L'année de formation
UE obligatoires
-
Méthodes pour les modèles de régression
Méthodes pour les modèles de régression
Ects : 3
Volume horaire : 21
Compétence à acquérir :
Décrire et manipuler les méthodes modernes les plus classiques de la régression afin de fournir un bagage statistique solide aux étudiants.
Description du contenu de l'enseignement :
- Rappels sur le modèle et la régression linéaire,
- Limitations de la régression usuelle,
- Régression pas à pas,
- Choix de modèles (Méthodes ascendantes et descendantes, AIC et BIC)
- Régression par moindres carrés pénalisés (estimateurs bridge et lasso)
- Modèles linéaire généralisés
- Régression Poissonienne
- Modèles logit/probit
- Régression non-linéaire (polynômes locaux, ondelettes)
- Régression PLS et CARTEnseignant responsable :
- KATIA MULLER MEZIANI
-
Analyse de données et scoring
Analyse de données et scoring
Ects : 3
Volume horaire : 30
Compétence à acquérir :
Ce cours étudie les méthodes d’analyse des données et ses applications en scoring. L’ensemble de ces méthodes enseignées est illustré par des démonstrations du logiciel R sur des jeux de données réels. Maîtriser la théorie des techniques de scoring.
Description du contenu de l'enseignement :
1. Rappels et compléments sur l’Analyse Factorielle d’un nuage de points (ACP), l’Analyse des Correspondances (AFC), l’Analyse des Correspondances Multiples (ACM).
2. Généralités sur les techniques de Scoring. Analyse Discriminante (AD) : Analyse factorielle discriminante, Analyse discriminante décisionnelle, Cas de deux groupes, Multicolinéarité, Analyse discriminante sur variables qualitatives (méthode DISQUAL, Analyse discriminante barycentrique), Analyse Discriminante Bayésienne dans le cas gaussien.
3. Méthodes de validation : Validation croisée et courbe ROC.
4. Régression logistique : Modélisation, Estimation des coefficients par le Maximum de Vraisemblance. Tests. Régression pas à pas.
5. Arbres de décision.
L'ensemble de ces méthodes enseignéess est illustré par des démonstrations du logiciel R sur des jeux de données réel (principalement ACP, AFC, ACM, AD linéaire et quadratique, Régression logistique).Enseignant responsable :
- PATRICE BERTRAND
-
Introduction aux méthodes mathématiques de l'assurance
Introduction aux méthodes mathématiques de l'assurance
Ects : 3
Volume horaire : 21
Compétence à acquérir :
Présentation générale de l’assurance, des mécanismes statistiques de l’assurance dommage et des méthodes mathématiques de l’assurance vie.
Description du contenu de l'enseignement :
- Les fonctions probabilistes de l’assurance vie.
- Les tables de mortalité.
- Calcul des engagements de l’assureur et tarification. Présentation sur quelques cas représentatifs des procédés généraux de calcul de primes pures.
- Notions élémentaires sur les provisions mathématiques.Enseignant responsable :
- CHARLOTTE KAULT
-
Processus stochastique et EDP
Processus stochastique et EDP
Ects : 3
Volume horaire : 30
Compétence à acquérir :
Introduire des bases du calcul stochastique et explorer les liens qui existent entre les processus stochastiques étudiés et certaines équations aux dérivées partielles (EDP). Ce lien sera exploité dans le cadre d'applications financières tel que l'évaluation des produits dérivés ou la gestion optimale de portefeuilles financiers.
Description du contenu de l'enseignement :
1. Calcul stochastique
- Filtrations, temps d'arrêt
- Martingales en temps continu
- Intégrale stochastique et formule d’Itô pour semi martingales continues
- Applications de la formule d’Itô : théorème de Lévy, représentation des martingales browniennes et théorème de Girsanov
2. Diffusions et EDP
- Diffusions : existence, unicité et propriété de Markov forte
- Problèmes de Dirichlet et de Cauchy, équation de Poisson
- Formule de Feynman-Kac
3. Introduction au contrôle stochastique
- Programmation dynamique et équation de Hamilton Jacobi Bellman
- Problème de MertonEnseignant responsable :
- IMEN BEN TAHAR
-
Conduite de projet de communication
Conduite de projet de communication
Ects : 2
Volume horaire : 21
Compétence à acquérir :
Mise en situation de conduite d’un projet de communication à partir des besoins du master ISF classique.
