M2 ISIFAR

Il s’agit d’une introduction au langage C# et par là même aux concepts de programmation orientée objet et de programmation fonctionnelle. On montre sur des exemples (et des exercices) comment ces notions facilitent la création de programmes pour répondre à des problèmes algorithmiques et mathématiques. Le cours comprend 10 séances de 4h (1/4 de cours et 3/4 de travaux pratiques). L’évaluation est basée sur une séance de TP notée, un examen écrit et un projet (en 2017 le projet porte sur l’algorithme MCTS pour les jeux).

L'objectif du cours est de maîtriser les modèles et méthodes stochastiques utilisés dans les salles de marché et d'acquérir les premières notions de la gestion des risques financiers. Les aspects mathématiques et financiers seront présentés en parallèle ; les nouveaux concepts mathématiques seront immédiatement illustrés par leurs applications à la finance. Pour le côté mathématique on abordera notamment le mouvement brownien et l'intégration stochastique ; la formule d'Itô, le changement de probabilité et les équations différentielles stochastiques. Pour le côté finance, on étudiera le modèle de Black et Scholes et ses extensions ; la technique de changement de numéraire ; la diffusion implicite de Dupire ; la valorisation d'options exotiques par Monte Carlo. Une place importante sera dédiée à la simulation, afin que les connaissances acquises soient directement opérationnelles. L'accent sera également mis sur la compréhension des limites de la modélisation, pour bien identifier les risques associés.

Ce cours entend fournir aux étudiants les principes de base des mathématiques de l'assurance. Dans ce cours, on aborde la théorie économique à la base des choix d'assurance, les méthodes de calcul des primes, les mesures de risque et la détermination de la marge de solvabilité ainsi que du capital économique.

Ce cours introduit les outils de base des mathématiques financières et actuarielles, ainsi que les produits financiers et les contrats d'assurance-vie. C'est un pré-requis pour les cours de M2 portant sur les mathématiques de la finance ou de l'assurance.

Ce cours a vocation tout d’abord à fournir aux étudiants les éléments théoriques fondamentaux de l’allocation de portefeuille et de la formation du prix des actifs. Il aborde également les stratégies de gestion de portefeuille mises en œuvre en pratique par les gérants d’actifs et les problématiques qu’elles peuvent soulever en termes de gestion des risques.

Le cours de Data Mining a pour objectif de présenter différentes techniques d'apprentissage supervisé (en classification et en régression) et non supervisé. L'apprentissage statistique désigne un ensemble de méthodes et d'algorithmes permettant d'extraire des informations pertinentes d'un ensemble de données et d'apprendre des comportements à partir d'exemples.

Sur le marché d’assurance, la demande est représentée par les individus/organismes qui souhaitent s’assurer contre les éventuelles pertes monétaires qui risquent de se produire dans le futur. L’offre est représentée par les compagnies d’assurance qui proposent de les couvrir contre les pertes que les individus sont susceptibles de subir en cas de sinistre. La spécificité du marché d’assurance est la présence de l’incertitude concernant la réalisation de sinistres dont les acheteurs et les vendeurs sont obligés de tenir compte. La Microéconomie de l’Assurance permet de modéliser et de comprendre le fonctionnement du marché d’assurance en combinant les outils mathématiques développés par la Microéconomie pour décrire le comportement de consommateur en absence d’incertitude avec les outils de la théorie de la décision dans l’incertain, qui permet de déterminer les règles de prise de décisions en présence d'incertitude. L’objectif de ce cours consiste à familiariser les étudiants avec des modèles microéconomiques du marché d’assurance, d’étudier ses mécanismes de fonctionnement, l'équilibre entre l’offre et la demande et leurs liens avec la prime d’assurance.

L'objectif de ce cours est l'étude des modèles stochastiques de taux d'intérêt et des méthodes du pricing pour les dérivés de taux. Dans un premier temps les notions de base et les produits dérivés présents sur les marchés de taux seront introduits. La modélisation stochastique de taux d'intérêt sera étudié dans les cadres suivantes : modèles de taux court, modèle Heath-JarrowMorton et modèle de marché Libor (modèle BGM). Dans chacun de ces modèles les conditions de l'absence d'arbitrage seront trouvées et des méthodes du pricing risque-neutre des options seront présentées. Les modèles de taux plus récents dits multicourbe seront abordés à la fin du semestre.

Ce cours se veut le pendant pratique des cours de valorisation proposés dans le master en exposant les difficultés que rencontre le praticien (quant, trader, gérant ou risk manager) dans la valorisation et la gestion des risques de ce type de produits. Notre cas d’étude sera celui des produits hybrides equity/taux et equity/crédit qui concentrent plusieurs difficultés, que ce soit en matière de choix du modèle de valorisation où un arbitrage est constamment présent entre complexité du modèle et adéquation aux risques spécifiques au produit, ou pour la calibration des paramètres pour laquelle des instruments de marché ne sont pas toujours disponibles ou suffisamment liquides. Le cours débutera par un tour d’horizon des profils (payoffs) des produits dérivés et des modèles de valorisation (pricing) correspondants. L’accent sera mis sur l’adéquation entre payoff et modèle de pricing. On abordera ensuite les métriques de gestion quotidienne d’un portefeuille de produits dérivés. Le cours dressera enfin un panorama des tendances qui transforment ce marché, avec le poids croissant de la réglementation, le rôle des chambres de compensation ou la prise en compte des configurations de marché extrêmes dans la gestion des dérivés

Ce projet est conçu en partenariat avec RCI Renault Crédit International et offre aux étudiants l’opportunité d’effectuer une mission Data Science dans un cadre professionnel.

Le brief de la mission est proposé par RCI – par exemple un problème de score d’octroi sur des données extraites du data warehouse du donneur d’ordre RCI. Le cadrage est effectué par RCI et Karine Tribouley. Les étudiants effectuent la mission

• Production de solutions : méthodes et codes
• Mise en avant des performances des solutions
• Rédaction des livrables : rapports et codes

Pour le langage/logiciel à utiliser, R ou Python sont très fortement recommandés même si les étudiants sont libres de choisir d'autres langages ou logiciels parmi le C, le C#, Matlab, SAS, etc.