I am currently involved in several research communities, some of them below
- coordinator of the ‘Artificial intelligence and machine learning’ and ‘Coronavirus : immunity research’ communities
Auteur : gabriel
Cours Deep Learning, M2 ISF App, 2020-2021
Responsable: Gabriel TURINICI, Claude VINCENT
Contenu: introduction, SGD, CNN, GAN, VAE … + TP sour tout ça.
Nouveau: petit sondage (8 min) sur l’IA et médecine: répondre ICI.
Documents (support de cours, autres documents, …)
NOTA BENE: Tous des documents sont soumis au droit d’auteur, et ne peuvent pas être distribués sauf accord préalable ECRIT de l’auteur.
Approches déterministes et stochastique pour la valuation d’options, M2 ISF App, 2020-21
Responsable: Gabriel TURINICI
Contenu
- probabilité historique (gestion de portefeuille classique), 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: stop-loss, options, CPPIs
- Options exotiques ou cachées: ETF short, etc.
Documents (support de cours, autres documents, …)
NOTA BENE: Tous des documents sont soumis au droit d’auteur, et ne peuvent pas être distribués sauf accord préalable ECRIT de l’auteur.
 pour théorie de gestion de portefeuille « actions » classique (proba historique) | livre du cours de M1 Mouvement Brownien et évaluation d’actifs dérivés |
| Data python: CSV ici | Programme : portefeuille optimal portefeuilles pris au hasard | |
 |  |  |
| Documents: rappels dérivées | Code: génération de brownien, calcul Monte Carlo d’options | Code delta hedging |
| Code: trading de volatilité | Résultats | Explication théorique: document pdf |
| Code: stop loss, code CPPI, code Constant-Mix | Résultat stop-loss, résultat CPPI, résultat constant-mix | Théorie livre du cours de M1, sections 6.2 ; Notes manuscrites Vidéo Youtube sur le CPPI:  partie 1/2, partie 2/2Beta slippage: présentation. |
Modèles de taux (M2 ISF App + M2 MASEF, 2020-2021)
Responsable: Gabriel TURINICI
Contenu
- 1 Quelques rappels de calcul stochastique
- 2 Generalites sur les modeles de taux
- 3 Produits de taux classiques
- 4 Le modele LGM
- 5 Le modele BGM
- 6 Modele SABR
- 7 Modele d’Heston (en fonction du temps)
- Bibliographie: poly distribué
Documents de support de cours, autres documents
NOTA BENE: Tous des documents sont soumis au droit d’auteur, et ne peuvent pas être distribués sauf accord préalable ECRIT de l’auteur.
Supports de cours: POLY , attention il s’agit d’une version mise à jour au fur et à mesure (dernière mise à jour: 5/3/2021).
Autres : poly annoté, notes manuscrites
Partie introductive: poly analyse numérique, regarder chapitre « EDS » pour rappels de calcul sto.
Analyse numérique: évolution (M1 Math, Université Paris Dauphine – PSL, 2020-21)
Responsable de cours: Gabriel TURINICI
Contenu:
1 Introduction
2 EDO
3 Calcul de dérivée et contrôle
4 EDS
Bibliographie: poly distribué
Documents de support de cours, autres documents
NOTA BENE: Tous des documents sont soumis au droit d’auteur, et ne peuvent pas être distribués sauf accord préalable ECRIT de l’auteur.
Supports de cours:
- POLY MIS A JOUR (dernière mise à jour: 10 mai 2021). (ne pas diffuser sauf accord ECRIT de l’auteur)
- Poly avec les annotations pendant le cours: ici.
- Notes manuscrites prises lors des séances de cours.
- Notes manuscrites séance de TD (groupe 1): séance 1: ICI, séance 2, séance 3, séance 4, séance 5, séance 6,séance 7 (EDS).
