Statistical and Financial Engineering - Master's Year 2

Pré-rentrée

• Analyses factorielles

  Analyses factorielles

  Lecturer :
  PATRICE BERTRAND
  

  Total hours : 6

  Overview :

  L'analyse factorielle d'un tableau de données du type individus x variables est présentée selon l'approche fondée sur l'inertie expliquée par un axe factoriel. En particulier, on montrera que le problème se ramène à la maximisation d'un quotient de Rayleigh. Les techniques dérivées, i.e. le multidimensional scaling métrique (AFTD) et l'analyse des correspondances seront également présentés.

  Learning outcomes :

  • Analyse factorielle d’un tableau de données avec une métrique quelconque, application au cas de l'Analyse en Composantes Principales (ACP) normée ou non,
  • Multidimensional Scaling (MDS) métrique (AFTD),
  • Analyse des correspondances simples (AFC) et multiples (ACM).

  Bibliography-recommended reading

  • Lebart, L., Piron, M. , Morineau, A. (2006) (4ème edition, refondue) Statistique Exploratoire Multidimensionnelle, 480 pages, Dunod.
  • Saporta, G. (2006), Probabilités, Analyse des données et Statistique, 656 pages, Technip.
• Modèles linéaires

  Modèles linéaires

  Lecturer :
  KATIA MULLER MEZIANI
  

  Total hours : 6

  Overview :

  Revoir les bases théoriques du modèle linéaire multivarié

  Learning outcomes :

  Remise à niveau, rappel de M1

• Calculs stochastiques

  Calculs stochastiques

  Lecturer :
  IMEN BEN TAHAR
  

  Total hours : 6

Bloc Fondamental S3

• Trouver son poste sur le marché

  Trouver son poste sur le marché

  Ects : 0.5

  Lecturer :
  GEOFFROY DELION
  

  Total hours : 6

  Overview :

  • Présentation générale du champ des possibles en termes d ’ acteurs sur le marché et en terme de type de métier à la sortie du Master 2 ISF.
  • Approche par les compétences et qualités demandées des différents métiers tout en proposant les questions à se poser par rapport à son approche personnelle.
  • Présentation et restitution d ’ outils de personnalité / gestion de carrière (possibilité de faire l ’ autoévaluation par internet entre les deux cours de 2 fois trois heures) pour valider les éventuels choix qui se dessinent aux étudiants.
  • Présentation de CV et lettre de motivation et ainsi que la préparation et l ’ exécution des entretiens d ’ embauche (écueils à éviter et questions à poser, exemples d ’ entretien etc … ).

  Learning outcomes :

  Présenter les principales options possibles de métiers sur le marché en sortant du master ISF et présenter un certain nombre d’outils nécessaires à la construction d’un projet de carrière personnel et identifié.

  Avoir connaissance des métiers accessibles sur le marché à la suite de ce Master et être capable de construire un projet de carrière personnel.

• Machine learning en Python

  Machine learning en Python

  Ects : 2

  Lecturer :
  JORGE OCHOA MAGANA
  

  Total hours : 18

  Overview :

  • Structure numérique en python
  • dataframe pandas
  • SVM
  • Méthode d'ensemble : random forest et gradient boosting tree

  Learning outcomes :

  • Maîtriser les structures numériques python (library numpy) • Maîtriser la manipulation de dataframe python (library pandas) • Utiliser des modèles de machine learning classique sous sklearn tel que la random forest, les SVM ainsi que le gradient boosting tree • Les compétences acquises sont utilisées dans le cadre d'un projet • Maitrise de Python.

  Assessment :

  Projet

• Méthodes pour la régression et la classification

  Méthodes pour la régression et la classification

  Ects : 3

  Lecturer :
  KATIA MULLER MEZIANI
  

  Total hours : 21
• Modèles stochastiques en finance

  Modèles stochastiques en finance

  Ects : 1

  Lecturer :
  IMEN BEN TAHAR
  

  Total hours : 12
• Langage SQL

  Langage SQL

  Ects : 1

  Lecturer :
  ANDRE ROSSI
  

  Total hours : 12

  Overview :

  Première partie : présentation de l'algèbre relationnelle. Relations, attributs, clés primaires, opérations de projection, sélection, produit cartésien et jointures. Division.

  Deuxième partie : présentation du langage SQL et utilisation de l'interface web Programiz. Création et suppression de tables, création et mise à jour des n-uplets dans les tables. Projection, sélection, produit cartésien et jointure. Requêtes imbriquées, comptes, moyennes, sommes, min, max. Clés primaires et clés étrangères, relations hiérarchiques entre les tables, contraintes d'intégrité.

  Recommended prerequisites :

  Connaissance d'un langage de programmation impérative (Python, C, C++, Java)

  Learning outcomes :

  Apprentissage des requêtes SQL pour l'exploitation des bases de données relationnelles.

  Assessment :

  TP noté

• Visualisation des données avec R

  Visualisation des données avec R

  Ects : 1

  Lecturer :
  QUENTIN GUIBERT
  

  Total hours : 9

  Overview :

  La visualisation des données consiste en l’utilisation d’un système de représentation visuel pour interagir avec les capacités d’un humain à percevoir et à créer des liens afin d’analyser des données brutes. Les techniques de visualisation permettent de faire « parler » des données complexes en explorant les liens entre variables, différents schémas d’organisation des données ou encore en identifiant des points atypiques. Elles sont donc complémentaires à des démarches de fouilles des données et sont généralement un préalable à la mise en place de modèles statistiques qui permettront de valider certains phénomènes ou certaines hypothèses.

