Program Year
Pré-rentrée
- Analyses factorielles
Analyses factorielles
Lecturer :
PATRICE BERTRANDTotal hours : 6
- Modèles linéaires
Modèles linéaires
Lecturer :
KATIA MULLER MEZIANITotal hours : 6
- Calculs stochastiques
Calculs stochastiques
Lecturer :
IMEN BEN TAHARTotal hours : 6
Bloc Fondamental S1
- Trouver son poste sur le marché
Trouver son poste sur le marché
Ects : 0.5
Lecturer :
GEOFFROY DELIONTotal 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 :
FABIEN DUPUISTotal 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 MEZIANITotal hours : 21
- Anglais de la communication I
Anglais de la communication I
Ects : 1
Lecturer :
KATIA MULLER MEZIANITotal hours : 21
- Modèles stochastiques en finance
Modèles stochastiques en finance
Ects : 2
Lecturer :
IMEN BEN TAHARTotal hours : 12
- Méthodes actuarielles pour l’assurance
Méthodes actuarielles pour l’assurance
Ects : 2
Lecturer :
CHARLOTTE KAULTTotal hours : 21
- Langage SQL
Langage SQL
Ects : 1
Lecturer :
ANDRE ROSSITotal 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 : 2
Lecturer :
QUENTIN GUIBERTTotal 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 (80 %) et QCM (20 %)
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
Total hours : 18
- Anglais
Anglais
Ects : 1
Lecturer :
CATHERINE PIOLATotal hours : 12
Overview :
Le but de cet enseignement est d'acquérir les outils nécessaires à : - la recherche d'emploi et l'adaptation dans une entreprise (CV, lettre de motivation, entretien d'embauche, etc.) ; - la prise de parole en public (présentations, réunions, etc.) ; - l'échange dans le domaine professionnel et dans des contextes plus informels.
Ces outils sont à la fois méthodologiques (capacité de communication) et linguistiques (lexique spécifique au domaine d'étude des étudiants)
Les compétences travaillées sont : - la compréhension écrite ; - la compréhension orale ; - l'expression écrite ; - l'expression orale.
Learning outcomes :
Donner les outils linguistiques nécessaires à l'insertion professionnelle dans un contexte de plus en plus international. Maîtrise des outils linguistiques.
Assessment :
CC + Examen
Bloc Complémentaire "voie Finance" S1
- Introduction à l’assurance
Introduction à l’assurance
Ects : 1
Lecturer :
NIOUSHA SHAHIDITotal 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
- Calculs stochastiques
Calculs stochastiques
Ects : 3
Lecturer :
IMEN BEN TAHARTotal hours : 21
- Gestion des risques et construction de portefeuille
Gestion des risques et construction de portefeuille
Ects : 3
Lecturer :
GABRIEL TURINICITotal hours : 21
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: En fonction du temps: introduction a` l’allocation tactique a` travers l’analyse et les indicateurs techniques
- Critère moyenne-variance
- Markowitz
- CAPM / MEDAF
- Indices, portefeuilles optimaux, beta, arbitrage, APT
- Valuation de produits dérivés et probabilité risque neutre
- Trading de volatilité (si le temps permet: volatilité locale et implicite calibration, formule de Dupire)
- Assurance du portefeuille: stop-loss, options, CPPI, Constant Mix- Constant Rebalanced Portfolio
Learning outcomes :
Maîtriser les méthodes de couverture du risque lié à un portefeuille d’actifs à travers des exemples.
Assessment :
Examen
Bibliography-recommended reading
- Modèles de taux d'intérêt
Modèles de taux d'intérêt
Ects : 2
Lecturer :
SANDRINE HENONTotal 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 BEAUDOINTotal 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 : 0.5
Total hours : 6
- Gestion Actif-Actif & Modélisation ALM (dans le cadre de la Solvabilité 2)
Gestion Actif-Actif & Modélisation ALM (dans le cadre de la Solvabilité 2)
Ects : 1
Bloc Complémentaire "voie Sciences des données" S1
- Introduction à C++
Introduction à C++
Ects : 2
Lecturer :
DENIS CORNAZTotal hours : 21
- Apprentissage statistique
Apprentissage statistique
Ects : 3
Lecturer :
ANGELINA ROCHETotal hours : 21
Overview :
- Introduction à l'apprentissage statistique ?
