Le programme de la formation
Pré-rentrée
- Analyses factorielles
Analyses factorielles
Enseignant responsable :
PATRICE BERTRANDVolume horaire : 6
Description du contenu de l'enseignement :
L'analyse factorielle d'un tableau de données du type individus x variables est présentée selon l'approche fondée sur l'inertie expliquée par un axe factoriel. En particulier, on montrera que le problème se ramène à la maximisation d'un quotient de Rayleigh. Les techniques dérivées, i.e. le multidimensional scaling métrique (AFTD) et l'analyse des correspondances seront également présentés.
Compétences à acquérir :
- Analyse factorielle d’un tableau de données avec une métrique quelconque, application au cas de l'Analyse en Composantes Principales (ACP) normée ou non,
- Multidimensional Scaling (MDS) métrique (AFTD),
- Analyse des correspondances simples (AFC) et multiples (ACM).
Bibliographie-lectures recommandées
- Lebart, L., Piron, M. , Morineau, A. (2006) (4ème edition, refondue) Statistique Exploratoire Multidimensionnelle, 480 pages, Dunod.
- Saporta, G. (2006), Probabilités, Analyse des données et Statistique, 656 pages, Technip.
- Modèles linéaires
Modèles linéaires
Enseignant responsable :
KATIA MULLER MEZIANIVolume horaire : 6
Description du contenu de l'enseignement :
Revoir les bases théoriques du modèle linéaire multivarié
Compétences à acquérir :
Remise à niveau, rappel de M1
- Calculs stochastiques
Calculs stochastiques
Enseignant responsable :
IMEN BEN TAHARVolume horaire : 6
Bloc Fondamental S3
- Trouver son poste sur le marché
Trouver son poste sur le marché
Ects : 0.5
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.
- Machine learning en Python
Machine learning en Python
Ects : 2
Enseignant responsable :
JORGE OCHOA MAGANAVolume 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 la régression et la classification
Méthodes pour la régression et la classification
Ects : 3
Enseignant responsable :
KATIA MULLER MEZIANIVolume horaire : 21
- Modèles stochastiques en finance
Modèles stochastiques en finance
Ects : 1
Enseignant responsable :
IMEN BEN TAHARVolume horaire : 12
- Langage SQL
Langage SQL
Ects : 1
Enseignant responsable :
ANDRE ROSSIVolume horaire : 12
Description du contenu de l'enseignement :
Première partie : présentation de l'algèbre relationnelle. Relations, attributs, clés primaires, opérations de projection, sélection, produit cartésien et jointures. Division.
Deuxième partie : présentation du langage SQL et utilisation de l'interface web Programiz. Création et suppression de tables, création et mise à jour des n-uplets dans les tables. Projection, sélection, produit cartésien et jointure. Requêtes imbriquées, comptes, moyennes, sommes, min, max. Clés primaires et clés étrangères, relations hiérarchiques entre les tables, contraintes d'intégrité.
Pré-requis recommandés :
Connaissance d'un langage de programmation impérative (Python, C, C++, Java)
Compétences à acquérir :
Apprentissage des requêtes SQL pour l'exploitation des bases de données relationnelles.
Mode de contrôle des connaissances :
TP noté
- Visualisation des données avec R
Visualisation des données avec R
Ects : 1
Enseignant responsable :
QUENTIN GUIBERTVolume horaire : 9
Description du contenu de l'enseignement :
La visualisation des données consiste en l’utilisation d’un système de représentation visuel pour interagir avec les capacités d’un humain à percevoir et à créer des liens afin d’analyser des données brutes. Les techniques de visualisation permettent de faire « parler » des données complexes en explorant les liens entre variables, différents schémas d’organisation des données ou encore en identifiant des points atypiques. Elles sont donc complémentaires à des démarches de fouilles des données et sont généralement un préalable à la mise en place de modèles statistiques qui permettront de valider certains phénomènes ou certaines hypothèses.
Ce cours vise à présenter ce qu’est la visualisation des données et son intérêt pour explorer le contenu d’un jeu de données ou les sorties des modèles statistiques. Il présente les différentes techniques adaptées pour communiquer sur un projet en entreprise selon la nature des données et aborde au travers de différents exemples et travaux pratiques sous R comment correctement présenter une information.
Compétences à acquérir :
Les objectifs de ce cours sont les suivants :
- Définir la data visualization, ses principes et de ses buts ;
- Savoir choisir les méthodes graphiques adaptées pour répondre à une question à partir des données ;
- Connaître les différentes méthodes de représentation des données selon leur nature (données, continues, discrètes, cartes, séries temporelles, …).
- Savoir visualiser les sorties de modèles.
- Utiliser R et R Markdown pour présenter et développer des visuels créés avec ggplot2.
- Présenter un dashboard de visualisation des données avec R Markdown ou Shiny.
Mode de contrôle des connaissances :
Projet
Bibliographie-lectures recommandées
Healy, K. (2018). Data Visualization : A Practical Introduction. 1st edition. Princeton, NJ : Princeton University Press. Kabacoff, R. (2020). Data Visualization with R. Wesleyan University. Quantitative Analysis Center. Munzner, T. (2014). Visualization Analysis and Design. 1st edition. Boca Raton : A K Peters/CRC Press. Sievert, C. (2019). Interactive Web-Based Data Visualization with r, Plotly, and Shiny. The r Series. Chapman ; Hall/CRC Press. Wilke, C.O. (2019). Fundamentals of Data Visualization. O ’ Reilly.
