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 (ou Kolmogorov) La calibration Le carnet d ordre 2
Lignes directrices Non-linéarités en Finance Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre 1 Non-linéarités en Finance Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre 2
Browniens et Fokker-Planck Les hypothèses classiques en mathématiques financières. Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre Données de marché : taux, forex, actions, commodités, etc.. : Ω R d, d >> 1, t S t Ω suivent un mouvement brownien ds t = r(t, S t )dt + σ(t, S t ) dw t, S t := ( S i,t )i=1..d Ω σ(t, ) est la volatilitée locale. Fokker-Planck : µ(t, ) densité de proba de S t suit l équation t µ + ((r ξ)µ ) ( ) = ξ µ, ξ := 1 2 σσt ( ) avec ξ := j jξ i,j i=1..d.
Browniens et Fokker-Planck Les hypothèses classiques en mathématiques financières. Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre Données de marché : taux, forex, actions, commodités, etc.. : Ω R d, d >> 1, t S t Ω suivent un mouvement brownien ds t = r(t, S t )dt + σ(t, S t ) dw t, S t := ( S i,t )i=1..d Ω σ(t, ) est la volatilitée locale. Fokker-Planck : µ(t, ) densité de proba de S t suit l équation t µ + ((r ξ)µ ) ( ) = ξ µ, ξ := 1 2 σσt ( ) avec ξ := j jξ i,j i=1..d.
Fokker-Planck. Termes de convection, de diffusion et d accrétion. Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre Termes de convection t µ + ((r ξ)µ ) = 0. est compressif si (r ξ) est convexe. Termes de diffusion ( ) t µ = ξ µ est diffusif si ξ est positive, accrétif si ξ possède des valeurs propres négatives.
Fokker-Planck. Termes de convection, de diffusion et d accrétion. Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre Termes de convection t µ + ((r ξ)µ ) = 0. est compressif si (r ξ) est convexe. Termes de diffusion ( ) t µ = ξ µ est diffusif si ξ est positive, accrétif si ξ possède des valeurs propres négatives.
Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre Un exemple de surfaces de volatilité locale. premier signe de non-linéarité : les termes convectifs sont toujours compressifs σ(t, ) : (a) Bonnans - Cognet - Volle. INRIA 2002. Estimation de la volatilité locale... Convection : la volatilité locale est toujours smilée : la convection est toujours localement compressive. Diffusion : diffusif dans les zones positives (rouge). Accrétion : accrétif dans les zones négatives (bleues). ξ := σσ T < 0? artefact numérique??
Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre Un exemple de surfaces de volatilité locale. premier signe de non-linéarité : les termes convectifs sont toujours compressifs σ(t, ) : (a) Bonnans - Cognet - Volle. INRIA 2002. Estimation de la volatilité locale... Convection : la volatilité locale est toujours smilée : la convection est toujours localement compressive. Diffusion : diffusif dans les zones positives (rouge). Accrétion : accrétif dans les zones négatives (bleues). ξ := σσ T < 0? artefact numérique??
Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre Un exemple de surfaces de volatilité locale. premier signe de non-linéarité : les termes convectifs sont toujours compressifs σ(t, ) : (a) Bonnans - Cognet - Volle. INRIA 2002. Estimation de la volatilité locale... Convection : la volatilité locale est toujours smilée : la convection est toujours localement compressive. Diffusion : diffusif dans les zones positives (rouge). Accrétion : accrétif dans les zones négatives (bleues). ξ := σσ T < 0? artefact numérique??
Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre Un exemple de surfaces de volatilité locale. premier signe de non-linéarité : les termes convectifs sont toujours compressifs σ(t, ) : (a) Bonnans - Cognet - Volle. INRIA 2002. Estimation de la volatilité locale... Convection : la volatilité locale est toujours smilée : la convection est toujours localement compressive. Diffusion : diffusif dans les zones positives (rouge). Accrétion : accrétif dans les zones négatives (bleues). ξ := σσ T < 0? artefact numérique??
