CATALOGUE DES COURS OMA 2018-2019 - Descriptifs d'iune partie des cours de l'option Mathématiques Appliquées version du 15/11/2019 - CentraleSupelec
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
CATALOGUE DES COURS OMA 2018-2019 Descriptifs d’iune partie des cours de l’option Mathématiques Appliquées version du 15/11/2019
Liste des cours Table des matières Liste des cours....................................................................................................................................... 2 Cours de tronc commun ........................................................................................................................ 5 Machine Learning et Classification ........................................................................................................................... 6 Optimisation ............................................................................................................................................................. 7 Processus et calcul stochastiques ............................................................................................................................. 8 Statistique ................................................................................................................................................................. 9 Cours de portée générale .................................................................................................................... 10 Analyse Fonctionnelle ............................................................................................................................................. 11 Assurance Vie .......................................................................................................................................................... 12 Séries chronologiques ............................................................................................................................................. 13 Electifs de Finance............................................................................................................................... 14 Modèles dérivés action (E1) .................................................................................................................................... 15 Physique des marchés (E2) ..................................................................................................................................... 16 Méthodes numériques en finance (E3) ................................................................................................................... 17 Cas appliqués de Structuration et Gestion d’Actifs (E4) ......................................................................................... 18 Portfolio Metrics (E5-1) ........................................................................................................................................... 19 Assurance-Prévoyance (E5-2) ................................................................................................................................. 20 Fixed income (E6) .................................................................................................................................................... 21 Données haute-fréquence et carnets d’ordres (E7-1) ............................................................................................ 22 Réassurance (E7-2) .................................................................................................................................................. 23 Electifs de Modélisation Mathématique .............................................................................................. 24 Systèmes Hyperboliques de Lois de Conservation (E1) .......................................................................................... 25 Equations de Hamilton-Jacobi (E2) ......................................................................................................................... 26 Optimisation et calcul des variations (E3) ............................................................................................................... 27 Systèmes désordonnés et percolation (E4)............................................................................................................. 28 Equations différentielles et aux dérivées partielles stochastiques (E5) .................................................................. 29 Processus de Lévy (E6, à confirmer)........................................................................................................................ 30 Maîtrise des Risques (E7) ........................................................................................................................................ 31 Electifs de Statistiques, Signaux et Données ........................................................................................ 32 Analyse spectrale et temps-fréquence (E1) ............................................................................................................ 33 Biostatistique (E2) ................................................................................................................................................... 34 Distributed optimization (E3) .................................................................................................................................. 35 Stastique Bayésienne et Applications (E4) .............................................................................................................. 36 Apprentissage en grande dimension (E5) ............................................................................................................... 