L'année de formation
UE obligatoires
- Introduction à Python pour la Data Science
Introduction à Python pour la Data Science
Ects : 3
Enseignant responsable :
FABIEN DUPUISVolume horaire : 18
Description du contenu de l'enseignement :
- Structure numérique en python
- dataframe pandas
- SVM
- Méthode d'ensemble : random forest et gradient boosting tree
Compétences à acquérir :
• 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.
Mode de contrôle des connaissances :
Projet
- Méthodes pour les modèles de régression
Méthodes pour les modèles de régression
Ects : 3
Enseignant responsable :
KATIA MULLER MEZIANIVolume horaire : 21
Description du contenu de l'enseignement :
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).
Compétences à acquérir :
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.
Mode de contrôle des connaissances :
Examen
- Analyse de données et scoring
Analyse de données et scoring
Ects : 3
Enseignant responsable :
PATRICE BERTRANDVolume horaire : 30
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).
Compétences 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.
Mode de contrôle des connaissances :
Examen
Bibliographie-lectures recommandées
1. Bardos, M. (2001), Analyse discriminante. Application au risque financier, 232 pages, Du- nod.
2. Benzecri, J.-P. (1980) Pratique de l’analyse des données. Dunod. Paris.
3. Breiman,L., Friedman, J.H.,Olshen,R., and Stone,C.J., 1984. Classification and Regression Trees, Wadsworth & Brooks/Cole Advanced Books & Software, Pacific California.
4. Celeux, G., Ed. (1990), Analyse discriminante sur variables continues, 194 pages, INRIA.
5. Celeux, G., Nakache, J.P. (1994), Analyse discriminante sur variables qualitatives, 280 pages, Polytechnica.
6. Hastie, T., Tibshirani, R., Friedman, J. (2009) The Elements of Statistical Learning : Data Mining, Inference, and Prediction, Second Edition, Springer Series in Statistics.
7. Hosmer,D.W.,Lemeshow,S. (1989) Applied Logistic Regression, John Wiley Son, Inc, New York.
8. Husson, F., Lê, S., Pagès, J. (2009) Analyse de données avec R. Presses Universitaires de Rennes
9. Lebart, L., Piron, M. , Morineau, A. 2006 (4ème edition, refondue) Statistique Exploratoire Multidimensionnelle, 480 pages, Dunod.
10. Nakache, J.P., Confais, J. (2003), Statistique explicative appliquée : Analyse discriminante, Modèle logistique, Segmentation par arbre, 294 pages, Technip.
11. Quinlan, J.R. (1993) C4.5 Programs for Machine Learning. Morgan Kaufmann, San Mateo, California.
12. Saporta, G. (2006), Probabilités, Analyse des donne ´es et Statistique, 656 pages, Technip.
- Introduction aux méthodes mathématiques de l'assurance
Introduction aux méthodes mathématiques de l'assurance
Ects : 3
Enseignant responsable :
CHARLOTTE KAULT
NIOUSHA SHAHIDIVolume horaire : 21
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.
- Contrat d'assurance et le risque : le comportement face au risque (dominance stochastique), la demande d'assurance et l'asymétrie d'information.
Compétences à acquérir :
Présentation générale de l’assurance, des mécanismes statistiques de l’assurance dommage et des méthodes mathématiques de l’assurance vie.
Modéliser le comportement face au risque et determiner le contrat optimal en assurance.
Mode de contrôle des connaissances :
Examen
Bibliographie-lectures recommandées
1. Bien, F. et Lanzi, T. (2015), Microéconomie Risque, finance, assurance, Pearson, France.
2. Eeckhoudt, Louis, Gollier, Christian and Schlesinger, Harris. (2011), Economic and Financial Decisions under Risk, Princeton : Princeton University Press, 2011.
3. Henriet, D. et Rochet, J-C (1995), Microéconomie de l'assurance, Economica, Paris. 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.
4. Shahidi N. (2009), “Competitive equilibrium in insurance markets under adverse selection and non-expected utility“, The Journal of risk, Vol. 12, n°1, Fall, pp. 79-94.
- Processus stochastique et EDP
Processus stochastique et EDP
Ects : 3
Enseignant responsable :
IMEN BEN TAHARVolume horaire : 30
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 Merton
Compétences 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.
Connaitre les bases du calcul stochastique ainsi que leur lien avec les équations dérivées partielles.