- Culture financière et de l’assurance I
Culture financière et de l’assurance I
Ects : 1
Enseignant responsable :
BENOIT HOUZELLE
GUILLAUME BURNELVolume horaire : 18
- Introduction à l’assurance
Introduction à l’assurance
Ects : 1
Enseignant responsable :
NIOUSHA SHAHIDIVolume horaire : 9
Description du contenu de l'enseignement :
- Produits et techniques d’assurance (le mécanisme, le marché…)
- La demande d’assurance : le comportement face au risque, le contrat optimal et l’assureur face à l’asymétrie d’information
Compétences à acquérir :
- Comprendre le fonctionnement du marché de l’assurance.
- Déterminer le contrat optimal en assurance en situation de risque.
Mode de contrôle des connaissances :
Examen écrit
Bibliographie-lectures recommandées
Bien, F. et Lanzi, T. (2015), Microéconomie Risque, finance, assurance, Pearson, France. Direr, A. (2020), Economie de l ’ assurance, Economica. Dubois, D., Féderlé, A. et Ranaivozanany, V. (2021); Appliquer la data science à l ’ assurance, L ’ ARGUS EDITIONS. Eeckhoudt, L., Gollier, C. and Schlesinger, H. (2011), Economic and Financial Decisions under Risk, Princeton: Princeton University Press. Shahidi N. (2014), “ Moral hazard and optimal contract with a continuum effort ” , Economics Bulletin, Vol. 34 No. 3, pp. 1350-1360, selected by The SCOR Global Risk Center. Trainar, P. et Thourot, P. (2017) Gestion de l'entreprise d'assurance, Dunod
- Leadership in finance
Leadership in finance
Ects : 1
Enseignant responsable :
MATHIAS GARCIA REINOSOVolume horaire : 18
Bloc Complémentaire "voie Finance" S3
- Calculs stochastiques
Calculs stochastiques
Ects : 3
Enseignant responsable :
IMEN BEN TAHARVolume horaire : 21
- Gestion des risques et construction de portefeuille
Gestion des risques et construction de portefeuille
Ects : 2
Enseignant responsable :
GABRIEL TURINICIVolume horaire : 15
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, CAPP, MEDAF
- théorie du portefeuille: indices, portefeuilles optimaux, beta, arbitrage, APT, facteurs
- valuation de produits dérivés et probabilité risque neutre
- trading de volatilité
- assurance de portefeuille: stop-loss, options, CPPI, Buy&Hold, Constant-Mix
- en fonction du temps: deep learning en finance, indicateurs techniques, portefeuille universel
Pré-requis obligatoire :
python, mathématiques niveau L3
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 :
cf. CC
En savoir plus sur le cours :
Bibliographie-lectures recommandées
turinici.com (y chercher ce cours)
- 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. Les sous-jacents : taux forward, swap, taux swap. Changement de numéraire et probabilités forward. Produits vanilles, les caplets et les swaptions. Formule de Black, phénomènes associés à la courbe de la volatilités. - Modèle LGM à un facteur. - Modèle BGM (Brace, Gatarek et Musiela) / Jamishidian. - Modèles à volatilité stochastique : Définition. Modèle SABR. Modèle d'Heston
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.
Mode de contrôle des connaissances :
Examen final
- Initiation à VBA pour Excel
Initiation à VBA pour Excel
Ects : 1
Enseignant responsable :
DAVID BEAUDOUINVolume 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
- Pratique de Bloomberg
Pratique de Bloomberg
Ects : 1
Volume horaire : 6
- Gestion Actif-Passif et Modélisation ALM (dans le cadre de la Solvabilité 2)
Gestion Actif-Passif et Modélisation ALM (dans le cadre de la Solvabilité 2)
Ects : 2
Enseignant responsable :
DUC HIEN VUVolume horaire : 15
Bloc Complémentaire "voie Sciences des données" S3
- Apprentissage statistique
Apprentissage statistique
Ects : 3
Enseignant responsable :
KATIA MULLER MEZIANIVolume horaire : 21
Description du contenu de l'enseignement :
- Supervised Learning: Bayes decision rule, Consistency and no free lunch theorem, Hypothesis class,Probably Approximately Correct (PAC) framework. Empirical Risk Minimization (ERM), PA Cbounds with ERM
- Concentration Inequalities : Chebyshev’s inequality,Hoeffding’s inequality,Sub-Gaussian random variables, Concentrations of functions of random variables,Bernstein’s deviation inequality,Deviation inequality for quadratic forms
- Generalization Bounds via Uniform Convergence: Finite hypothesis class, Bounds for infinite hypothesis class via discretization, Rademacher complexity (RC), Empirical RC,
- Bounding the Rademacher complexity: Shattering numbers, VC theory, Covering number, entropy, Dudley’s chaining
Pré-requis recommandés :
Probabilités multidimensionnelles (lois et espérances conditionnelles).
Compétences à acquérir :
L'objectif du cours est d'acquérir des notions théoriques d'apprentissage statistique.
Mode de contrôle des connaissances :
Examen final.
- Méthodes actuarielles pour l’assurance
Méthodes actuarielles pour l’assurance
Ects : 2
Enseignant responsable :
ALEXANDRA MAAREK
CELINE HOUDAYERVolume horaire : 21
- Gestion de données massives avec Hadoop et Spark
Gestion de données massives avec Hadoop et Spark
Ects : 1
Enseignant responsable :
Khalid BELHAJJAMEVolume horaire : 12
- Apprentissage non supervisé - Clustering
Apprentissage non supervisé - Clustering
Ects : 2
Enseignant responsable :
PATRICE BERTRANDVolume horaire : 18
Description du contenu de l'enseignement :
- Méthode des k-means et variantes
- Méthodes de classification hiérarchique
- Classification non supervisée par modèles de mélange ; algorithme EM
- Spectral clustering
- Méthode Dbscan
- Autoencodeur et clustering
Les notions du cours seront illustrées par des traitements de jeux de données avec R.
Compétences à acquérir :
Ce cours a pour objectif de présenter les principes et les champs d'application des méthodes actuelles de clustering (i.e. classification non supervisée).