37 Traitement des images : méthodes et outils (E6) ................................................................................................... 38 Théorie des Grandes Matrices Aléatoires et Apprentissage (E7) ............................................................................ 39 Cours de Math-Physique ..................................................................................................................... 40 Topics in Mathematical Physics .............................................................................................................................. 41 Théorie quantique des champs ............................................................................................................................... 42 Groupes et Algèbres de Lie ................................................................................................................................... 43 Systèmes désordonnés et percolation .................................................................................................................... 44 Electifs de Data Sciences ..................................................................................................................... 45
Liste des cours Liste des cours Master Type Titre TC/PG/E HYP Apogée Option Remarque 2, MSc Tronc commun Machine Learning TC MLC MA3XXX OBT Les deux cours MLC sont en Machine Learning parallèle. Tronc commun TC MLC MA3XXX Avancé Tronc commun Optimisation TC OPT MA3150AD Processus et Calcul Tronc commun TC PS MA3131AB Stochastiques Tronc commun Statistique TC STAT MA3XXX Analyse Portée générale PG AF MA3112AA Fonctionnelle Les 3 cours (AF, AV, MN) sont Portée générale Assurance Vie PG AV MA3901AA en parallèle. Méthodes Portée générale PG MN MA3120AA Numériques (*) Informatique : bases Portée générale environnements et PG versionnages Portée générale C++ PG Les 2 cours (C++ et PLP) sont Plateformes et en parallèle. Portée générale Langages de PG PLP MA3XXX Programmation (*) Séries Portée générale PG SCH MA3502AC chronologiques Network Science Data Sciences E1 NGSA DSBA Analytics MVA, Data Sciences Deep Learning E2 DL MA3601AB DSBA, AI MVA, Data Sciences Graphical Models E3-1 GRM AI Geometric Methods Data Sciences GMDA in Data Analysis E3-2 DSBA Data Sciences Computer Graphics E4-1 CGI AI Nouveau cours 2018-2019 Distributed MVA, Data Sciences E4-2 LSD MA3604AB Commun DS et SigStat Optimization DSBA Advanced Medical Data Sciences E4-2 MIA MVA Image Analysis (*)
Liste des cours Data Sciences Natural Language E4-3 NLP MA3320AA DSBA Processing DSBA, Data Sciences Advanced Statistics E5-1 ASI AI Nouveau cours 2018-2019 Introduction to Data Sciences VIC AI Nouveau cours 2018-2019 Visual Computing E5-2 Reinforcement Data Sciences E6 RL MA3608AA DSBA Learning MVA, Data Sciences Advanced Deep ADL DSBA, Learning E7 AI Nouveau cours 2018-2019 Modèles Dérivés Finance E1 MDA MA3201AB Action Physique des Finance E2 PHM MA3216AC MSF marchés Méthodes Finance Numériques en E3 MNF MA3202AC Finance Structuration et Finance E4 SGA MA3212AC Gestion d'actifs Finance Portfolio Metrics E5-1 PM MA3312AA Assurance- Finance E5-2 AP Nouveau cours 2018-2019 Prévoyance Finance Fixed income E6 FI MA3203AC Données haute- Finance fréquence et carnets E7-1 DHF MSF d'ordres Finance Réassurance E7-2 REA MA3903AC Statistique, Analyse spectrale et Signaux et E1 ASTF temps-fréquence Données Statistique, Apprentissage en Signaux et E2 AGD grande dimension Données Statistique, Signaux et Biostatistique E3 BS OBT Données Statistique, Distributed Signaux et E4 LSD MA3604AB Commun Stat&Sig et DS Optimization Données Statistique, Statistique Signaux et bayésienne et Données applications E5 SBA
Liste des cours Statistique, Traitement des Signaux et E6 TIMO OBT images Données Statistique, Théorie des Signaux et matrices aléatoires E7 TMAA MVA Données et apprentissage Systèmes Modélisation Hyperboliques de E1 SHLC MA3401AB Lois de Conservation Equations de Modélisation E2 EHJ MA3403AD Hamilton-Jacobi Optimisation et Modélisation E3 OCV MA3XXXX Nouveau cours 2018-2019 Calcul des Variations Systèmes Modélisation Désordonnés et E4 SyD&P MA3607AA Commun MM et PMP Percolation Equations Modélisation différentielles et aux E5 EDPS MA3218AA Commun MM et PMP d.p. stochastiques HPC et Modélisation Modélisation E6 HPC MA3405AC (*) Modélisation Maîtrise des Risques E7 MRI MA3205AB Topics in Math-Physique Mathematical PMPE2 TMP MA3190AA Physics Théorie Quantique Math-Physique PMPE4 TQC MA3609AA des Champs Systèmes Math-Physique Désordonnés et PMPE3 SyD&P MA3607AA Commun MM et PMP Percolation Equations Math-Physique différentielles et aux PMPE5 EDPS MA3218AA Commun MM et PMP d.p. stochastiques Groupes et Algèbres Math-Physique PMPE7 GAL MA3180AA de Lie
Cours de tronc commun Cours de tronc commun Cours de tronc commun ...................................................................................................................... 5 Machine Learning et Classification ............................................................................................................... 6 Optimisation ................................................................................................................................................. 7 Processus et calcul stochastiques ................................................................................................................. 8 Statistique ..................................................................................................................................................... 9
