Moyenne Mobile Moyenne Pondérée Exponentielle

RiskMetrics - Comment calculer RiskGrades Comment calculer RiskGrades Volatilité historique RiskGrades est une prévision basée sur l'analyse de la volatilité historique du marché. Plutôt que de prédire dans quelle direction le marché évolue (par exemple, si le SP 500 se déplace vers le haut ou vers le bas le mois prochain), nous prévoyons les fluctuations importantes du marché (par exemple, quelle sera la probabilité que le SP 500 bouge de plus de 10 le mois prochain) . Les estimations de risque sont généralement beaucoup plus stables et fiables que les prévisions directionnelles et permettent des prévisions de risque de confiance élevée (entre 95 et 99). Semblable à l'écart-type Comme mesure de la volatilité, les calculs derrière RiskGrades sont semblables à l'écart-type. RiskGrades sont dérivées en observant combien les rendements passés ont dévié de leur moyenne. Cependant, il existe deux différences principales entre RiskGrades et les écarts types simples: Pondération exponentielle La première est que les estimations de RiskGrade sont basées sur la pondération exponentielle des données historiques, ce qui les rend plus adaptables aux conditions actuelles du marché que les écarts types. Lorsque J. P. Morgan a publié la méthodologie RiskMetrics, elle a révélé une série d'études qui ont démontré que la pondération exponentielle amélioré considérablement la précision des prévisions et la réactivité dans des conditions de marché extrêmes. Étalonnage La deuxième différence est que RiskGrades a été étalonné pour faciliter l'interprétation par le grand public. Un RiskGrade de 100 est mis à l'échelle pour refléter 20 l'écart-type annualisé, soit la volatilité moyenne des actions mondiales (pondérées par le capital de marché) de janvier 1995 à décembre 1999. Ainsi, un RiskGrade de 100 est généralement notre base pour le risque normal du marché boursier; Peut être utilisé pour comparer tous les autres investissements (par exemple, un fonds obligataire avec un RiskGrade de 33 est environ un tiers aussi risqué qu'un portefeuille mondial diversifié d'actions dans des conditions de marché normales). En temps réel après les heures de pré-marché Nouvelles Citation Résumé Citation Graphiques interactifs Paramètre par défaut S'il vous plaît noter qu'une fois que vous faites votre sélection, il s'appliquera à toutes les futures visites à NASDAQ. Si, à tout moment, vous êtes intéressé à revenir à nos paramètres par défaut, sélectionnez Réglage par défaut ci-dessus. Si vous avez des questions ou rencontrez des problèmes lors de la modification de vos paramètres par défaut, envoyez un courriel à isfeedbacknasdaq. Veuillez confirmer votre sélection: Vous avez choisi de modifier votre paramètre par défaut pour la recherche de devis. Ce sera maintenant votre page cible par défaut à moins que vous changiez votre configuration à nouveau, ou que vous supprimez vos cookies. Voulez-vous vraiment modifier vos paramètres? Nous avons une faveur à vous demander. Veuillez désactiver votre blocage d'annonce (ou mettre à jour vos paramètres afin de vous assurer que les cookies et les javascript sont activés) afin que nous puissions continuer à vous fournir les nouvelles de premier ordre Et des données que vous venez d'attendre de nous. Objectifs et motivations Cette page regroupe un ensemble de prsentations, de travaux pratiques et de projets issus de diverses expriences denseignement et de pratique autour de l'économie de marchs financiers et de lenvironnement R-projet. Plusieurs projets et thèses de cas sont proposés: Gestion du risque. Ce projet consiste à mettre en œuvre les meilleurs outils pour estimer la valeur à risque. Différents modles seront tudis, tels que les modles du delta normal, les modles des modles volatilit stochastique, les modles GARCH, le modle RiskMetrics (moyenne mobile exponentielle), les approximations de type Fisher de