Introduction à la simulation de Monte Carlo
|
|
- Auguste Mélançon
- il y a 8 ans
- Total affichages :
Transcription
1 Introduction à la simulation de Simulation Geneviève Gauthier HEC Montréal e 1
2 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues à l aide du générateur de nombre aléatoire de votre logiciel préféré. I L estimateur de de la quantité θ E [g (X )] est bθ n 1 n n g (X i ). i=1 e I Remarquons que bθ n est une fonction de l échantillon X 1, X,..., X n. C est une variable aléatoire. I Exemple : Si X est un prix au temps T et que nous voulons tarifer une option d achat, alors g (X ) = e rt max (X K; 0).
3 Propriétés asymptotiques I Supposons que σ Var [g (X )] <. Comme l estimateur bθ n est formé d une somme de variables aléatoires indépendantes et identiquement distribuées, alors : e 3
4 Propriétés asymptotiques Estimateur convergent I bθ n est un estimateur sans biais et convergent pour θ. En e et : Sans biais h i E b θ n = E Convergent h i Var b θ n " 1 n = Var # n g (X i ) = 1 i=1 n " 1 n! 0 lorsque n!. n i=1 E [g (X i )] = 1 n # n g (X i ) = 1 n i=1 n i=1 n θ = θ. i=1 Var [g (X i )] = {z } =σ σ n e 4
5 Propriétés asymptotiques loi forte des grands nombres I La loi forte des grands nombres nous permet d a rmer que bθ n converge presque sûrement vers la quantité à estimer θ lorsque la taille n de l échantillon tend vers l in ni, c est-à-dire que Pr h lim n! bθ n i θ = 0 = 1. e 5
6 Propriétés asymptotiques Loi faible des grands nombres I Le théorème limite central implique que bθ n σp n θ n! ) N (0, 1) (converge en loi vers une distribution normale centrée et réduite lorsque la taille n de l échantillon tend vers l in ni). e Rappelons que σ Var [g (X )]. 6
7 Intervalle de con ance Écart-type connu Le dernier point nous permet de construire des intervalles de con ance autour de notre estimateur. En e et, si z α est le d ordre 1 α de la distribution normale centrée et réduite, c est-à-dire que Pr [Z z α ] = 1 α, alors l pour θ (de niveau de con ance 1 α) est bθ n z α σ pn ; bθ n + z α σ pn e lorsque la taille n de l échantillon est su samment grande. 7
8 Intervalle de con ance Marge d erreur Nous pouvons évaluer la précision de notre estimation puisque nous savons que 1 α = Pr 4 z α = Pr bθ n θ z α p n b θ n θ σ σ pn qui est équivalent à σ Pr bθ n θ > z α pn ' α. 3 z α 5 e Ainsi, la marge d erreur est Marge d erreur = z α σ pn. 8
9 e Estimation de la variance I Évidemment, en pratique, si on ne connaît pas θ E [g (X )], il y a très peu de chance que l on connaisse σ Var [g (X )]. Nous devons donc estimer σ. I L estimateur de sans biais de σ est bσ n = = n 1 n 1 g (X i ) bθ n i=1 n 1 n 1 (g (X i )) n b θ n. i=1 n 1 e 9
10 e I Intervalle de con ance I Si bσ (n) q bσ n, alors l pour θ (de niveau de con ance 1 α) est " # bσ bθ (n) bσ n z α p ; bθ (n) n + z α n p n e lorsque la taille n de l échantillon est su samment grande. I Encore une fois, cet intervalle est construit autour de la loi asymptotique de notre estimateur et il faudra être prudent lorsque notre échantillon sera de petite taille. 10
11 e II Intervalle de con ance I Notons que les tailles des échantillons sont habituellement très grandes lors des simulation de. Nous n avons donc pas besoin d introduire la loi de Student puisque cette dernière converge vers la distribution normale centrée et réduite lorsque n! e 11
12 e La marge d erreur La marge d erreur correspond à la demie de la longueur de l, c est-à-dire marge d erreur = z α σ pn h i = z α rvar b θ n. e 1
