Annexes
Lemme d'Itô
Un processus stochastique (Xt) est appelé
processus d'Itô s'il est de la forme :
Z t Z t
Xt = X0 + 0
áudu + 0 HudBu (4.4.2)
Où X0 est F0 mesurable,
át et Ht sont deux processus F-adapté,
át est intégrable et Ht est de carré
intégrable et Bt un mouvement brownien stochastique.
On note également sous la forme intégrale :
dXt = átdt + HtdBt (4.4.3)
Pour une fonction f de classe
C1,2 (Ou bien dérivable et que son
dérivé est continue) et (Xt) un processus d'Itô
alors Yt = f(t, Xt) est un processus d'Itô et
ona :
?f
2
f(t, Xt) = f(0, X0)+ ~t
?t (u, Xu)du+Jot
?x(u, Xu)dXu+
2 Jot ?x2f(u, Xu)d < X
>u (4.4.4)
fot ?f ?f
21?2f ft ?f
= f(0, X0) + ( ?t +
áu ?x + Hu 2 ?x2)(u,
Xu)du + o Hu (u,
Xu)dBu (4.4.5)
Où encore, en formation différentielle
?2f
df(t, Xt) = (?f ?t +
át ?f 1
?x + H2 ?x2 )(t, Xt)dt
+ Ht ?f
?x(t, Xt)dBt (4.4.6)
t 2
Rappel des expressions statistiques
Le coefficient d'asymétrie (Skewness en
anglais) pour n réalisation (x1, ...,
xn) d'une variable aléatoire X de moyenne u et
écart-type ó est défini par :
1
SK = ó3
|
E(xi - u)3
|
(4.4.7)
|
|
|
Le coefficient d'aplatissement (Kurtosis en anglais)
pour n réalisation (x1, ..., xn)
d'une variable aléatoire X de moyenne u et écart-type
ó est défini par :
1
K = ó4
|
E(xi - u)4
|
3 (4.4.8)
|
|
|
CHAPITRE 4. APPLICATION PRATIQUE DE LA MISE EN PLACE D'UN GSE
ET PROJECTION AU SEIN DU MODÈLE ALM
Soit X, Y deux variables aléatoires réelles de
variance finis noté respectivement óX, óY
alors le le coefficient de corrélation noté
COR(X,Y) ou ñXY est défini par:
ñXY =
|
COV (X, Y ) (4.4.9)
óXóY
|
|
Où COV(X,Y) est la covariance de X et Y définie
par:
COV (X, Y ) = E(XY ) - E(X)E(Y) (4.4.10)
Série temporelle ARCH
Le modèles ARCH (Auto Regressive Conditional
Heteroskedacity) utilisés en économétrie pour la
modélisation des séries chronologiques et les séries
temporelles financières à volatilité variable.
Un modéle ARCH de paramétre q
noté ARCH(q) est définie par:
Et = ótZt (4.4.11)
Avec :
· Et : Les innovations de le série.
· Zt : Variable aléatoire qui suit une loi
normale centrée réduite.
· ót = á0 + Pq
i=1 áiE2 t_i
Modéle Linéaire
Généralisé (GLM)
En statistiques, en économétrie et en
apprentissage automatique, un modèle de régression
linéaire est un modèle de régression qui cherche à
établir une relation linéaire entre une variable dite
expliquée et une ou plusieurs variables dites explicatives.
Le modèle s'écrit de la maniére suivante
:
Y = Xâ + E (4.4.12)
Avec :
· Y : Variable endogéne.
· X : Variable explicative.
· â : Paramétre à
expliquer.
· E : Erreur.
On définit la valeur prédite où
ajustée par la relation suivante Yà = X âà
et le résidu comme la différence entre la valeur
observée et la valeur prédite, soit ~à = Y -
Yà .
CHAPITRE 4. APPLICATION PRATIQUE DE LA MISE EN PLACE D'UN GSE ET
PROJECTION AU SEIN DU MODÈLE ALM
L'estimateur des Moindre Carré Ordinaire (MCO)
s'écrit:
â à= (X'X)-1y
(4.4.13)
Où y est la réalisation de Y[29].
Coefficient de variation =
Ecart-type
Moyenne
Martingale : On dit que la variable
aléatoire Xt est martingale pour la filtration
Ft sous la probabilité P si et seulement si
:
EP
(Xt+1/Ft) = Xt
(4.4.14)
Pour la réalisation du projet, nous avons utilisé
:
Marque, modèle PC
|
Acer, PC du cabinet ERM Partners
|
Système d'exploitation
|
Windows 10 Education
|
Processeur
|
Intel(R) core(TM) i5-7200U CPU @ 2.50Hz 2.70 GHz
|
R studio
|
R i386 2.15.1 64bits
|
Excel - VBA Excel
|
Microsoft office 2010
|
Document interne de ERM Partners
|
Scénarios économique en assurance : Simulation et
projection (A.Faleh-Frederic Planchet) Gestion Actif-Passif en
assurance-vie (Véronique Mattei) GSE en assurance : Cas d'application
ALM (Faleh-Planchet) Mémoire développé en interne du
cabinet ERM : GSE Tunisien: Calibration et
projection élaborée par Zeineb Ghardallou
|
CHAPITRE 4. APPLICATION PRATIQUE DE LA MISE EN PLACE D'UN GSE ET
PROJECTION AU SEIN DU MODÈLE ALM
Variable macro économique
|
Equation
|
Modélisation
|
Inflation
+
Immobilier
|
Processus d'Orstein - Uhlenbeck
|
dut = ka(iLa,t - ut)dt + UadBa,t
|
Taux d'intérêt nominale
|
Déduit des taux
d'intérêts réels
etPn(t,T) des anticipations
d'inflation
|
PT(t,T) EQ Inft
|
= * t [ InfT ]
|
Taux d'intérêt réel
|
Modèle de Hull and White
|
drr(t) = iir[ll(t) -
rr(t)]dt
+ rdWr(t)
|
Rendement des actions
|
Somme du taux sans risque taux d'inflation et une prime de
risque
|
St = rr(t) + mnit + xt
|
|