Mode de contrôle des connaissances :
Examen + projet
Bibliographie-lectures recommandées
- Lebart, L., Piron, M. , Morineau, A. (2006) (4ème edition, refondue) Statistique Exploratoire Multidimensionnelle, 480 pages, Dunod.
- Bouveyron, Ch., Celeux, Ch., Murphy, T. B. , Raftery, A. E. (2019) Model-Based Clustering and Classification for Data Science - with Applications in R, Cambridge University Press
- Cybersécurité
Cybersécurité
Ects : 2
Enseignant responsable :
OLIVIER BUARDVolume horaire : 24
Bloc Fondamental S4
- Communication
Communication
Ects : 0.5
Volume horaire : 12
- Culture financière et de l'assurance II
Culture financière et de l'assurance II
Ects : 1
Enseignant responsable :
MOHAMED BENKHALFA
RODOLPHE LELEU
OLIVIER FERONVolume horaire : 18
- Data project
Data project
Ects : 3
Enseignant responsable :
DIDIER JEANNEL
KATIA MULLER MEZIANIVolume horaire : 30
Description 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
- Deep learning avec Python
Deep learning avec Python
Ects : 1
Enseignant responsable :
FABIEN DUPUISVolume horaire : 12
- Natural Language Processing (NLP)
Natural Language Processing (NLP)
Ects : 1
Enseignant responsable :
ANDRE GRONDINVolume horaire : 9
- Clustering en pratique
Clustering en pratique
Ects : 2
Enseignant responsable :
DIDIER JEANNELVolume horaire : 18
Bloc Complémentaire "voie Finance" S4
- Calibration de Modèles
Calibration de Modèles
Ects : 2
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 : 2
Enseignant responsable :
EMMANUEL LEPINETTEVolume horaire : 21
Description du contenu de l'enseignement :
Mesures de risque et régulation (Solvency, Bale): exemple de calculs. Modèles dynamiques pour les prix d’actifs financiers. Agrégation des risques de manière très générale, c'est à dire pour différents types de risque sur des exemples, aussi bien en assurance qu'en finance. Risques des produits dérivés également. Modèles multivariés. Implémentation en Python.
Pré-requis obligatoire :
De bonnes bases en théorie des probabilités, en analyse stochastique et en Python.
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.
Mode de contrôle des connaissances :
0.3*CC+0.7*E avec E=examen sur table et CC=contrôle continu.
Bibliographie-lectures recommandées
Ce cous est "self-content" mais ne pas hésiter à combler ses lacunes en lisant un cours de calcul stochastique+EDS et discretisation Euler.
- Méthodes numériques en finance
Méthodes numériques en finance
Ects : 3
Enseignant responsable :
LAURENT TURVolume horaire : 21
Description du contenu de l'enseignement :
Ce cours est compose de 5 cours magistraux et de 5 TD dans lesquels nous appliquerons les connaissances vues en cours. Nous verrons les 3 méthodes de résolution numérique utilisés en finance pour pricers les options : Arbres binomiaux, Différence finie pour EDP et Monte Carlo.
Plan
- Cours 1 : Généralités sur les méthodes numériques + arbres
- Cours 2 : Arbres et options américaines
- Cours 3 et 4 : EDP
- Cours 5 : Monte Carlo
Compétences à acquérir :
L’objectif de ce cours est d’appliquer les connaissances théoriques acquises lors des cours magistraux de calcul stochastique, de résolution d’EDP et de Monte Carlo. Dans ce cours nous verrons l’application pratique de calcul de prix et de grecques pour des options vanilles ou exotiques. Nous étudierons 3 méthodes numériques : arbre binomiaux, résolution des EDP par différence finie et Monte Carlo. Nous utiliserons XL pour manipuler les méthodes numériques et les comprendre.
A la fin de ce cours, les élèves sauront comment pricer des options américaines, barrières et exotiques.
Mode de contrôle des connaissances :
Examen
- Risque de crédit
Risque de crédit
Ects : 3
Enseignant responsable :
BENOIT HOUZELLE
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.
- Activités de marché d'une banque d'investissement
Activités de marché d'une banque d'investissement
Ects : 1
Enseignant responsable :
THIERRY HERNUVolume horaire : 9
Bloc Optionnel "voie Finance" S4
- Cybersécurité
Cybersécurité
Ects : 2
Enseignant responsable :
OLIVIER BUARDVolume horaire : 24
- Méthodes actuarielles pour l’assurance
Méthodes actuarielles pour l’assurance
Ects : 2
Enseignant responsable :
ALEXANDRA MAAREK
CELINE HOUDAYERVolume horaire : 21
- Enjeux et modélisation des risques climatiques
Enjeux et modélisation des risques climatiques
Ects : 2
Enseignant responsable :
THIBAULT MONNET
MOHAMED BENKHALFAVolume horaire : 15
- Cybersécurité en pratique
Cybersécurité en pratique
Ects : 2
Volume horaire : 18
- Advanced machine learning
Advanced machine learning
Ects : 2
Enseignant responsable :
DIDIER JEANNELVolume horaire : 21
- Data quality
Data quality
Ects : 2
Enseignant responsable :
JUVENAL AMOS IDOVolume horaire : 21
- Apprentissage statistique et Monte-Carlo accéléré pour le calcul du SCR en assurance vie
Apprentissage statistique et Monte-Carlo accéléré pour le calcul du SCR en assurance vie
Ects : 2
Enseignant responsable :
ADEL CHERCHALI
MATHIEU TRUCVolume horaire : 15
Description du contenu de l'enseignement :
L’objectif de ce cours est de présenter les derniers développements en gestion des risques en assurance. Dans la première partie du cours nous introduisons le concept de market-consistency et de générateur de scénario économiques constituant le socle de base de la modélisation des actifs d’une compagnie d’assurance. Nous terminerons la première partie par un exemple de gestion d’un fonds euro par une compagnie d’assurance (modèle ALM)
La seconde partie du cours est dédiée aux différentes approches de calcul du capital de solvabilité requis (SCR), nous présenterons notamment la méthodologie de calibrage des chocs et le calcul du SCR en formule standard par agrégation modulaire. Un ajustement de la méthodologie pour les risques non-gaussiens sera présenté (Cornish-Fisher). Pour finir, le cadre mathématique de l’approche « modèle interne » basée sur un calcul de quantile sur les pertes du portefeuille de la compagnie d’assurance à horizon 1 an sera présentée.
