APM_50113_EP - EA initiation recherche long (2024-2025)

Le but de cet enseignement est de fournir une initiation à la recherche et développement en mathématiques appliquées, à travers la réalisation d’un projet.
Le projet consiste en l’étude d’un problème, motivé par les applications ou des
questions de nature mathématique, allant de la modélisation à l’implémentation
numérique et à l’analyse critique des résultats. Ce projet est effectué en binôme ou en trinôme, et constitue un véritable travail d’équipe.

L'évaluation sera basée sur la remise de deux rapports écrits et sur deux présentations orales, à mi-parcours puis à la fin du projet.

APM_50179_EP - Algorithmes et principes de conception logicielle pour les mathématiques appliquées en C++ moderne (2024-2025)

APM_50441_EP - Machine Learning II (2024-2025)

L'apprentissage automatique est une discipline scientifique qui s'intéresse à la conception et au développement d'algorithmes permettant aux ordinateurs d'apprendre à partir de données. L'un des principaux objectifs de l'apprentissage automatique est d'apprendre automatiquement des modèles complexes et de prendre des décisions intelligentes sur la base de ces modèles. L'ensemble des données possibles qui alimentent une tâche d'apprentissage peut être très vaste et diversifié, ce qui fait de la modélisation et des hypothèses préalables des problèmes critiques pour la conception d'algorithmes pertinents.

Ce cours vise à compléter le premier cours sur l'apprentissage automatique.

APM_50442_EP - Numerical processing of financial data (2024-2025)

MAP542 Numerical processing of financial data
 
We will start with a short tutorial on Pandas with examples based on financial data.
 
The course will tackle the following topics:
 
· Sequential data in one dimension (main example: equity indices - SP500, Eurostoxx) : missing values, missing dates, interpolation. Estimation of volatilities, autocorrelations.
· Sequential data multi-dimensional : correlations, scarcity of data for high dimensional correlations estimation, inversion of covariance matrices.
· Order book data : volumes, information at bid and ask sides, slippage, market impact of a trade (data: order books on cryptocurrencies)
· Yield curves reconstruction/interpolation : from bonds, from futures (e.g. on cryptocurrency).
· Options data :
  • option prices (on large equity index such as SP500), reconstruction of forward and discount factor from put-call parity.
  • Black Scholes formula with some justification (without continuous time stochastic calculus), computation of implied volatilities (bisection method, Newton method).
  • Static no-arbitrage conditions on option prices and implied volatilities, fitting of a parametric implied volatility smile (SVI, SSVI).

APM_50443_EP - Database Management (2024-2025)

Langue du cours : Anglais

APM_50649_EP - Chaîne de Markov : Approfondissement (2024-2025)