  Ce cours vise à présenter ce qu’est la visualisation des données et son intérêt pour explorer le contenu d’un jeu de données ou les sorties des modèles statistiques. Il présente les différentes techniques adaptées pour communiquer sur un projet en entreprise selon la nature des données et aborde au travers de différents exemples et travaux pratiques sous R comment correctement présenter une information.

  Learning outcomes :

  Les objectifs de ce cours sont les suivants :

  • Définir la data visualization, ses principes et de ses buts ;
  • Savoir choisir les méthodes graphiques adaptées pour répondre à une question à partir des données ;
  • Connaître les différentes méthodes de représentation des données selon leur nature (données, continues, discrètes, cartes, séries temporelles, …).
  • Savoir visualiser les sorties de modèles.
  • Utiliser R et R Markdown pour présenter et développer des visuels créés avec ggplot2.
  • Présenter un dashboard de visualisation des données avec R Markdown ou Shiny.

  Assessment :

  Projet

  Bibliography-recommended reading

  Healy, K. (2018). Data Visualization : A Practical Introduction. 1st edition. Princeton, NJ : Princeton University Press. Kabacoff, R. (2020). Data Visualization with R. Wesleyan University. Quantitative Analysis Center. Munzner, T. (2014). Visualization Analysis and Design. 1st edition. Boca Raton : A K Peters/CRC Press. Sievert, C. (2019). Interactive Web-Based Data Visualization with r, Plotly, and Shiny. The r Series. Chapman ; Hall/CRC Press. Wilke, C.O. (2019). Fundamentals of Data Visualization. O ’ Reilly.

• Culture financière et de l’assurance I

  Culture financière et de l’assurance I

  Ects : 1

  Lecturer :
  BENOIT HOUZELLE
  GUILLAUME BURNEL
  

  Total hours : 18
• Introduction à l’assurance

  Introduction à l’assurance

  Ects : 1

  Lecturer :
  NIOUSHA SHAHIDI
  

  Total hours : 9

  Overview :

  • Produits et techniques d’assurance (le mécanisme, le marché…)
  • La demande d’assurance : le comportement face au risque, le contrat optimal et l’assureur face à l’asymétrie d’information

  Learning outcomes :

  • Comprendre le fonctionnement du marché de l’assurance.
  • Déterminer le contrat optimal en assurance en situation de risque.

  Assessment :

  Examen écrit

  Bibliography-recommended reading

  Bien, F. et Lanzi, T. (2015), Microéconomie Risque, finance, assurance, Pearson, France. Direr, A. (2020), Economie de l ’ assurance, Economica. Dubois, D., Féderlé, A. et Ranaivozanany, V. (2021); Appliquer la data science à l ’ assurance, L ’ ARGUS EDITIONS. Eeckhoudt, L., Gollier, C. and Schlesinger, H. (2011), Economic and Financial Decisions under Risk, Princeton: Princeton University Press. Shahidi N. (2014), “ Moral hazard and optimal contract with a continuum effort ” , Economics Bulletin, Vol. 34 No. 3, pp. 1350-1360, selected by The SCOR Global Risk Center. Trainar, P. et Thourot, P. (2017) Gestion de l'entreprise d'assurance, Dunod

• Leadership in finance

  Leadership in finance

  Ects : 1

  Lecturer :
  MATHIAS GARCIA REINOSO
  

  Total hours : 18

Bloc Complémentaire "voie Finance" S3

• Calculs stochastiques

  Calculs stochastiques

  Ects : 3

  Lecturer :
  IMEN BEN TAHAR
  

  Total hours : 21
• Gestion des risques et construction de portefeuille

  Gestion des risques et construction de portefeuille

  Ects : 2

  Lecturer :
  GABRIEL TURINICI
  

  Total hours : 15

  Overview :

  L'objectif de ce cours est de faire découvrir ce qu'est un portefeuille d'actifs ainsi que les méthodes de couverture du risque lié à ce portefeuille.

  • rappels du cadre classique : critère moyenne-variance, Markowitz, CAPP, MEDAF
  • théorie du portefeuille: indices, portefeuilles optimaux, beta, arbitrage, APT, facteurs
  • valuation de produits dérivés et probabilité risque neutre
  • trading de volatilité
  • assurance de portefeuille: stop-loss, options, CPPI, Buy&Hold, Constant-Mix
  • en fonction du temps: deep learning en finance, indicateurs techniques, portefeuille universel

  Require prerequisites :

  python, mathématiques niveau L3

  Learning outcomes :

  Maîtriser les méthodes de couverture du risque lié à un portefeuille d’actifs à travers des exemples.

  Assessment :

  cf. CC

  Learn more about the course :

  turinici.com

  Bibliography-recommended reading

  turinici.com (y chercher ce cours)

• Modèles de taux d'intérêt

  Modèles de taux d'intérêt

  Ects : 2

  Lecturer :
  SANDRINE HENON
  

  Total hours : 21

  Overview :

  Découvrir et se familiariser avec l'utilisation des modèles de taux d'intérêt à temps continu.