Mode de contrôle des connaissances :
Examen
- Conduite de projet de communication
Conduite de projet de communication
Ects : 2
Volume horaire : 21
Description du contenu de l'enseignement :
Ce cours permet l’acquisition et la mise en pratique des outils principaux de gestion du changement organisationnel d’entreprise et la communication professionnelle.
L’apprentissage des fondamentaux de la communication professionnelle et l’acquisition de la vision projet sont les éléments centraux de ce cours qui apportera aux étudiants les approches, structures, méthodes et outils de création, réalisation, suivi et analyse à posteriori d’un projet d’organisation de projet.
Compétences à acquérir :
- Mise en situation de conduite d’un projet de communication à partir des besoins du master ISF classique.
- Savoir définir, organiser et chiffrer un projet.
- Savoir appliquer une méthode de gestion de projet.
- Connaître les principes de la communication interne des entreprises.
- Gérer des situations de communcation professionnelle complexes.
- Prise de parole en public
- Création de projet
- Savoir travailler en équipe
Mode de contrôle des connaissances :
Projets
Soutenance
- Gestion des risques et construction de portefeuille
Gestion des risques et construction de portefeuille
Ects : 3
Enseignant responsable :
GABRIEL TURINICIVolume horaire : 21
Description du contenu de l'enseignement :
L'objectif de ce cours est de faire découvrir ce qu'est un portefeuille d'actifs ainsi que les méthodes de couverture du risque lié à ce portefeuille.
Rappels du cadre classique:
- Critère moyenne-variance
- Markowitz
- 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
En fonction du temps: introduction a` l’allocation tactique a` travers l’analyse et les indicateurs techniques
Compétences à acquérir :
Maîtriser les méthodes de couverture du risque lié à un portefeuille d’actifs à travers des exemples.
Mode de contrôle des connaissances :
Examen
Bibliographie-lectures recommandées
la
- Anglais
Anglais
Ects : 3
Enseignant responsable :
CATHERINE PIOLAVolume horaire : 24
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.
Compétences à acquérir :
Donner les outils linguistiques nécessaires à l'insertion professionnelle dans un contexte de plus en plus international.
Maîtrise des outils linguistiques.
Mode de contrôle des connaissances :
CC + Examen
UE complémentaires "voie finance"
- Modèles de taux d'intérêt
Modèles de taux d'intérêt
Ects : 2
Enseignant responsable :
SANDRINE HENONVolume horaire : 21
Description du contenu de l'enseignement :
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. 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'Heston
Pré-requis obligatoire :
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.
Compétences 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.
- Initiation à VBA pour Excel
Initiation à VBA pour Excel
Ects : 2
Enseignant responsable :
David BEAUDOINVolume horaire : 15
Description du contenu de l'enseignement :
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
Compétences à acquérir :
Maîtrise des compétences de bases de Excel et VBA.
Mode de contrôle des connaissances :
Examen
UE complémentaire "voie science des données"
- Théorie des sondages
Théorie des sondages
Ects : 3
Enseignant responsable :
FABIEN GUGGEMOSVolume horaire : 21
Description du contenu de l'enseignement :
L’objectif de ce cours est la découverte des méthodes d’échantillonnage, d’estimation et de redressement à partir de données de sondage.
- 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.
Compétences à acquérir :
Apprentissage des différentes méthodes d’échantillonnage, d’estimation et de redressement à partir de données de sondage.
Mode de contrôle des connaissances :
Examen
- Bases de données
Bases de données
Ects : 3
Enseignant responsable :
ELSA NEGRE
MAUDE MANOUVRIER
KHALID BELHAJJAMEVolume horaire : 39
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.
Compétences 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
UE obligatoires
- Trouver son poste sur le marché
Trouver son poste sur le marché
Enseignant responsable :
GEOFFROY DELIONVolume horaire : 6
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…).
Compétences 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.
Avoir connaissance des métiers accessibles sur le marché à la suite de ce Master et être capable de construire un projet de carrière personnel.
- Data mining avec SAS
Data mining avec SAS
Ects : 3
Enseignant responsable :
THIERRY CEMBRZYNSKIVolume horaire : 18
Description du contenu de l'enseignement :
L'objectif de ce cours est de découvrir et de se familiariser avec le logiciel SAS.
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.
Compétences à acquérir :
Maîtrise du logiciel SAS.
