Ingénierie Statistique et Financière - 2ème année de Master

UE obligatoires

• Processus Stochastiques

  Processus Stochastiques

  Ects : 3
  Volume horaire : 30
  Compétence à acquérir :
  Approfondir les notions de processus stochastiques, équations différentielles stochastiques progressives (EDS) et rétrogrades (EDSR), lien avec les équations aux dérivées partielles (e.d.p) et application au contrôle stochastique
  Mode de contrôle des connaissances :
  Examen
  Pré-requis recommandés :
  Notions de: processus stochastique, filtrations, martingales ; Notion de: équation différentielle, équation aux dérivées partielles
  Pré-requis obligatoires :
  Calcul de probabilités (bases de la théorie de la mesure, notion d'espérance conditionnelle, modes de convergence des variables aléatoires)
  

  Description du contenu de l'enseignement :
  1. Intégrale stochastique
  2. EDS et théorèmes de représentation
  3. EDSR et théorèmes de représentation
  
  4. Application au contrôle stochastique

  Enseignant responsable :

  • IMEN BEN TAHAR

• Modélisation stochastique du Risque de Crédit

  Modélisation stochastique du Risque de Crédit

  Ects : 2
  Volume horaire : 21
  Compétence à acquérir :
  Le but de ce cours est l’étude des deux catégories usuelles de modèles dynamiques qui ont été développées pour quantifier le risque de crédit. Il s’agit des modèles structurels et des modèles à forme réduite. Pour chacun d’entre eux, on développera les outils mathématiques nécessaires (calcul stochastique, temps d’arrêt et processus à sauts) et on apprendra à les implémenter sur Python.
  Mode de contrôle des connaissances :
  Examen final.
  Pré-requis recommandés :
  Bon niveau master 1 en mathématiques
  Pré-requis obligatoires :
  Formation en calcul stochastique.
  

  Description du contenu de l'enseignement :
  1. Modèles structurels qui font intervenir la dynamique de la valeur de la firme dans la définition de son défaut.
  2. Modèles à forme réduite qui modélisent directement le temps de défaut sans passer par la valeur de la firme, qui dans beaucoup de cas n’est pas facilement observable. Afin de bien traiter les différents modèles, on utilisera des outils mathématiques venant du calcul stochastique pour processus à sauts, qui vont être présentés au début du cours.

  Enseignant responsable :

  • EMMANUEL LEPINETTE

• Introduction à l'assurance vie et non vie

  Introduction à l'assurance vie et non vie

  Ects : 2
  Volume horaire : 21
  Compétence à acquérir :
  Présenter les principaux modèles de l’assurance vie et non vie.
  

  Description du contenu de l'enseignement :
  1. Définir les termes et les acteurs d’une opération d’assurance
  2. Donner des éléments statistiques sur le secteur de l’assurance
  3. Rappeler des éléments de probabilité et de mathématiques financières
  4. Déterminer la tarification des engagements vie et non vie
  5. Exposer les formes de garanties proposées en vie et en non vie
  6. Calculer les engagements techniques des contrats d'assurance
  7. Étudier la gestion du risque au niveau de l’organisme assureur
  8. Donner des notions de comptabilité et de réglementation propre à l'assurance
  9. Présenter les principes de la réassurance
  10. Étudier la notion de solvabilité d’un organisme assureur et quelques éléments prudentiels

  Enseignant responsable :

  • MICHEL GERMAIN

• Solvabilité II

  Solvabilité II

  Ects : 2
  Volume horaire : 15
  Compétence à acquérir :
  Fournir aux étudiants des connaissances sur le contrôle prudentiel des organismes d’assurances. Leur permettra d’appréhender la complexité des problèmes comptables et les mécanismes d’évaluation du ratio de solvabilité. Le fonctionnement et l’approche de la gestion des risques dans le secteur de l’assurance seront présentés dans ce nouveau contexte.
  

