Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale.
|
|
- Serge St-Germain
- il y a 8 ans
- Total affichages :
Transcription
1 Aix Marseille Université. Algorithmes Stochastiques. M MIS. Fabienne Castell... Chapitre : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Le but de ce chapitre est de présenter un algorithme stochastique de calcul approché d une intégrale I = f(x) dµ(x), E où E est un espace mesurable, et µ une probabilité sur E. Cette méthode s appuie sur une la loi des grands nombres pour les sommes de v.a.i.i.d. Il s agit de la méthode de Monte Carlo avec tirages indépendants. Dans le chapitre suivant, nous verrons un autre algorithme stochastique pour la calcul approché d une intégrale, la méthode MCMC (Monte Carlo Markov Chains) qui s appuie sur le théorème ergodique pour les chaînes de Markov. Principe de la méthode. Cette méthode s appuie sur la loi des grands nombres pour des sommes de v.a.i.i.d : Si X i sont des v.a.i.i.d. de loi µ, et si E( f(x ) ) <, alors Ī n n n f(x i ) p.s. E(f(X )) = I = E f(x) dµ(x). Ainsi, si l on sait simuler des variables de loi µ, pour avoir une approximation de I, il suffit de tirer un grand nombre de variables de loi µ, et de calculer Īn. Vitesse de convergence. La vitesse de convergence dans la méthode de Monte-Carlo est donnée par le TLC. Si X i sont des v.a.i.i.d. de loi µ, et si E( f(x ) ) <, alors n (Īn I ) var(f(x )) loi Z, où Z N(0, ). () Comme P [ Z.96 = 0.9, on a donc pour n grand, [ var(f(x )) var(f(x )) P Ī n.96 I n Īn n Ainsi, la vitesse de la méthode de Monte Carlo est en n, ce qui est assez mauvais si l espace E est de petite dimension quand on compare cette méthode à n importe quelle méthode déterministe (trapèzes...). En revanche, cette vitesse est indépendante de la dimension. Ainsi, la méthode de Monte-Carlo devient performante lorsque l espace E est de grande dimension, voire de dimension infinie.
2 Méthodes de réduction de variance. L approximation faite est d autant meilleure que la variance de f(x ) est faible. On peut estimer cette variance par la variance empirique S n n n (f(x i ) Īn) p.s. var(f(x )). () On déduit des résultats de convergence () et () que n S n (Īn I) loi Z, Z N(0, ). On a donc à nouveau lorsque n est grand [ P Ī n.96 S n I n Īn.96 S n 0.9. () n Nous présentons dans la suite quelques méthodes classiques qui permettent de réduire la variance de la méthode de Monte-Carlo.. Échantillonnage préférentiel. Supposons ici que E = R d et qu on veuille calculer I = f(x)g(x)dx où g est une densité de probabilité sur R d. Une première méthode est d approcher I par n n f(x i) où les X i sont des v.a.i.i.d. de loi de densité g. Soit maintenant f une autre densité de probabilité telle que f > 0. On peut récrire I sous la forme I = f(x)g(x) f(x) dx. Cette écriture suggère d approcher I par f(x) n fg n f (Y i), où les Y i sont des v.a.i.i.d. de loi de densité f. On a gagné quelque chose si ( ) [ (fg ) var fg f (Y ) var(f(x )) E (Y ) E [ f f (X ) f (x)g (x) dx f f(x) (x)g(x) dx. (4) On doit donc choisir f de telle sorte que : f soit facile à simuler ; f vérifie (4). Une façon d obtenir (4), est de choisir f proche de fg (ce qui suppose que f est positive), afin d avoir une variance proche de zéro, et de renormaliser afin de faire de f une probabilité.. Variables de contrôle. Soit à approcher I = E[f(X). On peut toujours écrire I = E(f(X) h(x)) E(h(X)). Supposons que l on sache calculer E(h(X)) de façon explicite. Le calcul approché de I se ramène au calcul approché de E(f(X) h(x)). On a gagné quelque chose si var(f(x) h(x)) var(f(x)).