Cornouailles, la lutilisation de la thorie des vnements Extrmes (EVT), la combinaison de diffrents modles (par exemple GARCH EVT). Enfin, dans le cas dun portefeuille doptions, les diffrentes mthodes destimations de la VaR sont prsentes et testicules sur les cas concrets. Stratgie dynamique de gestion de portefeuille. Ce projet consiste en des caractriser les actifs financiers, des termes de distribution, des asymétries, des dpendances temporelles, des estimateurs et des modérateurs les mieux adaptés, rechercher les stratgies optimales à partir des modles, pour enfin appliquer ces stratgies aux donnes relles Dont les modles sont issus. Un exemple typique consistera rétrouver les stratégies de croissance optimale (Kelly) par simulation. Nous gnraliserons des rendements iid et des modles mieux adapte aux faits styliss (queues de distribution, asymtrie.). Ces mthodes permettent de mettre en oeuvre des stratgies dites de rebalancing. En deuxieme partie du projet, nous abandonnerons lhypothse iid et le cas mono actif, pour nous intresser aux stratgies optimales en prsence de dpendances temporelles, telles que des stratgies dites pairs modlises de negociation par le processus de retour la moyenne AR (1). Nous utilisons lenvironnement de dveloppement et danalyse statistique R r-project. org. La version open source de S. R comprend un grand nombre de modules danalyses de grande qualité, développe les meilleurs spcialistes du domaine. Tous les programmes sont disponibles sous la forme de code source. R est aussi un environnement de programmation simple et puissant. Lapprentissage de R se constituer en soi un objectif important du projet. Lutilisation de R permit de concrtiser les notions de modélisation, de limpact des faits stylisés, de la gestion du risque et de la recherche de stratgies optimales, par exemple. Marche et contenu Tous les projets mettent en oeuvre des thmes communs, (Statiques) et les tests dhypothses: test de (non) normalit. Qq-parcelles, Kolmogorov Smirnov, Jarque-Bera. Tests dindpendance: diagrammes de dispersion, autocorrélation (ACF), essais de Durbin Watson, tests de fonctionnement. Tude des queues de distribution, asymtries. Modélisation des actifs financiers dans les distributions qui rendent compte des faits stylis: t-student, distributions exponentielles, modlisation des queues de distribution. Les faits styliss temporels: rappel sur labsence dauto corrlation significative des rendements, volatilité variable, facteurs de dhelle en fonction du temps, lois du maximum et minimum, temps de passage, Rgressions linaires et modles facteurs. Les tests de stationnement, de linaire, de tests de racine unitaire, de modélisation avec volatilité variable, de déformation de la volatilité, de processus GARCH, d'estimation et de prévision de mesures de risque et de leur estimation, Les mthodes de Monte Carlo Loptimisation de fonction dutilit sous contraintes (risque, gestion). Lutilisation de mesures de performance de risque: ratio de Sharpe, le Maximum Drawdown (ratio de Sterling). Les tests et les applications sont effectués en utilisant des données relais: les cours journaliers des indices europens et US, les cotations intraday futures europens, les cours des inventions, les historiques des taux dintrts. La plupart des donnes et les fonctions sont disponibles Dans les modules de R pdf Prsentation R et exemples R est un environnement interactif et graphique pour lanalyse de donnes. Une success story de lopen source: lun des projets rares ont reu la distinction ACM, les autres sont: UNIX, TeX, TCIIP, WWW, Postscript, Apache. Nous effectuons un tour dhorizon des diffrentes facettes de R: langage, graphique, statistique. De nombreux exemples de délestage sont donnés. Ces exemples sont repris dans certains TP. Pdf Faits Styliss. Dfinition des faits stylis, modlisations, modles par incrments ou rendements, prix lognormaux, effets dchelle (persistance, persistance), histogrammes, graphiques