UE complémentaire "voie finance"
- Calibration de Modèles
Calibration de Modèles
Ects : 3
Enseignant responsable :
OLIVIER FERONVolume horaire : 18
Description du contenu de l'enseignement :
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)
Compétences 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
Mode de contrôle des connaissances :
Examen
Bibliographie-lectures recommandées
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 : 3
Enseignant responsable :
EMMANUEL LEPINETTEVolume horaire : 21
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.
Compétences 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.
Bibliographie-lectures recommandées
- 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
Enseignant responsable :
LAURENT TURVolume horaire : 21
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.
Compétences à acquérir :
Présentation succincte des principales méthodes numériques utilisées en finance pour l'évaluation des produits dérivés.
Connaitre les principales méthodes numériques utilisées pour l’évaluation des produits dérivés.
- Risque de crédit
Risque de crédit
Ects : 3
Enseignant responsable :
FLORENT OMNES
RODOLPHE LELEUVolume horaire : 21
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).
Compétences à acquérir :
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.
- C++
C++
Ects : 3
Enseignant responsable :
DENIS CORNAZVolume horaire : 21
Description du contenu de l'enseignement :
Maitriser les techniques de base du C++. Technique du code en interaction avec d'autres programmeurs
• Mécanismes de bases du C++ : fonctions, pointeurs, références, références constantes
• Mécanismes de l'abstraction : namespace, struct, class, virtual
• Paradigmes supportés : procédural, modulaire, abstraction, objet, généricité
Pré-requis recommandés :
Connaître plusieurs langages informatiques, les concepts de base de l'algorithmique (test, boucles).
Pré-requis obligatoire :
Mathématique et algorithmique de base.
Compétences à acquérir :
Maîtrise d'un langage insdispensable pour de nombreuses applications financières.
Mode de contrôle des connaissances :
Examen écrit.
Bibliographie-lectures recommandées
Le langage C++, Bjarne Stroustrup (on pourra consulter www.stroustrup.com/C++.html)
- Deep learning avec Python
Deep learning avec Python
Ects : 3
Enseignant responsable :
FABIEN DUPUISVolume horaire : 21
Description du contenu de l'enseignement :
• Réseau de neurone dense avec tensorflow.keras :
• Application sur des données structurées et des images et des données simulées.
• Principe de couche : couche dense, couche dropout, couche de batchnormalisation, couche de convolution
• Explosion du gradient et annulation du gradient • forward and backward propagation
• Word embedding
• Réseau de neurone récurrent RNN:
• Différent type de RNN : LSTM GRU, RNN
• Explosion du gradient dans le cadre des RNN classique.
• Propagation inverse à travers le temps
• Exemple d'utilisation de LSTM en text mining et pour la prédiction de série temporel
• Les transformers
• Model bert à partir de tensorflow.hub
• Les dataset hugging face
• Model BERT à partir de hugging face
• Fine-tuning de models pré entraînés hugging face
Compétences à acquérir :
Appliquer de model de deep learning sur des données structurées (fichier csv,json) et non structurées (image, text)
• Maîtriser la librairie tensorflow.keras et la libraire transformers
• Utiliser des modèles pré entraînées via tensorflow_hub et huggingface
• Maitriser du deep learning avec Python.
Mode de contrôle des connaissances :
Projet
UE complémentaire "voie sciences des données"
- Data project
Data project
Ects : 3
Enseignant responsable :
KATIA MULLER MEZIANI
ROBIN RYDERDescription du contenu de l'enseignement :
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.
Compétences à acquérir :
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.
Mode de contrôle des connaissances :
Projet
- Analyse multivariée avec R
Analyse multivariée avec R
Ects : 3
Enseignant responsable :
DIDIER JEANNELVolume horaire : 15
Description du contenu de l'enseignement :
L’objectif de ce cours est d’initier au langage R et de se familiariser avec les techniques de sciences de données.
- 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).
Compétences à acquérir :
Maîtrise du langage R et mise en oeuvre de techniques de sciences de données.
Mode de contrôle des connaissances :
Projet
- Data Science for Business
Data Science for Business
- Méthodes de classification
Méthodes de classification
Ects : 3
Enseignant responsable :
PATRICE BERTRANDVolume horaire : 30
Description du contenu de l'enseignement :
L’objectif de ce cours est de présenter aux étudiants des connaissances fondamentales, tant théoriques que pratiques, sur l’ensemble des méthodes de classification.
- 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, Boosting
Compétences à acquérir :
Donner un sens théorique et pratique du Data Mining.