Cours de tronc commun Machine Learning et Classification Enseignants responsables : Cours standard : Hani Hamdan et Arthur Tenenhaus ; Cours avancé : Frédéric Pascal et Emilie Chouzenous Prérequis : Statistique, Algèbre linéaire pour le cours standard ; pour le cours avancé, risque statistique, sur-apprentissage, régularisation, évaluation d'un modèle, algorithmes d'apprentissage pour la classification et la régression, réduction de dimension, clustering, savoir formuler un problème d'analyse de données réelles en termes d'apprentissage statistique, savoir choisir, parmi un éventail de techniques classiques, les algorithmes les plus apropriés à sa résolution, savoir appliquer, analyser et évaluer ces algorithmes de manière appropriée. Description : L'évolution technologique amène à des acquisitions de données de plus en plus volumineuses (signaux, images, résultats de mesure, etc.) qui nécessitent l'utilisation de techniques permettant d'en extraire la connaissance utile. La classification et l'apprentissage automatique qui cherchent à transformer les données brutes en connaissances plus structurées, fournissent des outils adaptés à ce type de problème. Cet enseignement présente une vue d'ensemble des méthodes d'apprentissage automatique et de classification ainsi que des exemples d'application des différentes approches développées. À l'issue de ce cours, les élèves seront capables de définir, comprendre, choisir une méthode d'apprentissage automatique et la mettre en œuvre, en adéquation avec le problème posé. Contenu : Apprentissage supervisé - Outils classiques : analyse discriminante, SVM, régression multiple, régression logistique, régression Ridge, régression PLS, LASSO, régression sur composantes principales, etc. - Extensions non linéaires de ces approches (régression Ridge à noyau, PLS à noyau, SVM à noyau, etc.). - Sélection de modèle : validation croisée, bootstrap, etc. Apprentissage non supervisé - Familles de méthodes : hiérarchie, partition, partition floue. - Modèle de mélange : définition, algorithmes EM et CEM, utilisation lors de situations spécifiques (données imprécises, données discrétisées, etc.), modèles gaussiens parcimonieux. - Sélection de modèle et choix du nombre de classes : critères d'information, etc. Bibliographie : [1] T. Hastie, R. Tibshirani, et J. Friedman, "The Elements of Statistical Learning: Data Mining, Inference and Prediction", Springer, 2001. [2] R. Duda, P. Hart, et D. Stork, "Pattern classification", John Wiley, 2001. Equipe pédagogique : Hani Hamdan et Arthur Tenenhaus Modalités d'évaluation : projet, soutenance
Cours de tronc commun Optimisation Enseignants responsables : Paul-Henry Cournède, Laurent Le Brusquet, CentraleSupélec Prérequis : Calcul Différentiel Description : L'optimisation est le domaine étudiant la minimisation ou la maximisation d'un critère à valeurs réelles. Pour l’optimisation continue, le critère est défini sur un ensemble fermé, d'intérieur non vide. Pour l’optimisation discrète, le critère est défini sur un ensemble fini ou dénombrable. L’objectif de ce cours est tout d’abord de présenter le cadre formel des problèmes d’optimisation et d’étudier les questions d’existence et d’unicité, de caractérisation des solutions. Une large gamme de méthodes de résolution numérique sera exposée. Pour l’optimisation continue, ces méthodes concerneront la recherche d’optima locaux ou globaux, avec ou sans contraintes. Pour l’optimisation discrète, ces méthodes pourront être exactes ou approchées. La capacité des méthodes à fournir de bons résultats dépendant fortement de la description mathématique du problème à résoudre, le cours insistera sur l’étape de formalisation mathématique préalable à l’utilisation de tout algorithme d’optimisation. Contenu : [10 lignes max., têtes de chapitres] - Problèmes d’optimisation, Existence et unicité, Caractérisation des solutions - Théorème de Fritz John - Méthodes numériques pour la recherche de minima locaux sans contraintes - Optimisation sous contraintes : projection, pénalisation, dualité - Contrôle optimal - Méthodes heuristiques - Résolution exacte de problèmes d’optimisation discrète : branch and bound, programmation dynamique - Principaux problème d’optimisation sur les graphes - Optimisation multi-objectifs : dominance de Pareto. Bibliographie : [5 références max.] [1] Culioli, J. (1994). Introduction à l'Optimisation. Paris : Ellipses. [2] Evans, LC. (1987). An Introduction to Mathematical Optimal Control Theory. Berkeley Lecture Notes. [3] Hiriart-Urruty, J. and Lemaréchal, C. (2001). Fundamentals of Convex Analysis. Springer-Verlag. [4] Nocedal, J. and Wright, S. (2006). Numerical Optimization (2nd ed.). Springer-Verlag. [5] Charon I., Germa A et Hudry O. (1996). Méthodes d'optimisation combinatoire, Masson. Equipe pédagogique : PH Cournède, L Le Brusquet, J Bect (TP), xxx (TP) Modalités d'évaluation : examen écrit (3h) + Note de TP 7
Cours de tronc commun Processus et calcul stochastiques Enseignantes responsables : Hana Baili et Sarah Lemler, CS (2 cours prévus) Prérequis 1 : cours de probabilités de première année Prérequis 2 : cours de probabilités avancées (processus gaussien, espérance conditionnelle, temps d’arrêt, martingale) Description Cet enseignement contient une initiation au calcul stochastique utile pour étudier des phénomènes aléatoires dépendant du temps. Ce qu'on appelle communément calcul stochastique est constitué de la théorie des intégrales stochastiques et des règles de calcul qui président à l'usage de ces intégrales. À l'issue de ce cours les élèves seront capables : • de comprendre les mécanismes de construction d’une intégrale stochastique ; ils verront en particulier la différence par rapport à l’intégration classique au sens de Lebesgue ; • de manipuler les semimartingales et en particulier les processus de diffusion via la formule d’Itô ; • de transformer une semimartingale en une martingale par un changement de mesure ; • d'appliquer ces objets mathématiques à des problèmes concrets d’analyse, de filtrage ou d ’optimisation de systèmes dynamiques incertains. Contenu Quelques rappels sur les processus. Filtrations. Temps d'arrêt. Espérance conditionnelle. Martingales. Mouvement brownien. Contruction de l’intégrale stochastique. Formule d’Itô. Théorème de Girsanov. Equations différentielles stochastiques. Bibliographie [1] P. Protter (2005), "Stochastic Integration and Differential Equations", Springer, 2nd edition. [2] B. Øksendal (2003), "Stochastic Differential Equations: An Introduction with Applications", Springer, 6th edition. [3] J.