13 e I Un exemple I Soit S, le prix d un titre risqué au temps T. Nous voulons estimer la valeur au temps 0 d une option d achat dont le prix d exercice est K et la maturité est T, c est-à-dire que nous cherchons à estimer h i θ = E Q e rt max (S K; 0) e où Q représente une mesure neutre au risque. I La fonction g : <! < est donc g (x) = e rt max (x K; 0). 13
14 e II Un exemple I Nous supposerons aussi que nous sommes dans le cadre du modèle de Black et Scholes, c est-à-dire que S = L s 0 exp r ν T + ν p T Z où s 0 est le prix au temps t = 0 du titre risqué, r représente le taux sans risque, ν est la volatilité instantanée du rendement du titre risqué, Z est une variable aléatoire de loi normale centrée et réduite et L = dénote une égalité en loi. e 14
15 e III Un exemple I Évidemment, cet exemple est purement pédagogique puisque, dans ce contexte, nous connaissons la valeur de θ : h i θ = E Q e rt max (S K; 0) = s 0 N (d) Ke rt N = s 0 Z d exp z d ν p T dz Z d νt 1/ p Ke rt π z exp p π e dz où d = ln s 0 ln K + ν p T r + ν T. 15
16 e IV Un exemple I Dans ce contexte, nous connaissons même l écart-type puisque h i σ Var e rt max (S K; 0). En e et, comme il est démontré en annexe, σ = s0 exp ν T N d + ν p T s 0 K exp ( rt ) N (d) +K exp ( rt ) N d θ. ν p T e 16
17 e V Un exemple I Dans le cas où s 0 = 100, r = 0.05, ν = 0.0 et T = 1, nous avons K θ σ K = 0.9 s K = 1.0 s K = 1.1 s e 17
18 I Évaluation d une option dans le contexte NGARCH I Nous allons reprendre la tari cation des trois options en utilisant comme modèle de marché un processus NGARCH simulé sur une base quotidienne. e 18
19 II Évaluation d une option dans le contexte NGARCH I Le prix S t de l actif sous-jacent à la t ième journée, sous la mesure neutre au risque Q, est, 8t f0, 1,,...g, ln S t+1 S t = ρ 1 h t+1 + p h t+1 ɛ t+1 h t+1 = β 0 + β 1 h t + β h t (ɛ t eλ) où fɛ t : t Ng est une suite de variables aléatoires gaussiennes (d nulle et de variance unitaire) indépendantes sous la mesure Q. I Le processus h représente la variance conditionnelle h idu rendement quotidien du titre: h t+1 = Var Q t ln S t+1 S t. e 19
20 III Évaluation d une option dans le contexte NGARCH I Les paramètres sont choisis de sorte que ce modèle de marché ait un comportement similaire à celui de Black et Scholes utilisé dans l exemple. I S 0 = 100. I Le taux d intérêt sans risque ρ est quoditien. Ainsi ρ 365 = r, d où ρ = 0.05/365 = I Nous prendrons des valeurs typiquement observées pour les paramètres β: β 0 = , β 1 = 0.8 et β = 0.1. I La variance stationnaire est h = β 0 f1 β 1 β [1 + eλ ]g 1. Pour que la variance stationnaire (quotidienne) soit équivalente à celle utilisée dans le cadre de Black et Scholes, nous posons h = β 0 f1 β 1 β [1 + eλ ]g 1 = ν /365 ce qui implique que eλ = I Finalement, nous posons h 1 = h = e 0
21 Devoir à rendre I Les questions 1. Déteminer le prix des options d achat d une maturité de 6 mois dont les prix d exercice sont respectivement 0.8 S 0, 0.9 S 0, S 0, 1.1 S 0 et 1. S 0 à l aide d une simulation de pour des tailles d échantillon égales à 5 000, , 5 000, et Construire les intervalles de con ance autour de ces prix. 3. Noter les temps de calcul nécessaires pour chaque taille d échantillon. 4. Produisez un graphe présentant la marge d erreur en abscisse et le temps de calcul en ordonnée. e 1
22 Quantile. Pour tout α (0, 1), le d ordre α de la distribution F X est la quantité x α = inf fx < : F X (x) αg, c est-à-dire que x α est la plus petite valeur pour laquelle la probabilité que la variable aléatoire X prenne des valeurs plus petites ou égales à x α est plus grande ou égale à α. Pourquoi ne pas avoir dé ni le d ordre α comme étant la quantité x α satisfaisant l équation e F X (x α ) = α?