Description du contenu de l'enseignement :
Les différents projets sont liés en particulier au site Internet, à l’association, aux réseaux sociaux, aux vidéos et conférences, à l’annuaire des anciens, à la participation aux salons ou aux supports de cours. En fonction de leur projet, les étudiants définissent le contexte de leur action. Ils proposent ensuite leur stratégie et les moyens de la mettre en œuvre. Suite à leur action les étudiants remettent un « Plan de communication ». De manière plus générale, le cours sensibilise les étudiants aux problématiques de la communication et de l’action collective dans une organisation. -
Gestion des risques et construction de portefeuille
Gestion des risques et construction de portefeuille
Ects : 3
Volume horaire : 21
Compétence à acquérir :
Maîtriser les méthodes de couverture du risque lié à un portefeuille d’actifs.
Description du contenu de l'enseignement :
- Rappels du cadre classique : critère moyenne-variance, Markowitz, CAPM / MEDAF
- Indices, portefeuilles optimaux, beta, arbitrage, APT
- Modèle incluant une dépendance du temps : théorie du contrôle, Merton,...
- Assurance du portefeuille : stop-loss, options, CPPI,
- Trading de volatilité, volatilité locale et calibration, formule de Dupire
- Introduction à l'allocation tactique à travers l'analyse et les indicateurs techniques
- Au-delà du Markowitz : Black-Litterman et autres extensions
- Autres classes d'actifs : FOREX, commodities, ...Enseignant responsable :
- GABRIEL TURINICI
-
Anglais
Anglais
Ects : 3
Volume horaire : 24
Compétence à acquérir :
Donner les outils linguistiques nécessaires à l'insertion professionnelle dans un contexte de plus en plus international.
Description du contenu de l'enseignement :
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.Enseignant responsable :
- CATHERINE PIOLA
UE complémentaires "voie finance"
-
Modèles de taux d'intérêt
Modèles de taux d'intérêt
Ects : 2
Volume horaire : 21
Compétence à acquérir :
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.
Pré-requis obligatoires :
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.
Description du contenu de l'enseignement :
- 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. Généralités : formule de Black, phénomènes associés à la courbe de la volatilités, taux forward, swap, taux swap. Changement de numéraire et probabilités forward. Application : prix des produits vanilles, les caplets et les swaptions.
- Modèle LGM à un facteur.
- Modèle BGM (Brace, Gatarek et Musiela) / Jamishidian.
- Modèles à volatilité stochastique : Définition. Modèle SABR. Modèle d'HestonEnseignant responsable :
- SANDRINE HENON
-
Calibration de Modèles
Calibration de Modèles
Ects : 3
Volume horaire : 18
Compétence à acquérir :
Introduction aux méthodes simples de calibration de modèle.
Confrontation aux données réelles et à la mise en oeuvre de la calibration de modèle
Description du contenu de l'enseignement :
- 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)Enseignant responsable :
- OLIVIER FERON
-
Introduction à Python
Introduction à Python
Ects : 2
Volume horaire : 18
Compétence à acquérir :
Introduction au langage Python et à l'utilisation de librairies associées.
Description du contenu de l'enseignement :
Introduction au langage, boucles, tests, fonctions, Monte-Carlo Pi, utilisation des listes pour résoudre un Sudoku.
Notion de classe, surcharge des opérateurs, Calculs de fractales.
Introduction aux réseaux de neurones, rétropropagation du gradient.
Recherche Monte-Carlo, application au Sudoku
Introduction à Keras pour définir un réseau de neuronne convolutif et un réseau complétement connectéEnseignant responsable :
- FABIEN DUPUIS
UE complémentaire "voie science des données"
-
Surêté de fonctionnement
Surêté de fonctionnement
Ects : 3
Volume horaire : 15
Compétence à acquérir :
Introduction aux méthodes statistiques de contrôle de qualité et de fiabilité pour l’industrie.
Description du contenu de l'enseignement :
Sûreté de fonctionnement :
- Généralités.
- Traitement des données de fiabilités (fiabilité expérimentale et opérationnelle).
- Fiabilité des systèmes.
- Fiabilité et disponibilité des systèmes réparables.Enseignant responsable :
- MOHAMMED SALLAK
-
Théorie des sondages
Théorie des sondages
Ects : 3
Volume horaire : 21
Compétence à acquérir :
Apprentissage des différentes méthodes d’échantillonnage, d’estimation et de redressement à partir de données de sondage.
Description du contenu de l'enseignement :
- Introduction : paramètre et estimateur, aléa de sondage, concepts de précision, base de sondage.
- Échantillonnage à probabilités inégales ; le cas particulier du sondage aléatoire simple.
- Sondage stratifié.
- Échantillonnage à plusieurs degrés ; le cas particulier du sondage en grappes.
- Généralités sur les redressements.
- Redressement sur variables qualitatives : la technique de post-stratification sur une puis deux variables (calage sur marges).
- Redressement sur variables quelconques : l'estimateur par la régression.
- Eléments de traitement des non-réponses.Enseignant responsable :
- FABIEN GUGGEMOS
-
Bases de données
Bases de données
Ects : 3
Volume horaire : 39
Compétence à acquérir :
Conception d’une base de données et maîtrise du langage SQL pour Access.