La troisième partie sera dédiée aux méthodes d’apprentissages statistiques pour l’amélioration de l’efficacité énergétique des calculs de risque en modèle interne (LSMC, Replicating portfolio, Réseaux de neurones…). Nous terminerons cette partie par un panorama des méthodes de Machine Learning interprétables (Valeur de Shapley…) avec des applications en gestion actif/passif.
La dernière partie de ce cours sera dédiée aux approches de type Monte-Carlo Multilevel pour la réduction du temps des calculs règlementaires.
Plan du cours
- Introduction au cadre règlementaire Solvabilité II
- Valorisation Market-Consistent
- Générateurs de Scénarios Economiques
- Modèle de gestion actif/passif ALM
- Formule Standard, Approche Modulaire et agrégation des risques
- Calibrage des chocs en formule standard
- Agrégation des modules de risque et Intervalle de Confiance
- Modèle Interne et Formulation quantile
- Expansion de Cornish-Fisher
- Machine Learning pour le calcul du SCR en modèle interne
- Le problème des « simulations dans les simulations »
- Least-Square Monte Carlo (LSMC)
- Replicating Portfolio
- Réseaux de Neurones
- Machine Learning Interprétable (XAI)
- Monte-Carlo Accéléré
- Complexité de l’estimateur Nested Monte-Carlo
- Méthode de Monte-Carlo Multi-level
- Monte-Carlo Multilevel Adaptatif
Compétences à acquérir :
L’objectif du cours est de fournir les outils nécessaires à la gestion des risques en assurance en modèle interne (Générateurs de scénarios Economiques, mesures de risques, ALM, SCR…). Ce cours intègre les nouvelles approches pour l’amélioration de l’efficacité énergétique des calculs par Machine Learning (LSMC, réseaux de neurones…) et Monte-Carlo accéléré (MLMC).
Mode de contrôle des connaissances :
Examen
Bibliographie-lectures recommandées
Alfonsi, A., Cherchali, A., & Infante Acevedo, J. A. (2020). A synthetic model for asset-liability management in life insurance, and analysis of the SCR with the standard formula. European Actuarial Journal, 10, 457-498.
Alfonsi, A., Cherchali, A., & Acevedo, J. A. I. (2021). Multilevel Monte-Carlo for computing the SCR with the standard formula and other stress tests. Insurance: Mathematics and Economics, 100, 234-260.
Cambou, M., & Filipovic, D. (2018). Replicating portfolio approach to capital calculation. Finance and Stochastics, 22, 181-203.
Floryszczak, A., Le Courtois, O., & Majri, M. (2016). Inside the Solvency 2 black box: net asset values and solvency capital requirements with a least-squares Monte-Carlo approach. Insurance: Mathematics and Economics, 71, 15-26.
Giles, M. B. (2008). Multilevel monte carlo path simulation. Operations research, 56(3), 607-617.
Giles, M. B., & Haji-Ali, A. L. (2019). Multilevel nested simulation for efficient risk estimation. SIAM/ASA Journal on Uncertainty Quantification, 7(2), 497-525.
Krah, A. S., Nikolic, Z., & Korn, R. (2018). A least-squares Monte Carlo framework in proxy modeling of life insurance companies. Risks, 6(2), 62.
Krah, A. S., Nikolic, Z., & Korn, R. (2020). Machine learning in least-squares Monte Carlo proxy modeling of life insurance companies. Risks, 8(1), 21.
Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in neural information processing systems, 30.
Pelsser, A., & Schweizer, J. (2016). The difference between LSMC and replicating portfolio in insurance liability modeling. European actuarial journal, 6, 441-494.
Sandström, A. (2007). Solvency II: Calibration for skewness. Scandinavian Actuarial Journal, 2007(2), 126-134.
Vedani, J., El Karoui, N., Loisel, S., & Prigent, J. L. (2017). Market inconsistencies of market-consistent European life insurance economic valuations: pitfalls and practical solutions. European Actuarial Journal, 7, 1-28.
- Introduction au cadre règlementaire Solvabilité II
- Séries temporelles et applications actuarielles
Séries temporelles et applications actuarielles
Ects : 2
Enseignant responsable :
TACHFINE EL ALAMIVolume horaire : 18
Description du contenu de l'enseignement :
Ce cours est consacré à la présentation des principaux modèles de séries temporelles, à leur estimation statistique et à leur prédiction dans un cadre stationnaire et non stationnaire.
Le cours s’organise de la manière suivante. Une première partie introduit les contextes d’utilisation des séries temporelles en assurance principalement de manière graphique, une deuxième partie poursuit avec les modèles univariés les plus standards (de AR à SARIMA) après des rappels généraux (notions de stationnarité, d’autocorrélation, bruit blanc et marche aléatoire). Plusieurs applications des modèles sont proposées sous R. La deuxième partie étudie les modèles multivariés (VAR, VECM) avant leurs applications à la modélisation de séries macro-économiques et financières multivariées. Une troisième partie présente les modèles à hétéroscédasticité conditionnelle (ARCH et GARCH principalement) qui seront appliqués sur les séries financières (taux d’intérêt, action, produits dérivés). Enfin une dernière partie conclura en ouvrant sur les thématiques du moment.