23 Quantile Fonction de répartion et e α x α 3
24 Quantile α Fonction de répartion et e x α 4
25 Quantile θ α Fonction de répartion et e x α 5
26 Mise en contexte Lorsque le portefeuille est constitué d instruments nombreux et complexes, il n est généralement pas possible de connaître analytiquement la distribution de la valeur du portefeuille à un instant futur donné. On peut alors procéder par simulation. Dans d autres cas, l estimation d un se fait par échantillonnage. e 6
27 L échantillon et la notation I Dans ce qui suit, X 1, X,..., X n représente un échantillon constitué de variables aléatoires indépendantes et identiquement distribuées à la variable aléatoire X de fonction de répartition F X. De plus, X (1), X (),..., X (n) désigne le même échantillon ordonné, c est-à-dire que e X (1) X ()... X (n). 7
28 Fonction de répartition empirique I I. La fonction de répartition empirique construite à partir de l échantillon X 1, X,..., X n de taille n est 8x <, F (n) X (x) = 1 n n 1 fxi x g i=1 où la fonction caractéristique 1 fxi x g vaut 1 si X i x et 0 sinon. I Pour un nombre réel x xé, F (n) X (x) est la proportion des observations de l échantillon qui sont inférieures ou égales à x. e 8
29 Fonction de répartition empirique II I Portion d une fonction de répartition empirique 5n 1 4n 1 3n 1 n 1 n 1 e X () X (1) X (4) X (3) 9
30 L estimation ponctuelle d un I. Pour tout α (0, 1), l estimateur bx (n) α du d ordre α de la distribution F X est la quantité bx (n) α = inf n o x < : F (n) X (x) α où F (n) X est la fonction de répartition empirique. I pragmatique. Notons que si k 1 k f1,,..., ng, alors bx (n) α puisque k 1 < nα k n < α k n, = X (k). Par conséquent, e bx (n) α = X (dnαe) = X (k). où dxe est le plus petit entier supérieur ou égal à x (et bxc est le plus grand entier inférieur ou égal à x). 30
31 Exemple Exemple. α = 0.5. Nous voulons évaluer le d ordre n nα dnαe e 31
32 Exemple Exemple. Nous voulons évaluer le d ordre α = 0.1% = n nα dnαe e 3
33 La notation I Soit x α, le d ordre α de la distribution F X. Dé nissons les variables aléatoires 1 si Xi x ξ i = α, i f1,,..., ng 0 sinon et ξ = n i=1 ξ i. I ξ représente le nombre d observations inférieures où égales à x α. e 33
34 I Puisque ξ est une somme de variables aléatoires indépendantes et distribuées selon une loi de Bernoulli de paramètre θ = P (ξ i = 1) = F X (x α ), alors ξ est de loi binomiale(n, θ). I Notons que si x α n est pas un point de discontinuité de la fonction F X, alors θ = α. Sinon θ > α. e Fonction de répartion et θ α x α 34
35 Construction de l I Rappelons que X (1) X ()... X (n) dénote notre échantillon ordonné. I Si a f1,,..., ng, alors ξ a si et seulement s il y a au moins a observations inférieures ou égales à x α, c est-à-dire si X (a) x α. I Si b f1,,..., ng, alors ξ < b si et seulement s il y moins de b observations inférieures ou égales à x α, c est-à-dire X (b) > x α. e 35
36 Utilisation de l approximation normale I Remarquons aussi que, puisque ξ = n i=1 ξ i est de loi binomiale(n, θ), alors lorsque la taille n de la simulation est très grande, il est possible d approcher la distribution de ξ par une distribution normale(nθ, nθ (1 θ)). I Plus θ est près de 0 ou de 1, plus la taille de la simulation devra être grande pour que l approximation soit de bonne qualité. Or, dans le cas de l estimation d une valeur à risque, le θ sera petit. e 36
37 Utilisation de l approximation normale I Rappel : ξ a, X (a) x α et ξ < b, X (b) > x α. p I Posons, β = z β nθ (1 θ). I Si Z N(0, 1), alors h i 1 β = P z β Z < z β " # = P ξ nθ z β p < z β nθ (1 θ) = P nθ β ξ < nθ + β P nθ β ξ < nθ + β h i = P X (bnθ βc) x α < X (dnθ+ βe). e 37
38 L I En résumé, h X (b ), X (b ) est un de niveau 1 où q b = nθ nθ (1 θ) et b = z β nθ + z β q nθ (1 θ) β pour x α e I Notons que θ = F X (x α ) n est pas toujours connu, rendant di cile le calcul de b et b. Cependant, dans le cas où F X est une fonction continue, nous avons θ = F X (x α ) = α. 38
39 Exemple I Exemple. Supposons que la taille de l échantillon est et que θ = 1%. Nous voulons un intervalle de con ance de niveau de con ance 95%. Comme alors b = = 938 z.5% = q (1 10 ) e et b = q (1 10 ) =
40 I 1. Évaluer le d orde 1% de la valeur dans 10 jours d un portefeuille de 10 options d achat ( pour chaque prix d exercice K /S 0 f0, 8; 0, 9 ; 1 ; 1, 1 ; 1, g d échéance T = 90 jours dans le contexte NGARCH présenté précédemment.. Donner l estimation ponctuelle ansi que les intervalles de con ance de niveau 95% pour chaque taille d échantillon. 3. Attention! Pour les 10 premiers jours, le processus doit être simuler sous la mesure de probabilité "réelle", c est-à-dire que le prix S t de l actif sous-jacent à la t ième journée, sous la mesure P, est, 8t f0, 1,,...g, e ln S t+1 S t = ρ + λ p h t+1 1 h t+1 + p h t+1 ɛ P t+1 h t+1 = β 0 + β 1 h t + β h t (ɛ P t e λ λ ) 40