  - Quelques outils de calcul stochastique : rappels. Formule d'Ito Changement de probabilité : définition, théorème de Girsanov, formule pour les espérances conditionnelles. - Généralités sur les taux d'intérêt : Définitions : zéro-coupon, taux forward instantanés, taux court (ou taux spot) Modèles simples du taux court au travers de deux exemples : modèles de Vasicek et de CIR (Cox, Ingersoll et Ross). Modèles de Heath, Jarrow, Morton (HJM), probabilité risque-neutre, dynamique des zéro-coupon. - Produits de taux classiques. Les sous-jacents : taux forward, swap, taux swap. Changement de numéraire et probabilités forward. Produits vanilles, les caplets et les swaptions. Formule de Black, phénomènes associés à la courbe de la volatilités. - Modèle LGM à un facteur. - Modèle BGM (Brace, Gatarek et Musiela) / Jamishidian. - Modèles à volatilité stochastique : Définition. Modèle SABR. Modèle d'Heston

  Require prerequisites :

  Cours intitulé "Mouvement Brownien" de M1. En particulier, les notions de calcul stochastique, modèles de Black and Scholes, formule d'Ito, Feynman-Kac. Méthode de Monte-Carlo, schéma d'Euler.

  Learning outcomes :

  Ce cours est consacré aux modèles de taux d'intérêt à temps continu. Au travers de nombreux exemples, on décrit leur utilisation pour évaluer les produits dérivés sur taux d'intérêt.

  Assessment :

  Examen final

• Initiation à VBA pour Excel

  Initiation à VBA pour Excel

  Ects : 1

  Lecturer :
  DAVID BEAUDOUIN
  

  Total hours : 15

  Overview :

  L ’ objectif de ce cours est de fournir les bases de la programmation en VBA et Excel.

  • Procédures et fonctions • Boucles - Instructions conditionnelles • Variables et types de données • Boîtes de dialogue • Gestion des erreurs • Objet • Formulaire  

  Learning outcomes :

  Maîtrise des compétences de bases de Excel et VBA.

  Assessment :

  Examen

• Pratique de Bloomberg

  Pratique de Bloomberg

  Ects : 1

  Total hours : 6
• Gestion Actif-Passif et Modélisation ALM (dans le cadre de la Solvabilité 2)

  Gestion Actif-Passif et Modélisation ALM (dans le cadre de la Solvabilité 2)

  Ects : 2

  Lecturer :
  DUC HIEN VU
  

  Total hours : 15

Bloc Complémentaire "voie Sciences des données" S3

• Apprentissage statistique

  Apprentissage statistique

  Ects : 3

  Lecturer :
  KATIA MULLER MEZIANI
  

  Total hours : 21

  Overview :

  1. Supervised Learning: Bayes decision rule, Consistency and no free lunch theorem, Hypothesis class,Probably Approximately Correct (PAC) framework. Empirical Risk Minimization (ERM), PA Cbounds with ERM
  2. Concentration Inequalities : Chebyshev’s inequality,Hoeffding’s inequality,Sub-Gaussian random variables, Concentrations of functions of random variables,Bernstein’s deviation inequality,Deviation inequality for quadratic forms
  3. Generalization Bounds via Uniform Convergence: Finite hypothesis class, Bounds for infinite hypothesis class via discretization, Rademacher complexity (RC), Empirical RC,
  4. Bounding the Rademacher complexity: Shattering numbers, VC theory, Covering number, entropy, Dudley’s chaining

  Recommended prerequisites :

  Probabilités multidimensionnelles (lois et espérances conditionnelles).

  Learning outcomes :

  L'objectif du cours est d'acquérir des notions théoriques d'apprentissage statistique.

  Assessment :

  Examen final.

• Méthodes actuarielles pour l’assurance

  Méthodes actuarielles pour l’assurance

  Ects : 2

  Lecturer :
  ALEXANDRA MAAREK
  CELINE HOUDAYER
  

  Total hours : 21
• Gestion de données massives avec Hadoop et Spark

  Gestion de données massives avec Hadoop et Spark

  Ects : 1

  Lecturer :
  Khalid BELHAJJAME
  

  Total hours : 12
• Apprentissage non supervisé - Clustering

  Apprentissage non supervisé - Clustering

  Ects : 2

  Lecturer :
  PATRICE BERTRAND
  

  Total hours : 18

  Overview :

  • Méthode des k-means et variantes
  • Méthodes de classification hiérarchique
  • Classification non supervisée par modèles de mélange ; algorithme EM
  • Spectral clustering
  • Méthode Dbscan
  • Autoencodeur et clustering

  Les notions du cours seront illustrées par des traitements de jeux de données avec R.

  Learning outcomes :

  Ce cours a pour objectif de présenter les principes et les champs d'application des méthodes actuelles de clustering (i.e. classification non supervisée).

  Assessment :

  Examen + projet

  Bibliography-recommended reading

  • Lebart, L., Piron, M. , Morineau, A. (2006) (4ème edition, refondue) Statistique Exploratoire Multidimensionnelle, 480 pages, Dunod.
  • Bouveyron, Ch., Celeux, Ch., Murphy, T. B. , Raftery, A. E. (2019) Model-Based Clustering and Classification for Data Science - with Applications in R, Cambridge University Press
• Cybersécurité

  Cybersécurité

  Ects : 2

  Lecturer :
  OLIVIER BUARD
  

  Total hours : 24

Bloc Fondamental S4

• Communication

  Communication

  Ects : 0.5

  Total hours : 12
• Culture financière et de l'assurance II

  Culture financière et de l'assurance II

  Ects : 1

  Lecturer :
  MOHAMED BENKHALFA
  RODOLPHE LELEU
  OLIVIER FERON
  

  Total hours : 18
• Data project

  Data project

  Ects : 3

  Lecturer :
  DIDIER JEANNEL
  KATIA MULLER MEZIANI
  

  Total hours : 30

  Overview :

  Une entreprise soumet une problématique accompagnée d'un jeu de données. Les étudiants doivent en équipe apporter la meilleure solution (Projet sous Python) au problème posé. Ce défi est une mise en concurrence des équipes qui sont évaluées suivant un score prédéfini en amont - calculé sur un jeu de données test non communiqué aux étudiants. Cette année le Data challenge porte sur des données financières proposées par Natixis.