-F. Le Gall, "Mouvement brownien et calcul stochastique", Notes de cours de DEA 1996-1997, Université Pierre et Marie Curie. [4] J. Jacod, "Mouvement brownien et calcul stochastique", Notes de cours de DEA 2007-2008, Université Pierre et Marie Curie. Modalité d'évaluation : examen écrit 8
Cours de tronc commun Statistique Enseignant responsable : Julien BECT, Maître de Conférence de l’Ecole CentraleSupélec Prérequis : Cours de probabilités / statistique niveau 1A Description : Ce cours présente un panorama assez large des possibilités offertes par la statistique moderne, à la fois en terme de modélisation (des modèles paramétriques, tels les modèles linéaires généralisés, aux modèles non-paramétriques) et d’outils (M-estimateurs, estimateurs à noyaux, tests fondés sur la vraisemblance, etc.). Le cours s’appuie sur des fondements théoriques fournis par la théorie statistique asymptotique. Des travaux dirigés réalisés en langage R ou Matlab complètent le cours théorique et permettent l’application des méthodes présentées à des jeux de données issus de domaines divers. Contenu · Convergence de la loi empirique (FRE, théorèmes de Glivenko-Cantelli et de Donsker) · Estimation non-paramétrique de densité (histogrammes, estimateurs à noyau, biais/variance) · Modélisation multivariée (copules, modèles de régression, etc.) · Théorie asymptotique des M-estimateurs, efficacité asymptotique · Test fondés sur la vraisemblance (la « Saint Trinité » Wald / Rao / Wilks) · Introductions à la robustesse et à la sélection de modèle Bibliographie : [1] Wasserman, “All of Nonparametric Statistics”, 2006, Springer [2] Dobson & Barnett, “An introduction to General Linear Models”, 3rd ed., 2008, Chapman & Hall / CRC. [3] Gourieroux & Monfort, “Statistique et modèles économétriques”, vol. 1 et 2, 2e éd., 1996, Economica [4] Van der Vaart, “Asymptotic Statistics”, 1998, CUP Equipe pédagogique : Julien Bect, Laurent Le Brusquet, Arthur Tenenhaus Modalités d'évaluation : Examen écrit (3h) 9
Cours de port e g n rale Cours de portée générale Cours de portée générale .......................................................................................................... 10 Analyse Fonctionnelle ......................................................................................................................... 11 Assurance Vie ..................................................................................................................................... 12 Séries chronologiques ......................................................................................................................... 13 10
Cours de port e g n rale Analyse Fonctionnelle Enseignant responsable : Anna Rozanova-Pierrat MDC Prérequis : les cours de première année du cursus centralien, Analyse et EDPs Description : L’analyse fonctionnelle est un outil puissant permettant de résoudre des problèmes de mathématiques et de physique et toutes sortes de problèmes liés aux modèles impliquant des équations intégrales et/ou différentielles aux applications multiples (modèles de biologie, de finance, de physique, de techniques d’imagerie et problèmes inverses, problèmes d’optimisation...). Pour être capable de résoudre n’importe quel type de problème, il faut comprendre la philosophie d’une construction théorique. Le but du cours est donc non seulement de connaître les résultats les plus fondamentaux de la théorie de l’analyse fonctionnelle mais aussi savoir les démontrer. Cette vision abstraite globale amènera à des solutions adéquates des problèmes concrets de nature différente, abordés à la dernière séance. Contenu : [Séance 1.] Rappels sur les espaces topologiques et métriques. [Séance 2.] Compacité. Opérateurs linéaires. [Séance 3.] Espaces de Hilbert. [Séance 4.] Convergences faible et faible*. [Séance 5.] Opérateurs compacts et théorie spectrale. [Séance 6.] Distributions. [Séance 7.] Transformation de Fourier des distributions. Fonctions de Green. [Séance 8.] Espaces de Sobolev. [Séance 9.] Applications. Conséquences des inclusions des espaces de Sobolev. Bibliographie : [1] H. Brézis. Analyse fonctionnelle : Théorie et applications. Sciences SUP, 2005. [2] L. C. Evans. Partial Differential Equations. Graduate Studies in Mathematics, 1994. [3] F. Golse, Y. Laszlo, F. Pacard, and C. Viterbo. Analyse réelle et complexe. École Polytechnique, 2014. [4] A.N. Kolmogorov and S.V. Fomin. Introductory Real Analysis. Dover publications, INC., 1975. [5] V.S. Vladimirov. Equations of Mathematical Physics. Pure and Applied Mathematics, 1971. Equipe pédagogique : Anna Rozanova-Pierrat Modalités d'évaluation : examen écrit (3h) sans documents Remarques : site du cours http://cours.etudes.ecp.fr/claroline/course/index.php?cid=MA3100 11