41 II où ɛ P t : t N est une suite de variables aléatoires gaussiennes (d nulle et de variance unitaire) indépendantes sous la mesure P. λ = 0, Vous devez faire varier le nombre de scénarios utilisés pour l évaluation de la distribution du portefeuille au jours t = 10 mais aussi le nombre de scénarios utilisés pour évaluer les options. 4.1 Simuler m valeurs pour le couple (S, h) au temps t = 10 en utilisant la dynamique sous P. 4. Pour un couple (S, h) donné, évaluer les options à l aide de n trajectoires. Il faut utiliser la dynamique sous Q avec une échéance de 80 jours. 5. Votre document devra 5.1 décrire votre procédure de simulation, 5. justi er les choix concernant votre implémentation, 5.3 présenter vos résultats et les commenter. e 41
42 Deuxième moment I Calculons le deuxième moment. Comme Var [X ] + (E [X ]) = E X, σ + θ Variance d une option d achat dans le contexte Black et Scholes = E Q e rt max (S K ; 0) h = E max Q Se rt Ke rt i ; 0 = E Q "max ν s 0 exp T + νt 1/ Z Ke rt ; 0!# où Z est une variable aléatoire normale centrée et réduite. Le reste du calcul ne fait qu intervenir des propriétés de la loi normale. Comme s 0 exp ν T + νt 1/ z > Ke rt si et seulement si z > ln (s 0) ln (K ) + ν p T r ν T = d + ν p T, 4
43 Deuxième moment II Variance d une option d achat dans le contexte Black et Scholes alors = E Q "max Z d +ν p T ν s 0 exp T + νp T Z ν s 0 exp T + νp T z Ke rt ; 0!# Ke rt f Z (z) dz où f Z (z) représente une fonction de densité d une variable aléatoire gaussienne centrée et réduite. 43
44 Résolution de l intégrale I La dernière expression est égale à Z = s0 d +ν p exp T Z s 0 K d +ν p exp T ν T + ν p T z f Z (z) dz r + ν T + ν p T z f Z (z) dz Variance d une option d achat dans le contexte Black et Scholes Z +K e rt d +ν p f Z (z) dz T Z = s0 1 z d +ν p p 4ν p! T z + ν T exp dz T π 0 Z 1 s 0 K d +ν p p z ν p T z + T π Z +K e rt 1 z d +ν p p exp dz T π r + ν T 1 A dz 44
45 Résolution de l intégrale II Complétons les carrés : Z = s0 ν exp T d +ν p T Z s 0 K exp ( rt ) d +ν p T Z +K exp ( rt ) d +ν p T = s 0 eν T Z d ν p T Z +K e rt d +ν p T = s0 T eν 1 N d +K e rt 1 N 1 p π exp 1 1 p exp π z ν p T dz 1 1 p exp z ν p T dz π 1 z p exp dz π w Z dw s 0 Ke rt d 1 z p exp dz π ν p T s 0 Ke rt (1 N ( d)) d + ν p T 1 p π exp Variance d une option d achat dans le contexte Black et Scholes w dw 45
46 Résolution de l intégrale III Variance d une option d achat dans le contexte Black et Scholes Mais la symétrie de f Z implique que la fonction de répartition d une variable aléatoire gaussienne centrée et réduite satisfait 1 N (x) = N ( x). Alors σ + θ = s0 eνt N d + ν p T s 0 Ke rt N (d) +K e rt N d ν p T. 46
47 Calcul de la variance I Comme θ = s 0 N (d) σ = σ + θ θ Ke rt N d ν p T, alors Variance d une option d achat dans le contexte Black et Scholes = s0 eνt N d + ν p T +K e rt N d νt 1/ s 0 Ke rt N (d) s0 [N (d)] + s 0 Ke rt N (d) N h K e rt N d ν p i T d ν p T h = s0 e νt N d + ν p T (N (d)) i s 0 Ke rt N (d) 1 N d ν p T +K e rt N d ν p T 1 N d ν p T. 47
Probabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en 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 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 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 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 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 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 détailPropriétés des options sur actions
Propriétés des options sur actions Bornes supérieure et inférieure du premium / Parité call put 1 / 1 Taux d intérêt, capitalisation, actualisation Taux d intéret composés Du point de vue de l investisseur,
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en 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 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 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 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 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 détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
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 détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
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 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 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 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 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 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 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 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 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 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 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 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 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 détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