- Séances de TP (groupe 1) : code d’exploration de la précision, (version courte ici), code stabilité Euler explicite, code SIR (début), code contrôle SIR, code génération brownien, code Euler-Maruyama et Monte Carlo,
Cours 1 du 19/1/2021: video Youtube chapitre 1 (motivation/EDO) : visioner ICI , ensuite revenir sur la séance Teams pour commentaires et questions.; video Youtube chapitre 1 (motivation/EDS) : visioner ICI , ensuite revenir sur la séance Teams pour commentaires et questions.; video Youtube chapitre 1 (motivation/backward) : visioner ICI , ensuite revenir sur la séance Teams pour commentaires et questions.- Cours 2: voir le poly annoté; une video Youtube partielle chapitre 2 (EDO/existence) : visioner ICI
Statistique non-paramétrique (M1 Math 20-21)
M1 mathématiques appliquées, Université Paris Dauphine -PSL, 2020-21
Responsable: Gabriel TURINICI
Contenu
- 1 Introduction et rappels
- 2 Estimation de la fonction de répartition
- 3 Tests robustes
- 4 Estimation de densités par estimateurs à noyau
- 5 Régression non paramétrique
Bibliographie: poly distribué
Documents de support de cours, autres documents
NOTA BENE: Tous des documents sont soumis au droit d’auteur, et ne peuvent pas être distribués sauf accord préalable ÉCRIT de l’auteur.
| Supports de cours | ||
| poly 2020/21, (dernière mise à jour 6 mai 2021). | Poly annoté | notes manuscrites |
| Cours 1 : sections 1.1-1.2 « Motivation » vidéo Youtube | Cours 1: section 1.3 « Inégalités » vidéo Youtube | Cours 1, section 1.4 « Thm. de convergence classique » vidéo Youtube |
| Cours 2 :section 1.5 « Rappels espérance conditionnelle » vidéo Youtube | Cours 2 section 1.6 « Rappel variables symétriques » vidéo Youtube | Cours 2 section 1.7.1 « Rappels sur les tests paramétriques (1) » vidéo  Youtube |
A PARTIR d’ici version ancienne 2019/20
Notes du cours : poly annoté cours 1et 2 , cours 3 , cours 3,4 notes manuscrites
corrigé ex 2018: regarder l’exo 3 qui démontre le fait que la convergence des cdf en tout point de continuité est pareil que celle de l’inverse généralisée.
Vidéos des séances de cours pendant confinement printemps 2020: Vidéo youtube sur le test du signe; Vidéo Youtube: test de Wilcoxon, Vidéo Youtube: propriétés des rangs.; Test de Mann-Whitney partie 1/2; Test de Mann-Whitney partie 2/2, Estimation de densité partie 1/1, Estimation de densité par estimateurs à noyau, vidéo régression non paramétrique, vidéos: régression non paramétrique par polynomes locaux, et régression: validation croisée et phénomène d’overfit,
Convergence dynamics of Generative Adversarial Networks: the dual metric flows — talk at the CADL workshop (ICPR 2020 conference)
This is a talk presented at the CADL (Computational Aspects of Deep Learning) workshop held during the 25th ICPR conference (held virtually in Milano, IT, Jan 10-15 2021) 
Talk materials:
Stochastic Runge-Kutta methods and adaptive SGD-G2 stochastic gradient descent: talk at the ICPR 2020 conference
This is a talk on a joint work with Imen Ayadi presented at the 25th ICPR conference (held virtually in Milano, IT, Jan 10-15 2021)
Talk materials: Youtube Video of the presentation and the slides of the presentation.
Report on generative models (GAN, VAE, …)
Read the report here (in French) « Deepfakes & Algorithmes: Menace ou Opportunité ? »
Generative models (GANs, VAE, etc.) are used in machine (deep) learning, to generate new data; this is the imaginative side of artificial intelligence.
Book on stochastic calculus in finance (French)
New book (in French) "Stochastic calculus for the evaluation and hedging of contingent claims - with exercices, programming and case studies" by Imen Ben Tahar, José Trashorras & Gabriel Turinici
Pdf version here: since this is a copyrighted document please do not distribute without previous written consent.
Erratum: a list of corrections here and the updated book here.