Cours de port e g n rale Assurance Vie Enseignant responsable : Simon COLBOC / Guillaume METGE Prérequis : notions élémentaires de probabilité Description : Assurance vie : marché, principes, fonctionnement et calcul actuariel Contenu : Objectif du cours : L’objectif du cours est d’introduire les étudiants aux différentes techniques actuarielles utilisées pour modéliser un portefeuille d’assurance-vie (comportement de l’assuré, démographie, finance). Par ailleurs, une attention particulière sera portée à la compréhension du marché de l’assurance vie. Plan du cours : 1. Produits d’assurance-vie, perspectives d’évolution du marché 2. Calcul des engagements en assurance-vie Comment calcule-t-on la prime d’un produit d’assurance-vie ? 3. Valorisation d’un portefeuille d’assurance-vie Market Consistent Embedded Value, valorisation déterministe et valorisation stochastique, introduction à l’Asset & Liabilities Management 4. Construction de tables de mortalité et calcul de l’espérance de vie Modèles de durée, estimateur de Kaplan-Meier, modèle de Lee-Carter et dérivés 5. L’option de rachat : modélisations actuarielle Focus sur l’option de rachat des contrats d’assurance vie : modèles économiques, modèles statistiques (GLM), modèles machine learning 6. La vision Solvabilité II Revue des risques précédemment abordés et calcul au quantile 99.5% 7. La distribution dans l’assurance Equipe pédagogique : Simon COLBOC / Guillaume METGE Modalités d'évaluation : examen écrit (3h) + 2 TP 12
Cours de port e g n rale Séries chronologiques Enseignants responsables : Pascal Bondon, CNRS-CS, et Emmanuelle Clément, CS Période : du 09/01/2018 au 13/03/2018 Lieu : Gif-sur-Yvette Prérequis : Cours de probabilités, statistiques, processus stochastiques. Description : L’objectif de ce cours d'introduction aux séries temporelles est de présenter des modèles paramétriques de séries d'observations et leurs applications à l'analyse et à la prévision de données observées séquentiellement dans le temps. On commence par présenter les techniques d'estimation de la tendance et de la saisonnalité d'une série temporelle. Puis on introduit le modèle autorégressif à moyenne mobile (ARMA) et on étudie les notions de causalité et d'inversibilité. On aborde ensuite la théorie de la prédiction linéaire d'une série chronologique stationnaire quelconque à passé fini et infini. Le problème de l'estimation statistique d'un modèle ARMA est étudié dans le détail et est illustré d’exemples de modélisation de séries réelles. Enfin, on présente les modèles non linéaires conditionnellement hétéroscédastiques utilisés dans l'analyse de séries financières. Contenu : • Généralités sur les séries temporelles : exemples, modèles simples de séries temporelles, estimation et élimination de la tendance et de la saisonnalité. • Stationnarité au second ordre : fonction de covariance, densité spectrale, processus linéaire. • Processus ARMA et ses généralisations : stationnarité, causalité, inversibilité, série ARIMA saisonnière, • série à longue mémoire. • Prédiction linéaire : passé fini, passé infini, interpolation, filtrage. • Estimation d’un modèle ARMA : estimation préliminaire, estimation du maximum de vraisemblance gaussien, estimation des moindres carrés, propriétés asymptotiques des estimateurs, exemples. • Modèles conditionnellement hétéroscédastiques : modèles ARCH, GARCH, modèles à volatilité stochastique, modèles à longue mémoire. Bibliographie : [1] P. J. Brockwell and R. A. Davis. Time Series : Theory and Methods. Springer Verlag, New York, second edition, 1991. [2] J. D. Cryer and K. S. Chan, Time Series Analysis with Applications in R. Springer Verlag, New York, second edition, 2008. [3] W. A. Fuller. Introduction to Statistical Time Series. Wiley, New York, second edition, 1995. [4] R. H. Shumway and D. S. Stoffer, Time Series Analysis and Its Applications with R Examples, Springer Verlag, New York, second edition, 2005. [5] R. S. Tsay. Analysis of Financial Time Series. Wiley Series in Probability and Statistics : Probability and Statistics. Wiley-Interscience, New York, 2001. Equipe pédagogique : Pascal Bondon (cours), Mabrouk Chetouane (TD) / Emmanuelle Clément Modalités d'évaluation : Examen écrit (3h) et comptes rendus de TD. 13
Electifs de Finance Electifs de Finance Electifs de Finance.............................................................................................................................. 14 Modèles dérivés action (E1) ..........................................................................................................................15 Physique des marchés (E2) ............................................................................................................................16 Méthodes numériques en finance (E3) ..........................................................................................................17 Cas appliqués de Structuration et Gestion d’Actifs (E4) .................................................................................18 Portfolio Metrics (E5-1) .................................................................................................................................19 Assurance-Prévoyance (E5-2) ........................................................................................................................20 Fixed income (E6)..........................................................................................................................................21 Données haute-fréquence et carnets d’ordres (E7-1) ....................................................................................22 Réassurance (E7-2)........................................................................................................................................23 14