3 . Variables antithétiques. Soit toujours à calculer I = E(f(X)). Supposons que[ pour une transformation T, X et T (X) ait la même loi. On peut alors écrire I = E f(x)f(t (X)), et approcher I par n f(x i )f(t (X i )) n. On a ( ) [ ( ) var f(x )f(t (X )) = E f(x )f(t (X )) I = 4 (E[f (X ) E[f(X )f(t (X ))) I car X loi = T (X), (E[f (X ) E[f (X )) I = var(f(x ) par Hölder On gagne donc toujours en terme de qualité de l approximation Monte-Carlo. 4 Travaux Pratiques. Le but du TP est d estimer par Monte-Carlo le prix d options call et put basées sur un ou plusieurs actifs risqués. 4. Cas d un seul actif risqué. Le call est une option d achat basée sur un actif à risque de prix (S t ; t 0). A l instant 0, l acheteur d une option call achète à un prix C, le droit d acheter à l échéance T, l actif S à un prix K fixé, et ce quel que soit le prix de l action à l instant T. Si S T K, le détenteur du call exerce son droit, et achète l action au prix K. Si on note r le taux d intérêt de l actif sans risque, son gain est alors de S T K Ce rt = (S T K) Ce rt. En revanche, si S T < K, il n exerce pas son droit, n achète pas l action, et son gain (qui est une perte) est donc de Ce rt = (S T K) Ce rt. Pour que le jeu soit équitable (une condition raisonnable pour que deux joueurs acceptent d y jouer), il faut donc que le prix C de l option d achat soit tel que C = E [(e rt S T Ke rt ). L espérance E est ici l espérance sous la probabilité P dite risque neutre sous laquelle le prix actualisé S t = e rt S t est une martingale. Une modélisation couramment utilisée pour le prix d une action est la suivante : S t = S 0 exp(µt σb t ) où (B t, t 0) est un mouvement Brownien, et on a ) S t = S 0 exp ( σ t σb t où (Bt, t 0) est un mouvement Brownien sous P. Ainsi ) ) C = E [( S T Ke rt ) = E [(S 0 exp ( σ T σb T Ke rt [( ) ) = E S 0 exp ( σ T σ T Z Ke rt où Z est une variable N(0, ).
4 De la même façon, le put est une option de vente. A l instant 0, l acheteur du put achète à un prix P le droit de vendre à l instant T une action donnée à un prix K fixé, et ce quel que soit le prix de l action à l instant T. Si S T K, le détenteur du put n exerce pas son droit, et ne vend pas l action. Son gain est donc de P exp(rt ) = (K S T ) P exp(rt ). En revanche, si S T < K, il exerce son droit, vend l action, et son gain est donc de (K X T ) P exp(rt ) = (K X T ) P exp(rt ). Ainsi, on a [( P = E [(Ke rt S T ) = E Ke rt S 0 exp )) ( σ T σ T Z Dans toute la suite, on va supposer que K =, σ T =, S 0 = et r = σ /. Ainsi, C exp(/) = E[(exp(Z) ), P exp(/) = E[( exp(z)), où Z N(0, ). On va utiliser différentes méthodes de Monte-Carlo pour estimer C = C exp(/) et P = P exp(/). Exercice : Calcul exact de C et P. Soit Φ la fonction Φ(x) = P (Z x) = x e y dy π. Vérifiez que Exercice : Méthode de Monte-Carlo pour C et P. C = e Φ( ) ; () P = e Φ( ). (6). Mettre en oeuvre une méthode de Monte-Carlo pour le calcul de C. Tracer sur un même graphe la valeur de C donnée par (), la valeur approchée de C donnée par la méthode de Monte Carlo, et les bornes de l intervalle de confiance donné par (), en fonction du nombre de simulations.. Même question pour P.. Commenter. Exercice : Échantillonage préférentiel pour le calcul de C. On a C = 0 (ex )e x / dx π. Pour x petit, e x x. On écrit alors C = 0 e x x xe x / dx = π 0 e [ y y dy e = e Y E, Y E(). y π π Y (7) Estimez C par une méthode de Monte-Carlo basée sur l expression (7). Comparez à la méthode de l exercice, en terme de précision de l approximation, et en terme de temps calcul. Exercice 4: Variables de contrôle pour le calcul de C. On a C P = E(e Z ) = e / ; i.e. C = P e. Pour avoir une valeur approchée de C, il suffit d avoir une valeur approchée de P. Estimez C par une méthode de Monte-Carlo basée sur le calcul approché de P. Comparez aux méthodes des exercices et, en terme de précision de l approximation, et en terme de temps calcul. Exercice : Variables antithétiques pour le calcul de C. Comme Z et Z ont même loi, on peut approcher C par n n (ez i ) (e Z i ). Comparez cette méthode aux méthodes précédentes. 4