Lignes directrices Non-linéarités en Finance Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre 1 Non-linéarités en Finance Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre 2
Les méthodes de calibration.....qui marchent plus ou moins bien... Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre problème inverse : trouver une densité µ(t, ) qui vérifie un ensemble de contrainte 0 m < M, 0 j < J(m) Cj m := ( Pj m µ = Cj m R ) [0, ] Ω oú ( Pj m ) m sont des pay-off de dérivés "sans risque", et ( C m j j sont des prix observés. Méthodes en 1D (d = 1) : ) m j (a) Dupire (instable) (b) Tykhonov (stable, mais relaxé) FIGURE : Méthodes de calibration de la volatilié locale σ(t, ).
Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre Et la méthode d Avellaneda. Deuxième signe de non linéarité : cette méthode ne marche pas très bien! Avellaneda : minimisation avec contraintes (Cj m ) m j inf d( µ 0, µ ), d ( µ 0, µ ) := µ 0 ln µ µ P(Ω) Ω µ 0 où µ 0 C (R + Ω) est le "prior" (calibration historique), et d ( µ 0, µ 1 ) l entropie de Kullback-Leibler. Pourtant : Theorem Si µ est dominée par µ 0, alors la méthode converge.... les densités de probabilité des donnés de marché seraient singulières??
Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre Et la méthode d Avellaneda. Deuxième signe de non linéarité : cette méthode ne marche pas très bien! Avellaneda : minimisation avec contraintes (Cj m ) m j inf d( µ 0, µ ), d ( µ 0, µ ) := µ 0 ln µ µ P(Ω) Ω µ 0 où µ 0 C (R + Ω) est le "prior" (calibration historique), et d ( µ 0, µ 1 ) l entropie de Kullback-Leibler. Pourtant : Theorem Si µ est dominée par µ 0, alors la méthode converge.... les densités de probabilité des donnés de marché seraient singulières??
Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre Et la méthode d Avellaneda. Deuxième signe de non linéarité : cette méthode ne marche pas très bien! Avellaneda : minimisation avec contraintes (Cj m ) m j inf d( µ 0, µ ), d ( µ 0, µ ) := µ 0 ln µ µ P(Ω) Ω µ 0 où µ 0 C (R + Ω) est le "prior" (calibration historique), et d ( µ 0, µ 1 ) l entropie de Kullback-Leibler. Pourtant : Theorem Si µ est dominée par µ 0, alors la méthode converge.... les densités de probabilité des donnés de marché seraient singulières??
Lignes directrices Non-linéarités en Finance Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre 1 Non-linéarités en Finance Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre 2
Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre Profils de carnets d ordre Troisième signe de non linéarité : ce sont des profils typiques de chocs entropiques. ν(t, S) P(Ω) : proba d avoir un ordre unitaire à S = (S i ) i. On note sa "cumulative" : N 1 (t, S) : Ω Λ := [ 1, 1] d. (a) action liquide (b) action moins liquide FIGURE : N 1 (t, S S t ), statistiques de carnet d ordre. Ce sont des profils typiques en mécanique des fluides (équation de Burger).
Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre Profils de carnets d ordre Troisième signe de non linéarité : ce sont des profils typiques de chocs entropiques. ν(t, S) P(Ω) : proba d avoir un ordre unitaire à S = (S i ) i. On note sa "cumulative" : N 1 (t, S) : Ω Λ := [ 1, 1] d. (a) action liquide (b) action moins liquide FIGURE : N 1 (t, S S t ), statistiques de carnet d ordre. Ce sont des profils typiques en mécanique des fluides (équation de Burger).
Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre Profils de carnets d ordre Troisième signe de non linéarité : ce sont des profils typiques de chocs entropiques. ν(t, S) P(Ω) : proba d avoir un ordre unitaire à S = (S i ) i. On note sa "cumulative" : N 1 (t, S) : Ω Λ := [ 1, 1] d. (a) action liquide (b) action moins liquide FIGURE : N 1 (t, S S t ), statistiques de carnet d ordre. Ce sont des profils typiques en mécanique des fluides (équation de Burger).
Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre Profils de carnets d ordre Troisième signe de non linéarité : ce sont des profils typiques de chocs entropiques. ν(t, S) P(Ω) : proba d avoir un ordre unitaire à S = (S i ) i. On note sa "cumulative" : N 1 (t, S) : Ω Λ := [ 1, 1] d. (a) action liquide (b) action moins liquide FIGURE : N 1 (t, S S t ), statistiques de carnet d ordre. Ce sont des profils typiques en mécanique des fluides (équation de Burger).
Lignes directrices Non-linéarités en Finance 1 Non-linéarités en Finance Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre 2
Un modèle de marché naif. où le prix S t n est pas une variable stochastique! On note le "quantile" de ν : N(t, ) : [ 1, 1] d Ω. Alors S t = N(t, 0), pour un marché infiniment liquide On note la "cumulative" de ν : N 1 (t, ) : Ω [ 1, 1] d. d dt S t = N 1 (t, S t ), dynamique pour un marché non liquide On suppose l invariance des carnets d ordre N 1 (t, ) S(t, ) N 1 (0, S 0 ) + ɛ(t), oú ɛ ɛ(1/n) est la liquidité (N est le volume d échange).
Un modèle de marché naif. où le prix S t n est pas une variable stochastique! On note le "quantile" de ν : N(t, ) : [ 1, 1] d Ω. Alors S t = N(t, 0), pour un marché infiniment liquide On note la "cumulative" de ν : N 1 (t, ) : Ω [ 1, 1] d. d dt S t = N 1 (t, S t ), dynamique pour un marché non liquide On suppose l invariance des carnets d ordre N 1 (t, ) S(t, ) N 1 (0, S 0 ) + ɛ(t), oú ɛ ɛ(1/n) est la liquidité (N est le volume d échange).
Un modèle de marché naif. où le prix S t n est pas une variable stochastique! On note le "quantile" de ν : N(t, ) : [ 1, 1] d Ω. Alors S t = N(t, 0), pour un marché infiniment liquide On note la "cumulative" de ν : N 1 (t, ) : Ω [ 1, 1] d. d dt S t = N 1 (t, S t ), dynamique pour un marché non liquide On suppose l invariance des carnets d ordre N 1 (t, ) S(t, ) N 1 (0, S 0 ) + ɛ(t), oú ɛ ɛ(1/n) est la liquidité (N est le volume d échange).
On obtient un modèle de la mécanique des fluides. (équation de Navier-Stokes, partie irrotationnellle) Proposition ν and N 1 vérifient le système suivant t ν (N 1 ν ) = ɛ ν, Conservation de la masse t N 1 1 2 N 1 2 2 = ɛ N 1, Conservation du moment. (1) Un observateur extérieur calibrant ce système verrait : Volatilité locale smilée, corrélation des tics!! Dans ce modèle, les prix sont homogènes à une vitesse. Ajoutez la partie rotationnelle, et vous obtiendrez des turbulences (de marché)!.
On obtient un modèle de la mécanique des fluides. (équation de Navier-Stokes, partie irrotationnellle) Proposition ν and N 1 vérifient le système suivant t ν (N 1 ν ) = ɛ ν, Conservation de la masse t N 1 1 2 N 1 2 2 = ɛ N 1, Conservation du moment. (1) Un observateur extérieur calibrant ce système verrait : Volatilité locale smilée, corrélation des tics!! Dans ce modèle, les prix sont homogènes à une vitesse. Ajoutez la partie rotationnelle, et vous obtiendrez des turbulences (de marché)!.
On obtient un modèle de la mécanique des fluides. (équation de Navier-Stokes, partie irrotationnellle) Proposition ν and N 1 vérifient le système suivant t ν (N 1 ν ) = ɛ ν, Conservation de la masse t N 1 1 2 N 1 2 2 = ɛ N 1, Conservation du moment. (1) Un observateur extérieur calibrant ce système verrait : Volatilité locale smilée, corrélation des tics!! Dans ce modèle, les prix sont homogènes à une vitesse. Ajoutez la partie rotationnelle, et vous obtiendrez des turbulences (de marché)!.
