L'année de formation
UE obligatoires
- Méthodes pour les modèles de régression
Méthodes pour les modèles de régression
Ects : 3
Coefficient : Capitalisation : Non
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 lass - Analyse de données et scoring
Analyse de données et scoring
Ects : 2
Coefficient : Capitalisation : Non
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.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. 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. Régression logistique : Modélisation, Estimation des coefficients par le Maximum de Vraisemblance. Tests. Régression pas à pas.
4. Application au Scoring, courbe ROC. - Introduction aux méthodes mathématiques de l'assurance
Introduction aux méthodes mathématiques de l'assurance
Ects : 3
Coefficient : Capitalisation : Non
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 l - Processus stochastique et EDP
Processus stochastique et EDP
Ects : 3
Coefficient : Capitalisation : Non
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 Merton - Conduite de projet de communication
Conduite de projet de communication
Ects : 2
Coefficient : Capitalisation : Non
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
Coefficient : Capitalisation : Non
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
- Modèles incluant une dépendance du temps : théorie du contrôle, Merton…
- Assurance du portefeuille : stop-loss, opt - Anglais
Anglais
Ects : 3
Coefficient : Capitalisation : Non
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.
UE complémentaires "voie finance"
- Modèles de taux d'intérêt
Modèles de taux d'intérêt
Ects : 2
Coefficient : Capitalisation : Non
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.Description du contenu de l'enseignement :
Définition de 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 : taux swap, caplets et swaptions.
Modèle LGM à un facteur et BGM.
Modèles à volatilité stochastique et SABR. - Calibration de Modèles
Calibration de Modèles
Ects : 3
Coefficient : Capitalisation : Non
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 modèleDescription 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 Du - Introduction à Python
Introduction à Python
Ects : 2
Coefficient : Capitalisation : Non
Compétence à acquérir :
Maîtrise d’un langage indispensable pour de nombreuses applications financières.
UE complémentaire "voie ASSD"
- Contrôle de qualité et surêté de fonctionnement
Contrôle de qualité et surêté de fonctionnement
Ects : 3
Coefficient : Capitalisation : Non
Compétence à acquérir :
Introduction aux méthodes statistiques de contrôle de qualité et de fiabilité pour l’industrie.Description du contenu de l'enseignement :
Management de la qualité (Claude CONSTANT) :
- Le système de gestion de la qualité, outil de management de la qualité dans l’entreprise : ses enjeux, son organisation, les normes internationales ISO 9000 et l’introduction à l’assurance qualité.
- Présentation des différents outils et méthodes qualité utilisés comme des aides à la décision dans les phases de développement et de fabrication du produit.
- Le contrôle qualité à la réception des lots.
- L’analyse des moyens de production et la maîtrise statistique des processus.
- La méthodologie des plans d’expériences dans la mise au point des processus.
- Introduction à la méthodologie « Six Sigma ».
Sûreté de fonctionnement (Walter SCHÖN)
- Généralités.
- Traitement des données de fiabilité (fiabilité expérimentale et opérationnelle).
- Fiabilité des systèmes.
- Fiabilité et disponibilité des systèmes réparables. - Théorie des sondages
Théorie des sondages
Ects : 3
Coefficient : Capitalisation : Non
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 c - Bases de données
Bases de données
Ects : 3
Coefficient : Capitalisation : Non
Compétence à acquérir :
Conception d’une base de données et maîtrise du langage SQL pour Access.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.
UE obligatoires
- Initiation à VBA pour Excel
Initiation à VBA pour Excel
Ects : 2
Coefficient : Capitalisation : Non
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)
- Trouver son poste sur le marché
Trouver son poste sur le marché
Coefficient : Capitalisation : Non
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…). - Utilisation du logiciel SAS
Utilisation du logiciel SAS
Ects : 3
Coefficient : Capitalisation : Non
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
UE complémentaire "voie finance"
- Gestion globale des risques : VAR
Gestion globale des risques : VAR
Ects : 3
Coefficient : Capitalisation : Non
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. - Méthodes numériques en finance
Méthodes numériques en finance
Ects : 2
Coefficient : Capitalisation : Non
Compétence à acquérir :
Cet enseignement présente les principales méthodes numériques utilisées en finance pour l’évaluation des produits dérivés.Description du contenu de l'enseignement :
Les méthodes numériques par arbre ou par EDP sont développées dans une première partie : Théta-schémas Implicite / Explicite / Crank Nicolson, convergence, stabilité. Décomposition du pricing d’un produit (payoff, risques, modèle, méthode numérique). Calibration / lissage via Splines, Newton-Raphson, extrapolation-interpolation. Exemples pratiques sur Excel et utilisation d’un pricer d’EDP et d’arbres binomiaux sur Excel.