Mode de contrôle des connaissances :
Examen
- Machine & Deep Learning avec Python
Machine & Deep Learning avec Python
Ects : 3
Enseignant responsable :
FABIEN DUPUISVolume horaire : 15
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 LSTM
Compétences à acquérir :
Introduction au Machine Learning par l’étude de cas réelles en python.
- Surêté de fonctionnement
Surêté de fonctionnement
Ects : 3
Enseignant responsable :
MOHAMMED SALLAKVolume horaire : 15
Description du contenu de l'enseignement :
Introduction aux méthodes statistiques de contrôle de qualité et de fiabilité pour l’industrie.
Sûreté de fonctionnement :
- Généralités.
- Traitement des données de fiabilités (fiabilité expérimentale et opérationnelle).
- Fiabilité des systèmes.
- Fiabilité et disponibilité des systèmes réparables.
Compétences à acquérir :
Connaissances méthodes statistiques de contrôle de qualité et de fiabilité pour l’industrie.
Mode de contrôle des connaissances :
Examen
Formation année universitaire 2022 - 2023 - sous réserve de modification
Modalités pédagogiques
Les études ont une durée d’un an. Le master comporte 400 heures d’enseignement environ, comptant pour 48 ECTS, et un stage obligatoire en entreprise d’une durée minimale de 3 mois, comptant pour 12 ECTS.
Le bloc d’enseignements de tronc commun comporte 9 cours, les blocs optionnel « Science des données » et « Finance » comportent chacun 8 cours. La durée standard d’un enseignement est 21 heures, mais certains cours peuvent avoir une durée supérieure ou inférieure. Certains enseignements peuvent être assurés par plusieurs enseignants ou faire appel a` des conférenciers.
Les horaires et salles sont affichées sur le panneau réservé au parcours ISF, dans le couloir du secrétariat du Département MIDO. Ce panneau est également utilisé pour diffuser les informations relatives a` la vie du master : modification de salle ou d’horaire, venue d’un conférencier, offre de stages, etc.
L’enseignement est partagé en trois blocs :
Un bloc d’enseignements de tronc commun obligatoires de 220 heures environ.
Un bloc d’enseignements optionnels « science des données ».
Un bloc d’enseignements optionnels « finance ».
LA VOIE SCIENCE DES DONNEES est composée du bloc d’enseignements de tronc commun obligatoires, comptant pour 25 ECTS et des enseignements du bloc optionnel « science des données » comptant pour 23 ECTS.
LA VOIE FINANCE est composée du bloc d’enseignements de tronc commun obligatoires, comptant pour 25 ECTS et des enseignements du bloc optionnel « finance » comptant pour 23 ECTS.
Selon les conditions de leur admission, les étudiants peuvent avoir l’obligation de suivre et valider des enseignements de troisième année de Licence MIDO ou de première année de master MIDO de l’Université Paris Dauphine - PSL, ou au contraire peuvent obtenir des équivalences. Les étudiants salariés admis dans le parcours ont la possibilité d’effectuer leur cursus en deux ans. La moitié des enseignements est commune avec le parcours Actuariat et/ou avec le parcours apprentissage du master ISF du département MIDO. Les intervenants sont des universitaires et des praticiens venant de l’industrie ou du secteur tertiaire. Environ la moitié du volume horaire est assurée par des professionnels.
Conditions de validation du diplôme :
Chaque enseignement donne lieu a` une note. Pour obtenir le Master 2 Ingénierie Statistique et Financière par la voie classique, l’étudiant doit :
- Obtenir 61 ECTS.
- Une moyenne supérieure ou égale a` 10 sur 20 dans le bloc des enseignements de tronc commun obligatoires donne lieu a` l’attribution de 24 ECTS.
- Une moyenne supérieure ou égale a` 10 sur 20 dans le bloc d’enseignements optionnels « Apprentissage statistique et science des données », ou dans le bloc d’enseignements optionnels « Finance », donne lieu a` l’attribution de 25 ECTS.
- Le stage est validé avec une note de 12 sur 20 minimum, et donne lieu a` l’attribution de 12 ECTS.
- Toute note inferieure a` 7 est éliminatoire.
Les modalités d’attribution des notes et de calcul des notes finales sont publiées par le Département MIDO avant la fin du premier trimestre universitaire. Tout étudiant ajourné a` la première session peut se présenter a` un examen d’appel dans chacun des enseignements ou` il n’a pas obtenu la moyenne. Dans ce cas, la note finale est celle de ce dernier examen.