Cas non visqueux ɛ = 0 : Equations d Euler Solutions conservatives, Solutions entropiques, Modèle de retour à l équilibre. N(t, ) := N(0, y) ty (méthode des caractéristiques). Le système (1) (ɛ = 0) admet une infinité de solutions. Une solution est conservative : ν = ( h) + # m, avec N := ( h) + T factorisation polaire de Y. Brennier solution "non physique". Une solution est entropique : ν = ( h) # m, avec ( h) enveloppe convexe de N(t, ) solution "physique". La solution entropique converge vers un Dirac ν(t, ) := N(t, ) # m δ N0 (0), quand t.
Cas non visqueux ɛ = 0 : Equations d Euler Solutions conservatives, Solutions entropiques, Modèle de retour à l équilibre. N(t, ) := N(0, y) ty (méthode des caractéristiques). Le système (1) (ɛ = 0) admet une infinité de solutions. Une solution est conservative : ν = ( h) + # m, avec N := ( h) + T factorisation polaire de Y. Brennier solution "non physique". Une solution est entropique : ν = ( h) # m, avec ( h) enveloppe convexe de N(t, ) solution "physique". La solution entropique converge vers un Dirac ν(t, ) := N(t, ) # m δ N0 (0), quand t.
Cas non visqueux ɛ = 0 : Equations d Euler Solutions conservatives, Solutions entropiques, Modèle de retour à l équilibre. N(t, ) := N(0, y) ty (méthode des caractéristiques). Le système (1) (ɛ = 0) admet une infinité de solutions. Une solution est conservative : ν = ( h) + # m, avec N := ( h) + T factorisation polaire de Y. Brennier solution "non physique". Une solution est entropique : ν = ( h) # m, avec ( h) enveloppe convexe de N(t, ) solution "physique". La solution entropique converge vers un Dirac ν(t, ) := N(t, ) # m δ N0 (0), quand t.
Cas non visqueux ɛ = 0 : Equations d Euler Solutions conservatives, Solutions entropiques, Modèle de retour à l équilibre. N(t, ) := N(0, y) ty (méthode des caractéristiques). Le système (1) (ɛ = 0) admet une infinité de solutions. Une solution est conservative : ν = ( h) + # m, avec N := ( h) + T factorisation polaire de Y. Brennier solution "non physique". Une solution est entropique : ν = ( h) # m, avec ( h) enveloppe convexe de N(t, ) solution "physique". La solution entropique converge vers un Dirac ν(t, ) := N(t, ) # m δ N0 (0), quand t.
Lignes directrices Non-linéarités en Finance 1 Non-linéarités en Finance Les équations de Fokker-Planck (ou Kolmogorov) La calibration Le carnet d ordre 2
Calibration avec Wasserstein Solutions conservative, solution entropique, formations de singularités minimisation avec contraintes : µ 0 est le "prior" historique inf W 2(µ 0, µ ), contr. Pj m µ = Cj m µ P(Ω) W 2 (µ 0, µ ) Wasserstein (efficacité des marchés?). Il existe une infinité de solutions de ce problème : on note S 1 := x λ i ( P i ), Ω λ multiplicateurs Lagrange. Une solution est conservative : µ = ( h + ) # µ 0, S := ( h) + T factorisation polaire de Y. Brennier Une solution est entropique : µ = ( h) # µ 0, avec ( h) enveloppe convexe de S(t, )
Calibration avec Wasserstein Solutions conservative, solution entropique, formations de singularités minimisation avec contraintes : µ 0 est le "prior" historique inf W 2(µ 0, µ ), contr. Pj m µ = Cj m µ P(Ω) W 2 (µ 0, µ ) Wasserstein (efficacité des marchés?). Il existe une infinité de solutions de ce problème : on note S 1 := x λ i ( P i ), Ω λ multiplicateurs Lagrange. Une solution est conservative : µ = ( h + ) # µ 0, S := ( h) + T factorisation polaire de Y. Brennier Une solution est entropique : µ = ( h) # µ 0, avec ( h) enveloppe convexe de S(t, )