quantile-quantile, test statistique de normalit, gaussianit par agrgation, absence dautocorrlation, asymtrie, Kurtosis. Pdf Valeur à risque, Valeurs Extrêmes. Rapprochement des risques, appréciation des risques et estimation, approximation de Fisher Cornish, des exposants des queues de distribution, estimateur de Hill, Thorme des Valeurs Extrêmes, Pareto Gnralis, exemples et applications lintraday CAC40 Futur, cours journaliers des indices, devises. Pdf Estimations de la volatilité et des corrélations. Volatilit historique, moyenne exponentielle mobile (RiskMetrics), GARCH, estimateurs bass sur les extrmes (Parkinson, Roger Satchell.) Stratgies dinvestissement, croissance optimale. Rapporter sur les fonctions dutilit, le critre de Kelly, applications sur mars futures, indices, indicateurs de performance: Sharpe, drawdowns, ratio de Sterling, importance des cots de transaction, estimations de la volatilit. Pdf Co-intgration, PairsConvergence Trading. Etude du processus de retour de la moyenne (AR), essais de racine unitaire, co-intgration entre actions, indices. Autres contrats (2003) pdf Trading Automatique I: Les contrats à terme sur le marché et la plateforme de négociation automatique pdf Trading Automatique II: gestion du risque, faits stylis, stratgies. Programmation des automatismes de trading Normalisation des rendements Nous nous proposons de tester les hypothèses de (non) normalit des rendements, des applications diffrents types dactifs: indices, devises, indices de hedge funds. Rappels sur le Thorme Limite centrale Utiliser les graphiques quantile-quantile, comparaisons avec les distributions connues (gaussienne, t-student, exponentielle.) Tests statistiques (test du Chi2, Kolmogorov Smirnov, Shapiro, Jarque Bera) Les queues paisses des actifs financiers, donc les risques plus les levs qui dans un modèle normal. Nous constaterons galement que les cours deviennent de plus en plus les gaussiens au fur et mesure que les intervalles dobservation augmentent: un autre fait stylis connu sous le terme de gaussianit par agrgation. Indpendance et autres faits stylis Autocorrélogramme, ACF, tests sur les auto corrlations: Durbin Watson, teste les courses. Facteurs dchelle de la volatilité Corrélations, tests défficience tudes des corrlations et rgressions linaires (exemples: indices entre eux, actions du DJIA, actions vs taux vs ingénierie) Test defficience: alpha est il gal zro. Stabilit des corrlations dans le temps. Gnration de cours pseudo alatoire Lobjectif de ce TP est dapprendre programmeur des fonctions de gnration de cours pseudo alatoires. Pour illustrer le principe, nous commenons par une simple simulation dune marche alatoire, puis nous tudions de prs la gnration de prix dans un modle lognormal, le cours de clture, mais aussi en intraday pour gnrer les plus haut et plus bas. Les caracatristiques des prix lognormaux sont examins. Volatilit: Modles, Simulations, Estimations et Prictions Quil sagisse de gestion du risque, ou de l'évaluation des produits drivs, la volatilité joue un rle central en finance. La modlisation GARCH (Heteroscedasticity conditionnelle généralisée autorégressive) est un outil incontournable en finance, particulirement utile pour analyser et prvoir la volatilité. Ces modles rendent compte du fait stylis connu, dit de clustering de volatilit, savoir que les priodes de forte volatilit alternent avec les priodes de faible volatilit. Dans ce TP, nous proposons de comparer les estimations GARCH aux indices CAC40 et NASDAQ. Modlisation des corrlations jusqu prsent nous avons modlis la volatilit sur un seul actif. Il sagit ici de modliser au mieux les covariances, les corrélations entre deux actifs, ainsi que les matrices correspondantes dans le cas de plusieurs actifs. De la mme faon que pour la volatilit, des modles de type moyenne mobile exponentielles et GARCH peut tre utiliss. Il sagira ici dtudier ces modles, puis estimer