Compétences à acquérir :
L’objectif de ce cours est de présenter la théorie et la pratique de l’analyse des séries temporelles au travers de leurs applications en assurance.
Mode de contrôle des connaissances :
Examen et projet
- Commodity markets
Commodity markets
Ects : 3
Enseignant responsable :
SYLVAIN BERTHELETVolume horaire : 24
- Structured products
Structured products
Ects : 2
Enseignant responsable :
PHILIPPE DUMONTVolume horaire : 18
- Trading algorithmique
Trading algorithmique
Ects : 2
Enseignant responsable :
JONATHAN LEVYVolume horaire : 16
Bloc Complémentaire "voie Sciences des données" S4
- Enjeux et modélisation des risques climatiques
Enjeux et modélisation des risques climatiques
Ects : 2
Enseignant responsable :
THIBAULT MONNET
MOHAMED BENKHALFAVolume horaire : 15
- Machine learning - Théorie et algorithme
Machine learning - Théorie et algorithme
Ects : 2
Enseignant responsable :
PATRICE BERTRANDVolume horaire : 18
Description du contenu de l'enseignement :
Ce cours présente les principales méthodes utilisées en Machine Learning pour résoudre des problèmes de régression et de classification non supervisée. Des illustrations en R seront exposées.
Pré-requis obligatoire :
Notions de base en algèbre linéaire, probabilité et optimisation numérique.
Compétences à acquérir :
- Réseaux de neurones
- Noyau reproduisant
- Machines à vecteurs support (SVM)
- Algorithmes de boosting (Adaboost et gradient boosting)
Mode de contrôle des connaissances :
Examen
Bibliographie-lectures recommandées
- T. Hastie, R. Tibshirani et J. Friedman, "The elements of Statistical Learning: Data Mining, Inference", and Prediction (2009), 2nd edition, Springer
- B. Mehlig, "Machine Learning with neural network" (2022), Cambridge University Press
- Estimation non paramétrique
Estimation non paramétrique
Ects : 1
Enseignant responsable :
DENIS PASQUIGNONVolume horaire : 15
Description du contenu de l'enseignement :
- Estimation à noyau et par projection.
- Choix des paramètres de lissage : validation croisée, sélection de modèle.
- Estimation de la densité d'une variable aléatoire réelle.
- Estimation de la fonction de régression.
- Données censurées.
- Régression pour données fonctionnelles.
- Agrégation d'estimateurs.
Pré-requis recommandés :
Cours de statistique non-paramétrique de niveau M1.
Pré-requis obligatoire :
Notions d'algèbre linéaire en dimension finie (projection) et d'analyse (régularité des fonctions).
Statistique.
Compétences à acquérir :
Avoir des notions de base et avancées sur les aspects théoriques et pratiques de la statistique non-paramétrique.
Mode de contrôle des connaissances :
Examen.
- Cybersécurité en pratique
Cybersécurité en pratique
Ects : 2
Volume horaire : 18
- Data quality
Data quality
Ects : 2
Enseignant responsable :
JUVENAL AMOS IDOVolume horaire : 21
- Advanced machine learning
Advanced machine learning
Ects : 2
Enseignant responsable :
DIDIER JEANNELVolume horaire : 21
Bloc Optionnel "voie Sciences des données" S4
- Introduction à l'apprentissage supervisé
Introduction à l'apprentissage supervisé
Ects : 3
Enseignant responsable :
PATRICE BERTRANDVolume horaire : 21
Description du contenu de l'enseignement :
1- Analyse factorielle discriminante 2- Analyse discriminante linéaire et quadratique 3- Classification bayésienne à l ’ aide de modèles de mélange 4- Classifieur bayésien et classifieur bayésien naïf 5- Sélection de modèles de mélange parcimonieux 6- Arbres de décision 7- Forêts aléatoires
L'ensemble de ces méthodes enseignées est illustré par des démonstrations du logiciel R sur des jeux de données réel (principalement Analyse Discriminante linéaire et quadratique, Classification bayésienne gaussienne, Classifieur bayésien naïf, Forêts aléatoires).
Pré-requis obligatoire :
Algèbre Linéaire (calcul matriciel), Analyse Factorielle (cadre général et cas de l'Analyse en Composantes Principales), Théorie élémentaire des probabilités
Compétences à acquérir :
Ce cours présente les méthodes élémentaires d’apprentissage supervisé suivantes : analyse factorielle discriminante, classification bayésienne à l’aide de modèles de mélange, arbres de décision et forêts aléatoires. Les propriétés théoriques et différentes formulations de ces méthodes sont présentées. Leurs mises en oeuvre, ainsi que celles de leurs variantes, sont illustrées à l’aide de traitements de données effectués avec le logiciel R. L'objectif de ce cours est l'acquisition de la maîtrise de ces méthodes élémentaires d’apprentissage supervisé.
Mode de contrôle des connaissances :
Examen
Bibliographie-lectures recommandées
- Benzecri, J.-P. (1980) Pratique de l ’ analyse des données. Dunod. Paris. - Bouveyron, C., Celeux, G., Murphy, T., & Raftery, A. (2019) Model-Based Clustering and Classification for Data Science: With Applications in R, Cambridge Series in Statistical and Probabilistic Mathematics, Cambridge: Cambridge University Press.
- Breiman,L., Friedman, J.H., Olshen,R., and Stone, C.J. (1984). Classification and Regression Trees, Wadsworth & Brooks/Cole Advanced Books & Software, Pacific California.