  Learning outcomes :

  Ce challenge permettra aux étudiants de travailler en équipe, de se confronter à une problématique véritable et actuelle sur un jeu de données brutes, et de mettre en pratique toutes les connaissances acquises dans les différents modules de la formation.

  Assessment :

  Projet

• Deep learning avec Python

  Deep learning avec Python

  Ects : 1

  Lecturer :
  FABIEN DUPUIS
  

  Total hours : 12
• Natural Language Processing (NLP)

  Natural Language Processing (NLP)

  Ects : 1

  Lecturer :
  ANDRE GRONDIN
  

  Total hours : 9
• Clustering en pratique

  Clustering en pratique

  Ects : 2

  Lecturer :
  DIDIER JEANNEL
  

  Total hours : 18

Bloc Complémentaire "voie Finance" S4

• Calibration de Modèles

  Calibration de Modèles

  Ects : 2

  Lecturer :
  OLIVIER FERON
  

  Total hours : 18

  Overview :

  Dans ce cours, on restera volontairement sur des hypothèses et des modèles simples, dans le but que les étudiants comprennent le raisonnement amenant à la construction d'une procédure de calibration de modèle.

  Plus précisément, l'objectif du cours est de donner aux étudiants les compétences suivantes : - Rappels sur le modèle de Black-Scholes, la formule de Black-Scholes et la volatilité implicite. - Estimation de la volatilité implicite, smiles de volatilités et quelques méthodes de couverture associées. - Modèle à volatilité locale. - La formule de Dupire, sa mise en oeuvre en pratique - Quelques notions de problème inverses mal posés et technique de régularisation - Calibration de modèle sur anticipations économiques (exemples détaillés de calibration de courbes de taux d'intérêt)

  Learning outcomes :

  Introduction aux méthodes simples de calibration de modèle. Confrontation aux données réelles et à la mise en oeuvre de la calibration de modèle

  Assessment :

  Examen

  Bibliography-recommended reading

  R. Cont and P. Tankov,Retrieving Lévy processes from option prices: Regularization of an ill-posedinverse problem, SIAM Journal on Control and Optimization, 45 (2006), pp. 1 – 25. S. Crépey,Calibration of the local volatility in a trinomial tree using Tikhonov regularization, InverseProblems, 19 (2003), pp. 91 – 127 B. Dupire,Pricing with a smile, RISK, 7 (1994), pp. 18 – 20. N. El Karoui, Couverture des risques dans les marchés financiers. Lecture notes for master ’ Probabilityand Finance ’ , Paris VI university

• Gestion globale des risques : VAR

  Gestion globale des risques : VAR

  Ects : 2

  Lecturer :
  EMMANUEL LEPINETTE
  

  Total hours : 21

  Overview :

  Mesures de risque et régulation (Solvency, Bale): exemple de calculs. Modèles dynamiques pour les prix d’actifs financiers. Agrégation des risques de manière très générale, c'est à dire pour différents types de risque sur des exemples, aussi bien en assurance qu'en finance. Risques des produits dérivés également. Modèles multivariés. Implémentation en Python.

  Require prerequisites :

  De bonnes bases en théorie des probabilités, en analyse stochastique et en Python.

  Learning outcomes :

  Analyse des modèles mathématiques du risque de marché, étude des méthodes de gestion globales du risque de marché lorsque les sources d’incertitude sont multiples.

  Assessment :

  0.3*CC+0.7*E avec E=examen sur table et CC=contrôle continu.

  Bibliography-recommended reading

  Ce cous est "self-content" mais ne pas hésiter à combler ses lacunes en lisant un cours de calcul stochastique+EDS et discretisation Euler.

• Méthodes numériques en finance

  Méthodes numériques en finance

  Ects : 3

  Lecturer :
  LAURENT TUR
  

  Total hours : 21

  Overview :

  Ce cours est compose de 5 cours magistraux et de 5 TD dans lesquels nous appliquerons les connaissances vues en cours. Nous verrons les 3 méthodes de résolution numérique utilisés en finance pour pricers les options : Arbres binomiaux, Différence finie pour EDP et Monte Carlo.

   

  Plan

  • Cours 1 : Généralités sur les méthodes numériques + arbres
  • Cours 2 : Arbres et options américaines
  • Cours 3 et 4 : EDP
  • Cours 5 : Monte Carlo

  Learning outcomes :

  L’objectif de ce cours est d’appliquer les connaissances théoriques acquises lors des cours magistraux de calcul stochastique, de résolution d’EDP et de Monte Carlo. Dans ce cours nous verrons l’application pratique de calcul de prix et de grecques pour des options vanilles ou exotiques. Nous étudierons 3 méthodes numériques : arbre binomiaux, résolution des EDP par différence finie et Monte Carlo. Nous utiliserons XL pour manipuler les méthodes numériques et les comprendre.