Mode de contrôle des connaissances :
40% projet et 60% examen
Description du contenu de l'enseignement :
Les bases de données sont très fréquentes dans les secteurs de la finance et de l'assurance. Ce cours a pour objectif de permettre aux étudiants de comprendre l'organisation des données au sein d'une base de données relationnelle et de savoir manipuler et gérer ces données. Le cours introduira également le thème du Big Data en soulignant les problèmes qu'il soulève, ainsi que les solutions et les technologies qui existent pour la gestion de masses de données. Cet enseignement est composé pour 2/3 de cours-TD et pour 1/3 de travaux pratiques sur machine (utilisation du Système de Gestion de Bases de Données PostgreSQL) et de mise en œuvre des concepts étudiés à travers un projet tuteuré.
Contenu :
- Modèle relationnel
- Langage de requêtes : algèbre relationnelle et SQL
- Travaux pratiques et projet tuteuré : réalisation d'une mini base de données.
- Big Data.Enseignant responsable :
- ELSA NEGRE
- MAUDE MANOUVRIER
- KHALID BELHAJJAME
UE obligatoires
-
Initiation à VBA pour Excel
Initiation à VBA pour Excel
Ects : 2
Volume horaire : 15
Compétence à acquérir :
Fournir les bases de la programmation en VBA et Excel.
Description du contenu de l'enseignement :
- Présentation et manipulation des principaux objets VBA et Excel
- Interaction VBA avec Excel
- Possibilité de présenter l’interface avec R (librairie RExcel)
Enseignant responsable :
- David BEAUDOIN
-
Trouver son poste sur le marché
Trouver son poste sur le marché
Volume horaire : 6
Compétence à acquérir :
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.
Description du contenu de l'enseignement :
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…).Enseignant responsable :
- GEOFFROY DELION
-
Utilisation du logiciel SAS
Utilisation du logiciel SAS
Ects : 2
Volume horaire : 18
Compétence à acquérir :
Maîtrise du logiciel SAS.
Description du contenu de l'enseignement :
Module de base : les concepts fondamentaux, la lecture de données brutes, l’édition et le tri de tableaux SAS. La transformation des données (codage, création de variables), les données manquantes. Le résumé des données (PROC MEANS, FREQ…). Introduction à la gestion des tableaux SAS (set, merge), stockage des tableaux SAS. Écriture de fichiers externes (EXPORT).
- Module GRAPH : graphique sur écran et imprimante (PROC GPLOT) et annotation.
- Module STAT : introduction à l’ACP (PROC PRINCOMP), à la classification automatique PROC FASTCLUS, CLUSTER, à l’analyse discriminante (PROC DISCRIM), au dépouillement de plan d'expériences (PROC GLM).
Cet enseignement comprend la réalisation d’un traitement de données en binôme.Enseignant responsable :
- THIERRY CEMBRZYNSKI
UE complémentaire "voie finance"
-
Gestion globale des risques : VAR
Gestion globale des risques : VAR
Ects : 3
Volume horaire : 21
Compétence à acquérir :
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.
Description du contenu de l'enseignement :
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.Enseignant responsable :
- ENRIQUE IGUZQUIZA
-
Méthodes numériques en finance
Méthodes numériques en finance
Ects : 2
Volume horaire : 21
Compétence à acquérir :
Présentation succincte des principales méthodes numériques utilisées en finance pour l'évaluation des produits dérivés.
Description du contenu de l'enseignement :
Théorie de la Réplication : valorisation des options. Formule de Feymann Kac et application au cas d'options européennes, asiatiques et américaines. Méthodes numériques : arbres, EDP et Monte-Carlo. Présentation et utilisation d'un logiciel d'évaluation d'obligations convertibles.Enseignant responsable :
- LAURENT TUR
-
Risque de crédit
Risque de crédit
Ects : 3
Volume horaire : 21
Compétence à acquérir :
Présentation des principaux concepts et principales méthodes utilisés pour la définition, la mesure, et la gestion du risque de crédit.
Description du contenu de l'enseignement :
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).Enseignant responsable :
- FLORENT OMNES
- RODOLPHE LELEU
-
C++
C++
Ects : 3
Volume horaire : 21
Compétence à acquérir :
Maîtrise d'un langage insdispensable pour de nombreuses applications financières.
Mode de contrôle des connaissances :
Examen écrit.
Pré-requis recommandés :
Connaître plusieurs langages informatiques, les concepts de base de l'algorithmique (test, boucles).
Pré-requis obligatoires :
Mathématique et algorithmique de base.
Description du contenu de l'enseignement :
Bibliographie, lectures recommandées
- Apporter aux participant une vue d'ensemble de la programmation en C++ et de ses spécificités.