Calibration avec Wasserstein Solutions conservative, solution entropique, formations de singularités minimisation avec contraintes : µ 0 est le "prior" historique inf W 2(µ 0, µ ), contr. Pj m µ = Cj m µ P(Ω) W 2 (µ 0, µ ) Wasserstein (efficacité des marchés?). Il existe une infinité de solutions de ce problème : on note S 1 := x λ i ( P i ), Ω λ multiplicateurs Lagrange. Une solution est conservative : µ = ( h + ) # µ 0, S := ( h) + T factorisation polaire de Y. Brennier Une solution est entropique : µ = ( h) # µ 0, avec ( h) enveloppe convexe de S(t, )
Calibration avec Wasserstein Solutions conservative, solution entropique, formations de singularités minimisation avec contraintes : µ 0 est le "prior" historique inf W 2(µ 0, µ ), contr. Pj m µ = Cj m µ P(Ω) W 2 (µ 0, µ ) Wasserstein (efficacité des marchés?). Il existe une infinité de solutions de ce problème : on note S 1 := x λ i ( P i ), Ω λ multiplicateurs Lagrange. Une solution est conservative : µ = ( h + ) # µ 0, S := ( h) + T factorisation polaire de Y. Brennier Une solution est entropique : µ = ( h) # µ 0, avec ( h) enveloppe convexe de S(t, )
Calibration Monte-Carlo par Wasserstein Une calibration rapide, equi-probable, multi-dimensionnelle? minimisation discrète : (Si 0 ) i "quantile" historique. 1 inf S i Si 0 2, contr. 1 P j S i = C j S i N N i Illustration sur une liste de put / call i (a) quantile historique (b) conservatif (c) entropique FIGURE : Calibration Monte-Carlo sur BoA. Question : la solution entropique est-elle martingale?
Calibration Monte-Carlo par Wasserstein Une calibration rapide, equi-probable, multi-dimensionnelle? minimisation discrète : (Si 0 ) i "quantile" historique. 1 inf S i Si 0 2, contr. 1 P j S i = C j S i N N i Illustration sur une liste de put / call i (a) quantile historique (b) conservatif (c) entropique FIGURE : Calibration Monte-Carlo sur BoA. Question : la solution entropique est-elle martingale?
Calibration Monte-Carlo par Wasserstein Une calibration rapide, equi-probable, multi-dimensionnelle? minimisation discrète : (Si 0 ) i "quantile" historique. 1 inf S i Si 0 2, contr. 1 P j S i = C j S i N N i Illustration sur une liste de put / call i (a) quantile historique (b) conservatif (c) entropique FIGURE : Calibration Monte-Carlo sur BoA. Question : la solution entropique est-elle martingale?
Applications. Arbitrage, Hedging, et risque de contrepartie? Risque de contrepartie. Il y a deux économétries : l économétrie historique diffusée S 0 (t, ) et l économétrie de marchée, S(t, ) donnée par le Front-Office. Idée : utiliser une seule économétrie calibrée S(t, ) "proche" de S 0, mais répliquant les prix d instruments de mesure de risque bien choisis, i.e. "proche" de S(t, ). Avantages : Prix de marché du risque de contrepartie. Performance et simplicité de la librairie de pricing. Calibration crédit / action : WWR? Et surtout, plus juste! le calcul du risque de contrepartie est une équation backward, de type exercice américain (on se couvre sachant l exposition future).
Applications. Arbitrage, Hedging, et risque de contrepartie? Risque de contrepartie. Il y a deux économétries : l économétrie historique diffusée S 0 (t, ) et l économétrie de marchée, S(t, ) donnée par le Front-Office. Idée : utiliser une seule économétrie calibrée S(t, ) "proche" de S 0, mais répliquant les prix d instruments de mesure de risque bien choisis, i.e. "proche" de S(t, ). Avantages : Prix de marché du risque de contrepartie. Performance et simplicité de la librairie de pricing. Calibration crédit / action : WWR? Et surtout, plus juste! le calcul du risque de contrepartie est une équation backward, de type exercice américain (on se couvre sachant l exposition future).