- Hastie, T., Tibshirani, R., Friedman, J. (2009) The Elements of Statistical Learning : Data Mining, Inference, and Prediction, Second Edition, Springer Series in Statistics. - James, G., Witten, D., Hastie, T., Tibshirani, R., Taylor, J., (2023) An Introduction to Statistical Learning: With Applications in Python, Springer International Publishing. - Lebart, L., Piron, M. , Morineau, A. (2006) (4ème edition, refondue) Statistique Exploratoire Multidimensionnelle, 480 pages, Dunod. - Saporta, G. (2006), Probabilités, Analyse des données et Statistique, 656 pages, Technip.
- Gestion des risques et construction de portefeuille
Gestion des risques et construction de portefeuille
Ects : 2
Enseignant responsable :
GABRIEL TURINICIVolume horaire : 21
Description du contenu de l'enseignement :
- rappels du cadre classique : critère moyenne-variance, Markowitz, CAPP, MEDAF
- théorie du portefeuille: indices, portefeuilles optimaux, beta, arbitrage, APT, facteurs
- valuation de produits dérivés et probabilité risque neutre
- trading de volatilité
- assurance de portefeuille: stop-loss, options, CPPI, Buy&Hold, Constant-Mix
- en fonction du temps: deep learning en finance, indicateurs techniques, portefeuille universel
Compétences à acquérir :
cf. descriptif
En savoir plus sur le cours :
Bibliographie-lectures recommandées
cf. site du cours
- Gestion Actif-Passif et Modélisation ALM (dans le cadre de la Solvabilité 2)
Gestion Actif-Passif et Modélisation ALM (dans le cadre de la Solvabilité 2)
Ects : 2
Enseignant responsable :
DUC HIEN VUVolume horaire : 15
- Initiation à VBA pour Excel
Initiation à VBA pour Excel
Ects : 1
Enseignant responsable :
DAVID BEAUDOUINVolume 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
- Pratique de Bloomberg
Pratique de Bloomberg
Ects : 1
Volume horaire : 6
- Calibration de Modèles
Calibration de Modèles
Ects : 2
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
- Séries temporelles et applications actuarielles
Séries temporelles et applications actuarielles
Ects : 2
Enseignant responsable :
TACHFINE EL ALAMIVolume horaire : 18
Description du contenu de l'enseignement :
Ce cours est consacré à la présentation des principaux modèles de séries temporelles, à leur estimation statistique et à leur prédiction dans un cadre stationnaire et non stationnaire.
Le cours s’organise de la manière suivante. Une première partie introduit les contextes d’utilisation des séries temporelles en assurance principalement de manière graphique, une deuxième partie poursuit avec les modèles univariés les plus standards (de AR à SARIMA) après des rappels généraux (notions de stationnarité, d’autocorrélation, bruit blanc et marche aléatoire). Plusieurs applications des modèles sont proposées sous R. La deuxième partie étudie les modèles multivariés (VAR, VECM) avant leurs applications à la modélisation de séries macro-économiques et financières multivariées. Une troisième partie présente les modèles à hétéroscédasticité conditionnelle (ARCH et GARCH principalement) qui seront appliqués sur les séries financières (taux d’intérêt, action, produits dérivés). Enfin une dernière partie conclura en ouvrant sur les thématiques du moment.
Compétences à acquérir :
L’objectif de ce cours est de présenter la théorie et la pratique de l’analyse des séries temporelles au travers de leurs applications en assurance.
Mode de contrôle des connaissances :
Examen et projet
- Risque de crédit
Risque de crédit
Ects : 3
Enseignant responsable :
BENOIT HOUZELLE
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.
- Activités de marché d'une banque d'investissement
Activités de marché d'une banque d'investissement
Ects : 1
Enseignant responsable :
THIERRY HERNUVolume horaire : 9
- Reinforcement learning
Reinforcement learning
Ects : 2
Volume horaire : 21
Bloc Mémoire
- Mémoire
Mémoire
Ects : 12
Formation année universitaire 2024 - 2025 - 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. La présence est obligatoire.
UE fondamentales S3
- 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
- Méthodes actuarielles
Méthodes actuarielles
Ects : 3
Enseignant responsable :
MARC DOMANGEVolume 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.
- 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’assurance2. Donner des éléments statistiques sur le secteur de l’assurance3. Rappeler des éléments de probabilité et de mathématiques financières4. Déterminer la tarification des engagements vie et non vie5. Exposer les formes de garanties proposées en vie et en non vie 6. Calculer les engagements techniques des contrats d'assurance7. Étudier la gestion du risque au niveau de l’organisme assureur8. Donner des notions de comptabilité et de réglementation propre à l'assurance9. Présenter les principes de la réassurance10. Étudier la notion de solvabilité d’un organisme assureur et quelques éléments prudentiels
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 : 18
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 : 3
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.
- Introduction à l'apprentissage supervisé
Introduction à l'apprentissage supervisé
Ects : 3
Enseignant responsable :
PATRICE BERTRANDVolume horaire : 21
Description du contenu de l'enseignement :
1- Analyse factorielle discriminante 2- Analyse discriminante linéaire et quadratique 3- Classification bayésienne à l ’ aide de modèles de mélange 4- Classifieur bayésien et classifieur bayésien naïf 5- Sélection de modèles de mélange parcimonieux 6- Arbres de décision 7- Forêts aléatoires
L'ensemble de ces méthodes enseignées est illustré par des démonstrations du logiciel R sur des jeux de données réel (principalement Analyse Discriminante linéaire et quadratique, Classification bayésienne gaussienne, Classifieur bayésien naïf, Forêts aléatoires).