- Recommander de bonnes pratiques : organisation des codes sources, utilisation des exceptions, gestion de la mémoire.
- Insister sur les concepts de la modélisation orientée objet et les mettre en pratique dans les exercices.
Le langage C++, Bjarne Stroustrup (on pourra consulter http://www.stroustrup.com/C++.html)
Enseignant responsable :
- DENIS CORNAZ
UE complémentaire "voie sciences des données"
-
Traitement statistique de données Sensorielles et consommateurs
Traitement statistique de données Sensorielles et consommateurs
Ects : 3
Volume horaire : 18
Compétence à acquérir :
Comprendre les méthodes statistiques de base à partir d’un domaine d’application à la fois porteur et relativement abordable.
Description du contenu de l'enseignement :
1. Approche quantitative descriptive
Performance du panel
Profil sensoriel d’un ensemble de stimuli
2. Approche qualitative
Description d’un ensemble de stimuli par des données textuelles
Tâche de tri
Napping
3. Approche affective
Étude des jugements hédoniques
Cartographie des préférencesEnseignant responsable :
- SEBASTIEN LE
-
Analyse multivariée avec R
Analyse multivariée avec R
Ects : 3
Volume horaire : 15
Compétence à acquérir :
Maîtrise du langage R et mise en oeuvre de techniques de sciences de données.
Description du contenu de l'enseignement :
- Logiciel R : gestion des données, représentations graphique, packages adaptés pour l'analyse des données ;
- Méthodes de réduction de dimension (ACP, t-SNE, ACM) ;
- Méthodes de partitionnement (segmentation robuste) ;
- Market Basket Analysis (Exploration de données et construction de règles) ;
- Réseaux de neurones (utilisation du package Keras).Enseignant responsable :
- DIDIER JEANNEL
-
Data mining pour la relation client et marketing
Data mining pour la relation client et marketing
Ects : 3
Volume horaire : 21
Compétence à acquérir :
Illustrer les applications du Data Mining dans les entreprises.
Description du contenu de l'enseignement :
- Positionnement du Data Mining
Structure des systèmes d’information (entrepôt de données), enjeux du Data Mining
- Cartographie des technologies de Data Mining
Statistiques et Data Mining, domaines d’applications du Data Mining
- Processus de réalisationEnseignant responsable :
- FABRICE SIMON
- MATTHIEU POURBAIX
-
Méthodes de classification
Méthodes de classification
Ects : 3
Volume horaire : 30
Compétence à acquérir :
Donner un sens théorique et pratique du Data Mining.
Description du contenu de l'enseignement :
- Partitionnement et Classification hiérarchique. Méthodes de la Classification Hiérarchique (Classification Hiérarchique Descendante, Classification Ascendante Hiérarchique, liens avec les ultramétriques, formule de Lance et Williams, voisins réciproques), Méthode de k-means et variantes (convergence de l'algorithme, version "batch", algorithmes d'échange).
- Modèles de mélange et Classification non supervisée
- Approche réseaux de neurones : méthode du perceptron (propriétés mathématiques et limites), algorithme de rétropropagation (propriétés d'approximateur universel). Estimation du taux de classement, validation et mesure de la capacité de généralisation des méthodes de classement : présentation de quelques exemples.
- Fonction noyau - Machines à Support Vecteur
- Bagging, Forêts aléatoires, BoostingEnseignant responsable :
- PATRICE BERTRAND
-
Machine Learning avec Python
Machine Learning avec Python
Ects : 3
Volume horaire : 15
Compétence à acquérir :
Introduction au Machine Learning par l’étude de cas réelles en python.
Description du contenu de l'enseignement :
1. Algorithme de Machine Learning, library scikit-learn :
- Random Forest, Gradient Boosting trees
- Support Vector machine (SVM)
- Régression logistique
- Réseau de neurones
2. Métriques pour les modèles :
- Matrice de confusion
- F-score, courbe ROC, score AUC
- GridSearchCv
3. Library Keras : Introduction au Deep Learning
- Réseau de neuronne LSTMEnseignant responsable :
- FABIEN DUPUIS
Formation année universitaire 2021 - 2022 - sous réserve de modification
Modalités pédagogiques
La formation démarre en septembre, dont la majorité des enseignements ont lieu entre octobre et avril.
Les enseignements sont organisés en semestre 3 et 4. Chaque semestre est constitué d'un bloc fondamental et d'un bloc complémentaire "Voie Finance" ou "Voie Apprentissage statistique et sciences des données", auxquels s'ajoute une UE stage pour le semestre 4 suivant la répartition donnée. La présence en cours est obligatoire. Des absences injustifiées à un enseignement peuvent être sanctionnées par la note 0/20.