UE obligatoires
- Processus Stochastiques
Processus Stochastiques
Ects : 3
Enseignant responsable :
IMEN BEN TAHARVolume horaire : 30
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 stochastique
Pré-requis recommandés :
Notions de: processus stochastique, filtrations, martingales ; Notion de: équation différentielle, équation aux dérivées partielles
Pré-requis obligatoire :
Calcul de probabilités (bases de la théorie de la mesure, notion d'espérance conditionnelle, modes de convergence des variables aléatoires)
Compétences 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
- Modélisation stochastique du Risque de Crédit
Modélisation stochastique du Risque de Crédit
Ects : 2
Enseignant responsable :
EMMANUEL LEPINETTEVolume horaire : 21
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.
Pré-requis recommandés :
Bon niveau master 1 en mathématiques
Pré-requis obligatoire :
Formation en calcul stochastique.
Compétences 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.
- Introduction à l'assurance vie et non vie
Introduction à l'assurance vie et non vie
Ects : 2
Enseignant responsable :
MICHEL GERMAINVolume horaire : 21
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 prudentiels
Compétences à acquérir :
Présenter les principaux modèles de l’assurance vie et non vie.
- Solvabilité II
Solvabilité II
Ects : 2
Enseignant responsable :
LOUIS-ANSELME DE LAMAZEVolume horaire : 15
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 risques
Compétences 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.
- Méthodologie en gestion globale des Risques : Var
Méthodologie en gestion globale des Risques : Var
Ects : 2
Enseignant responsable :
DENIS BERTINVolume horaire : 21
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 extrêmes
Compétences 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.
- Anglais des affaires
Anglais des affaires
Ects : 2
Enseignant responsable :
CATHERINE PIOLAVolume horaire : 21
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.
Compétences 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.
- Culture Financière et pratique de Bloomberg
Culture Financière et pratique de Bloomberg
Ects : 2
Enseignant responsable :
PIERRE BRUGIERE
DENIS BERTIN
CHLOE RABANELVolume horaire : 18
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 portefeuille
Compétences à acquérir :
Connaitre les principales notions de corporate finance, analyser des données financières sur Bloomberg, faire un mini projet en gestion de portefeuille
- Analyse de données et scoring
Analyse de données et scoring
Ects : 3
Enseignant responsable :
PATRICE BERTRANDVolume horaire : 30
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).
Compétences 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.
Mode de contrôle des connaissances :
Examen
Bibliographie-lectures recommandées
1. Bardos, M. (2001), Analyse discriminante. Application au risque financier, 232 pages, Du- nod.
2. Benzecri, J.-P. (1980) Pratique de l’analyse des données. Dunod. Paris.
3. Breiman,L., Friedman, J.H.,Olshen,R., and Stone,C.J., 1984. Classification and Regression Trees, Wadsworth & Brooks/Cole Advanced Books & Software, Pacific California.
4. Celeux, G., Ed. (1990), Analyse discriminante sur variables continues, 194 pages, INRIA.
5. Celeux, G., Nakache, J.P. (1994), Analyse discriminante sur variables qualitatives, 280 pages, Polytechnica.
6. Hastie, T., Tibshirani, R., Friedman, J. (2009) The Elements of Statistical Learning : Data Mining, Inference, and Prediction, Second Edition, Springer Series in Statistics.
7. Hosmer,D.W.,Lemeshow,S. (1989) Applied Logistic Regression, John Wiley Son, Inc, New York.
8. Husson, F., Lê, S., Pagès, J. (2009) Analyse de données avec R. Presses Universitaires de Rennes
9. Lebart, L., Piron, M. , Morineau, A. 2006 (4ème edition, refondue) Statistique Exploratoire Multidimensionnelle, 480 pages, Dunod.
10. Nakache, J.P., Confais, J. (2003), Statistique explicative appliquée : Analyse discriminante, Modèle logistique, Segmentation par arbre, 294 pages, Technip.
11. Quinlan, J.R. (1993) C4.5 Programs for Machine Learning. Morgan Kaufmann, San Mateo, California.
12. Saporta, G. (2006), Probabilités, Analyse des donne ´es et Statistique, 656 pages, Technip.
- Méthodes pour les modèles de régression
Méthodes pour les modèles de régression
Ects : 3
Enseignant responsable :
KATIA MULLER MEZIANIVolume horaire : 21
Description du contenu de l'enseignement :
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).
Compétences à acquérir :
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.
Mode de contrôle des connaissances :
Examen
- Introduction au Machine learning 1
Introduction au Machine learning 1
Ects : 2
Enseignant responsable :
PIERRE BRUGIEREVolume horaire : 18
Description du contenu de l'enseignement :
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.