- Fonctions de perte et risque en apprentissage statistique supervisé.
- Inégalités de concentration (inégalité de Hoeffding et inégalité de Bernstein).
- Propriété du minimiseur du risque empirique sur une classe de cardinal fini et extension au cas infini (epsilon-recouvrement et VC-dimension).
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.
- Estimation non paramétrique
Estimation non paramétrique
Ects : 1.5
Lecturer :
ANGELINA ROCHETotal 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.
- Reinforcement learning
Reinforcement learning
Ects : 2
Lecturer :
ARIA AKHAVANFOOMANITotal hours : 21
- Présentation juridique et technique des principales branches de l'assurance IARD
Présentation juridique et technique des principales branches de l'assurance IARD
Ects : 1
Total hours : 15
Bloc Fondamental S2
- Anglais de la communication II
Anglais de la communication II
Ects : 1
Lecturer :
CATHERINE PIOLATotal hours : 12
- Communication
Communication
Ects : 1
Total hours : 12
- Culture financière et de l'assurance II
Culture financière et de l'assurance II
Ects : 1
Total hours : 18
- Data project
Data project
Ects : 3
Lecturer :
DIDIER JEANNEL
KATIA MULLER MEZIANITotal 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 :
THEO LOPES QUINTASTotal hours : 12
- Natural Language Processing (NLP)
Natural Language Processing (NLP)
Ects : 1
Lecturer :
FABIEN DUPUISTotal hours : 9
Bloc Complémentaire "voie Finance" S2
- Calibration de Modèles
Calibration de Modèles
Ects : 2
Lecturer :
OLIVIER FERONTotal 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 LEPINETTETotal hours : 21
Overview :
Introduction. Modèles dynamiques pour les prix d ’ actifs financiers. Agrégation des risques, normalité, asymétrie, queues de distributions épaisses. La valeur risquée. Définition et méthodologies de calcul de la VaR (historiques, Monte Carlo, analytiques). Présentation de RiskMetrics de J.P. Morgan. Données, méthodologie, interprétations. Application. La cartographie de RiskMetrics, risque sur les instruments financiers comptants et produits dérivés. Estimation des matrices de variances-covariances, volatilités et corrélations.
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.
Bibliography-recommended reading
- Jorion Philippe Value at Risk McGraw-Hill, 2006 - Longerstaey, J More, L Introduction to riskmetrics Morgan Guaranty trust Company, 1995 - Hull J, Risk management and Financial - Institutions 5th editions Pearson, 2018 - Hull J, Options, futures and other derivatives Prentice-Hall Pearson Education, 2017 - Portait R, Poncet P Finance de Marché Dalloz , 2014
- Méthodes numériques en finance
Méthodes numériques en finance
Ects : 2
Lecturer :
LAURENT TURTotal 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 : 2
Lecturer :
BENOIT HOUZELLE
RODOLPHE LELEUTotal 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
Total hours : 9
Bloc Optionnel "voie Finance" S2
- Introduction à l’apprentissage supervisé
Introduction à l’apprentissage supervisé
Ects : 2
Lecturer :
PATRICE BERTRANDTotal 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.