  A la fin de ce cours, les élèves sauront comment pricer des options américaines, barrières et exotiques.

  Assessment :

  Examen

• Risque de crédit

  Risque de crédit

  Ects : 3

  Lecturer :
  BENOIT HOUZELLE
  RODOLPHE LELEU
  

  Total hours : 21

  Overview :

  Le risque de crédit : généralités ; obligation du secteur privé, sécurités et covenants lors d ’ une émission, taux de recouvrement en cas de défaillance, spread de crédit, emprunt à haut rendement ; prêt syndiqué, dette souveraine ; défauts croisés et corrélation de défaut, actif contingent avec risque de défaut. Rating de créance et agences de rating. Dérivés de crédit. Modèles d ’ évaluation du risque de crédit : modèles structurels (modèles de Merton, Black& Cox, Longstaff & Schwartz), modèles réduits (modèles à intensité, modèles à migration, modèle de Jarrow & Turnbull, Duffie & Singleton), modèles mixtes ; gestion de portefeuille et techniques de mesure du risque de crédit (exemples : Credit Metrics de J.P. Morgan, Credit Monitor de KMV).

  Learning outcomes :

  Présentation des principaux concepts et principales méthodes utilisés pour la définition, la mesure, et la gestion du risque de crédit. Connaitre le risque de crédit ainsi les modèles et les outils utilisés dans l’évaluation de ce risque.

• Activités de marché d'une banque d'investissement

  Activités de marché d'une banque d'investissement

  Ects : 1

  Lecturer :
  THIERRY HERNU
  

  Total hours : 9

Bloc Optionnel "voie Finance" S4

• Cybersécurité

  Cybersécurité

  Ects : 2

  Lecturer :
  OLIVIER BUARD
  

  Total hours : 24
• Méthodes actuarielles pour l’assurance

  Méthodes actuarielles pour l’assurance

  Ects : 2

  Lecturer :
  ALEXANDRA MAAREK
  CELINE HOUDAYER
  

  Total hours : 21
• Enjeux et modélisation des risques climatiques

  Enjeux et modélisation des risques climatiques

  Ects : 2

  Lecturer :
  THIBAULT MONNET
  MOHAMED BENKHALFA
  

  Total hours : 15
• Cybersécurité en pratique

  Cybersécurité en pratique

  Ects : 2

  Total hours : 18
• Advanced machine learning

  Advanced machine learning

  Ects : 2

  Lecturer :
  DIDIER JEANNEL
  

  Total hours : 21
• Data quality

  Data quality

  Ects : 2

  Lecturer :
  JUVENAL AMOS IDO
  

  Total hours : 21
• Apprentissage statistique et Monte-Carlo accéléré pour le calcul du SCR en assurance vie

  Apprentissage statistique et Monte-Carlo accéléré pour le calcul du SCR en assurance vie

  Ects : 2

  Lecturer :
  ADEL CHERCHALI
  MATHIEU TRUC
  

  Total hours : 15

  Overview :

  L’objectif de ce cours est de présenter les derniers développements en gestion des risques en assurance. Dans la première partie du cours nous introduisons le concept de market-consistency et de générateur de scénario économiques constituant le socle de base de la modélisation des actifs d’une compagnie d’assurance. Nous terminerons la première partie par un exemple de gestion d’un fonds euro par une compagnie d’assurance (modèle ALM)

  La seconde partie du cours est dédiée aux différentes approches de calcul du capital de solvabilité requis (SCR), nous présenterons notamment la méthodologie de calibrage des chocs et le calcul du SCR en formule standard par agrégation modulaire. Un ajustement de la méthodologie pour les risques non-gaussiens sera présenté (Cornish-Fisher). Pour finir, le cadre mathématique de l’approche « modèle interne » basée sur un calcul de quantile sur les pertes du portefeuille de la compagnie d’assurance à horizon 1 an sera présentée.

  La troisième partie sera dédiée aux méthodes d’apprentissages statistiques pour l’amélioration de l’efficacité énergétique des calculs de risque en modèle interne (LSMC, Replicating portfolio, Réseaux de neurones…). Nous terminerons cette partie par un panorama des méthodes de Machine Learning interprétables (Valeur de Shapley…) avec des applications en gestion actif/passif.

  La dernière partie de ce cours sera dédiée aux approches de type Monte-Carlo Multilevel pour la réduction du temps des calculs règlementaires.

   

  Plan du cours

  1. Introduction au cadre règlementaire Solvabilité II
     1. Valorisation Market-Consistent
     2. Générateurs de Scénarios Economiques
     3. Modèle de gestion actif/passif ALM
  2. Formule Standard, Approche Modulaire et agrégation des risques
     1. Calibrage des chocs en formule standard
     2. Agrégation des modules de risque et Intervalle de Confiance
     3. Modèle Interne et Formulation quantile
     4. Expansion de Cornish-Fisher
  3. Machine Learning pour le calcul du SCR en modèle interne
     1. Le problème des « simulations dans les simulations »
     2. Least-Square Monte Carlo (LSMC)
     3. Replicating Portfolio
     4. Réseaux de Neurones
     5. Machine Learning Interprétable (XAI)
  4. Monte-Carlo Accéléré
     1. Complexité de l’estimateur Nested Monte-Carlo
     2. Méthode de Monte-Carlo Multi-level
     3. Monte-Carlo Multilevel Adaptatif

  Learning outcomes :

  L’objectif du cours est de fournir les outils nécessaires à la gestion des risques en assurance en modèle interne (Générateurs de scénarios Economiques, mesures de risques, ALM, SCR…). Ce cours intègre les nouvelles approches pour l’amélioration de l’efficacité énergétique des calculs par Machine Learning (LSMC, réseaux de neurones…) et Monte-Carlo accéléré (MLMC).