Electifs de Finance Modèles dérivés action (E1) Enseignant responsable : Ioane Muni Toke, Maître de conférences, CentraleSupélec Description : Ce cours est présente les modèles stochastiques désormais classiques utilisés pour l’évaluation de produits dérivés en finance, principalement sur les marchés actions. Les notions mathématiques de base du calcul stochastique sont (re)vues dans l’optique des applications financières. La théorie de l’évaluation par arbitrage et le modèle fondateur de Black & Scholes sont présentées et critiquées au regard de données empiriques. Les modèles plus complexes de volatilité (locale et stochastique) et les modèles dits « à sauts » sont également présentés. Le cours fournit donc aux étudiants un large panorama des méthodes probabilistes pour l’évaluation de dérivés action. Contenu : Rappels sur les processus stochastiques. Mouvement brownien. Intégrale stochastique. Equations différentielles stochastiques. Evaluation par arbitrage. Modèle de Black et Scholes et extensions (dépendance temporelle, dividendes). Théorèmes fondamentaux de l’évaluation par arbitrage. Evaluation par EDP (Feynman- Kac). Notions de trading et « grecques ». Modèles de volatilité locale (Dupire) et stochastique (Heston). Introduction aux modèles à sauts. Bibliographie : [1] Lamberton D. et Lapeyre B., Introduction au calcul stochastique appliqué à la finance, Ellipse. [2] Shreve S., Stochastic calculus for finance II : Continuous-time models, Springer. Equipe pédagogique : Ioane Muni Toke Modalités d'évaluation : un partiel et un examen final 15
Electifs de Finance Physique des marchés (E2) Enseignant responsable : Damien Challet, chercheur sénior Description : Ce cours propose une vision mécanistique et cohérente des marchés financiers. Il explique comment la dynamique observable des prix, en particulier la difficulté à prédire les prix, résulte de l’interaction entre les stratégies utilisés par les agents de change. Pour ce faire, il aborde une large palette de sujets et procure une façon d’envisager la dynamique financière microscopique et les principes généraux d’apprentissage statistique appliqué au marchés. Contenu : Étudier la phénoménologie des marchés avec une approche Big Data Considérer les stratégies de trading comme des outils de mesure partielle de la dynamique des prix Comprendre comment les agents de change apprennent à utiliser leurs stratégies, Construire des modèles d’agents et étudier comment leur interaction tend à faire disparaître la prévisibilité. Bibliographie : [1] Cont, Rama. "Empirical properties of asset returns: stylized facts and statistical issues." Quantitative Finance 1 (2001): 223-236. [2] Freeman, John D. "Behind the smoke and mirrors: Gauging the integrity of investment simulations." Financial Analysts Journal 48.6 (1992): 26-31. [3] Chakraborti, Anirban, et al. "Statistical mechanics of competitive resource allocation using agent-based models." Physics Reports 552 (2015): 1-25. [4] Bouchaud, Jean-Philippe, J. Doyne Farmer, and Fabrizio Lillo. "How markets slowly digest changes in supply and demand." Fabrizio, How Markets Slowly Digest Changes in Supply and Demand (September 11, 2008) (2008). Equipe pédagogique : Damien Challet, Frédéric Abergel. Modalités d'évaluation : rendu de 4 travaux pratiques et examen écrit de 2h 16
Electifs de Finance Méthodes numériques en finance (E3) Enseignant responsable : Ioane Muni Toke, CentraleSupélec. Description : Ce cours présente quelques méthodes numériques classiques fréquemment utilisées pour l’évaluation de produits financiers. Une séance (ou un groupe de deux séances) comprend un cours théorique présentant le modèle financier et sa résolution numérique proposée, suivi d’un TP au cours duquel l’étudiant est invité à implémenter une solution en C++ et/ou Python et/ou R (suivant les sujets). Contenu : Méthodes de Monte Carlo. Méthodes d’arbres. Schémas numériques pour la diffusion. Schéma numériques pour les EDP. Programmation dynamique et options américaines. Utilisation de copules en finance. Bibliographie : [1] Lamberton D. et Lapeyre B., Introduction au calcul stochastique appliqué à la finance, Ellipse. [2] Achdou, Pironneau, Computational methods for Option Pricing, SIAM. Equipe pédagogique : Ioane Muni Toke Modalités d'évaluation : contrôle continu (Comptes-rendus de TP à rédiger) et soutenance 17
Electifs de Finance Cas appliqués de Structuration et Gestion d’Actifs (E4) Enseignant responsable : Thomas CHEDRU – Crédit Agricole CIB - Structuration Cross Asset Yann MOYSAN - BNPP – Structuration Cross Asset Prérequis : Mathématiques Appliquée (Calcul Stochastique) Pricing et Théorie des Options et produits Dérivés Description : Les Marchés de Capitaux regroupent les activités de financement (bancaire, obligataire, actions, titrisation), d’investissement (Produits structurés, Dérivés actions, taux, hybrides, Gestion d’Actifs), ou de couverture de risques (Taux, Change, Crédit, Actions) pour le compte de clients diversifiés : Retail/ Banques Privées, Entreprises, Institutions financières (Assurances, Banques, Fonds de pension, …). L’objectif du cours est d’apporter des connaissances appliquées et pratiques des produits Structurés Cross Asset et des problématiques aujourd’hui au cœur des salles de Marchés (Réglementation, CVA, Risk management, ...). Dispensé par des professionnels de l’Ingénierie financière il se veut interactif et orienté sur la pratique au Day to Day du métier de Structuration. Contenu : · Cours 1 : o Overview de la salle de marché et des acteurs o Présentation et pricing d’un Produit Structuré · Cours 2 : "Produits structurés ""classiques"" et les problématiques de pricing et gestion qu'ils engendrent" · Cours 3 : Fixed income et Inflation · Cours 4 : Les Dérivés sur fonds et la gestion Coussin · Cours 5 : Gestion de portefeuille et techniques d’allocation · Cours 6 : "Les sous jacents ""innovants"" et les problématiques de pricing et gestion qu'ils engendrent" · Cours 7 : "Crédit - Crise / réglementation et Impacts sur les Dérivés" · Cours 8 : Les Hybrides et les Commodities Bibliographie : [1] Options, futures, and other derivatives - John C. Hull [2] Finance de marché: Instruments de base, produits dérivés, portefeuilles et risques – Patrice Poncet / Roland Portrait Equipe pédagogique : Modalités d'évaluation : Examen écrit (3h), sous forme de QCM 18