  Description du contenu de l'enseignement :
  1. Introduction au contexte de solvabilité
  2. Présentation du calcul de solvabilité
  3. Dispositifs de gestion des risques (ORSA)
  4. Analyse prospective & introduction à l’appétence aux risques

  Enseignant responsable :

  • LOUIS-ANSELME DE LAMAZE

• Méthodologie en gestion globale des Risques : Var

  Méthodologie en gestion globale des Risques : Var

  Ects : 2
  Volume horaire : 21
  Compétence à acquérir :
  Clarifier la notion de risque et présenter les principales techniques et méthodes de VaR permettant de mesurer, analyser et prédire le risque.
  Le risque de marché fera l’objet d’’une attention particulière au travers de l’analyse de la VaR. Les méthodes de gestion globale du risque de marché lorsque les sources d’incertitudes sont multiples seront également étudiées.
  

  Description du contenu de l'enseignement :
  1. Introduction et définition de la Value at Risk
  2. Méthodes et méthodologies de calcul
  3. Choix de distribution de probabilité pour positions optionnelles
  4. Mesure de risque de marché et RiskMetrics
  5. Risque de crédit et exigences réglementaires
  6. Risque de corrélation défavorable, liquidité et xVA
  7. Expected Shortfall et VaR sur Valeurs extrêmes

  Enseignant responsable :

  • DENIS BERTIN

• Anglais des affaires

  Anglais des affaires

  Ects : 2
  Volume horaire : 21
  Compétence à acquérir :
  Amener les étudiants à développer des stratégies qui leur permettent d’améliorer leurs compétences langagières, à l’écrit comme à l’oral. Un contenu lié à la recherche d’emploi et au monde du travail est abordé au moyen de simulations et d’exercices de compréhension, de production et d’écoute.
  

  Description du contenu de l'enseignement :
  1. Présentation des concepts et outils utilisés en management de projet, illustrée par des exemples concrets portant sur des projets, notamment dans le domaine de la Data Science.
  2. Réalisation en groupe d’un projet de communication.

  Enseignant responsable :

  • CATHERINE PIOLA

• Culture Financière et pratique de Bloomberg

  Culture Financière et pratique de Bloomberg

  Ects : 2
  Volume horaire : 18
  Compétence à acquérir :
  Connaitre les principales notions de corporate finance, analyser des données financières sur Bloomberg, faire un mini projet en gestion de portefeuille
  

  Description du contenu de l'enseignement :
  1. Le bilan d’une entreprise et les différentes catégories de titres
  2. Les actions, la dette, la dette hybride, le Tier 1, le Tier 2, le Tier 3
  3. Les obligations convertibles, les mandatory convertibles
  4. Les opérations en capital, les augmentations de capital, les FRESHs ; les Cocos
  5. Les rachats d’actions, simples ou structurés
  6. Les dividendes cash ou scrip, formules d’ajustements des dérivés
  7. Les activités ECM, DCM, EQL, M&A
  8. Séances pratiques sur Bloomberg :
  · construction de tableaux de bords en temps réel (BDP)
  · analyses historiques (BDH)
  · analyse financière
  · spreadsheets et templates Bloomberg
  
  9. Mini projet de gestion de portefeuille

  Enseignant responsable :

  • PIERRE BRUGIERE
  • DENIS BERTIN
  • CHLOE RABANEL

• Analyse de données et scoring

  Analyse de données et scoring

  Ects : 3
  Volume horaire : 30
  Compétence à acquérir :
  Ce cours étudie les méthodes d’analyse des données et ses applications en scoring. L’ensemble de ces méthodes enseignées est illustré par des démonstrations du logiciel R sur des jeux de données réels. Maîtriser la théorie des techniques de scoring.
  

  Description du contenu de l'enseignement :
  1. Rappels et compléments sur l’Analyse Factorielle d’un nuage de points (ACP), l’Analyse des Correspondances (AFC), l’Analyse des Correspondances Multiples (ACM).
  