- Introduction à C++
Introduction à C++
Ects : 2
Lecturer :
DENIS CORNAZTotal hours : 21
- Apprentissage non supervisé - Clustering
Apprentissage non supervisé - Clustering
Ects : 2
Lecturer :
PATRICE BERTRANDTotal hours : 18
- Machine learning - Théorie et algorithmes
Machine learning - Théorie et algorithmes
Ects : 2
Lecturer :
PATRICE BERTRANDTotal hours : 18
- Enjeux et modélisation des risques climatiques
Enjeux et modélisation des risques climatiques
Ects : 1
Lecturer :
THIBAULT MONNETTotal hours : 15
- Gestion de données massives avec Hadoop et Spark
Gestion de données massives avec Hadoop et Spark
Ects : 1
Lecturer :
KHALID BELHAJJAMETotal hours : 12
- Machine learning avancé en pratique
Machine learning avancé en pratique
Ects : 2
Lecturer :
DIDIER JEANNELTotal hours : 21
- Data quality en finance
Data quality en finance
Ects : 2
Total hours : 21
- Reinforcement learning
Reinforcement learning
Ects : 2
Lecturer :
ARIA AKHAVANFOOMANITotal hours : 21
Bloc Complémentaire "voie Sciences des données" S2
- Apprentissage non supervisé - Clustering
Apprentissage non supervisé - Clustering
Ects : 2
Lecturer :
PATRICE BERTRANDTotal hours : 18
- Enjeux et modélisation des risques climatiques
Enjeux et modélisation des risques climatiques
Ects : 1
Lecturer :
THIBAULT MONNETTotal hours : 15
- Gestion de données massives avec Hadoop et Spark
Gestion de données massives avec Hadoop et Spark
Ects : 1
Lecturer :
KHALID BELHAJJAMETotal hours : 12
- Machine learning avancé en pratique
Machine learning avancé en pratique
Ects : 2
Lecturer :
DIDIER JEANNELTotal hours : 21
- Machine learning - Théorie et algorithmes
Machine learning - Théorie et algorithmes
Ects : 2
Lecturer :
PATRICE BERTRANDTotal hours : 18
- Cybersécurité
Cybersécurité
Ects : 3
Total hours : 24
Bloc Optionnel "voie Sciences des données" S2
- Introduction à l’apprentissage supervisé
Introduction à l’apprentissage supervisé
Ects : 2
Lecturer :
PATRICE BERTRANDTotal 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.
- Data quality en finance
Data quality en finance
Ects : 2
Total hours : 21
- Calibration de Modèles
Calibration de Modèles
Ects : 2
Lecturer :
OLIVIER FERONTotal 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
- Méthodes numériques en finance
Méthodes numériques en finance
Ects : 2
Lecturer :
LAURENT TURTotal 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 : 2
Lecturer :
BENOIT HOUZELLE
RODOLPHE LELEUTotal 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
Total hours : 9
- Initiation à VBA pour Excel
Initiation à VBA pour Excel
Ects : 1
Lecturer :
David BEAUDOINTotal 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 : 0.5
Total hours : 6
- Gestion Actif-Actif & Modélisation ALM (dans le cadre de la Solvabilité 2)
Gestion Actif-Actif & Modélisation ALM (dans le cadre de la Solvabilité 2)
Ects : 1
Bloc Mémoire
- Mémoire
Mémoire
Ects : 12
Academic Training Year 2024 - 2025 - subject to modification
Teaching Modalities
Studies last one year. The Master's program comprises around 400 hours of teaching, counting for 48 ECTS, and a compulsory 3-month internship, counting for 12 ECTS. Attendance is required.
UE Fondamentales S1
- Processus Stochastiques
Processus Stochastiques
Ects : 3
Lecturer :
IMEN BEN TAHARTotal hours : 30
Overview :
1. Intégrale stochastique 2. EDS et théorèmes de représentation 3. EDSR et théorèmes de représentation
4. Application au contrôle stochastique
Recommended prerequisites :
Notions de: processus stochastique, filtrations, martingales ; Notion de: équation différentielle, équation aux dérivées partielles
Require prerequisites :
Calcul de probabilités (bases de la théorie de la mesure, notion d'espérance conditionnelle, modes de convergence des variables aléatoires)
Learning outcomes :
Approfondir les notions de processus stochastiques, équations différentielles stochastiques progressives (EDS) et rétrogrades (EDSR), lien avec les équations aux dérivées partielles (e.d.p) et application au contrôle stochastique
Assessment :
Examen
- Méthodes actuarielles
Méthodes actuarielles
Ects : 3
Lecturer :
MARC DOMANGETotal hours : 21
Overview :
1. Instruments et marchés (marchés monétaires, marchés obligataires) 2. Mesure et couverture du risque de taux (duration, convexité, ACP) 3. Reconstitution de la structure par terme des taux (modèles à splines, modèles paramétriques) 4. Théories de la structure par terme des taux (anticipations pures, prime de risque pure, segmentation, anticipations biaisées) 5. Gestion passive (tracking error, échantillonnage stratifié) 6. Gestion active (roll-down, barbell, bullet, butterfly) 7. Produits dérivés de taux (futures & swaps)
Learning outcomes :
Fournir une explication détaillée de la structure par terme des taux et apporter un éclairage sur les différentes stratégies de gestion et leur mise en œuvre.