La note de première session d'une UE est obtenue par pondération entre des notes de contrôle continu, de projets, d'examens partiels et terminaux. La note de contrôle continu peut faire intervenir plusieurs éléments : projets, devoirs, interrogations écrites ou orales, note de participation, assiduité... Toute UE pour laquelle l'étudiants a obtenu une note finale supérieure ou égale à 10/20 est définitivement acquise ainsi que les ECTS associés.
Un semestre est définitivement acquis (ainsi que les ECTS associés) si toutes les conditions suivantes sont vérifiées :
- Il est constitué d'au moins 30 ECTS et sa note finale est supérieure ou égales à 10/20
- La note finale de chaque UE composant le semestre est supérieure ou égale à 7/20
- La note finale de l'UE stage pour la validation du semestre 4 est supérieure ou égale à 12/20
La validation d'une année entraîne la validation de chacun des deux semestres et de toutes les UE les composant ainsi que de tous les ECTS associés.
Le diplôme de 2ème année de Master mention Mathématiques et Applications parcours Ingénierie Statistique et Financière est délivré aux étudiants satisfaisant aux conditions suivantes :
- Elle est constituée d'au moins 60 ECTS et la note finale de l'année est supérieure ou égale à 10/20
- La note finale de chaque UE composant l'année est supérieure ou égale à 7/20
- La note du stage pour la validation du semestre 4 est supérieure ou égale à 12/20
UE obligatoires
-
Processus Stochastiques
Processus Stochastiques
Ects : 3
Volume horaire : 30
Compétence à acquérir :
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
Mode de contrôle des connaissances :
Examen
Pré-requis recommandés :
Notions de: processus stochastique, filtrations, martingales ; Notion de: équation différentielle, équation aux dérivées partielles
Pré-requis obligatoires :
Calcul de probabilités (bases de la théorie de la mesure, notion d'espérance conditionnelle, modes de convergence des variables aléatoires)
Description du contenu de l'enseignement :
1. Intégrale stochastique
2. EDS et théorèmes de représentation
3. EDSR et théorèmes de représentation
4. Application au contrôle stochastiqueEnseignant responsable :
- IMEN BEN TAHAR
-
Modélisation stochastique du Risque de Crédit
Modélisation stochastique du Risque de Crédit
Ects : 2
Volume horaire : 21
Compétence à acquérir :
Le but de ce cours est l’étude des deux catégories usuelles de modèles dynamiques qui ont été développées pour quantifier le risque de crédit. Il s’agit des modèles structurels et des modèles à forme réduite. Pour chacun d’entre eux, on développera les outils mathématiques nécessaires (calcul stochastique, temps d’arrêt et processus à sauts) et on apprendra à les implémenter sur Python.
Mode de contrôle des connaissances :
Examen final.
Pré-requis recommandés :
Bon niveau master 1 en mathématiques
Pré-requis obligatoires :
Formation en calcul stochastique.
Description du contenu de l'enseignement :
1. Modèles structurels qui font intervenir la dynamique de la valeur de la firme dans la définition de son défaut.
2. Modèles à forme réduite qui modélisent directement le temps de défaut sans passer par la valeur de la firme, qui dans beaucoup de cas n’est pas facilement observable. Afin de bien traiter les différents modèles, on utilisera des outils mathématiques venant du calcul stochastique pour processus à sauts, qui vont être présentés au début du cours.Enseignant responsable :
- EMMANUEL LEPINETTE
-
Introduction à l'assurance vie et non vie
Introduction à l'assurance vie et non vie
Ects : 2
Volume horaire : 21
Compétence à acquérir :
Présenter les principaux modèles de l’assurance vie et non vie.
Description du contenu de l'enseignement :
1. Définir les termes et les acteurs d’une opération d’assurance
2. Donner des éléments statistiques sur le secteur de l’assurance
3. Rappeler des éléments de probabilité et de mathématiques financières
4. Déterminer la tarification des engagements vie et non vie
5. Exposer les formes de garanties proposées en vie et en non vie
6. Calculer les engagements techniques des contrats d'assurance
7. Étudier la gestion du risque au niveau de l’organisme assureur
8. Donner des notions de comptabilité et de réglementation propre à l'assurance
9. Présenter les principes de la réassurance
10. Étudier la notion de solvabilité d’un organisme assureur et quelques éléments prudentielsEnseignant responsable :
- MICHEL GERMAIN
-
Solvabilité II
Solvabilité II
Ects : 2
Volume horaire : 15
Compétence à acquérir :
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.
Description du contenu de l'enseignement :
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 risquesEnseignant responsable :
- LOUIS-ANSELME DE LAMAZE
-
Méthodologie en gestion globale des Risques : Var
Méthodologie en gestion globale des Risques : Var
Ects : 2
Volume horaire : 21
Compétence à acquérir :
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.