Electifs de Finance Portfolio Metrics (E5-1) Enseignant responsable : Nicos Millot, CEO, Quarisma Finance Prérequis : Stochastic calculus for finance, basics of capital markets Description : The aim of the course is to : - Understand the difference between economic and theoretical values ; - Understand the different components entering the price of a trade ; - Learn about the trading floor organization in relation with those pricing components ; - Understand the basics of quantitative risk-management and its relation to economic capital ; - Understand how the 2008 crisis and new regulations have changed the derivatives landscape ; - Learn about the role of quantitative analysts in this environment. Contenu : XVA, CSA, Netting, CCR, RWA, PDE, Monte Carlo, VaR, CVaR, Capital allocation Plan du cours : 1st session: introduction, reminders about the fundamental theorem of asset pricing, Black- Scholes model 2nd session: default risk, CDS pricing, counterparty credit risk, first derivation of unilateral CVA 3rd session: second derivation of unilateral CVA, own credit risk, first derivation of bilateral CVA 4th session: second derivation of bilateral CVA, default hedging and funding issues, CVA and FCA 5th session: credit mitigation, netting and collateral, relations with close-out and funding, derivation of FVA, fully collateralized trades valuation 6th session: XVA implementation challenges, advanced topics in XVA, wrong-way risk modelling, ratings-based CVA and multi-currency funding 7th session: Impact of regulations on derivatives valuation, RWA, KVA, CLR charge, relations to QRM 8th session: risk-measures, VaR, ES, modelling and implementation issues, conclusion Bibliographie : [1] Green, A. (2015). XVA : Credit, Funding and Capital Valuation Adjustments . Wiley. [2] Embrechts, P., R. Frey, and A. McNeil (2005). Quantitative Risk Management : Concepts, Techniques, Tools. Princeton : Princeton University Press. Equipe pédagogique : Nicolas Millot Modalités d'évaluation : Contrôle écrit de 2h 19
Electifs de Finance Assurance-Prévoyance (E5-2) Enseignants responsables : Axel Truy, Maxence Pierrat, Amine Mechergui Prérequis : notions élémentaires de probabilité Description : L’objectif de ce cours est de présenter une vue d’ensemble des différentes méthodes actuarielles utilisées en assurance prévoyance. La première partie du cours sera accordée à une présentation générale de l’assurance prévoyance (marché, acteurs, produits et garanties). La suite quant à elle sera plus technique et consistera à parcourir les modèles mathématiques employés en mesure de risque, tarification et provisionnement. Par ailleurs, des exercices sous Excel/VBA, R et Python permettront aux étudiants de mettre en œuvre les approches traitées précédemment. Contenu : 1. Environnement et acteurs (séance 1) a. Définition de l’Assurance Prévoyance b. Droit social, Conventions Collectives c. Les Acteurs d. Quelques Chiffres sur le Marché de l’Assurance e. Quelques Chiffres sur le Marché de la Prévoyance 2. Risques et produits (séance 1) a. Les risques (Décès, Incapacité, Invalidité, Dépendance, …) b. Les prestations c. L’assuré d. Les produits et leur fonctionnement 3. Mesures de risques (séance 2) a. Introduction et définitions b. Mesures de risque usuelles, propriétés c. Application aux exigences de solvabilité des assureurs : la place particulière de la VaR d. Exemple d’estimation paramétrique TD : exercices 4. Modèles de durées (séances 3 et 4) a. Généralités – Contexte réglementaire – Problématique de la donnée b. Estimation de taux bruts c. Ajustement et/ou lissage de taux bruts d. Extrapolation d’une table de mortalité lissée e. Validation d’une table de mortalité f. Prise en compte de variables discriminantes dans une table de mortalité TP sur R : calibrage d’une table de mortalité 5. Tarification (séances 5 et 6) a. Le cycle Inversé de Production b. Décomposition de la Prime c. Principe d’Évaluation de l’Engagement d’un Assureur d. Comparaisons Internationales TP (R ou Python) : utilisation du Machine Learning pour la tarification d’un produit d’assurance 6. Provisionnement (séances 7 et 8) a. Les provisions techniques b. Les provisions de primes (PPNA, PREC, PRC, PM) c. Les provisions de sinistres d. Les autres provisions TP sur R et Excel : implémentation de quelques méthodes de provisionnement. 20
Electifs de Finance Modalités d’évaluation : Contrôle intermédiaire, Rendus de TP. Fixed income (E6) Enseignants responsables : Partie Taux de Changes - Anas Elkaddouri – Analyste Quantitatif– Barclays Partie Taux d’intérêts - Omar Bennani – Analyste Quantitatif –Société Générale Prérequis : Probabilités continues – Calcul Stochastique Description : Partie Taux de Change : Ce cours est une introduction à la modélisation mathématique des taux de change. On établit d'abord l'équation générale de la dynamique des taux de change et on en déduit les prix de produits dérivés simples dans le cadre Black-Scholes. Une attention particulière est portée aux spécificités du marché des taux de change (notion de produit compo/quanto & symétries). Enfin, on considère deux modèles hybrides simples : action/taux de change et taux d'intérêt/taux de change et on établit les prix de d'options vanilles dans ces hypothèses. Une dernière séance type TD clôturera ce cours et comportera une série