- Introduction à l'assurance vie et non vie
Introduction à l'assurance vie et non vie
Ects : 2
Lecturer :
MICHEL GERMAINTotal hours : 21
Overview :
1. Définir les termes et les acteurs d’une opération d’assurance2. Donner des éléments statistiques sur le secteur de l’assurance3. Rappeler des éléments de probabilité et de mathématiques financières4. Déterminer la tarification des engagements vie et non vie5. Exposer les formes de garanties proposées en vie et en non vie 6. Calculer les engagements techniques des contrats d'assurance7. Étudier la gestion du risque au niveau de l’organisme assureur8. Donner des notions de comptabilité et de réglementation propre à l'assurance9. Présenter les principes de la réassurance10. Étudier la notion de solvabilité d’un organisme assureur et quelques éléments prudentiels
Learning outcomes :
Présenter les principaux modèles de l’assurance vie et non vie.
- Solvabilité II
Solvabilité II
Ects : 2
Lecturer :
LOUIS-ANSELME DE LAMAZETotal hours : 18
Overview :
1. Introduction au contexte de solvabilité 2. Présentation du calcul de solvabilité 3. Dispositifs de gestion des risques (ORSA) 4. Analyse prospective & introduction à l’appétence aux risques
Learning outcomes :
Fournir aux étudiants des connaissances sur le contrôle prudentiel des organismes d’assurances. Leur permettra d’appréhender la complexité des problèmes comptables et les mécanismes d’évaluation du ratio de solvabilité. Le fonctionnement et l’approche de la gestion des risques dans le secteur de l’assurance seront présentés dans ce nouveau contexte.
- Méthodologie en gestion globale des Risques : VAR
Méthodologie en gestion globale des Risques : VAR
Ects : 3
Lecturer :
DENIS BERTINTotal hours : 21
Overview :
1. Introduction et définition de la Value at Risk 2. Méthodes et méthodologies de calcul 3. Choix de distribution de probabilité pour positions optionnelles 4. Mesure de risque de marché et RiskMetrics 5. Risque de crédit et exigences réglementaires 6. Risque de corrélation défavorable, liquidité et xVA 7. Expected Shortfall et VaR sur Valeurs extrêmes
Learning outcomes :
Clarifier la notion de risque et présenter les principales techniques et méthodes de VaR permettant de mesurer, analyser et prédire le risque.Le risque de marché fera l’objet d’’une attention particulière au travers de l’analyse de la VaR. Les méthodes de gestion globale du risque de marché lorsque les sources d’incertitudes sont multiples seront également étudiées.
- Anglais des affaires
Anglais des affaires
Ects : 2
Lecturer :
CATHERINE PIOLATotal hours : 21
Overview :
1. Présentation des concepts et outils utilisés en management de projet, illustrée par des exemples concrets portant sur des projets, notamment dans le domaine de la Data Science.2. Réalisation en groupe d’un projet de communication.
Learning outcomes :
Amener les étudiants à développer des stratégies qui leur permettent d’améliorer leurs compétences langagières, à l’écrit comme à l’oral. Un contenu lié à la recherche d’emploi et au monde du travail est abordé au moyen de simulations et d’exercices de compréhension, de production et d’écoute.
- Introduction à l’apprentissage supervisé
Introduction à l’apprentissage supervisé
Ects : 2
Lecturer :
PATRICE BERTRANDTotal 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.
- Méthodes pour les modèles de régression
Méthodes pour les modèles de régression
Ects : 3
Lecturer :
KATIA MULLER MEZIANITotal hours : 21
Overview :
L'objectif de ce cours est de présenter aux étudiants des connaissances fondamentales, sur la régression d'un point de vue théorique ainsi que sur le code lié à ce domaine.
