CATALOGUE DES COURS OMA 2018-2019 - Descriptifs d'iune partie des cours de l'option Mathématiques Appliquées version du 15/11/2019 - CentraleSupelec

 
CONTINUER À LIRE
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