Description du contenu de l'enseignement :
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 extrêmesEnseignant responsable :
- DENIS BERTIN
-
Anglais des affaires
Anglais des affaires
Ects : 2
Volume horaire : 21
Compétence à acquérir :
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.
Description du contenu de l'enseignement :
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.Enseignant responsable :
- CATHERINE PIOLA
-
Culture Financière et pratique de Bloomberg
Culture Financière et pratique de Bloomberg
Ects : 2
Volume horaire : 18
Compétence à acquérir :
Connaitre les principales notions de corporate finance, analyser des données financières sur Bloomberg, faire un mini projet en gestion de portefeuille
Description du contenu de l'enseignement :
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 portefeuilleEnseignant responsable :
- CHLOE RABANEL
- PIERRE BRUGIERE
- DENIS BERTIN
-
Analyse de données et scoring
Analyse de données et scoring
Ects : 3
Volume horaire : 30
Compétence à acquérir :
Ce cours étudie les méthodes d’analyse des données et ses applications en scoring. L’ensemble de ces méthodes enseignées est illustré par des démonstrations du logiciel R sur des jeux de données réels. Maîtriser la théorie des techniques de scoring.
Description du contenu de l'enseignement :
1. Rappels et compléments sur l’Analyse Factorielle d’un nuage de points (ACP), l’Analyse des Correspondances (AFC), l’Analyse des Correspondances Multiples (ACM).
2. Généralités sur les techniques de Scoring. Analyse Discriminante (AD) : Analyse factorielle discriminante, Analyse discriminante décisionnelle, Cas de deux groupes, Multicolinéarité, Analyse discriminante sur variables qualitatives (méthode DISQUAL, Analyse discriminante barycentrique), Analyse Discriminante Bayésienne dans le cas gaussien.
3. Méthodes de validation : Validation croisée et courbe ROC.
4. Régression logistique : Modélisation, Estimation des coefficients par le Maximum de Vraisemblance. Tests. Régression pas à pas.
5. Arbres de décision.
L'ensemble de ces méthodes enseignéess est illustré par des démonstrations du logiciel R sur des jeux de données réel (principalement ACP, AFC, ACM, AD linéaire et quadratique, Régression logistique).Enseignant responsable :
- PATRICE BERTRAND
-
Méthodes pour les modèles de régression
Méthodes pour les modèles de régression
Ects : 3
Volume horaire : 21
Compétence à acquérir :
Décrire et manipuler les méthodes modernes les plus classiques de la régression afin de fournir un bagage statistique solide aux étudiants.
Description du contenu de l'enseignement :
- Rappels sur le modèle et la régression linéaire,
- Limitations de la régression usuelle,
- Régression pas à pas,
- Choix de modèles (Méthodes ascendantes et descendantes, AIC et BIC)
- Régression par moindres carrés pénalisés (estimateurs bridge et lasso)
- Modèles linéaire généralisés
- Régression Poissonienne
- Modèles logit/probit
- Régression non-linéaire (polynômes locaux, ondelettes)
- Régression PLS et CARTEnseignant responsable :
- KATIA MULLER MEZIANI
-
Introduction au Machine learning 1
Introduction au Machine learning 1
Ects : 2
Volume horaire : 18
Compétence à acquérir :
Comprendre comment utiliser les Supports Vectors Machines pour l'apprentissage supervisé et non supervisé. Quelques application des méthodes de regressions pénalisées
Mode de contrôle des connaissances :
Examen
Pré-requis recommandés :
Algèbre linéaire, calcul différentiel et optimisation au niveau M1
Pré-requis obligatoires :
Algèbre linéaire et calcul différentiel
Description du contenu de l'enseignement :
Bibliographie, lectures recommandées
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.
[1] Pierre Brugiere: https ://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
Enseignant responsable :
- PIERRE BRUGIERE
-
Python
Python
Ects : 2
Volume horaire : 15
Compétence à acquérir :
Initiation à Python
Description du contenu de l'enseignement :
Apprendre à utiliser le langage Python. Réaliser un mini projet en PythonEnseignant responsable :
- Pierre LANCIEN
-
Application de Python
Application de Python
Ects : 2
Volume horaire : 18
Compétence à acquérir :
Se familiariser à l’utilisation de Python en machine learning
Description du contenu de l'enseignement :
Étudier plusieurs exemples d’utilisation de Python en machine learning :
- Librairies Scikit-Learn et Tensor Flow
- Knowledge Graphs
- Deep LearningEnseignant responsable :
- AURELIEN GERON
-
SAS et R
SAS et R
Ects : 2
Volume horaire : 18
Compétence à acquérir :
Initiation à SAS et R
Description du contenu de l'enseignement :
Apprendre à utiliser SAS et R. Réaliser un mini projet en SAS ou R.Enseignant responsable :
- CLAIRE UTIEL
-
Conduite de projet et Mémoire
Conduite de projet et Mémoire
Ects : 15
Volume horaire : 18
Compétence à acquérir :
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
Description du contenu de l'enseignement :
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’apprentissageEnseignant responsable :
- PIERRE BRUGIERE
- OLIVIER SOUSSAN
UE obligatoires
-
Modélisation stochastique de la courbe de taux
Modélisation stochastique de la courbe de taux
Ects : 2
Volume horaire : 21
Compétence à acquérir :
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.
