gabriel – Gabriel Turinici

Analyse numérique: évolution (M1 Math, Université Paris Dauphine – PSL, 2005-23)

janvier 23, 2023janvier 30, 2023gabriel

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: livre « Simulations numériques des problèmes dépendant du temps: appliquées à l’épidémiologie, l’intelligence artificielle et les finances«

POLY MIS A JOUR (dernière mise à jour: 23/1/2023). (ne pas diffuser sauf accord ECRIT de l’auteur)
Notes manuscrites prises lors des séances de cours 2022/23 , (version 2021/22 ici)
Poly annoté 2022/23 lors des séances de cours.

Implementations TP: EDO: exo sur la précision, exo stabilité , SIR (version 1) et SIR (version controle, adjoint / backward); EDS (v1), EDS (v2)
Evaluation : à rendre par email

VERSION 2020/21

Poly avec les annotations pendant le cours: ici.
Notes manuscrites 2020/21 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

Statistiques et dynamique des produits dérivés, M2 ISF App, 2020+

janvier 5, 2023février 2, 2023gabriel

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
Assurance du portefeuille: stop-loss, options, CPPIs, Constant Mix
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.

Nom chapitre	Partie théorique	Implémentation	Résultats
Gestion classique de portefeuille (proba historique)	slides	Data python: format CSV et format PICKLE Autres données : CSV court (30/40) Programme: tests statistiques de normalité (version 2023) (version précédente). Programme: portefeuille optimal vs. pris au hasard, version 2023 (versions anciennes: v1, v2 )
produits dérivés et probabilité risque neutre	livre du cours de M1 « Mouvement Brownien et évaluation d’actifs dérivés » slides: rappels dérivées	Code: génération de brownien, calcul Monte Carlo d’options ; autre version Codes: prix et delta des options vanilles (Black & Scholes) Code delta hedging, version Bachelier

Trading de volatilité	document pdf	Code: trading de volatilité (ancienne version)	Résultats
Assurance du portefeuille: stop-loss, options, CPPIs, Constant Mix	slides, livre du cours de M1, sections 6.2 ; Notes manuscrites Vidéo Youtube sur le CPPI: partie 1/2, partie 2/2 Beta slippage: présentation.	Code: stop loss, code CPPI, code CPPI v2 code Constant-Mix dataC40	Résultat stop-loss, résultat CPPI, résultat constant-mix
Divers:	Projet

Note historique: nom du cours 2019/21: « Approches déterministes et stochastiques pour la valuation d’options »

4th J.P. Morgan Global Machine Learning Conference, Paris, Nov. 29, 2022

novembre 29, 2022novembre 29, 2022gabriel

Invited joint talk « A few key issues in Finance that Machine Learning is Helping Solve » with Pierre Brugiere presented at the 4th JP Morgan Global Machine Learning conference held in Paris, Nov 29 2022

Talk materials: slides ,link to the associated paper.

Round table at the Dauphine Digital Days

novembre 22, 2022janvier 3, 2023gabriel

Intervention at the round table « Tools, issues and current practice in media boards » at the Dauphine Digital Days held Nov 21-23 2022 at the Université Paris Dauphine – PSL, Paris, France.

Video (Youtube)

Executive summary: software in general and IA is used in many repetitive tasks in media (grammar correction, translation, data search, paper writing when the format is known as ‘trading day report’ or ‘election report’. But same techniques can also be used for more creative tasks, cf. craiyon,(try with « windy day in Paris »), singer, Midjourney gallery (paper on a prize won).

This opens the way to « deep fake » creation ex. youtube deepfake, which is the creation of objects that are fake but that pretend to be true. Deep fakes can and have been used to do harm and we cannot ignore it. Note that fake objects can still impact the real world (rumors can affect people and even the stock market and bansk, etc). But how to distinguish a ‘real’ object from a ‘fake’ one ? Difficult task and not sure the technology can solve it entirely. Some regulation is necessary, see our deep fakes repport. But ultimately this is within our hands and as always can be tacked with a ounce of good will.

Conference badge 🙂

Adaptive high order stochastic descent algorithms, NANMAT 2022 conference

octobre 27, 2022octobre 27, 2022gabriel

This is a talk presented at the Numerical Analysis, Numerical Modeling, Approximation Theory (NA-NM-AT 2022) conference, Cluj-Napoca, Romania, Oct 26-28 2022

Talk materials: the slides of the presentation.

Abstract: motivated by statistical learning applications, the stochastic descent optimization algorithms are widely used today to tackle difficult numerical problems. One of the most known among them, the Stochastic Gradient Descent (SGD), has been extended in various ways resulting in Adam, Nesterov, momentum, etc. After a brief introduction to this framework, we introduce in this talk a new approach, called SGD-G2, which is a high order Runge-Kutta stochastic descent algorithm; the procedure allows for step adaptation in order to strike a optimal balance between convergence speed and stability. Numerical tests on standard datasets in machine learning are also presented together with further theoretical extensions.