Pré-rentrée 6h :
- Rappels théoriques sur le modèle linéaire gaussien multivarié, Anova, Ancova, sélection de modèle, validation du modèle...
Méthodes pour la régression :
- Étude et traitement des outliers en régression.
- Étude des différents critères (AIC, BIC, Cp-Mallows,...) et sélection de modèles.
- Analyse complète de différents modèles linéaires gaussiens multivariées sous R à partir de jeux de données réelles.
- Estimateurs biaisés (Lasso, Ridge, Elastic-Net, PLS,...)
- Performance de généralisation (PRESS sur échantillon tests,...), Validation Croisée,...
- Comparaison des différentes procédures (ML, Lasso,...) sous R à partir de jeux de données réelles.
- Modèles linéaires généralisés (régression poissonnière, régression logistique,...).
- Régression logistique d'un point de vue théorique et sous forme de TP avec des données réelles : déclaration du modèle, validation du modèle, sélection de modèle, odd ratio, matrice de confusion courbe ROC, AUC..
- Procédure CART et random forest (TP sous R avec des données réelles).
Learning outcomes :
A la suite de ce module, les étudiants seront capables de comprendre la régression d'un point de vue théorique et de coder les différentes procédures étudiées. Ils auront le recul nécessaire pour préselectionner des procédures adaptées à la spécifité du jeu de données et sélectionner celles ayant les meilleures performances de généralisation.
Assessment :
Examen
- Introduction au Machine learning
Introduction au Machine learning
Ects : 2
Lecturer :
PIERRE BRUGIERETotal hours : 15
Overview :
1. Supervised and unsupervised learning 2. Calibration versus prediction: how to avoid over-fitting 3. Measure of the complexity of a model according to Vapnik-Chervonenkis 4. Vapnik-Chervonenkis ’ s inequality and the control of the prediction error 5. Maximum margin SVMs and Gap tolerant classifiers 6. C-SVMs and duality 7. SVMs with kernels and Mercer ’ s theorem 8. The simplex case 9. Mu-SVM, duality and reduced convex envelopes 10. Single class SVMs, anomaly detections and clustering 11. An introduction to Bootstrap, decision trees and random forests 12. Ridge Regression, penalization, and yield curve smoothing 13. The Representer theorem, Lasso, parsimony and duality.
Recommended prerequisites :
Algèbre linéaire, calcul différentiel et optimisation au niveau M1
Require prerequisites :
Algèbre linéaire et calcul différentiel
Learning outcomes :
Comprendre comment utiliser les Supports Vectors Machines pour l'apprentissage supervisé et non supervisé. Quelques application des méthodes de regressions pénalisées
Assessment :
Examen
Bibliography-recommended reading
[1] Pierre Brugiere: hal.archives-ouvertes.fr/cel-01390383v2 [2] Wolfgang Karl Härdle, Rouslan Moro, Linda Hoffmann : Learning Machines Supporting Bankruptcy Prediction, SFB 649 Discussion Paper 2010-032 [3] Dave DeBarr and Harry Wechsle: Fraud Detection Using Reputation Features SVMs, and Random Forests [4] Trevor Hastie, Robert Tibshirani, Jerome Friedman: The Elements of Statistical Learning [5] Christopher Bishop: Pattern Recognition and Machine Learning
- Deep learning
Deep learning
Ects : 2
Lecturer :
GABRIEL TURINICITotal hours : 18
Overview :
1/ Deep learning : applications majeures, références, culture 2/ Types d’approches: supervisé, renforcement, non-supervisé 3/ Réseaux neuronaux: présentation des objets: neurones, opérations, fonction loss, optimisation, architecture 4/ Focus sur les algorithmes d’optimisation stochastique et preuve de convergence de SGD 5/ Réseaux convolutifs (CNN) : filtres, couches, architectures 6/ Technique: back-propagation, régularisation, hyperparamètres 7/ Réseaux particuliers: réseaux récurrents (RNN) et LSTM; réseaux génératifs (GAN, VAE) 8/ Environnements de programmation pour réseaux neuronaux: Tensorflow, Keras, PyTorch et travail sur les exemples vus en cours