Pré-requis recommandés :
Algèbre linéaire, calcul différentiel et optimisation au niveau M1
Pré-requis obligatoire :
Algèbre linéaire et calcul différentiel
Compétences 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
Bibliographie-lectures recommandées
[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
- Deep learning
Deep learning
- Python
Python
Ects : 2
Enseignant responsable :
Pierre LANCIENVolume horaire : 15
Description du contenu de l'enseignement :
Apprendre à utiliser le langage Python. Réaliser un mini projet en Python
Compétences à acquérir :
Initiation à Python
- Application de Python
Application de Python
Ects : 2
Enseignant responsable :
AURELIEN GERONVolume horaire : 18
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 Learning
Compétences à acquérir :
Se familiariser à l’utilisation de Python en machine learning
- R+SAS
R+SAS
Ects : 2
Enseignant responsable :
CLAIRE UTIELVolume horaire : 18
Description du contenu de l'enseignement :
Apprendre à utiliser SAS et R. Réaliser un mini projet en SAS ou R.
Compétences à acquérir :
Initiation à SAS et R
- Conduite de projet et Mémoire
Conduite de projet et Mémoire
Ects : 15
Enseignant responsable :
OLIVIER SOUSSAN
PIERRE BRUGIEREVolume horaire : 18
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’apprentissage
Compétences 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
UE obligatoires
- Modélisation stochastique de la courbe de taux
Modélisation stochastique de la courbe de taux
Ects : 2
Enseignant responsable :
GABRIEL TURINICIVolume horaire : 21
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 stochastique
Compétences 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.
- Méthodes actuarielles
Méthodes actuarielles
Ects : 3
Enseignant responsable :
STEPHANE PRIAULETVolume horaire : 21
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)
Compétences 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.
- Pratique des options
Pratique des options
Ects : 2
Enseignant responsable :
BERTRAND FAUCHERVolume horaire : 15
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 grecques
Compétences 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
- Introduction au Machine learning 2
Introduction au Machine learning 2
Ects : 2
Enseignant responsable :
DIDIER JEANNELVolume horaire : 15
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)
Compétences 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
- Pratique de la Data Science
Pratique de la Data Science
- Conférences
Conférences
Volume horaire : 24
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
Compétences à acquérir :
Un cycle de conférences permet aux étudiants de découvrir de nombreux domaines d’applications.
UE complémentaires voie QRF
- Statistiques et dynamique des produits dérivés
Statistiques et dynamique des produits dérivés
- Instruments de Crédit et CDOs
Instruments de Crédit et CDOs
Ects : 2
Enseignant responsable :
PIERRE BRUGIEREVolume horaire : 21
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 copulas
Compétences à acquérir :
Présenter les méthodes de modélisation de la corrélation du risque de défaut pour l’évaluation des collateralized debt obligations
UE complémentaires voie Modélisation et Big Data
- Data Science for Business
Data Science for Business
- Renforcement Learning
Renforcement Learning
Formation année universitaire 2022 - 2023 - 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
Le stage obligatoire en entreprise, d’une durée minimale de 3 mois, a pour objectif de :
- Développer les capacités d’adaptation, d’initiative et d’innovation dans un milieu professionnel,
- Contribuer à la formation de l’étudiant aux méthodes de résolution de problèmes en entreprise : analyse du problème, recherche de solutions, mise en œuvre informatique avec les outils de l’entreprise, communication des résultats.
Le stage peut commencer à partir du 1er avril. Il est recommandé aux étudiants de choisir un stage d’une durée supérieure à 3 mois (6 mois par exemple).
La recherche du stage incombe à l’étudiant. Le sujet doit être approuvé par le responsable pédagogique des stages de la voie dans laquelle l’étudiant est inscrit, et donne lieu à la signature d’une « convention de stage ». Le lieu du stage peut être en France ou à l’étranger. Chaque stage est suivi par un Maître de stage dans l’entreprise et évalué par un jury universitaire sur la base d’un mémoire écrit et d’une soutenance orale. Le stage n’est pas validé lorsque la note est inferieure à 12/20.
Sous réserve de l’accord du responsable du master, les étudiants salariés peuvent remplacer le stage en entreprise par un rapport d’activité professionnelle, qui est validé selon les mêmes procédures qu’un stage. Le département informe les étudiants des offres de stages qu’elle reçoit.
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