  Assessment :

  Examen

  Bibliography-recommended reading

  Alfonsi, A., Cherchali, A., & Infante Acevedo, J. A. (2020). A synthetic model for asset-liability management in life insurance, and analysis of the SCR with the standard formula. European Actuarial Journal, 10, 457-498.

  Alfonsi, A., Cherchali, A., & Acevedo, J. A. I. (2021). Multilevel Monte-Carlo for computing the SCR with the standard formula and other stress tests. Insurance: Mathematics and Economics, 100, 234-260.

  Cambou, M., & Filipovic, D. (2018). Replicating portfolio approach to capital calculation. Finance and Stochastics, 22, 181-203.

  Floryszczak, A., Le Courtois, O., & Majri, M. (2016). Inside the Solvency 2 black box: net asset values and solvency capital requirements with a least-squares Monte-Carlo approach. Insurance: Mathematics and Economics, 71, 15-26.

  Giles, M. B. (2008). Multilevel monte carlo path simulation. Operations research, 56(3), 607-617.

  Giles, M. B., & Haji-Ali, A. L. (2019). Multilevel nested simulation for efficient risk estimation. SIAM/ASA Journal on Uncertainty Quantification, 7(2), 497-525.

  Krah, A. S., Nikolic, Z., & Korn, R. (2018). A least-squares Monte Carlo framework in proxy modeling of life insurance companies. Risks, 6(2), 62.

  Krah, A. S., Nikolic, Z., & Korn, R. (2020). Machine learning in least-squares Monte Carlo proxy modeling of life insurance companies. Risks, 8(1), 21.

  Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in neural information processing systems, 30.

  Pelsser, A., & Schweizer, J. (2016). The difference between LSMC and replicating portfolio in insurance liability modeling. European actuarial journal, 6, 441-494.

  Sandström, A. (2007). Solvency II: Calibration for skewness. Scandinavian Actuarial Journal, 2007(2), 126-134.

  Vedani, J., El Karoui, N., Loisel, S., & Prigent, J. L. (2017). Market inconsistencies of market-consistent European life insurance economic valuations: pitfalls and practical solutions. European Actuarial Journal, 7, 1-28.

• Séries temporelles et applications actuarielles

  Séries temporelles et applications actuarielles

  Ects : 2

  Lecturer :
  TACHFINE EL ALAMI
  

  Total hours : 18

  Overview :

  Ce cours est consacré à la présentation des principaux modèles de séries temporelles, à leur estimation statistique et à leur prédiction dans un cadre stationnaire et non stationnaire.

  Le cours s’organise de la manière suivante. Une première partie introduit les contextes d’utilisation des séries temporelles en assurance principalement de manière graphique, une deuxième partie poursuit avec les modèles univariés les plus standards (de AR à SARIMA) après des rappels généraux (notions de stationnarité, d’autocorrélation, bruit blanc et marche aléatoire). Plusieurs applications des modèles sont proposées sous R. La deuxième partie étudie les modèles multivariés (VAR, VECM) avant leurs applications à la modélisation de séries macro-économiques et financières multivariées. Une troisième partie présente les modèles à hétéroscédasticité conditionnelle (ARCH et GARCH principalement) qui seront appliqués sur les séries financières (taux d’intérêt, action, produits dérivés). Enfin une dernière partie conclura en ouvrant sur les thématiques du moment.

  Learning outcomes :

  L’objectif de ce cours est de présenter la théorie et la pratique de l’analyse des séries temporelles au travers de leurs applications en assurance.

  Assessment :

  Examen et projet

• Commodity markets

  Commodity markets

  Ects : 3

  Lecturer :
  SYLVAIN BERTHELET
  

  Total hours : 24
• Structured products

  Structured products

  Ects : 2

  Lecturer :
  PHILIPPE DUMONT
  

  Total hours : 18
• Trading algorithmique

  Trading algorithmique

  Ects : 2

  Lecturer :
  JONATHAN LEVY
  

  Total hours : 16

Bloc Complémentaire "voie Sciences des données" S4

• Enjeux et modélisation des risques climatiques

  Enjeux et modélisation des risques climatiques

  Ects : 2

  Lecturer :
  THIBAULT MONNET
  MOHAMED BENKHALFA
  

  Total hours : 15
• Machine learning - Théorie et algorithme

  Machine learning - Théorie et algorithme

  Ects : 2

  Lecturer :
  PATRICE BERTRAND
  

  Total hours : 18

  Overview :

  Ce cours présente les principales méthodes utilisées en Machine Learning pour résoudre des problèmes de régression et de classification non supervisée. Des illustrations en R seront exposées.

  Require prerequisites :

  Notions de base en algèbre linéaire, probabilité et optimisation numérique.