5 4. Cas de plusieurs actifs risqués. Même si un grand nombre d options portent sur un seul actif sous jacent, il en existe qui portent sur plusieurs actifs risqués à la fois. Un premier exemple typique est le cas des options spread, qui portent sur l écart entre les prix de deux actifs, i.e. H = (ST S T ), où S et S sont les prix de deux actifs risqués. Un second exemple est constitué par les options sur portefeuille appelées aussi options paniers (basket option en Anglais). Les options sur indice (type CAC 40) en sont un exemple. Une option de vente (put) sur portefeuille est un moyen d assurer son portefeuille. Étant donné un portefeuille composé de a i actions de prix St i à l instant t, i =,..., d, un put qui paye (K n a ist i ) garantit que le portefeuille pourra être revendu au moins au prix K à l échéance. Supposons que, outre l actif non risqué, qui cote R t = e rt à l instant t le marché est composé de d actifs risqués, dont les prix St, i i =,..., d, fluctuent suivant le modèle [ St i = S0 i exp µ i t σ ij B j t, i d, t 0. j= En supposant Σ = (σ ij ) inversible, on peut montrer l existence d une probabilité risque neutre P équivalente à la probabilité P, sous laquelle le processus des prix actualisés { S t = e rt S t = e rt (St,..., St d ), t 0} est une martingale. La formule pour le prix du call (resp. du put) devient ) C = E [( resp. P = E [(e rt K a i Si T e rt K ) a i Si T où sous P la loi de L t = (log S t,..., log S t d ) est la loi de Gauss vectorielle ( N log(s 0 ) T ) s, ΣΣ T, avec l abus de notation log(s 0 ) = (log(s0),..., log(s0)) d et σ σ d s Σ =.., s =., où s i = σ d σ dd Ainsi, on a maintenant ( ) C = a i e x i e rt K R d s d, j= σ ij. ( d π det(σσ T ) e x log(s 0 ) T s ) ΣΣ T dx dx d Les méthodes déterministes de calcul approché d intégrales deviennent vite impraticables quand le nombre d d actifs sous-jacents augmente. C est dans une telle situation que la méthode de Monte-Carlo est vraiment utile. Notons que la formule de parité call put prend maintenant la forme [ C P = E a i Si T e rt K = a i S0 i e rt K.
6 On va appliquer la méthode de Monte Carlo au calcul du call dans le cas de l option panier, avec d =, a = 4, S 0 = 7, K = 700, rt = 0, 0, T Σ = 0, , 0, , , 0 0, 0, , , , 0, 0 0, 0, , 0 0 0, 0, 0, , , 0, 0, 0, , 0, 0, , 0, , 0, 0,6 0, , 0, 0, 0, 0, 0,7 0, , ,4 0, 0, 0, 0, 0 0 0, , , , , , 0 0 0, , , 0 0 0, , , , , 0 0, 0 0, 0, , , , 0 0, , 0, 0, , , 0, 0, 0, , 0 0 0, , 0, 0, 0 0, , , 0, 0, 0 0, , , , , 0 0 0, , , 0, 0 0 0, , 0, 0, 0, , ,4 Exercice 6: Calculer le prix du call en appliquant la méthode de Monte Carlo à la formule pour C avec N tirages. On prendra soin d évaluer (de façon approchée) la variance de la v.a. dont on cherche à estimer l espérance, on choisira N de telle sorte que le chiffre des dizaines soit correct avec une très grande probabilité (9%), et on donnera un intervalle de confiance pour la quantité cherchée. Exercice 7: Refaire le calcul du prix du call (y compris l intervalle de confiance), en utilisant. 6
7 la méthode de Monte Carlo (avec le même nombre de tirages), pour le calcul approché du prix du put, et la formule de parité call put. Comment les deux approches se comparent-elles? 7
TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en 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 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 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 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 détailOptions, Futures, Parité call put
Département de Mathématiques TD Finance / Mathématiques Financières Options, Futures, Parité call put Exercice 1 Quelle est la différence entre (a) prendre une position longue sur un forward avec un prix
Plus en détailMéthode de Monte Carlo pour le calcul d'options
Méthode de Monte Carlo pour le calcul d'options LADIAS Elie, WANG Shuai 7 juin 2013 1 Table des matières 1 Méthode de Monte-Carlo et Calcul d'intégrales 4 1.1 Description de la méthode....................
