Séance de cours

Copulas: Propriétés et applications

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dans cours

FIN-417: Quantitative financial risk management

This course is an introduction to quantitative risk management that covers standard statistical methods, multivariate models, risk measures, non-linear dependence structures (copula models), as well as credit risk. ...

Description

Cette séance de cours couvre les propriétés et applications des copules, en commençant par la définition et les propriétés des copules, telles que l'indépendance et la comonotonicité. Il se décline ensuite en exemples comme la copule gaussienne et les distributions conditionnelles de copules. La séance de cours se termine par une discussion sur les coefficients de dépendance de la queue et leur importance dans la mesure de la dépendance extrême.

Enseignant·e·s (2)

Semyon Malamud

Enseignement et PhD Doctorant·es actuel·les Johannes Schwab, Onur Demiray, Giuseppe Matera A dirigé les thèses EPFL de Rémy Praz, Evgeny Petrov, Yuan Zhang, Julien Arsène Blatt, Erik Hapnes, Teng Andrea Xu, Boris Kuznetsov Cours Big Data and Machine Learning for Financial Economics FIN-622 Machine learning in finance FIN-407 Ce cours a pour objectif de donner une introduction à l'application de l'apprentissage automatique à la finance, en se concentrant sur les problèmes d'

Damir Filipovic

Damir Filipovic holds the Swissquote Chair in Quantitative Finance and is Swiss Finance Institute Professor at the Ecole Polytechnique Fédérale de Lausanne (EPFL), Switzerland. Prior to this, he was head of the Vienna Institute of Finance and professor at the University of Vienna. He previously held the chair of financial and insurance mathematics at the University of Munich, and he was on the faculty of Princeton University. He received his Ph.D. in mathematics from ETH Zurich in 2000. Damir Filipovic worked as a scientific consultant for the Swiss Federal Office of Private Insurance from 2003 to 2004. There he co-developed the Swiss Solvency Test, which defines the regulatory capital requirement for all Swiss based insurance companies and groups. He is on the editorial board of several academic journals. His research interests include the term structure of interest rates, credit and volatility risk, quantitative methods in risk management, and stochastic processes. His papers have been published in a variety of academic journals including the Journal of Financial Economics, Mathematical Finance, Finance and Stochastics, and the Annals of Applied Probability. He is the author of a textbook titled Term-Structure Models.

Source officielle

Proximité ontologique

Statistique

Inférence statistique: Statistique mathématique

Mathématiques

Théorie des probabilités: Théorie des probabilités

Concepts associés (31)

Probabilité conditionnelle

vignette|Illustration des probabilités conditionnelles avec un diagramme d'Euler. On a la probabilité a priori et les probabilités conditionnelles , et .|320x320px En théorie des probabilités, une probabilité conditionnelle est la probabilité d'un événement sachant qu'un autre événement a eu lieu. Par exemple, si une carte d'un jeu est tirée au hasard, on estime qu'il y a une chance sur quatre d'obtenir un cœur ; mais si on aperçoit un reflet rouge sur la table, il y a maintenant une chance sur deux d'obtenir un cœur.

Conditional independence

In probability theory, conditional independence describes situations wherein an observation is irrelevant or redundant when evaluating the certainty of a hypothesis. Conditional independence is usually formulated in terms of conditional probability, as a special case where the probability of the hypothesis given the uninformative observation is equal to the probability without. If is the hypothesis, and and are observations, conditional independence can be stated as an equality: where is the probability of given both and .

Copule (mathématiques)

En statistiques, une copule est un objet mathématique venant de la théorie des probabilités. La copule permet de caractériser la dépendance entre les différentes coordonnées d'un vecteur aléatoire à valeurs dans sans se préoccuper de ses lois marginales. Une copule est une fonction de répartition, notée C, définie sur [0, 1], dont les marges sont uniformes sur [0, 1]. Une caractérisation est alors que : si une des composantes ui est nulle, C est d- croissante.

Dirichlet-multinomial distribution

In probability theory and statistics, the Dirichlet-multinomial distribution is a family of discrete multivariate probability distributions on a finite support of non-negative integers. It is also called the Dirichlet compound multinomial distribution (DCM) or multivariate Pólya distribution (after George Pólya). It is a compound probability distribution, where a probability vector p is drawn from a Dirichlet distribution with parameter vector , and an observation drawn from a multinomial distribution with probability vector p and number of trials n.

Loi normale

En théorie des probabilités et en statistique, les lois normales sont parmi les lois de probabilité les plus utilisées pour modéliser des phénomènes naturels issus de plusieurs événements aléatoires. Elles sont en lien avec de nombreux objets mathématiques dont le mouvement brownien, le bruit blanc gaussien ou d'autres lois de probabilité. Elles sont également appelées lois gaussiennes, lois de Gauss ou lois de Laplace-Gauss des noms de Laplace (1749-1827) et Gauss (1777-1855), deux mathématiciens, astronomes et physiciens qui l'ont étudiée.

Afficher plus

Séances de cours associées (64)

Éléments de la statistique : probabilité et variables aléatoires

Introduit des concepts clés en variables de probabilité et aléatoires, couvrant les statistiques, les distributions et la covariance.

Variables aléatoires continues

Explore les variables aléatoires continues, les fonctions de densité, les variables articulaires, l'indépendance et les densités conditionnelles.

Estimation de R : Distributions marginales et conditionnelles

Couvre l'estimation de R à l'aide de distributions normales bivariées et explore les distributions marginales et conditionnelles de X1 et X2.

Probabilité et statistiques

Explore les variables aléatoires conjointes, la densité conditionnelle et l'indépendance en probabilités et en statistiques.

Probabilité et statistiques

Couvre les concepts fondamentaux des probabilités et des statistiques, y compris les distributions, les propriétés et les attentes des variables aléatoires.

Afficher plus

Concepts associés (31)

Probabilité conditionnelle

Conditional independence

Copule (mathématiques)

Dirichlet-multinomial distribution

Loi normale

Afficher plus