Séance de cours

Simulation numérique des SDE : Monte Carlo et contrôle optimal

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-415: Probability and stochastic calculus

This course gives an introduction to probability theory and stochastic calculus in discrete and continuous time. The fundamental notions and techniques introduced in this course have many applications in finance, for example for option pricing, risk mana ...

Description

Cette séance de cours couvre les principes des méthodes Monte Carlo pour estimer les attentes, les techniques de réduction de la variance et le contrôle optimal stochastique. Il s'inscrit dans les fondements théoriques, les intervalles de confiance, l'erreur carrée moyenne, l'efficacité des estimateurs de simulation, l'allocation optimale du temps de calcul et les résultats numériques. La séance de cours explore également le modèle de stock Black-Scholes, les différents schémas de simulation, les variables de contrôle, l'échantillonnage d'importance et l'efficacité de l'échantillonnage d'importance. De plus, il traite du problème de contrôle optimal stochastique, de l'équation Hamilton-Jacobi-Bellman, de la dynamique de l'investissement et de la consommation, et de la répartition optimale des investissements et de la consommation. La séance de cours se termine par la dérivation de l'équation Hamilton-Jacobi-Bellman et du théorème de vérification.

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

Concepts associés (32)

Erreur quadratique moyenne

En statistiques, l’erreur quadratique moyenne d’un estimateur d’un paramètre de dimension 1 (mean squared error (), en anglais) est une mesure caractérisant la « précision » de cet estimateur. Elle est plus souvent appelée « erreur quadratique » (« moyenne » étant sous-entendu) ; elle est parfois appelée aussi « risque quadratique ».

Intervalle de confiance

vignette|Chaque ligne montre 20 échantillons tirés selon la loi normale de moyenne μ. On y montre l'intervalle de confiance de niveau 50% pour la moyenne correspondante aux 20 échantillons, marquée par un losange. Si l'intervalle contient μ, il est bleu ; sinon il est rouge. En mathématiques, plus précisément en théorie des probabilités et en statistiques, un intervalle de confiance encadre une valeur réelle que l’on cherche à estimer à l’aide de mesures prises par un procédé aléatoire.

Racine de l'erreur quadratique moyenne

La racine de l'erreur quadratique moyenne (REQM) ou racine de l'écart quadratique moyen (en anglais, root-mean-square error ou RMSE, et root-mean-square deviation ou RMSD) est une mesure fréquemment utilisée des différences entre les valeurs (valeurs d'échantillon ou de population) prédites par un modèle ou estimateur et les valeurs observées (ou vraies valeurs). La REQM représente la racine carrée du deuxième moment d'échantillonnage des différences entre les valeurs prédites et les valeurs observées.

Simulation de phénomènes

La simulation de phénomènes est un outil utilisé dans le domaine de la recherche et du développement. Elle permet d'étudier les réactions d'un système à différentes contraintes pour en déduire les résultats recherchés en se passant d'expérimentation. Les systèmes technologiques (infrastructures, véhicules, réseaux de communication, de transport ou d'énergie) sont soumis à différentes contraintes et actions. Le moyen le plus simple d'étudier leurs réactions serait d'expérimenter, c'est-à-dire d'exercer l'action souhaitée sur l'élément en cause pour observer ou mesurer le résultat.

Credible interval

In Bayesian statistics, a credible interval is an interval within which an unobserved parameter value falls with a particular probability. It is an interval in the domain of a posterior probability distribution or a predictive distribution. The generalisation to multivariate problems is the credible region. Credible intervals are analogous to confidence intervals and confidence regions in frequentist statistics, although they differ on a philosophical basis: Bayesian intervals treat their bounds as fixed and the estimated parameter as a random variable, whereas frequentist confidence intervals treat their bounds as random variables and the parameter as a fixed value.

Afficher plus

Séances de cours associées (64)

Méthodes d'estimation ponctuelle: MOM et MLE

Explore des méthodes d'estimation ponctuelle comme MOM et MLE, en discutant de biais, de variance et d'exemples.

Estimateurs et intervalles de confiance

Explore le biais, la variance, les estimateurs non biaisés et les intervalles de confiance dans l'estimation statistique.

Modèles de mélange : Estimation basée sur la simulation

Explore les modèles de mélange, y compris les mélanges discrets et continus, et leur application dans la capture de l'hétérogénéité du goût dans les populations.

Estimation et intervalles de confiance

Explore les biais, la variance et les intervalles de confiance dans l'estimation des paramètres à l'aide d'exemples et de distributions.

Estimation des erreurs dans LHS

Couvre l'estimation des erreurs dans l'échantillonnage hypercube latin, en soulignant l'importance d'une estimation précise de la variance.

Afficher plus

Concepts associés (32)

Erreur quadratique moyenne

Intervalle de confiance

Racine de l'erreur quadratique moyenne

Simulation de phénomènes

Credible interval

Afficher plus