  2. Généralités sur les techniques de Scoring. Analyse Discriminante (AD) : Analyse factorielle discriminante, Analyse discriminante décisionnelle, Cas de deux groupes, Multicolinéarité, Analyse discriminante sur variables qualitatives (méthode DISQUAL, Analyse discriminante barycentrique), Analyse Discriminante Bayésienne dans le cas gaussien.
  
  3. Méthodes de validation : Validation croisée et courbe ROC.
  
  4. Régression logistique : Modélisation, Estimation des coefficients par le Maximum de Vraisemblance. Tests. Régression pas à pas.
  
  5. Arbres de décision.
  
  L'ensemble de ces méthodes enseignéess est illustré par des démonstrations du logiciel R sur des jeux de données réel (principalement ACP, AFC, ACM, AD linéaire et quadratique, Régression logistique).

  Enseignant responsable :

  • PATRICE BERTRAND

• Méthodes pour les modèles de régression

  Méthodes pour les modèles de régression

  Ects : 3
  Volume horaire : 21
  Compétence à acquérir :
  Décrire et manipuler les méthodes modernes les plus classiques de la régression afin de fournir un bagage statistique solide aux étudiants.
  

  Description du contenu de l'enseignement :
  - Rappels sur le modèle et la régression linéaire,
  - Limitations de la régression usuelle,
  - Régression pas à pas,
  - Choix de modèles (Méthodes ascendantes et descendantes, AIC et BIC)
  - Régression par moindres carrés pénalisés (estimateurs bridge et lasso)
  - Modèles linéaire généralisés
  - Régression Poissonienne
  - Modèles logit/probit
  - Régression non-linéaire (polynômes locaux, ondelettes)
  - Régression PLS et CART

  Enseignant responsable :

  • KATIA MULLER MEZIANI

• Introduction au Machine learning 1

  Introduction au Machine learning 1

  Ects : 2
  Volume horaire : 18
  Compétence à acquérir :
  Comprendre comment utiliser les Supports Vectors Machines pour l'apprentissage supervisé et non supervisé. Quelques application des méthodes de regressions pénalisées
  Mode de contrôle des connaissances :
  Examen
  Pré-requis recommandés :
  Algèbre linéaire, calcul différentiel et optimisation au niveau M1
  Pré-requis obligatoires :
  Algèbre linéaire et calcul différentiel
  

  Description du contenu de l'enseignement :
  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.

  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
  

  Enseignant responsable :

  • PIERRE BRUGIERE

• Python

  Python

  Ects : 2
  Volume horaire : 15
  Compétence à acquérir :
  Initiation à Python
  

  Description du contenu de l'enseignement :
  Apprendre à utiliser le langage Python. Réaliser un mini projet en Python

  Enseignant responsable :

  • Pierre LANCIEN

• Application de Python

  Application de Python

  Ects : 2
  Volume horaire : 18
  Compétence à acquérir :
  Se familiariser à l’utilisation de Python en machine learning
  

  Description du contenu de l'enseignement :
  Étudier plusieurs exemples d’utilisation de Python en machine learning :
  - Librairies Scikit-Learn et Tensor Flow
  - Knowledge Graphs
  - Deep Learning

  Enseignant responsable :

  • AURELIEN GERON

• SAS et R

  SAS et R

  Ects : 2
  Volume horaire : 18
  Compétence à acquérir :
  Initiation à SAS et R
  

  Description du contenu de l'enseignement :
  Apprendre à utiliser SAS et R. Réaliser un mini projet en SAS ou R.