Pré-requis obligatoire :
Algèbre Linéaire (calcul matriciel), Analyse Factorielle (cadre général et cas de l'Analyse en Composantes Principales), Théorie élémentaire des probabilités
Compétences à acquérir :
Ce cours présente les méthodes élémentaires d’apprentissage supervisé suivantes : analyse factorielle discriminante, classification bayésienne à l’aide de modèles de mélange, arbres de décision et forêts aléatoires. Les propriétés théoriques et différentes formulations de ces méthodes sont présentées. Leurs mises en oeuvre, ainsi que celles de leurs variantes, sont illustrées à l’aide de traitements de données effectués avec le logiciel R. L'objectif de ce cours est l'acquisition de la maîtrise de ces méthodes élémentaires d’apprentissage supervisé.
Mode de contrôle des connaissances :
Examen
Bibliographie-lectures recommandées
- Benzecri, J.-P. (1980) Pratique de l ’ analyse des données. Dunod. Paris. - Bouveyron, C., Celeux, G., Murphy, T., & Raftery, A. (2019) Model-Based Clustering and Classification for Data Science: With Applications in R, Cambridge Series in Statistical and Probabilistic Mathematics, Cambridge: Cambridge University Press.
- Breiman,L., Friedman, J.H., Olshen,R., and Stone, C.J. (1984). Classification and Regression Trees, Wadsworth & Brooks/Cole Advanced Books & Software, Pacific California.
- Hastie, T., Tibshirani, R., Friedman, J. (2009) The Elements of Statistical Learning : Data Mining, Inference, and Prediction, Second Edition, Springer Series in Statistics. - James, G., Witten, D., Hastie, T., Tibshirani, R., Taylor, J., (2023) An Introduction to Statistical Learning: With Applications in Python, Springer International Publishing. - Lebart, L., Piron, M. , Morineau, A. (2006) (4ème edition, refondue) Statistique Exploratoire Multidimensionnelle, 480 pages, Dunod. - Saporta, G. (2006), Probabilités, Analyse des données et Statistique, 656 pages, Technip.
- Méthodes pour les modèles de régression
Méthodes pour les modèles de régression
Ects : 3
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.
- Rappels théoriques sur le modèle linéaire gaussien multivarié, Anova, Ancova, sélection de modèle, validation du modèle...
- 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.
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
Introduction au Machine learning
Ects : 2
Enseignant responsable :
PIERRE BRUGIEREVolume horaire : 15
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 :
Théorie du statistical learning. Comprendre comment utiliser les Supports Vectors Machines pour l'apprentissage supervisé et non supervisé. Quelques application des méthodes de regressions pénalisées. Application à des problèmes de crédit et de courbe des taux.
Mode de contrôle des connaissances :
Examen
Bibliographie-lectures recommandées
[1] Pierre Brugiere: hal.archives-ouvertes.fr/cel-01390383v2
[2] Wolfgang Karl Härdle, Rouslan Moro, Linda Hoffmann : Learning Machines Supporting Bankruptcy Prediction, SFB 649 Discussion Paper 2010-032
[3] Dave DeBarr and Harry Wechsle: Fraud Detection Using Reputation Features SVMs, and Random Forests
[4] Trevor Hastie, Robert Tibshirani, Jerome Friedman: The Elements of Statistical Learning
[5] Christopher Bishop: Pattern Recognition and Machine Learning
[6] Andriy Burkov: The Hundred-Page Machine Learning Book
- Deep learning
Deep learning
Ects : 2
Enseignant responsable :
GABRIEL TURINICIVolume horaire : 18
Description du contenu de l'enseignement :
1/ Deep learning : applications majeures, références, culture
2/ Types d’approches: supervisé, renforcement, non-supervisé
3/ Réseaux neuronaux: présentation des objets: neurones, opérations, fonction loss, optimisation, architecture
4/ Focus sur les algorithmes d’optimisation stochastique et preuve de convergence de SGD
5/ Réseaux convolutifs (CNN) : filtres, couches, architectures
6/ Technique: back-propagation, régularisation, hyperparamètres
7/ Réseaux pour des séquences : RNN, LSTM, Attention, Transformer
8/ réseaux génératifs (GAN, VAE)
9/ Environnements de programmation pour réseaux neuronaux: Tensorflow, Keras, PyTorch et travail sur les exemples vus en cours
10/ Si le temps permet: Stable diffusion, LLM
Pré-requis obligatoire :
python, mathématiques : algèbre, probabilités, analyse numérique
Compétences à acquérir :
introduction au deep learning
En savoir plus sur le cours :
Bibliographie-lectures recommandées
- Decentralized et Crypto Finance : new era of financial services
Decentralized et Crypto Finance : new era of financial services
Ects : 2
Enseignant responsable :
REMY OZCANVolume horaire : 15
- SAS, R et Python
SAS, R et Python
Ects : 3
Enseignant responsable :
LAURENT ALLOVolume horaire : 21
UE complémentaires voie QRF S3
- Statistiques et dynamique des produits dérivés
Statistiques et dynamique des produits dérivés
Ects : 2
Enseignant responsable :
GABRIEL TURINICIVolume horaire : 21
Description du contenu de l'enseignement :
1/ Approches en probabilité historique (gestion de portefeuille classique), portefeuilles optimaux, beta, arbitrage, APT
2/ Valuation de produits dérivés et probabilité risque neutre
3/ Trading de volatilité, volatilité locale et calibration
4/ Assurance du portefeuille: stop-loss, options, CPPI, CRP - Constant Mix
5/ Options exotiques ou cachées: ETF short, etc.