Cours Deep Learning, M2 ISF App, 2020+

octobre 16, 2022décembre 17, 2022gabriel

Responsable: Gabriel TURINICI (voir aussi les interventions de C. Vincent)

Contenu:
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 particuliers: réseaux récurrents (RNN) et LSTM; réseaux génératifs (GAN, VAE)
8/ Environnements de programmation pour réseaux neuronaux: Tensorflow, Keras, PyTorch et travail sur les exemples vus en cours

9/ Si le temps permet: NLP: word2vec and Glove: exemples d’utilisation : femme-homme+roi = reine

VERSIONS 2020/22

NOTA BENE: Tous des documents sont soumis au droit d’auteur, et ne peuvent pas être distribués sauf accord préalable ECRIT de l’auteur.

petit sondage (8 min) sur l’IA et médecine: répondre ICI.

Gestion de risques et portefeuille M2 ISF P20 – P22

septembre 23, 2022novembre 28, 2022gabriel

Responsable: Gabriel TURINICI

Contenu Rappels du cadre classique: critère moyenne-variance, Markowitz, CAPM / MEDAF

1/ Indices, portefeuilles optimaux, beta, arbitrage, APT
2/ Valuation de produits dérivés et probabilité risque neutre
3/ Trading de volatilité (si le temps permet: volatilité locale et implicite calibration, formule de Dupire)
4/ Assurance du portefeuille: stop-loss, options, CPPI, Constant Mix

En fonction du temps: introduction à l’allocation tactique à travers l’analyse et les indicateurs techniques

Bibliographie

Z. Bodie, A. Kane A.J. Marcus « Investments » McGraw Hill 7th Edition 2008
J.C. Hull « Options, futures and other derivatives », Pearson Prentice Hall 2006, 6th edition
R.B. Litterman « Mordern investment management: an equilibrium approach », Goldman Sachs 2003
R. Portait, P. Poncet « Finance de marché » Dalloz 2008
P. Wilmott « Paul Wilmott introduces quantitative finance » John Wiley & and Sons, 2007

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.

Autres ressources pour le cours :

petit code Python illustrant l’allocation optimale de type Kelly

valuation de produits dérivés et probabilité risque neutre: exemple de hedge statique faible (options down&in)

Algorithms that get old : the case of generative deep neural networks, LOD 2022 conference

septembre 19, 2022septembre 19, 2022gabriel

This is a talk presented at

The 8^th International Online & Onsite Conference on Machine Learning, Optimization, and Data Science – September 18 – 22, 2022 – Certosa di Pontignano, Siena – Tuscany, Italy

Talk materials: the slides of the presentation.

Workshop on « Models, Human Behaviour and Infectious Diseases », Institut Pasteur, Paris, May 23rd 2022

mai 22, 2022mai 22, 2022gabriel

Workshop on « Models, Human Behaviour and Infectious Diseases » of the Coordinated Action on Modelling of Infectious Diseases, Institut Pasteur, Paris May 23rd, 2022

Slides of the talk « From vaccination to lock-down compliance: Mean Field Games approaches to behavioral epidemiology »

Cours Reinforcement Learning, M2 ISF App, 2021-2022

mai 10, 2022juin 16, 2022gabriel

Responsable: Gabriel TURINICI

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.

Document principal pour les présentations théoriques: (aucune distribution n’est autorisée sans accord ECRIT de l’auteur)

Code: MAB , MAB v2.,

Gym : entrainement avec « Frozen-Lake »

Q-Learning : avec Frozen Lake, version python ou version notebook

Deep Q Learning : jouer avec gym/Atari-Breakout: version python ou version notebook

apprendre avec gym/Atari-Breakout: version python ou version n otebook

Projets : cf. Teams

Document principal pour les présentations théoriques (aucune distribution n’est autorisée sans accord ECRIT de l’auteur)	poly du cours de M1 – évolution (pour back-propagation)
Code approximation de fonctions par NN : version notebook, version py Resultats (approximation et convergence) Le même après 5 fois plus d’époques Référence « officielle » du code: https://doi.org/10.5281/zenodo.7220367	Preuve convergence SGD (version francaise) SGD convergence proof (english version)
Implementation keras/Iris	Autres implémentations: exemple « à la main » sans Keras ni tf ni pytorch : couches denses (bd=iris) – autres implementations : cf. doc.

Document principal de présentation: cours	poly du cours de M1 – évolution (pour back-propagation)
Preuve convergence SGD (FR)	Preuve convergence SGD (anglais)
Implementation keras/Iris	Autres implementations: cf. doc.

Data python: format CSV et format PICKLE	Programme: tests statistiques de normalité. Programme : portefeuille optimal vs. portefeuilles au hasard (version 2022) (version 2021) Pareil mais avec « softmax »

Documents: rappels théorie classique produits dérivés (options)	Code simulations scénarios Brownien / prix: version 2022, (version 2021), calcul Monte Carlo d’options ; autre version Codes: prix et delta des options vanilles (Black & Scholes)	Code delta hedging: version 2022, version 2021
Trading de volatilité ref: cf. section 6.1.2 du cours M1 (poly pdf non-distributable ici) code trading volatilité : version 2022/23 ,version 2021-22 (version ancienne)	Résultats exécution	Explication théorique: cf. poly ou document pdf
Code: stop loss (P23) (version P22), code CPPI, code CPPI v2 code Constant-Mix dataC40, code Ornstein-Uhlenbeck+CM	Résultat stop-loss, résultat CPPI, résultat constant-mix	Théorie slides, livre du cours de M1, sections 6.2 ; Notes manuscrites Vidéo Youtube sur le CPPI: partie 1/2, partie 2/2 Beta slippage: présentation.
Projet