  Enseignant responsable :

  • CLAIRE UTIEL

• Conduite de projet et Mémoire

  Conduite de projet et Mémoire

  Ects : 15
  Volume horaire : 18
  Compétence à acquérir :
  Familiariser les étudiants aux méthodes de communication dans le cadre d’un projet concret et leur apprendre les bases de la communication en entreprise (oral et écrit). Suivre le mémoire d’apprentissage
  

  Description du contenu de l'enseignement :
  1. Présentation des concepts et outils utilisés en management de projet, illustrée par des exemples concrets portant sur des projets, notamment dans le domaine de la Data Science.
  2. Réaliser en groupe un projet de communication.
  3. Exposer en public son mémoire d’apprentissage

  Enseignant responsable :

  • OLIVIER SOUSSAN
  • PIERRE BRUGIERE

UE obligatoires

• Modélisation stochastique de la courbe de taux

  Modélisation stochastique de la courbe de taux

  Ects : 2
  Volume horaire : 21
  Compétence à acquérir :
  Ce cours est consacré aux modèles de taux d’intérêts à temps continu. Au travers de nombreux exemples, on décrira leurs utilisations pour évaluer les produits dérivés sur taux d’intérêt.
  

  Description du contenu de l'enseignement :
  1. Quelques outils de calcul stochastique : rappels
  2. Généralités sur les taux d’intérêt
  3. Produits de taux classiques
  4. Modèle LGM à un facteur
  5. Modèle BGM (Brace, Gatarek et Musiela) / Jamishidian
  6. Modèles à volatilité stochastique

  Enseignant responsable :

  • GABRIEL TURINICI

• Méthodes actuarielles

  Méthodes actuarielles

  Ects : 3
  Volume horaire : 21
  Compétence à acquérir :
  Fournir une explication détaillée de la structure par terme des taux et apporter un éclairage sur les différentes stratégies de gestion et leur mise en œuvre.
  

  Description du contenu de l'enseignement :
  1. Instruments et marchés (marchés monétaires, marchés obligataires)
  2. Mesure et couverture du risque de taux (duration, convexité, ACP)
  3. Reconstitution de la structure par terme des taux (modèles à splines, modèles paramétriques)
  4. Théories de la structure par terme des taux (anticipations pures, prime de risque pure, segmentation, anticipations biaisées)
  5. Gestion passive (tracking error, échantillonnage stratifié)
  6. Gestion active (roll-down, barbell, bullet, butterfly)
  7. Produits dérivés de taux (futures & swaps)

  Enseignant responsable :

  • STEPHANE PRIAULET

• Introduction à la réglementation

  Introduction à la réglementation

  Ects : 2
  Volume horaire : 24
  Compétence à acquérir :
  Sensibiliser par le prisme de la règlementation financière, les étudiants aux enjeux stratégiques liés à l’évaluation et à l’encadrement des risques auxquels les Banques et les Entreprises d’Assurances sont exposées dans l’exercice de leurs fonctions économiques.
  

  Description du contenu de l'enseignement :
  1. Les autorités de tutelles et leurs missions
  2. La typologie et l’agrément des opérateurs financiers
  3. La gestion de la relation clients
  4. Les règles d’organisation et de fonctionnement des marchés de capitaux
  
  Dans un second temps, nous examinerons les risques susceptibles d’affecter directement la solvabilité des établissements financiers à travers la présentation du cadre prudentiel applicable, respectivement, aux banques et organismes d’assurances, soit :
  1. Les normes Bâle II & III et modélisation du risque de crédit
  2. La directive Solvabilité 2 et la modélisation des risques de souscription

  Enseignant responsable :

  • ARNAUD SCUDERONI

• Pratique des options

  Pratique des options

  Ects : 2
  Volume horaire : 15
  Compétence à acquérir :
  - Comprendre les responsabilités d’un market maker d’options
  - Maîtriser les implications concrètes au-delà des équations de la gestion d’un portefeuille d’options
  - Acquérir des réflexes afin de repérer rapidement les principales sources de risques
  

  Description du contenu de l'enseignement :
  1. Mise en situation concrète du métier de trading (market making)
  2. Pricing des options complexes à partir de celui des options vanilles
  3. Les risques dans la vraie vie
  4. Au-delà des grecques

  Enseignant responsable :

  • BERTRAND FAUCHER

• Introduction au Machine learning 2

  Introduction au Machine learning 2

  Ects : 2
  Volume horaire : 15
  Compétence à acquérir :
  - Comprendre les enjeux du machine learning
  - Connaitre les principaux algorithmes et leurs limites
  - Apprendre à mettre en œuvre les méthodes
  - Sélectionner les méthodes en fonction des problématiques posées
  - Interpréter et comparer
  