d'exercices permettant de mettre en œuvre les connaissances acquises durant les premières séances. Partie Taux d’intérets : Dans ce cours les produits financiers élémentaires et la modélisation des taux d’intérêts seront abordés. Dans un premier temps, les produits de bases sur taux d’intérêts : FRA, Swap, Cap, Floor, Swaption… etc ; puis modèles de taux court, cadre HJM et le modèle LMM. Une séance d’introduction à la valorisation en environnement multi-courbe clôturera ces séances. Contenu : Partie Taux de Change • Prix du forward et dynamique des taux de change • Quelques particularités des taux de change (La symétrie des taux de change, Trio de devises, Modèle à corrélation locale, Symétries et parité Call/Put) • Quantoisation • Modèle hybride Action-Taux de change (Equation générale et prix du Call, EDP d’évaluation 2D) • Modèle hybride Taux-Taux de change Partie Taux d’intérets • Produits de base • Modèles de taux court (modèle de Vasicek, modèle de Hull-White 1facteur, modèle CIR) • Cadre HJM • Modèle LMM • Pricing en multi-courbe Bibliographie : [1] Uwe Wystup – “FX Options and Structured Products” – Wiley Finance. [2] “FX Graduate Lecture – Models and Pricing” – Barclays – Internal Document. [3] Karatzas, Ioannis, Shreve, Steven – “Brownian Motion and Stochastic Calculus“– Springer. [4] L.B.G. Andersen, V. Piterbarg – “Interest Rate Modeling” – 2010. [5] D. Brigo, F. Mercurio - “Interest Rate Models – Theory and Practice” – 2006. [6] D. Lamberton, B. Lapeyre - “Introduction au calcul stochastique appliqué à la finance“ Equipe pédagogique : Anas Elkaddouri, Omar Bennani Modalités d'évaluation : Examen écrit (3h au total) 21
Electifs de Finance Données haute-fréquence et carnets d’ordres (E7-1) Enseignant responsable : Frédéric Abergel, CentraleSupélec Prérequis : Calcul stochastique, EDS Description : Ce cours s’adresse aux étudiants intéressés par l’étude empirique, la modélisation mathématique et la simulation numérique des marchés financiers modernes, dits « à carnets d’ordres ». Ces marchés, qui constituent l’immense majorité des marchés sur actions, indices et dérivés, comportent un point d’entrée unique, le carnet d’ordres, qui recense de manière transparente et visible à tous les opérateurs, l’ensemble des intérêts exprimés des participants du marché. Ces carnets d’ordres sont un objet d’études scientifiques depuis une vingtaine d’année, et bien sûr, un objet d’un intérêt pratique fondamental. Contenu : Séance 1 : Marché financiers électroniques, marchés à carnets d’ordres Séance 2 : Faits statistiques stylisés des carnets d’ordres Séance 3 : Modélisation mathématique I : Introduction aux processus ponctuels Séance 4 : Modélisation mathématique II : Introduction aux processus ponctuels Séance 5 : Propriétés mathématiques des modèles de carnets d’ordres Séance 6 : TP « Simulation des carnets d’ordres » I Séance 7 : TP « Simulation des carnets d’ordres » II Séance 8 : Stratégies d’investissement, exécution optimale, market making Séance 9 : examen Bibliographie : Limit order books, F. Abergel, M. Anane, A. Chakraborti, A. Jedidi, I. Muni Toke, Cambridge university press + notes de cours en anglais Equipe pédagogique : F. Abergel, S. Lemler, C. Huré Modalités d'évaluation : Examen final (2/3)+ TP (1/3) 22
Electifs de Finance Réassurance (E7-2) Enseignant responsable : Robin CHICHE, analyste ILS Description : Le cours de data science pour la réassurance a pour but de faire découvrir les risques extrêmes aux étudiants, et les raisons pour lesquelles toute compagnie d’assurance a besoin de les couvrir, en se réassurant. Après avoir vu les deux grands types de réassurance existants (traditionnelle et titrisée), nous aborderons les méthodes pour la structuration et la tarification. Puis nous étudierons les concepts de data science utilisés pour la modélisation et la tarification des risques extrêmes (théorie des valeurs extrêmes, modélisation physique des catastrophes naturelles). Enfin, les deux derniers cours permettront de mettre en application les approches vues précédemment. Contenu : · Partie 1 : Réassurance (3 séances) 1. Réassurance traditionnelle 2. Réassurance titrisée 3. Design et pricing de traités · Partie 2 : Data science pour les risques extrêmes (3 séances) 4. Pricing des catastrophes naturelles 5. Modélisation des risques extrêmes 6. Modélisation des catastrophes naturelles · Partie 3 : Mise en application (2 séances) 7. Construction d’un modèle simplifié de tremblements de terres 8. Calibration d’un programme de réassurance Equipe pédagogique : Robin CHICHE, Simon BLAQUIERE, Théo SERMET Modalités d'évaluation : Examen écrit (2h) 23
Electifs de Mod lisation Math matique Electifs de Modélisation Mathématique Electifs de Modélisation Mathématique ........................................................................... 24 Systèmes Hyperboliques de Lois de Conservation (E1)............................................................... 25 Equations de Hamilton-Jacobi (E2) ............................................................................................ 26 Optimisation et calcul des variations (E3) .................................................................................. 27 Systèmes désordonnés et percolation (E4) ................................................................................ 28 Equations différentielles et aux dérivées partielles stochastiques (E5) ...................................... 29 Processus de Lévy (E6, à confirmer) ........................................................................................... 30 Maîtrise des Risques (E7)........................................................................................................... 31 24
Vous pouvez aussi lire