Pré-requis recommandés :
python, calcul stochastique, produits dérivés
Compétences à acquérir :
approche pratique et empirique des produits dérivés et de la gestion de risques tout en se basant sur une formalisation stochastique avancée
En savoir plus sur le cours :
Bibliographie-lectures recommandées
Voir turinici.com
- Modélisation stochastique du risque de crédit
Modélisation stochastique du risque de crédit
Ects : 2
Enseignant responsable :
EMMANUEL LEPINETTEVolume horaire : 21
UE fondamentales S4
- 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
- Culture Financière et pratique de Bloomberg
Culture Financière et pratique de Bloomberg
Ects : 2
Enseignant responsable :
DENIS BERTIN
PIERRE BRUGIEREVolume horaire : 15
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
- Python et pratique de la Data Science
Python et pratique de la Data Science
Ects : 2
Volume horaire : 15
Description du contenu de l'enseignement :
- Préparation des données, EDA. Traitement des classes déséquilibrées
- Les Réseaux de neurones ANN et leur optimisation avec les Hyperparametres
- Les Réseaux de neurones RNN et CNN
- L'apprentissage non supervisé avec KNN et les Autoencodeurs
- Le modèle XGBoost
- Le cours se déroule d'une manière générale en 2 parties: Rappels théoriques et approfondissements, puis projet à mener en trinôme.
UE complémentaires voie QRF S4
- Modélisation stochastique des courbes de taux
Modélisation stochastique des courbes de taux
Ects : 3
Enseignant responsable :
IMEN BEN TAHARVolume 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.
- Implémentation de modèles multivariés en finance et assurance
Implémentation de modèles multivariés en finance et assurance
Ects : 2
Enseignant responsable :
EMMANUEL LEPINETTEVolume horaire : 18
UE complémentaires voie MDB S4
- Recent Advances in Data Sciences
Recent Advances in Data Sciences
Ects : 3
Enseignant responsable :
THEO LOPES QUINTASVolume horaire : 21
Description du contenu de l'enseignement :
Le domaine du Machine Learning et du Deep Learning évoluant sans cesse plus rapidement, il est essentiel d'avoir des bases solides dans ces deux domaines pour naviguer dans les nombreux articles de recherche du domaine. Nous traiterons de notions réinterprétés ou présentés entre 2017 et 2023 à la lumière d'articles plus anciens.
Les séances serons organisée par thème :
- Bon départ d'un réseau de neurones
- Calibration en Machine Learning
- Mise à jour moderne des poids d'un réseau de neurones
- Avancées des Large Language Models pour les réseaux de neurones en général
- Tokenization et impacts
Pour chaque séances plusieurs TP avec PyTorch serons proposés pour manipuler le cours. Les séances restante seront dédiés à la préparation d'une soutenance finale portant sur une ou plusieurs des notions abordées dans les 5 séances.
Pré-requis obligatoire :
Machine Learning et Deep Learning, mathématiques niveau master 1 maths
Compétences à acquérir :
- Lecture, implémentation et critique d'un papier de recherche en Machine Learning
- Utilisation de PyTorch et Latex
- Capacité de synthèse et de vulgarisation de notions complexe en Machine Learning
- Culture générale sur le domaines et les acteurs
Mode de contrôle des connaissances :
Soutenance d'un sujet de recherche proposé, avec rédaction d'un rapide compte-rendu, des slides et un notebook.
Bibliographie-lectures recommandées
-
Machine Learning et Deep Learning
- Hands-on Machine Learning with Scikit-Learn , Aurélien Géron, O'Reilly
- Deep Learning avec TensorFlow , Aurélien Géron, O'Reilly
- Deep Learning with Python , François Chollet, Manning
-
Culture générale
- Weapons of Math Destruction , Cathy O'Neil, Crown Books
- Quand la machine apprend , Yann Le Cun, Odile Jacob
- De l'autre côté de la machine : Voyage d'une scientifique au pays des algorithmes, Aurélie Jean, Édition de l'observatoire
- Data Science for Business
Data Science for Business
Ects : 2
Enseignant responsable :
BAN ZHENG
PIERRE FISZ
BASSEM GHARBIVolume horaire : 21
- Renforcement Learning
Renforcement Learning
Ects : 2
Enseignant responsable :
GABRIEL TURINICIVolume horaire : 21
Description du contenu de l'enseignement :
1/ Introduction au reinforcement learning 2/ Formalisme théorique : « Markov decision processes » (MDP), function valeur ( équation de Belman et Hamilton- Jacobi – Bellman) etc. 3/ Stratégies usuelles, sur l’exemple de “multi-armed bandit” 4/ Stratégies en deep learning: Q-learning et DQN 5/ Stratégies en deep learning: SARSA et variantes 6/ Stratégies en deep learning: Actor-Critic et variantes 7/ Implémentations Python variées 8/ Perspectives.
Pré-requis recommandés :
tensorflow, keras, pytorch
Pré-requis obligatoire :
python, analyse numérique
Compétences à acquérir :
introduction au deep reinforcement learning, avec une vision machine learning empirique: principaux algorithmes, implementations pratiques (gym)
En savoir plus sur le cours :
Bibliographie-lectures recommandées
- Machine Learning, Transformeret NLP
Machine Learning, Transformeret NLP
Ects : 2
Enseignant responsable :
DIDIER JEANNELVolume horaire : 18
Conduite de projets et mémoire
- 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
Formation année universitaire 2024 - 2025 - 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.
Stages et projets tutorés
Le stage de 3 mois est conçu pour :
- Développer les capacités d'adaptation, d'initiative et d'innovation dans un environnement professionnel,
- Contribuer à la formation de l'étudiant aux méthodes de résolution des problèmes de l'entreprise : analyse des problèmes, recherche de solutions, mise en œuvre informatique à l'aide des outils de l'entreprise, communication des résultats.
Les stages peuvent commencer dès le 1er avril. Il est conseillé aux étudiants de choisir un stage d'une durée supérieure à 3 mois (6 mois par exemple). Les étudiants sont responsables de la recherche de leur stage. Le sujet doit être approuvé par le responsable des stages du département dans lequel l'étudiant est inscrit et une convention de stage doit être signée. Le stage peut se dérouler en France ou à l'étranger. Chaque stage est encadré 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. 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 modalités qu'un stage. Le département informe les étudiants des offres de stage qu'il 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