9/ Si le temps permet: NLP: word2vec and Glove: exemples d’utilisation : femme-homme+roi = reine
Require prerequisites :
python, mathématiques : algèbre, probabilités, analyse numérique
Learning outcomes :
introduction au deep learning
Learn more about the course :
Bibliography-recommended reading
- Decentralized & Crypto Finance
Decentralized & Crypto Finance
Ects : 2
Lecturer :
REMY OZCANTotal hours : 15
- SAS, R et Python
SAS, R et Python
Ects : 3
Lecturer :
EMELINE PINQUIER
GREGOIRE DE LASSENCETotal hours : 21
UE complémentaires voie QRF S1
- Statistiques et dynamique des produits dérivés
Statistiques et dynamique des produits dérivés
Ects : 2
Lecturer :
GABRIEL TURINICITotal hours : 21
Overview :
1/ Approches en probabilité historique (gestion de portefeuille classique), portefeuilles optimaux, beta, arbitrage, APT
2/ Valuation de produits dérivés et probabilité risque neutre
3/ Trading de volatilité, volatilité locale et calibration
4/ Assurance du portefeuille: stop-loss, options, CPPI, CRP - Constant Mix
5/ Options exotiques ou cachées: ETF short, etc.
Recommended prerequisites :
python, calcul stochastique, produits dérivés
Learning outcomes :
approche pratique et empirique des produits dérivés et de la gestion de risques tout en se basant sur une formalisation stochastique avancée
Learn more about the course :
Bibliography-recommended reading
- Modélisation stochastique du risque de crédit
Modélisation stochastique du risque de crédit
Ects : 2
Lecturer :
IMEN BEN TAHARTotal hours : 21
UE Fondamentales S2
- Pratique des options
Pratique des options
Ects : 2
Lecturer :
BERTRAND FAUCHERTotal hours : 15
Overview :
1. Mise en situation concrète du métier de trading (market making) 2. Pricing des options complexes à partir de celui des options vanilles 3. Les risques dans la vraie vie 4. Au-delà des grecques
Learning outcomes :
- Comprendre les responsabilités d’un market maker d’options - Maîtriser les implications concrètes au-delà des équations de la gestion d’un portefeuille d’options - Acquérir des réflexes afin de repérer rapidement les principales sources de risques
- Culture Financière et pratique de Bloomberg
Culture Financière et pratique de Bloomberg
Ects : 2
Lecturer :
DENIS BERTIN
PIERRE BRUGIERETotal hours : 15
Overview :
1. Le bilan d’une entreprise et les différentes catégories de titres 2. Les actions, la dette, la dette hybride, le Tier 1, le Tier 2, le Tier 3 3. Les obligations convertibles, les mandatory convertibles 4. Les opérations en capital, les augmentations de capital, les FRESHs ; les Cocos 5. Les rachats d’actions, simples ou structurés 6. Les dividendes cash ou scrip, formules d’ajustements des dérivés 7. Les activités ECM, DCM, EQL, M&A 8. Séances pratiques sur Bloomberg : · construction de tableaux de bords en temps réel (BDP) · analyses historiques (BDH) · analyse financière · spreadsheets et templates Bloomberg
9. Mini projet de gestion de portefeuille
Learning outcomes :
Connaitre les principales notions de corporate finance, analyser des données financières sur Bloomberg, faire un mini projet en gestion de portefeuille
- Python et pratique de la Data Science
Python et pratique de la Data Science
Ects : 2
Lecturer :
THEO LOPES QUINTASTotal hours : 15
Overview :
- Préparation des données, EDA. Traitement des classes déséquilibrées
- Les Réseaux de neurones ANN et leur optimisation avec les Hyperparametres
- Les Réseaux de neurones RNN et CNN
- L'apprentissage non supervisé avec KNN et les Autoencodeurs
- Le modèle XGBoost
- Le cours se déroule d'une manière générale en 2 parties: Rappels théoriques et approfondissements, puis projet à mener en trinôme.