Dans une deuxième partie sont détaillées les méthodes de Monte Carlo : Générateurs de lois uniformes et gaussiennes, Méthode du rejet. Simulation de brownien : méthode forward, méthode du pont brownien. Discrétisation de trajectoires d’action en modèle lognormal ou gaussien, séparation entre processus déterministe (les forwards) et processus stochastique. Delta, gamma, vega par monte-carlo : méthode standard, initiation au méthodes alternatives (processus tangent et Malliavin). Autres méthodes de réduction de variance : variable antithétique, variable de contrôle. Exemples pratiques sur Excel. - Risque de crédit
Risque de crédit
Ects : 3
Coefficient : Capitalisation : Non
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). - Introduction au Machine Learning avec Python
Introduction au Machine Learning avec Python
Ects : 3
Coefficient : Capitalisation : Non
Compétence à acquérir :
Introduction au Machine Learning par l’étude de cas réels en python.Description du contenu de l'enseignement :
1. Matrice et Dataframe Python : bibliothèque pandas, numpy et scipy.
2. Algorithme de Machine Learning, bibliothèque scikit-learn :
- Random Forest, Gradient Boosting trees
- Support Vector machine (SVM)
- Régression logistique
- Réseau de neurones
3. Métriques pour les modèles :
- Matrice de confusion
- F-score, courbe ROC, score AUC
- GridSearchCV - C++
C++
Ects : 3
Coefficient : Capitalisation : Non
Compétence à acquérir :
Maîtrise d’un langage indispensable pour de nombreuses applications financières.Description du contenu de l'enseignement :
- Apporter aux participants 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 modé
UE complémentaire "voie ASSD"
- Traitement statistique de données Sensorielles et consommateurs
Traitement statistique de données Sensorielles et consommateurs
Ects : 3
Coefficient : Capitalisation : Non
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 préférences - Utilisation du logiciel SPAD
Utilisation du logiciel SPAD
Ects : 3
Coefficient : Capitalisation : Non
Compétence à acquérir :
Maîtrise du langage SPAD et mise en œuvre des techniques d’analyse de données.Description du contenu de l'enseignement :
- Introduction au logiciel SPAD.N.
- Importation de données.
- Étude des programmes : tris à plat et tris croisés, analyse en composantes principales, analyse des correspondances simples et multiples, classification, régression linéaire
- Interprétation d - Data mining pour la relation client et marketing
Data mining pour la relation client et marketing
Ects : 3
Coefficient : Capitalisation : Non
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 réalisation - Méthodes de classification
Méthodes de classification
Ects : 3
Coefficient : Capitalisation : Non
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 - Études de cas en marketing avec R
Études de cas en marketing avec R
Ects : 2
Coefficient : Capitalisation : Non
Compétence à acquérir :
Développer son agilité sur logiciel R par le biais d'études de cas MarketingDescription du contenu de l'enseignement :
- Rappels sur la base du langage R
- Mise en application d'un score sur des données réelles (Régression logistique).
- De la phase de cadrage jusqu'à la restitution
- Évocation des autres méthodologies (+ fonctions R) existantes : Bayes Naïf, Arbre de déc
UE obligatoires
- Processus Stochastiques
Processus Stochastiques
Ects : 3
Coefficient : Capitalisation : Non
Compétence à acquérir :
Approfondir les notions de processus stochastiques, équations différentielles stochastiques (EDS) et contrôle stochastiqueDescription du contenu de l'enseignement :
Le cours se déroule en trois parties :
1. Calcul stochastique
2. Diffusions, EDS
3. Introduction au contrôle stochastique - Modélisation stochastique du Risque de Crédit
Modélisation stochastique du Risque de Crédit
Ects : 2
Coefficient : Capitalisation : Non
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 R.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. - Introduction à l'assurance vie et non vie
Introduction à l'assurance vie et non vie
Ects : 2
Coefficient : Capitalisation : Non
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 prudentiels - Solvabilité II
Solvabilité II
Ects : 2
Coefficient : Capitalisation : Non
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 risques - Méthodologie en gestion globale des Risques : Var
Méthodologie en gestion globale des Risques : Var
Ects : 2
Coefficient : Capitalisation : Non
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 extrêmes - Anglais des affaires
Anglais des affaires
Ects : 2
Coefficient : Capitalisation : Non
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. - Culture Financière et pratique de Bloomberg
Culture Financière et pratique de Bloomberg
Ects : 2
Coefficient : Capitalisation : Non
Compétence à acquérir :
Connaitre les principaux types d’’instruments de capital ou de dette, analyser des données financières sur Bloomberg.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 - Analyse de données et scoring
Analyse de données et scoring
Ects : 2
Coefficient : Capitalisation : Non
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.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. 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. Régression logistique : Modélisation, Estimation des coefficients par le Maximum de Vraisemblance. Tests. Régression pas à pas.