Description du contenu de l'enseignement :
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 stochastiqueEnseignant responsable :
- GABRIEL TURINICI
-
Méthodes actuarielles
Méthodes actuarielles
Ects : 3
Volume horaire : 21
Compétence à acquérir :
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.
Description du contenu de l'enseignement :
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)Enseignant responsable :
- STEPHANE PRIAULET
-
Introduction à la réglementation
Introduction à la réglementation
Ects : 2
Volume horaire : 24
Compétence à acquérir :
Sensibiliser par le prisme de la règlementation financière, les étudiants aux enjeux stratégiques liés à l’évaluation et à l’encadrement des risques auxquels les Banques et les Entreprises d’Assurances sont exposées dans l’exercice de leurs fonctions économiques.
Description du contenu de l'enseignement :
1. Les autorités de tutelles et leurs missions
2. La typologie et l’agrément des opérateurs financiers
3. La gestion de la relation clients
4. Les règles d’organisation et de fonctionnement des marchés de capitaux
Dans un second temps, nous examinerons les risques susceptibles d’affecter directement la solvabilité des établissements financiers à travers la présentation du cadre prudentiel applicable, respectivement, aux banques et organismes d’assurances, soit :
1. Les normes Bâle II & III et modélisation du risque de crédit
2. La directive Solvabilité 2 et la modélisation des risques de souscriptionEnseignant responsable :
- ARNAUD SCUDERONI
-
Pratique des options
Pratique des options
Ects : 2
Volume horaire : 15
Compétence à acquérir :
- 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
Description du contenu de l'enseignement :
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 grecquesEnseignant responsable :
- BERTRAND FAUCHER
-
Introduction au Machine learning 2
Introduction au Machine learning 2
Ects : 2
Volume horaire : 15
Compétence à acquérir :
- Comprendre les enjeux du machine learning
- Connaitre les principaux algorithmes et leurs limites
- Apprendre à mettre en œuvre les méthodes
- Sélectionner les méthodes en fonction des problématiques posées
- Interpréter et comparer
Description du contenu de l'enseignement :
1. Régressions pénalisées
2. Régression et classification par arbres
3. Régressions multivariées par salines adaptatives
4. Réseaux de neurones, deep learning
5. Agrégation de modèles (bagging, forêts aléatoires, gradient boosting)Enseignant responsable :
- DIDIER JEANNEL
-
Conférences
Conférences
Volume horaire : 24
Compétence à acquérir :
Un cycle de conférences permet aux étudiants de découvrir de nombreux domaines d’applications.
Description du contenu de l'enseignement :
Les années précédentes, de nombreuses conférences ont été organisées, par exemple :
- Asset Management et Solvency II
- Mesurer et maximiser la valeur pour l’actionnaire
- Produits structurés et Dérivés Actions
- Fonds spéculatifs
- Machine learning
- Crypto-Monnaies
UE complémentaires voie QRF
-
Approches déterministes et stochastique pour l'évaluation d'options
Approches déterministes et stochastique pour l'évaluation d'options
Ects : 2
Volume horaire : 21
Compétence à acquérir :
Théorie et pratique des options au délà du cadre vanille.
Description du contenu de l'enseignement :
Rappels du cadre classique: probabilité historique (gestion de portefeuille), portefeuilles optimaux, beta, arbitrage, APT
Valuation de produits dérivés et probabilité risque neutre
Trading de volatilité, volatilité locale et calibration, formule de Dupire
Assurance du portefeuille, options exotiques ou cachées: stop-loss, options, CPPIs, Constant-Mix, ETF short (beta slippage), etc.Enseignant responsable :
- GABRIEL TURINICI
- WAFA MHIRI
-
Instruments de Crédit et CDOs
Instruments de Crédit et CDOs
Ects : 2
Volume horaire : 21
Compétence à acquérir :
Présenter les méthodes de modélisation de la corrélation du risque de défaut pour l’évaluation des collateralized debt obligations
Description du contenu de l'enseignement :
1. Le risque de défaut
- Fonctionnement des dérivés de crédit
- Évaluation par arbitrage
- Modèles structurels
- Modèles à intensités
2. Les CDOs
- CDOs et risque de corrélation
- Construction de la corrélation dans les modèles structurels
- Construction de la corrélation dans les modèles à intensités - processus de Cox
- Construction de la corrélation par contagion - modèle de Moody’s
- Interprétation des résultats : distance to default, score de diversité
3/ Les copulas
- Copulas et structures de corrélations
- Copulas gaussiennes
- Limite des copulasEnseignant responsable :
- PIERRE BRUGIERE
UE complémentaires voie Modélisation et Big Data
-
Data mining pour la relation client et marketing
Data mining pour la relation client et marketing
Ects : 3
Volume horaire : 21
Compétence à acquérir :
Illustrer les applications du Data Mining dans les entreprises.