Plus en 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 détailLISTE D EXERCICES 2 (à la maison)
Université de Lorraine Faculté des Sciences et Technologies MASTER 2 IMOI, parcours AD et MF Année 2013/2014 Ecole des Mines de Nancy LISTE D EXERCICES 2 (à la maison) 2.1 Un particulier place 500 euros
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 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 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 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 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 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 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 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 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 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 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 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 détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en 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 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 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 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 détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
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 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 détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en 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 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 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 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 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 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 détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en 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 détailMathématiques pour la finance Définition, Evaluation et Couverture des Options vanilles Version 2012
Mathématiques pour la finance Définition, Evaluation et Couverture des Options vanilles Version 2012 Pierre Andreoletti pierre.andreoletti@univ-orleans.fr Bureau E15 1 / 20 Objectifs du cours Définition
Plus en détailING Turbos Infinis. Avantages des Turbos Infinis Potentiel de rendement élevé. Pas d impact de la volatilité. La transparence du prix
ING Turbos Infinis Produit présentant un risque de perte en capital et à effet de levier. Les Turbos sont émis par ING Bank N.V. et sont soumis au risque de défaut de l émetteur. ING Turbos Infinis Les
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 détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
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 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 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 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 détailLes Turbos. Guide Pédagogique. Produits à effet de levier avec barrière désactivante. Produits présentant un risque de perte en capital
Les Turbos Guide Pédagogique Produits à effet de levier avec barrière désactivante Produits présentant un risque de perte en capital Les Turbos 2 Sommaire Introduction : Que sont les Turbos? 1. Les caractéristiques
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 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 détailTURBOS WARRANTS CERTIFICATS. Les Turbos Produits à effet de levier avec barrière désactivante. Produits non garantis en capital.
TURBOS WARRANTS CERTIFICATS Les Turbos Produits à effet de levier avec barrière désactivante. Produits non garantis en capital. 2 LES TURBOS 1. Introduction Que sont les Turbos? Les Turbos sont des produits
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
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 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 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 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 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 détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailRapport de projet Risque de Crédit, Risque de Défaut : Étude de l influence du taux de recouvrement sur le prix de CDOs.
Rapport de projet Risque de Crédit, Risque de Défaut : Étude de l influence du taux de recouvrement sur le prix de CDOs. Auteurs : Hecht Frédéric, Porzier Rémi, Font Guillaume Cours «Risque de Crédit,
Plus en détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
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 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 détailLagrange, où λ 1 est pour la contrainte sur µ p ).
Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i
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 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 détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
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 détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
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 détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en 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 détailProcessus Stochastiques
Processus Stochastiques Olivier Scaillet University of Geneva and Swiss Finance Institute Outline 1 Introduction 2 Chaînes de Markov 3 Application en assurance 4 Application en nance Processus Stochastique
Plus en 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 détailGroupe symétrique. Chapitre II. 1 Définitions et généralités
Chapitre II Groupe symétrique 1 Définitions et généralités Définition. Soient n et X l ensemble 1,..., n. On appelle permutation de X toute application bijective f : X X. On note S n l ensemble des permutations
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 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 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 détailIntroduction à la finance quantitative présenté par N. Champagnat IECL et INRIA
Introduction à la finance quantitative présenté par N. Champagnat IECL et INRIA Contents 1 Introduction aux marchés financiers 2 1.1 Rôle des marchés financiers......................... 2 1.2 Les différents
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détail4. Les options Une option donne à son propriétaire le droit d acheter ou de vendre un contrat à terme à un prix et une échéance prédéterminés.
4. Les options Une option donne à son propriétaire le droit d acheter ou de vendre un contrat à terme à un prix et une échéance prédéterminés. C est un droit et non une obligation. L acheteur d une option
Plus en détailING Turbos. Faible impact de la volatilité. Evolution simple du prix
ING Turbos Produit présentant un risque de perte en capital et à effet de levier. Les Turbos sont émis par ING Bank N.V. et sont soumis au risque de défaut de l émetteur. ING Turbos ING a lancé les Turbos
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 détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
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 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 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 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 détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en 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 détailCARACTERISTIQUES ET EVALUATION DES CONTRATS D OPTION. Finance internationale, 9ème éd. Y. Simon & D. Lautier
CARACTERISTIQUES ET EVALUATION DES CONTRATS D OPTION 1 Section 1. La définition et les caractéristiques d une option Section 2. Les déterminants de la valeur d une option Section 3. Les quatre opérations
Plus en détailPRODUITS DE BOURSE GUIDE DES WARRANTS. Donnez du levier à votre portefeuille! Produits non garantis en capital et à effet de levier
GUIDE DES WARRANTS Donnez du levier à votre portefeuille! PRODUITS DE BOURSE www.produitsdebourse.bnpparibas.com Produits non garantis en capital et à effet de levier COMMENT LES WARRANTS FONCTIONNENT-ILS?
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 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 détail