1 / 13

Génération de nombres aléatoires

La foncion rand() elle génère un nombre aléatoire compris entre 0 et RAND_MAX Pour générer une suite de nombre suivant une loi uniforme entre 0 et 1 nous allons donc diviser le nombre généré par rand() par RAND_MAX

kyran
Download Presentation

Génération de nombres aléatoires

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. La foncion rand() • elle génère un nombre aléatoire compris entre 0 et RAND_MAX • Pour générer une suite de nombre suivant une loi uniforme entre 0 et 1 nous allons donc diviser le nombre généré par rand() par RAND_MAX • Problème : La fonction rand utilise un algorithme qui va donc générer la même suite de nombre à chaque appel. On va appeler la fonction srand() qui va modifier la racine de la fonction rand() grâce à l’heure de lancement du programme. Génération de nombres aléatoires

  2. Génération d’une loi normale par la méthode de Box Muller • Grâce à la fonction de génération d’une suite de nombres suivant une loi uniforme nous allons pouvoir réaliser un fonction de simulation d’une loi normale. • La méthode de Box-Muller. Simulation d’une loi normale

  3. Génération d’une loi normale par la méthode de Box Muller • Grâce à la fonction de génération d’une suite de nombres suivant une loi uniforme nous allons pouvoir réaliser un fonction de simulation d’une loi normale. • La méthode de Box-Muller. Simulation d’une loi normale

  4. Objectif et motivations: • Approche traditionnelle d’optimisation a de nombreux inconvénients. • Utilisation de rendements espérés difficiles à estimer. • Nous allons le monter l’optimisation naïve avec les rendements historiques donne des résultats extrêmes. • Les pondérations obtenues sont très sensibles aux variations de rendements. • L’approche traditionnelle ne tient pas compte des incertitudes. Frontière Efficiente – Approche de Black Litterman

  5. Présentation des limites de l ’approche traditionnelle. a. Frontière efficiente et sensibilité aux rendements. b. Utilisation des rendements historiques. c. Optimisation avec contraintes. d. Pondérations d’équilibre. • Approche de Black Litterman a. L’approche. b. Spécification des vues. c. Calibrations. Frontière Efficiente – Approche de Black Litterman

  6. 1. Présentation des limites de l ’approche traditionnelle. A. Frontière efficiente et sensibilité aux rendements. • Première étape obtenir les pondérations de notre portefeuille optimale. • On prend des rendements espérés tous égaux à 0,13. • Dans un deuxième on augmente trois rendement espérés de +5% L'utilisation de rendements espérés arbitraire conduit à un portefeuille peu réaliste

  7. 1. Présentation des limites de l ’approche traditionnelle. • B. Utilisation des rendements historiques. • Impact sur les pondérations de l’utilisation des rendements historiques L'utilisation des rendements historiques conduit à des pondérations extrêmes

  8. 1. Présentation des limites de l ’approche traditionnelle. C. Optimisation avec contraintes. • Optimisation accentue les erreurs d’estimations. Ajout de contraintes et nouveau problème. • Résolution de ce problème avec le solver.

  9. 1. Présentation des limites de l ’approche traditionnelle. D. Pondérations d’équilibre. • On part des capitalisations pour avoir les pondérations d’équilibre puis les rendements d’équilibre. • A partir des pondérations issues de la capitalisation on calcul la prime de risque. • On utilise le modèle du CAPM pour obtenir les pondérations à partir des bétas.

  10. 2. Approche de Black Litterman A. L’Approche • Dans cette section on cherche à savoir comment concilier « au mieux »  ces anticipations avec celles du marché. • Il faut combiner ces vues avec l’équilibre ( rendements d’équilibre et wcap) de manière optimale. • Nos vues sont au nombre de deux:

  11. 2. Approche de Black Litterman B. Spécification des vues. • On a donc deux vues que l’on combine sous forme matricielle. • On cherche un compromis optimal entre l’équilibre de marché et les vues. On calcul l’espérance des rendements.

  12. 2. Approche de Black Litterman B. Spécification des vues. • Des lors on se penche sur le calcul des nouvelles pondérations issues de ces rendements. On effectue une optimisation espérance/variance.

  13. 2. Approche de Black Litterman C. Calibrations. • Notre calibration consiste à retrouver les valeurs de paramètre du modèle à partir des données du marché. • On calibre τ grâce au ratio d’information. Ce ratio ne doit pas dépasser 2. Calcul de τ Calcul de E(R) Master formula Pondérations Pondérations relatives Rendement en excès Erreur de tracking Ratio d’informatio

More Related