  Description du contenu de l'enseignement :
  1. Régressions pénalisées
  2. Régression et classification par arbres
  3. Régressions multivariées par salines adaptatives
  4. Réseaux de neurones, deep learning
  5. Agrégation de modèles (bagging, forêts aléatoires, gradient boosting)

  Enseignant responsable :

  • DIDIER JEANNEL

• Conférences

  Conférences

  Volume horaire : 24
  Compétence à acquérir :
  Un cycle de conférences permet aux étudiants de découvrir de nombreux domaines d’applications.
  

  Description du contenu de l'enseignement :
  Les années précédentes, de nombreuses conférences ont été organisées, par exemple :
  - Asset Management et Solvency II
  - Mesurer et maximiser la valeur pour l’actionnaire
  - Produits structurés et Dérivés Actions
  - Fonds spéculatifs
  - Machine learning
  - Crypto-Monnaies

UE complémentaires voie QRF

• Approches déterministes et stochastique pour l'évaluation d'options

  Approches déterministes et stochastique pour l'évaluation d'options

  Ects : 2
  Volume horaire : 21
  Compétence à acquérir :
  Théorie et pratique des options au délà du cadre vanille.
  

  Description du contenu de l'enseignement :
  Rappels du cadre classique: probabilité historique (gestion de portefeuille), portefeuilles optimaux, beta, arbitrage, APT
  Valuation de produits dérivés et probabilité risque neutre
  Trading de volatilité, volatilité locale et calibration, formule de Dupire
  Assurance du portefeuille, options exotiques ou cachées: stop-loss, options, CPPIs, Constant-Mix, ETF short (beta slippage), etc.

  Enseignant responsable :

  • GABRIEL TURINICI
  • WAFA MHIRI

• Instruments de Crédit et CDOs

  Instruments de Crédit et CDOs

  Ects : 2
  Volume horaire : 21
  Compétence à acquérir :
  Présenter les méthodes de modélisation de la corrélation du risque de défaut pour l’évaluation des collateralized debt obligations
  

  Description du contenu de l'enseignement :
  1. Le risque de défaut
  - Fonctionnement des dérivés de crédit
  - Évaluation par arbitrage
  - Modèles structurels
  - Modèles à intensités
  2. Les CDOs
  - CDOs et risque de corrélation
  - Construction de la corrélation dans les modèles structurels
  - Construction de la corrélation dans les modèles à intensités - processus de Cox
  - Construction de la corrélation par contagion - modèle de Moody’s
  - Interprétation des résultats : distance to default, score de diversité
  3/ Les copulas
  - Copulas et structures de corrélations
  - Copulas gaussiennes
  - Limite des copulas

  Enseignant responsable :

  • PIERRE BRUGIERE

UE complémentaires voie Modélisation et Big Data

• Data mining pour la relation client et marketing

  Data mining pour la relation client et marketing

  Ects : 3
  Volume horaire : 21
  Compétence à acquérir :
  Illustrer les applications du Data Mining dans les entreprises.
  

  Description du contenu de l'enseignement :
  - Positionnement du Data Mining
  Structure des systèmes d’information (entrepôt de données), enjeux du Data Mining
  - Cartographie des technologies de Data Mining
  Statistiques et Data Mining, domaines d’applications du Data Mining
  - Processus de réalisation

  Enseignant responsable :

  • MATTHIEU POURBAIX
  • FABRICE SIMON

• Pratique du Machine Learning

  Pratique du Machine Learning

  Ects : 2
  Volume horaire : 21
  Compétence à acquérir :
  Pratiquer les algorithmes de Machine Learning dans des études de cas.
  

  Description du contenu de l'enseignement :
  1. Classification
  - Non-supervisée
  - Supervisée
  2. Introduction aux réseaux de neurones

  Enseignant responsable :

  • SOPHIE LARUELLE