Méthodes de Monte Carlo
Formation
À Paris
Avez-vous besoin d'un coach de formation?
Il vous aidera à comparer différents cours et à trouver la solution la plus abordable.
Description
-
Typologie
Atelier intensif
-
Niveau
Niveau intermédiaire
-
Lieu
Paris
-
Heures de classe
12h
-
Durée
2 Jours
-
Dates de début
Dates au choix
Vous souhaitez maîtriser les simulations Monte Carlo. Renaissance Finance vous offre grâce à cette formation, l’opportunité de comprendre et de maîtriser cette méthode indispensable pour l’évaluation des produits dérivés et le risk management.
Pendant la formation, vous étudierez les caractéristiques et l’intérêt de cette méthode. Vous réaliserez diverses simulations : tout d’abord, une Simulation des variables aléatoires, et ensuite, une simulation de trajectoires de processus aléatoires. Enfin, vous apprendrez les techniques de réduction de variance et méthodes de Monte Carlo pondéré. Vous maîtriserez parfaitement ces techniques de base, mais vous serez également capable d’optimiser vos simulations grâce à la réalisation de nombreux exercices.
Cette formation de deux jours s’adresse aux ingénieurs financiers, analystes quantitatifs, ingénieurs risques, MOE et MOA en ingénierie financière. Des connaissances élémentaires en modélisation et évaluation de produits dérivés ainsi que des connaissances en mathématiques (probabilité et intégration) sont requises. Grâce à cette formation, vous pourrez travailler avec des modèles de simulation et améliorer leur efficacité par l’utilisation de méthodes de réduction de variance.
Précisions importantes
Documents
- methodes_de_monte_carlo.pdf
Les sites et dates disponibles
Lieu
Date de début
Date de début
À propos de cette formation
- Connaissances élémentaires en modélisation et évaluation des produits dérivés
- Connaissances mathématiques (probabilité, intégration)
Les Avis
Les matières
- Simulation finance
- Produits dérivés
- Finance quantitative
- Finance de marché
- Outils financiers
- Performance
- Gestion des risques
- Evaluation des produits dérivés
- Risk management
- Techniques de réduction de variance
- Simulation des variables aléatoires
Professeurs
Alexander Subbotin
Formateur Renaissance Finance
Diplômé de Higher School of Economics de Moscou et des Masters Monnaie finance banque de l’Université Paris 1 (Panthéon-Sorbonne) et Modélisation aléatoire de l’Université Paris 7 (Denis Diderot), titulaire d’un doctorat en économie et finance, Alexander a commencé sa carrière comme consultant dans une équipe d’analyse quantitative au sein d’un fonds de fonds. Il a travaillé sur des mesures de performance de fonds, des mesures de risques extrêmes et des stratégies de gestion quantitative de portefeuilles d’actions et de fonds de fonds. Il a réalisé des projets en France, en Russie et en Italie pour de grandes banques. Actuellement, ingénieur du risque de crédit dans une grande banque française, Alexander s’occupe de la conception et la mise en place des outils de gestion du risque de contrepartie.
Le programme
Principes de Monte Carlo
- Fondements probabilistes
- Convergence de l’estimation Monte Carlo
- Erreur de l’estimation Monte Carlo
- Schéma de base d’une simulation Monte Carlo
Exemple. Simulation du prix d’une action et estimation du prix d’un call vanille par la méthode de Monte Carlo
Simulation des variables aléatoires
- Méthode de l’inverse de la fonction de répartition
- Méthode de rejet
Exercice. Simulation de distribution conditionnelle
- Simulation de variables aléatoires normales univariées
- méthodes de Box-Muller
- méthode de l’inverse de la fonction de répartition
Cas pratique. Générateurs de variables normales dans les logiciels et langages de programmation utilisées en finance : Excel, Matlab, GAUSS, C++
- Simulation de vecteurs gaussiens
- définition d’un vecteur gaussien
- factorisation de Cholesky
- factorisation par les vecteurs propres et méthodes des composantes principales (principal components)
Exercice. Ecrire un algorithme de simulation d’un vecteur gaussien en factorisant la matrice de variance-covariance
Simulation de trajectoires de processus aléatoires
- Méthodes de simulation du mouvement brownien
- discrétisation et marche aléatoire
- pont brownien
- construction par composantes principales
Exercice. Ecrire les algorithmes de simulation d’un mouvement brownien
- Algorithme de simulation d’un mouvement brownien géométrique
Cas pratique. Options avec dépendance trajectorielle (pathdependent options)
Cas pratique. Simulation des taux d’intérêt et du prix des obligations dans les modèles de Vasicek et Ho-Lee
- Simulation des solutions d’équations différentielles stochastiques (équations de diffusion)
- techniques de discrétisation
- schéma d’Euler et sa convergence
- méthodes de deuxième ordre
Cas pratique. Simulation du prix d’une obligation avec des paramètres de diffusion dépendants du temps
- extrapolation de Richardson-Romberg
- valeurs extrêmes et barrières
Cas pratique. Schéma de discrétisation pour l’évaluation des options à barrière(s), asiatiques
Techniques de réduction de variance et méthodes de Monte Carlo pondéré
- Utilisation des variables de contrôle
Exemple. Utilisation d’options dont les prix peuvent être calculés par des formules fermées comme variables de contrôle
Exemple. Instruments de couverture et variables de contrôle
Exercice. Utilisation du prix des obligations comme variables de contrôle
- Variables antithétiques
- Méthode de stratification
Exemple. Stratification de la valeur terminale d’un mouvement brownien
Cas pratique. Échantillonnage hypercube latin (LHS) pour l’évaluation des options à barrières et asiatiques
- Moment-matching et ajustement des trajectoires
Exercice. Utilisation de la parité call / put
Cas pratique. Moment matching dans la simulation des modèles de taux forward Heath-Jarrow-Morton (HJM)
- Echantillonnage préférentiel (importance sampling) et dérivée de Radon-Nikodym
Cas pratique. Estimation des probabilités de faillite
Exercice. Evaluation des options knock-in et knock-out
Conclusion et discussion
Informations complémentaires
Avez-vous besoin d'un coach de formation?
Il vous aidera à comparer différents cours et à trouver la solution la plus abordable.
Méthodes de Monte Carlo