Teaching

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)

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 court ici (30/40) et CSV plus complet ICI (40/40, plus longue)	Programme: tests statistiques de normalité. Programme : portefeuille optimal portefeuilles pris au hasard Pareil mais avec « softmax »
Documents: 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
Code: trading de volatilité (ancienne version)	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 2/2 Beta slippage: présentation.

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

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

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

VERSION 2020/21: 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.

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

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.

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: 22/1/2022). (ne pas diffuser sauf accord ECRIT de l’auteur)
• Notes manuscrites 2021/22 prises lors des séances de cours.
• Poly annoté 2021/22   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)

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

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.

M2 ISF App, 2019-2020

Responsable: Gabriel TURINICI

Contenu Rappels du cadre classique: probabilité historique (gestion de portefeuille), 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 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 du cours de M1 Mouvement Brownien et évaluation d’actifs dérivés

pour théorie de gestion de portefeuille « actions » classique (proba historique)

Data python: CSV ici,

debut code ici. (pour charger sur google colab : code ici ). Code complet: ICI

valuation et hedging des produits dérivés: document de présentation (rappels options).

Code python generation brownien

 Fonctions auxiliaires: blsprice.py blsdelta.py

Code évaluation Monte Carlo

  Code delta-hedging

 Code trading de volatilité  

Code Stop-Loss 

 Code CPPI  

Code Constant-Mix: présentation du Constant Mix ici

Projet: beta-slippage, ETF short et leveraged: à rendre : code  et présentation 

 Partie de projet G. Turinici: à rendre pour le 4 juin.