4. Application au Scoring, courbe ROC. - Méthodes pour les modèles de régression
Méthodes pour les modèles de régression
Ects : 3
Coefficient : Capitalisation : Non
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 lass - Introduction au Machine learning 1
Introduction au Machine learning 1
Ects : 2
Coefficient : Capitalisation : Non
Compétence à acquérir :
Comprendre comment utiliser les Supports Vectors Machines pour l'apprentissage supervisé et non supervisé.Description du contenu de l'enseignement :
1. Différents types de problèmes statistiques : supervisés et non supervisés
2. Calibration et prédiction : comment éviter l’over-fitting
3. Mesure de la complexité d’un modèle selon Vapnik-Chervonenkis
4. Inégalité de Vapnik-Chervonenkis et contrôle de l’erreur de prédiction
5. Les SVMs à marge maximale et les enveloppes convexes
6. Séparations avec erreurs les C-SVM et le problème Dual
7. Extension des Support Vector Machines via de noyaux, Théorème de Mercer
8. Séparation, le cas orthogonal sur une sphère
9. Mu-SVM, dualité et enveloppes convexes réduites
10. Les SVMs à classe unique, problèmes non supervisés, clustering
11. Le problème dual et boule de rayon minimale
12. Application à l’analyse de crédit - Python
Python
Ects : 2
Coefficient : Capitalisation : Non
Compétence à acquérir :
Initiation à PythonDescription du contenu de l'enseignement :
Apprendre à utiliser le langage Python. Réaliser un mini projet en Python - Application de Python
Application de Python
Ects : 2
Coefficient : Capitalisation : Non
Compétence à acquérir :
Se familiariser à l’utilisation de Python en machine learningDescription 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 - SAS et R
SAS et R
Ects : 2
Coefficient : Capitalisation : Non
Compétence à acquérir :
Initiation à SAS et RDescription du contenu de l'enseignement :
Apprendre à utiliser SAS et R. Réaliser un mini projet en SAS ou R. - Conduite de projet et Mémoire
Conduite de projet et Mémoire
Ects : 14
Coefficient : Capitalisation : Non
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’apprentissageDescription 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
UE obligatoires
- Modélisation stochastique de la courbe de taux
Modélisation stochastique de la courbe de taux
Ects : 2
Coefficient : Capitalisation : Non
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 stochastique - Méthodes actuarielles
Méthodes actuarielles
Ects : 3
Coefficient : Capitalisation : Non
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) - Introduction à la réglementation
Introduction à la réglementation
Ects : 2
Coefficient : Capitalisation : Non
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 souscription - Pratique des options
Pratique des options
Ects : 2
Coefficient : Capitalisation : Non
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 risquesDescription 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 - Introduction au Machine learning 2
Introduction au Machine learning 2
Ects : 2
Coefficient : Capitalisation : Non
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 comparerDescription 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) - Conférences
Conférences
Coefficient : Capitalisation : Non
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
- Instruments de Crédit et CDOs
Instruments de Crédit et CDOs
Ects : 2
Coefficient : Capitalisation : Non
Compétence à acquérir :
Présenter les méthodes de modélisation de la corrélation du risque de défaut pour l’évaluation des collateralized debt obligationsDescription 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
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
Coefficient : Capitalisation : Non
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 réalisation - Pratique du Machine Learning
Pratique du Machine Learning
Ects : 2
Coefficient : Capitalisation : Non
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 neurones
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
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