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 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 détailSuites numériques 4. 1 Autres recettes pour calculer les limites
Suites numériques 4 1 Autres recettes pour calculer les limites La propriété suivante permet de calculer certaines limites comme on verra dans les exemples qui suivent. Propriété 1. Si u n l et fx) est
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 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 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 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 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 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 détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
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 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 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 détailApprentissage par renforcement (1a/3)
Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours
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 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 3 : INFERENCE
Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
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 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 détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en 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 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 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 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 détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en 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 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 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 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 détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
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 détailLe Modèle Linéaire par l exemple :
Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités
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 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 détailLes devoirs en Première STMG
Les devoirs en Première STMG O. Lader Table des matières Devoir sur table 1 : Proportions et inclusions....................... 2 Devoir sur table 1 : Proportions et inclusions (corrigé)..................
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détail1 radian. De même, la longueur d un arc de cercle de rayon R et dont l angle au centre a pour mesure α radians est α R. R AB =R.
Angles orientés Trigonométrie I. Préliminaires. Le radian Définition B R AB =R C O radian R A Soit C un cercle de centre O. Dire que l angle géométrique AOB a pour mesure radian signifie que la longueur
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 détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
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 détailLa mesure de Lebesgue sur la droite réelle
Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en 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 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 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 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 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 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 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 détailModélisation des risques
2 Modélisation des risques 2. Introduction L objectif de ce chapitre est de présenter les modèles de base utilisés pour décrire le comportement aléatoire d un risque en actuariat pour une période xe. Les
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
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 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 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 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 détailT.P. FLUENT. Cours Mécanique des Fluides. 24 février 2006 NAZIH MARZOUQY
T.P. FLUENT Cours Mécanique des Fluides 24 février 2006 NAZIH MARZOUQY 2 Table des matières 1 Choc stationnaire dans un tube à choc 7 1.1 Introduction....................................... 7 1.2 Description.......................................
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
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 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 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 détail