  Learning outcomes :

  • Réseaux de neurones
  • Noyau reproduisant
  • Machines à vecteurs support (SVM)
  • Algorithmes de boosting (Adaboost et gradient boosting)

  Assessment :

  Examen

  Bibliography-recommended reading

  • T. Hastie, R. Tibshirani et J. Friedman, "The elements of Statistical Learning: Data Mining, Inference", and Prediction (2009), 2nd edition, Springer
  • B. Mehlig, "Machine Learning with neural network" (2022), Cambridge University Press
• Estimation non paramétrique

  Estimation non paramétrique

  Ects : 1

  Lecturer :
  DENIS PASQUIGNON
  

  Total hours : 15

  Overview :

  • Estimation à noyau et par projection.
  • Choix des paramètres de lissage : validation croisée, sélection de modèle.
  • Estimation de la densité d'une variable aléatoire réelle.
  • Estimation de la fonction de régression.
  • Données censurées.
  • Régression pour données fonctionnelles.
  • Agrégation d'estimateurs.

  Recommended prerequisites :

  Cours de statistique non-paramétrique de niveau M1.

  Require prerequisites :

  Notions d'algèbre linéaire en dimension finie (projection) et d'analyse (régularité des fonctions).

  Statistique.

  Learning outcomes :

  Avoir des notions de base et avancées sur les aspects théoriques et pratiques de la statistique non-paramétrique.

  Assessment :

  Examen.

• Cybersécurité en pratique

  Cybersécurité en pratique

  Ects : 2

  Total hours : 18
• Data quality

  Data quality

  Ects : 2

  Lecturer :
  JUVENAL AMOS IDO
  

  Total hours : 21
• Advanced machine learning

  Advanced machine learning

  Ects : 2

  Lecturer :
  DIDIER JEANNEL
  

  Total hours : 21

Bloc Optionnel "voie Sciences des données" S4

• Introduction à l'apprentissage supervisé

  Introduction à l'apprentissage supervisé

  Ects : 3

  Lecturer :
  PATRICE BERTRAND
  

  Total hours : 21

  Overview :

  1- Analyse factorielle discriminante 2- Analyse discriminante linéaire et quadratique 3- Classification bayésienne à l ’ aide de modèles de mélange 4- Classifieur bayésien et classifieur bayésien naïf 5- Sélection de modèles de mélange parcimonieux 6- Arbres de décision 7- Forêts aléatoires

  L'ensemble de ces méthodes enseignées est illustré par des démonstrations du logiciel R sur des jeux de données réel (principalement Analyse Discriminante linéaire et quadratique, Classification bayésienne gaussienne, Classifieur bayésien naïf, Forêts aléatoires).

  Require prerequisites :

  Algèbre Linéaire (calcul matriciel), Analyse Factorielle (cadre général et cas de l'Analyse en Composantes Principales), Théorie élémentaire des probabilités

  Learning outcomes :

  Ce cours présente les méthodes élémentaires d’apprentissage supervisé suivantes : analyse factorielle discriminante, classification bayésienne à l’aide de modèles de mélange, arbres de décision et forêts aléatoires. Les propriétés théoriques et différentes formulations de ces méthodes sont présentées. Leurs mises en oeuvre, ainsi que celles de leurs variantes, sont illustrées à l’aide de traitements de données effectués avec le logiciel R. L'objectif de ce cours est l'acquisition de la maîtrise de ces méthodes élémentaires d’apprentissage supervisé.

  Assessment :

  Examen

  Bibliography-recommended reading

  - Benzecri, J.-P. (1980) Pratique de l ’ analyse des données. Dunod. Paris. - Bouveyron, C., Celeux, G., Murphy, T., & Raftery, A. (2019) Model-Based Clustering and Classification for Data Science: With Applications in R, Cambridge Series in Statistical and Probabilistic Mathematics, Cambridge: Cambridge University Press.

  - Breiman,L., Friedman, J.H., Olshen,R., and Stone, C.J. (1984). Classification and Regression Trees, Wadsworth & Brooks/Cole Advanced Books & Software, Pacific California.

  - Hastie, T., Tibshirani, R., Friedman, J. (2009) The Elements of Statistical Learning : Data Mining, Inference, and Prediction, Second Edition, Springer Series in Statistics. - James, G., Witten, D., Hastie, T., Tibshirani, R., Taylor, J., (2023) An Introduction to Statistical Learning: With Applications in Python, Springer International Publishing. - Lebart, L., Piron, M. , Morineau, A. (2006) (4ème edition, refondue) Statistique Exploratoire Multidimensionnelle, 480 pages, Dunod. - Saporta, G. (2006), Probabilités, Analyse des données et Statistique, 656 pages, Technip.

• Gestion des risques et construction de portefeuille

  Gestion des risques et construction de portefeuille

  Ects : 2

  Lecturer :
  GABRIEL TURINICI
  

  Total hours : 21

  Overview :

  • rappels du cadre classique : critère moyenne-variance, Markowitz, CAPP, MEDAF
  • théorie du portefeuille: indices, portefeuilles optimaux, beta, arbitrage, APT, facteurs
  • valuation de produits dérivés et probabilité risque neutre
  • trading de volatilité
  • assurance de portefeuille: stop-loss, options, CPPI, Buy&Hold, Constant-Mix
  • en fonction du temps: deep learning en finance, indicateurs techniques, portefeuille universel

  Learning outcomes :

  cf. descriptif

  Learn more about the course :

  turinici.com

  Bibliography-recommended reading

  cf. site du cours

• Gestion Actif-Passif et Modélisation ALM (dans le cadre de la Solvabilité 2)

  Gestion Actif-Passif et Modélisation ALM (dans le cadre de la Solvabilité 2)

  Ects : 2

  Lecturer :
  DUC HIEN VU
  

  Total hours : 15
• Initiation à VBA pour Excel

  Initiation à VBA pour Excel

  Ects : 1

  Lecturer :
  DAVID BEAUDOUIN
  

  Total hours : 15

  Overview :

  L ’ objectif de ce cours est de fournir les bases de la programmation en VBA et Excel.