les paramtres en utilisant les donnes relles. La valeur à risque avec R La valeur à risque est sans aucun doute. Dans ce projet, vous tes Risk Manager dun Fond. Sur supposera que le Fond grec 10 Millions deuros, lobjectif de VaR 10 jours 99 est fixe 4. Sur supposera que le Fond est investi sur le mars avenir du CAC40. Aprs avoir valu diffrents modles de Value at Risk, lobjectif sera de fixer au quotidien les limites de VaR, traduites en terme de nombre de contrats ne pas dpasser. Dans le cas où le fond investit constamment la limite de la valeur à risque, en dduire les caractristiques du fond dans le terme de performance, le levier, le rapport de Sharpe, etc. Le conceptnel dun contrat CAC40 est la valeur de lindice multipli par 10. La Valeur du contrat est gale au cours cot x 10 euros. Exemple. Si le cours du contrat terme CAC 40 stablit 4000, le contrat a une valeur de. 40.000 euros. Si vous achetez un Contrat Futur 4.000 points et que vous le revendez 4.200 points, votre gain est de (4.200-4.000) 10 euros 2.000 euros. Une premire tape consistera donc sur les caractristiques de lactif sous jacent, puis sur le comparatif des mthodes destimations de la Value at Risk 8 dans le cas simple dun seul instrument, un savoir les mthodes dites de VaR historique, les mthodes normales bases sur les modles de Volatilit (RiskMetrics, GARCH), enfin les mthodes faisant appel à la Thorie de Valeurs Extrêmes (Théorie de la Valeur Extrême). Sur mnera une tude analogue celles dcrite dans 7 quil faudra adapter au CAC40. En complment de la VaR, on fera une tude dite de stress testing, par lutilisation de la thorie de Valeurs Extrmes (voir TP sur les valeurs extrmes). Enfin, sur les complé tés par des estimations des pertes effectives au niveau de la VaR, de la VaR conditionnelle ou de la CVaR. La CVaR mesure justification des pertes en cas de dépassement de la VaR 1 Pour plus d'informations sur ce projet, sur la mise en œuvre de normes de fait, que RiskMetrics 11 9, notamment 10 pour une vision plus globale de la VaR dans la gestion du Risque, les mthodes de backtesting, le rapport. Voir aussi THE VALUE-AT-RISK en Franais. Ce projet sappuie sur diffrents TPs, notamment ceux concernant les modles de volatilit, ainsi que les TPs: Queues de distribution, VaR et valeurs extrmes: estimations des exposants des queues de distribution (Hill), approximation de Cornish Fisher, application du thorme des Valeurs extrmes (estimation GEV), estimations dune loi de Pareto Gnralis par maximum de vraisemblance, estimation de la VaR, esprance en cas de dpassement. Mesure et Backtesting de la VaR dune gestion active Description des modles de Valeur en risque Backtesting de la VaR Gestion du risque dun fond sous contrat de Value at Risk. Livres: Modélisation des séries chronologiques financières avec S-Plus par Eric Zivot, Jiahui Wang et Clarence R. Robbins 16 Statistiques d'introduction avec R, Peter Dalgaard 5 Programmation avec données: Guide de la langue S, John M. Chambers 3 Statistiques appliquées modernes avec S, William N. Venables et Brian D. Ripley 14 En français: R pour les dbutants par Emmanuel Paradis: commencement par ce document. Cran. r-project. orgdoccontribrdebutsfr. pdf Introduction au système R par Yves Brostaux. Cran. r-project. orgdoccontribBrostaux-Introduction-au-R. zip Introduction R par Vincent Zoonekynd, trs complets, pas pas, en langage simple, trs illust avec de nombreux et jolis graphiques: zoonek2.free. frUNIX48Rall. html pbil. univ - Retourance du logiciel R, par Pierre-Andr Cornillon, Laboratoire de Statistiques, Université de Rennes II: uhb. frscsocialesmassmaitrisedoclog4.pdf En anglais: SimpleR: Utilisation de R pour les statistiques préliminaires, par John Verzani: math. csi. cuny. eduStatisticsRsimpleRindex. html Régression pratique et Anova en R: stat. lsa. umich. edufarawaybook Ce cours de niveau master traitant des sujets suivants: Modèles linéaires: Définition, ajustement, inférence, interprétation des résultats, sens des coefficients de régression, Analyse de la covariance, bloc aléatoire, factoriel, analyse de la covariance, analyse de la covariance, analyse de la covariance Dessins. Prévision et prévision des séries chronologiques massey. ac. nz Rmetrics: itp. phys. ethz. checonophysicsR Introduction à l'informatique financière avec R couvrant les domaines de la gestion des données, des séries chronologiques et de l'analyse de régression, de la théorie des valeurs extrêmes et de l'évaluation des instruments du marché financier. Faculty. washington. eduezivotsplus. htm la page de E. Zivot sur SPlus et FinMetrics CRAN Tâche Vue: Finance empirique cran. r-project. orgsrccontribViewsFinance. html Autres paquets, hors distribution RCRAN Logiciel pour la théorie de la valeur extrême: urlmaths. lancs. ac. Uk stephenasoftware. html RMetrics itp. phys. ethz. checonophysicsR Régression pratique et Anova dans R doc: cran. r-project. orgdoccontribFaraway-PRA. pdf paquet: stat. lsa. umich. edufarawaybookfaraway. zip Il existe aussi des paquets commerciaux: exemple : Optimisation de portefeuille burns-stat RMetrics: cours Intraday et journaliers index, actions et devis La librairie fBasics propose les jeux de donnés suivants: audusd. csv Reuters Tick-by-Tick Les taux AUDUSD 1997-10, usdthb. csv Reuters Tick - Par-Tick USDTHB taux 1997, fdax9710.csv Minute-par-Minute DAX Futures Prix pour 1997-10, fdax97m. csv Minutely Time et ventes DAX Futures pour 1997, bmwres. csv Journal quotidien Retours de BMW allemand Stock Proces, nyseres. csv Journal quotidien Rendements de l'indice NYSE Composite. Dans le paquet fExtrames: Taux de change UKEuro USUS et UKCanada Taux de change Donnes macro du paquet tseries Les donnes NelPlo. 14 séries chronologiques macroéconomiques: cpi, ip, gnp. nom, vel, emp, int. rate, nom. wages, gnp. def, money. stock, gnp. real, stock. prices, gnp. capita, real. wages, and Unemp et la série commune NelPlo. Les séries sont de longueurs diverses mais finissent toutes en 1988. L'ensemble de données contient les séries suivantes: indice des prix à la consommation, production industrielle, PNB nominal, vitesse, emploi, taux d'intérêt, salaires nominaux, déflateur PNB, Prix ​​des actions (SampP500), PNB par habitant, salaires réels, chômage. 1 ARTZNER, P. et DELBAEN, F. amp EBER, J.-M. HEATH, D. Mesures cohérentes du risque. 1998. 2 BOUCHAUD, J. P amp POTTERS, M. Théorie des risques financiers. Cambridge University Press, 2000. 3 CHAMBERS, J. M. Programmation avec données. Springer, New York, 1998. ISBN 0-387-98503-4. 4 CONT, R. Propriétés empiriques des rendements d'actifs - faits stylisés et questions statistiques. FINANCEMENT QUANTITATIF, 2000. 5 DALGAARD, P. Statistiques d'introduction avec R. Springer, 2002. ISBN 0-387-95475-9. 6 GOURIEROUX, C. et SCAILLET, O. amp SZAFARZ, A. Économie de la finance. Economica, 1997. 8 LINSMEIER, T amp PEARSON, N. D. Mesure du risque: Introduction à la valeur à risque. Revue des analystes financiers, mars 2000.. 9 GROUPE RISKMETRICS. Document technique RiskMetrics. Décembre 1996. 10 GROUPE RISKMETRICS. Gestion des risques - Guide pratique. 1999.. 11 GROUPE RISKMETRICS. Retour à RiskMetrics: L'évolution d'une norme. 2001.. 12 ROCKAFELLAR, R. T et URYASEV, S. Optimisation de la valeur conditionnelle à risque. 1999.. 13 URYASEV, S. Valeur à risque conditionnelle: Algorithmes d'optimisation et applications. 14 VENABLES, W. N et RIPLEY, B. D. Modern Applied Statistics avec S. Fourth Edition. Springer, 2002. ISBN 0-387-95457-0. 16 ZIVOT, E. amp WANG, J. et ROBBINS, C. R. Modélisation des séries chronologiques financières avec S-Plus. Springer Verlag, 2004. 1 En outre, cest une mesure cohrente du risque et loptimisation de portefeuille sous contrainte de CVaR se rsout facilement par les mthodes de programmation linaire (cf 12, 13), ce qui nest pas le cas de la VaR Labsence de proprit de convexit).