et différences par rapport aux autres accélérateurs Nos atouts Applications Approche innovante Document confidentiel
Plus en détailF7n COUP DE BOURSE, NOMBRE DÉRIVÉ
Auteur : S.& S. Etienne F7n COUP DE BOURSE, NOMBRE DÉRIVÉ TI-Nspire CAS Mots-clés : représentation graphique, fonction dérivée, nombre dérivé, pente, tableau de valeurs, maximum, minimum. Fichiers associés
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 détailNombre dérivé et tangente
Nombre dérivé et tangente I) Interprétation graphique 1) Taux de variation d une fonction en un point. Soit une fonction définie sur un intervalle I contenant le nombre réel a, soit (C) sa courbe représentative
Plus en détailIntroduction à MATLAB R
Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d
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 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 détailCours d Algorithmique et de Langage C 2005 - v 3.0
Cours d Algorithmique et de Langage C 2005 - v 3.0 Bob CORDEAU cordeau@onera.fr Mesures Physiques IUT d Orsay 15 mai 2006 Avant-propos Avant-propos Ce cours en libre accès repose sur trois partis pris
Plus en détailPetite introduction aux mathématiques des dérivés financiers (notes de cours, version provisoire)
Petite introduction aux mathématiques des dérivés financiers notes de cours, version provisoire Michel Miniconi Département de Mathématiques Laboratoire Jean-Alexandre Dieudonné Université de Nice Sophia-Antipolis
Plus en détailEXERCICES - ANALYSE GÉNÉRALE
EXERCICES - ANALYSE GÉNÉRALE OLIVIER COLLIER Exercice 1 (2012) Une entreprise veut faire un prêt de S euros auprès d une banque au taux annuel composé r. Le remboursement sera effectué en n années par
Plus en détailChapitre 0 Introduction à la cinématique
Chapitre 0 Introduction à la cinématique Plan Vitesse, accélération Coordonnées polaires Exercices corrigés Vitesse, Accélération La cinématique est l étude du mouvement Elle suppose donc l existence à
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 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 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 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 détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
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 détailModèle GARCH Application à la prévision de la volatilité
Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
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 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 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 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 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 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 détailC f tracée ci- contre est la représentation graphique d une
TLES1 DEVOIR A LA MAISON N 7 La courbe C f tracée ci- contre est la représentation graphique d une fonction f définie et dérivable sur R. On note f ' la fonction dérivée de f. La tangente T à la courbe
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 détailCouverture des risques dans les marchés financiers
énéral2.6.137 1 2 Couverture des risques dans les marchés financiers Nicole El Karoui Ecole Polytechnique,CMAP, 91128 Palaiseau Cedex email : elkaroui@cmapx.polytechnique.fr Année 23-24 2 Table des matières
Plus en détailPolynômes à plusieurs variables. Résultant
Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \
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 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 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 détailExercice 1 Trouver l équation du plan tangent pour chaque surface ci-dessous, au point (x 0,y 0,z 0 ) donné :
Enoncés : Stephan de Bièvre Corrections : Johannes Huebschmann Exo7 Plans tangents à un graphe, différentiabilité Exercice 1 Trouver l équation du plan tangent pour chaque surface ci-dessous, au point
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
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 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 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 détailIntroduction à l analyse numérique : exemple du cloud computing
Introduction à l analyse numérique : exemple du cloud computing Tony FEVRIER Aujourd hui! Table des matières 1 Equations aux dérivées partielles et modélisation Equation différentielle et modélisation
Plus en 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 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 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 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 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 détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en 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 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 détailEvaluation des options parlatransformée de Fourier
Evaluation des options parlatransformée de Fourier Bogdan Negrea Juin 00 y Abstract Le modèle de Black et Scholes a pour hypothèse la constance de la volatilité associée à la distribution risque-neutre.
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 détailTP: Représentation des signaux binaires. 1 Simulation d un message binaire - Codage en ligne
Objectifs : Ce TP est relatif aux différentes méthodes de codage d une information binaire, et à la transmission en bande de base de cette information. Les grandes lignes de ce TP sont l étude des méthodes
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 détailNOTICE MÉTHODOLOGIQUE SUR LES OPTIONS DE CHANGE
NOTICE MÉTHODOLOGIQUE SUR LES OPTIONS DE CHANGE Avec le développement des produits dérivés, le marché des options de change exerce une influence croissante sur le marché du change au comptant. Cette étude,
Plus en détail