  • Procédures et fonctions • Boucles - Instructions conditionnelles • Variables et types de données • Boîtes de dialogue • Gestion des erreurs • Objet • Formulaire  

  Learning outcomes :

  Maîtrise des compétences de bases de Excel et VBA.

  Assessment :

  Examen

• Pratique de Bloomberg

  Pratique de Bloomberg

  Ects : 1

  Total hours : 6
• Calibration de Modèles

  Calibration de Modèles

  Ects : 2

  Lecturer :
  OLIVIER FERON
  

  Total hours : 18

  Overview :

  Dans ce cours, on restera volontairement sur des hypothèses et des modèles simples, dans le but que les étudiants comprennent le raisonnement amenant à la construction d'une procédure de calibration de modèle.

  Plus précisément, l'objectif du cours est de donner aux étudiants les compétences suivantes : - Rappels sur le modèle de Black-Scholes, la formule de Black-Scholes et la volatilité implicite. - Estimation de la volatilité implicite, smiles de volatilités et quelques méthodes de couverture associées. - Modèle à volatilité locale. - La formule de Dupire, sa mise en oeuvre en pratique - Quelques notions de problème inverses mal posés et technique de régularisation - Calibration de modèle sur anticipations économiques (exemples détaillés de calibration de courbes de taux d'intérêt)

  Learning outcomes :

  Introduction aux méthodes simples de calibration de modèle. Confrontation aux données réelles et à la mise en oeuvre de la calibration de modèle

  Assessment :

  Examen

  Bibliography-recommended reading

  R. Cont and P. Tankov,Retrieving Lévy processes from option prices: Regularization of an ill-posedinverse problem, SIAM Journal on Control and Optimization, 45 (2006), pp. 1 – 25. S. Crépey,Calibration of the local volatility in a trinomial tree using Tikhonov regularization, InverseProblems, 19 (2003), pp. 91 – 127 B. Dupire,Pricing with a smile, RISK, 7 (1994), pp. 18 – 20. N. El Karoui, Couverture des risques dans les marchés financiers. Lecture notes for master ’ Probabilityand Finance ’ , Paris VI university

• Séries temporelles et applications actuarielles

  Séries temporelles et applications actuarielles

  Ects : 2

  Lecturer :
  TACHFINE EL ALAMI
  

  Total hours : 18

  Overview :

  Ce cours est consacré à la présentation des principaux modèles de séries temporelles, à leur estimation statistique et à leur prédiction dans un cadre stationnaire et non stationnaire.

  Le cours s’organise de la manière suivante. Une première partie introduit les contextes d’utilisation des séries temporelles en assurance principalement de manière graphique, une deuxième partie poursuit avec les modèles univariés les plus standards (de AR à SARIMA) après des rappels généraux (notions de stationnarité, d’autocorrélation, bruit blanc et marche aléatoire). Plusieurs applications des modèles sont proposées sous R. La deuxième partie étudie les modèles multivariés (VAR, VECM) avant leurs applications à la modélisation de séries macro-économiques et financières multivariées. Une troisième partie présente les modèles à hétéroscédasticité conditionnelle (ARCH et GARCH principalement) qui seront appliqués sur les séries financières (taux d’intérêt, action, produits dérivés). Enfin une dernière partie conclura en ouvrant sur les thématiques du moment.

  Learning outcomes :

  L’objectif de ce cours est de présenter la théorie et la pratique de l’analyse des séries temporelles au travers de leurs applications en assurance.

  Assessment :

  Examen et projet

• Risque de crédit

  Risque de crédit

  Ects : 3

  Lecturer :
  BENOIT HOUZELLE
  RODOLPHE LELEU
  

  Total hours : 21

  Overview :

  Le risque de crédit : généralités ; obligation du secteur privé, sécurités et covenants lors d ’ une émission, taux de recouvrement en cas de défaillance, spread de crédit, emprunt à haut rendement ; prêt syndiqué, dette souveraine ; défauts croisés et corrélation de défaut, actif contingent avec risque de défaut. Rating de créance et agences de rating. Dérivés de crédit. Modèles d ’ évaluation du risque de crédit : modèles structurels (modèles de Merton, Black& Cox, Longstaff & Schwartz), modèles réduits (modèles à intensité, modèles à migration, modèle de Jarrow & Turnbull, Duffie & Singleton), modèles mixtes ; gestion de portefeuille et techniques de mesure du risque de crédit (exemples : Credit Metrics de J.P. Morgan, Credit Monitor de KMV).

  Learning outcomes :

  Présentation des principaux concepts et principales méthodes utilisés pour la définition, la mesure, et la gestion du risque de crédit. Connaitre le risque de crédit ainsi les modèles et les outils utilisés dans l’évaluation de ce risque.

• Activités de marché d'une banque d'investissement

  Activités de marché d'une banque d'investissement

  Ects : 1

  Lecturer :
  THIERRY HERNU
  

  Total hours : 9
• Reinforcement learning

  Reinforcement learning

  Ects : 2

  Total hours : 21

Bloc Mémoire

• Mémoire

  Mémoire

  Ects : 12