Description du contenu de l'enseignement :
- Positionnement du Data Mining
Structure des systèmes d’information (entrepôt de données), enjeux du Data Mining
- Cartographie des technologies de Data Mining
Statistiques et Data Mining, domaines d’applications du Data Mining
- Processus de réalisationEnseignant responsable :
- FABRICE SIMON
- MATTHIEU POURBAIX
-
Pratique du Machine Learning
Pratique du Machine Learning
Ects : 2
Volume horaire : 21
Compétence à acquérir :
Pratiquer les algorithmes de Machine Learning dans des études de cas.
Description du contenu de l'enseignement :
1. Classification
- Non-supervisée
- Supervisée
2. Introduction aux réseaux de neuronesEnseignant responsable :
- SOPHIE LARUELLE
Formation année universitaire 2021 - 2022 - sous réserve de modification
Modalités pédagogiques
La formation démarre en septembre. Le rythme d'alternance est de 3 jours en entreprise et 2 jours à l'université.
Les enseignements sont organisés en semestres 3 et 4. Le semestre 3 est constitué d'UE fondamentales et le semestre 4 est constitué d'UE fondamentales et d'UE complémentaires voie "Quantification des Risques Financiers (QRF)" ou voie "Modélisation et Big Data (MBD)" auquel s'ajoute une note bloc "Conduite de projet et mémoire".
Les enseignements du bloc "Conférence" consistent en des conférences dispensées par des intervenant de l'Université ou exterieurs. Le responsable pédagogique du parcours évalue l'assiduité et la participation à ces conférences et décide du résultat "validé" ou "non-validé" pour ce bloc. La validation peut se faire à l'aide d'un Quizz. Le bloc Conférences dont la note finale est supérieures ou égale à 12/20 est définitivement acquis.
La formation donne droit à l'obtention du Certificat de Spécialisation en "Gestion des risques financiers (QRF), qui vient s'ajouter au diplôme principal. L'objectif de ce sertificat est de reconnaître des compétences ciblées en matière de Gestion de Risques en Finance et Assurance.
Les étudiants admis au Master sont inscrits de droit au Certificats.
Le certificat de spécialisation en Gestion de Risques Financiers est délivré aux étudiants satisfaisant aux conditions suivantes :
- La moyenne est supérieure ou égale à 10/20
- La note finale des enseignements "Méthodes actuarielles" " Méthodologie en gestion globale des risques : VaR" est supérieure ou égale à 12/20
- Le bloc "Conférences" est validé
- Le bloc "Stage" est validé
Le ISF en apprentissage offre la possibilité de suivre le DU de préparation au titre de "Chartered Financial Analyst". Les cours se tiennent les samedis matins de mi-octobre à fin mars. La formation, payante, est réalisée par des professionnels titulaires du CFA.
La note de première session d'une UE est obtenue par pondération entre des notes de contrôle continu, de projets, d'examens partiels, et terminaux. La note de contrôle continu peut faire intervenir plusieurs éléments : projets, devoirs, interrogations écrites ou orales, note de participation, assiduité... Toute UE pour laquelle l'étudiant a obtenu une note finale supérieure ou égale à 10/20 est définitivement acquise ainsi que les ECTS associés.
La validation d'une année entraîne la validation de chacun des deux semestres et de toutes les UE les composant ainsi que de tous les ECTS associés. Une année est définitivement acquise (ainsi que les 60 ECTS associés) si toutes les conditions suivantes sont vérifiées :
- Elle est constituée d'au moins 60 ECTS et la note finale de l'année est supérieure ou égale à 10/20
- La note finale de chaque semestre de l’année est supérieure ou égale à 10/20
- La note finale de chaque UE de chaque semestre de l’année est supérieure ou égale à 7/20
- La note CPM pour la validation du semestre 4 est supérieure ou égale à 12/20
- Le bloc conférences est validé
Stages et projets tutorés
Stage obligatoire de 5 mois minimum.
Des programmes nourris par la recherche
Les formations sont construites au contact des programmes de recherche de niveau international de Dauphine, qui leur assure exigence et innovation.
La recherche est organisée autour de 6 disciplines toutes centrées sur les sciences des organisations et de la décision.
En savoir plus sur la recherche à Dauphine