UE complémentaires voie QRF S2
- Modélisation stochastique des courbes de taux
Modélisation stochastique des courbes de taux
Ects : 3
Lecturer :
IMEN BEN TAHARTotal hours : 21
Overview :
1. Quelques outils de calcul stochastique : rappels 2. Généralités sur les taux d ’ intérêt 3. Produits de taux classiques 4. Modèle LGM à un facteur 5. Modèle BGM (Brace, Gatarek et Musiela) / Jamishidian 6. Modèles à volatilité stochastique
Learning outcomes :
Ce cours est consacré aux modèles de taux d’intérêts à temps continu. Au travers de nombreux exemples, on décrira leurs utilisations pour évaluer les produits dérivés sur taux d’intérêt.
- Application des Copules en Finance et Assurance
Application des Copules en Finance et Assurance
Ects : 2
Lecturer :
EMMANUEL LEPINETTETotal hours : 18
Overview :
La dépendance entre variables aléatoires peut être modélisée grâce aux copules qui lient la fonction de distribution jointe aux distributions marginales. Nous découvrons les principales définitions et propriétés. Les exemples usuels sont introduits avec des exemples numériques en Python. L ’ évaluation statistique d ’ une copule est présentée et implémentée sur des échantillons. Enfin, des modèles en assurance et en finance qui utilisent les copules sont expliqués puis implémentés (calcul agrégé de SCR, calcul de primes en assurance avec des sinistres liés à la fréquence, etc..). Des contrôles de connaissances sont donnés en début de cours ainsi qu ’ un examen final.
UE complémentaires voie Modélisation et Big Data S2
- Recent Advances in Data Sciences
Recent Advances in Data Sciences
Ects : 3
Lecturer :
THEO LOPES QUINTAS - Data Science for Business
Data Science for Business
Ects : 2
Lecturer :
YANNICK LEOTotal hours : 21
- Renforcement Learning
Renforcement Learning
Ects : 2
Lecturer :
GABRIEL TURINICITotal hours : 21
Overview :
1/ Introduction au reinforcement learning 2/ Formalisme théorique : « Markov decision processes » (MDP), function valeur ( équation de Belman et Hamilton- Jacobi – Bellman) etc. 3/ Stratégies usuelles, sur l’exemple de “multi-armed bandit” 4/ Stratégies en deep learning: Q-learning et DQN 5/ Stratégies en deep learning: SARSA et variantes 6/ Stratégies en deep learning: Actor-Critic et variantes 7/ Implémentations Python variées 8/ Perspectives.
Recommended prerequisites :
tensorflow, keras, pytorch
Require prerequisites :
python, analyse numérique
Learning outcomes :
introduction au deep reinforcement learning, avec une vision machine learning empirique: principaux algorithmes, implementations pratiques (gym)
Learn more about the course :
Bibliography-recommended reading
- Machine Learning, Transformeret NLP
Machine Learning, Transformeret NLP
Ects : 2
Lecturer :
DIDIER JEANNELTotal hours : 18
Conduite de projets et mémoire
- Conduite de projet et Mémoire
Conduite de projet et Mémoire
Ects : 15
Lecturer :
OLIVIER SOUSSAN
PIERRE BRUGIERETotal hours : 18
Overview :
1. Présentation des concepts et outils utilisés en management de projet, illustrée par des exemples concrets portant sur des projets, notamment dans le domaine de la Data Science. 2. Réaliser en groupe un projet de communication. 3. Exposer en public son mémoire d’apprentissage
Learning outcomes :
Familiariser les étudiants aux méthodes de communication dans le cadre d’un projet concret et leur apprendre les bases de la communication en entreprise (oral et écrit). Suivre le mémoire d’apprentissage
Academic Training Year 2024 - 2025 - subject to modification
Teaching Modalities
The program starts in September. Students rotate between three days at a company and two days on campus.
Internships and Supervised Projects
Mandatory internship of at least five months.
Research-driven Programs
Training courses are developed in close collaboration with Dauphine's world-class research programs, which ensure high standards and innovation.
Research is organized around 6 disciplines all centered on the sciences of organizations and decision making.
Learn more about research at Dauphine