Applications. Arbitrage, Hedging, et risque de contrepartie? Risque de contrepartie. Il y a deux économétries : l économétrie historique diffusée S 0 (t, ) et l économétrie de marchée, S(t, ) donnée par le Front-Office. Idée : utiliser une seule économétrie calibrée S(t, ) "proche" de S 0, mais répliquant les prix d instruments de mesure de risque bien choisis, i.e. "proche" de S(t, ). Avantages : Prix de marché du risque de contrepartie. Performance et simplicité de la librairie de pricing. Calibration crédit / action : WWR? Et surtout, plus juste! le calcul du risque de contrepartie est une équation backward, de type exercice américain (on se couvre sachant l exposition future).
Applications. Arbitrage, Hedging, et risque de contrepartie? Risque de contrepartie. Il y a deux économétries : l économétrie historique diffusée S 0 (t, ) et l économétrie de marchée, S(t, ) donnée par le Front-Office. Idée : utiliser une seule économétrie calibrée S(t, ) "proche" de S 0, mais répliquant les prix d instruments de mesure de risque bien choisis, i.e. "proche" de S(t, ). Avantages : Prix de marché du risque de contrepartie. Performance et simplicité de la librairie de pricing. Calibration crédit / action : WWR? Et surtout, plus juste! le calcul du risque de contrepartie est une équation backward, de type exercice américain (on se couvre sachant l exposition future).
Applications. Arbitrage, Hedging, et risque de contrepartie? Risque de contrepartie. Il y a deux économétries : l économétrie historique diffusée S 0 (t, ) et l économétrie de marchée, S(t, ) donnée par le Front-Office. Idée : utiliser une seule économétrie calibrée S(t, ) "proche" de S 0, mais répliquant les prix d instruments de mesure de risque bien choisis, i.e. "proche" de S(t, ). Avantages : Prix de marché du risque de contrepartie. Performance et simplicité de la librairie de pricing. Calibration crédit / action : WWR? Et surtout, plus juste! le calcul du risque de contrepartie est une équation backward, de type exercice américain (on se couvre sachant l exposition future).
Applications. Arbitrage, Hedging, et risque de contrepartie? Risque de contrepartie. Il y a deux économétries : l économétrie historique diffusée S 0 (t, ) et l économétrie de marchée, S(t, ) donnée par le Front-Office. Idée : utiliser une seule économétrie calibrée S(t, ) "proche" de S 0, mais répliquant les prix d instruments de mesure de risque bien choisis, i.e. "proche" de S(t, ). Avantages : Prix de marché du risque de contrepartie. Performance et simplicité de la librairie de pricing. Calibration crédit / action : WWR? Et surtout, plus juste! le calcul du risque de contrepartie est une équation backward, de type exercice américain (on se couvre sachant l exposition future).
Non-linéarités en Finance Modèle non-linéaires. Perspectives : Introduction de singularités dans les données de marché. On sort de l analyse classique en Finance de marché. Avis personnel : peu d existant sur le sujet à ma connaissance. Ligne de pensée potentiellement très riche en applications et profonde pour la recherche.
Non-linéarités en Finance Modèle non-linéaires. Perspectives : Introduction de singularités dans les données de marché. On sort de l analyse classique en Finance de marché. Avis personnel : peu d existant sur le sujet à ma connaissance. Ligne de pensée potentiellement très riche en applications et profonde pour la recherche.
Non-linéarités en Finance Modèle non-linéaires. Perspectives : Introduction de singularités dans les données de marché. On sort de l analyse classique en Finance de marché. Avis personnel : peu d existant sur le sujet à ma connaissance. Ligne de pensée potentiellement très riche en applications et profonde pour la recherche.
Non-linéarités en Finance Modèle non-linéaires. Perspectives : Introduction de singularités dans les données de marché. On sort de l analyse classique en Finance de marché. Avis personnel : peu d existant sur le sujet à ma connaissance. Ligne de pensée potentiellement très riche en applications et profonde pour la recherche.
Annexe Lectures complementaires Lectures complementaires I Peter Tankov. Surface de volatilié, Calibration de Modèles et Couverture de Produits Dérivés www.math.jussieu.fr/tankov/ma/ M Avellaneda. Minimum-relative-entropy calibration of asset pricing models, International Journal of Theoretical and Applied Finance, (1998).