Résolution numérique de l'équation de Black Scholes en pythonAli SIDIBE
Dans ce présent travail, nous allons appliquer la méthode numérique pour l'équation différentielle vérifiée par le prix d'une option en finance, communément appelé l'équation de Black-Scholes.
La formule de Black-Scholes lie le prix d'une option à ses caractéristique par une équation différentielle partielle non linéaire. Elle s'est imposée comme une référence en termes de valorisation des options.
L'intérêt de ce présent travail est de résoudre cette équation différentielle par la méthode des différences finies (bien que la solution analytique existe) et l'implémenter en python. Pour cela, nous commencerons par présenter la méthode des différences finies dans un premier temps. Ensuite dans la deuxième partie, nous discrétiserons l'équation de black-scholes à l'aide des différentes schéma et pour finir l'implémentation en python en troisième partie.
ARDUINO + LABVIEW : CONTRÔLE DE LA TEMPÉRATUREHajer Dahech
les Liens des fichiers du projet et le rapport PDF sur la page
https://hajereducation.tn/arduino-labview/
voir aussi
https://hajereducation.tn/category/embedded-system-projects/
===============
lien site https://hajereducation.tn
Ce cours introduit à l'intelligence artificielle. La première partie du cours présente et définit ce qu'est l'intelligence et décrit les notions d'agent rationnel et d'environnement et leurs propriétés. Ces deux concepts permettent d'offrir un cadre de réflexion sur l'intelligence. La fin de la première partie présente les neufs formes d'intelligence selon Howard Gardner. La seconde partie du cours présente et définit l'intelligence artificielle, initiée par Marvin Minsky et John McCarthy au MIT. Elle présente également le test de Turing, test permettant de déterminer si une machine peut penser. Cette partie se termine en présentant les six grands domaines de l'intelligence artificielle.
Les réseaux de neurones convolutifs CNNSALMARACHIDI1
La présentation a débuté par une introduction aux Réseaux de Neurones Convolutifs (CNN), en soulignant leur importance croissante dans le domaine de l'intelligence artificielle et du traitement d'images. Les CNN sont particulièrement adaptés à la reconnaissance d'images, à la classification d'objets et à d'autres tâches liées à la vision par ordinateur.
La première partie de la présentation a abordé les fondements des CNN. Les participants ont été familiarisés avec les concepts de base des réseaux de neurones et ont pu comprendre les différences entre les réseaux de neurones classiques et les CNN. Un accent particulier a été mis sur l'architecture spécifique des CNN, comprenant des couches de convolution, des couches de pooling et des couches entièrement connectées. Les participants ont compris comment les opérations de convolution permettent d'extraire des caractéristiques importantes des images, tandis que les opérations de pooling réduisent la dimensionnalité et conservent les informations essentielles.
Dans la deuxième partie de la présentation, l'accent a été mis sur l'implémentation pratique des CNN en utilisant le langage de programmation Python. Les participants ont été guidés à travers les étapes de construction d'un modèle CNN en utilisant des bibliothèques populaires telles que TensorFlow ou PyTorch. Ils ont appris à définir les couches de convolution, les couches de pooling et les couches entièrement connectées, ainsi qu'à configurer les hyperparamètres du modèle.
La présentation a également abordé des sujets connexes tels que l'entraînement et l'évaluation des modèles CNN, l'application de la technique de transfert d'apprentissage pour des tâches spécifiques, et les défis liés à la mise à l'échelle des CNN pour des ensembles de données plus volumineux.
En résumé, la présentation sur les Réseaux de Neurones Convolutifs (CNN) a permis aux participants de comprendre les principes fondamentaux de cette architecture, ainsi que d'acquérir les connaissances nécessaires pour mettre en œuvre un modèle CNN en utilisant Python. Ils ont également été sensibilisés aux applications et aux perspectives futures des CNN dans le domaine de la vision par ordinateur.
Conception d'un objet électronique - Présentation adultePeronnin Eric
Support de présentation sur la conception et la réalisation d'un objet électronique.
L'objectif initial est de montrer quelles sont les disciplines de la formation en IUT GEII mises en jeu lors de la création d'un système électronique.
Deep Learning : Application à la reconnaissance d’objets de classes multiples...Haytam EL YOUSSFI
This project entitled "Deep Learning : Application to the Recognition of Multiple Class Objects on Images and Videos" is conducted as part of the preparation of the Basic Degree in Mathematics and Computer Science (SMI) at the Faculty of Science Agadir FSA of Ibn Zohr University UIZ for the academic year 2018/2019.
In order to achieve the main objective of our project : " Recognition of multiple class objects on images and videos", we used algorithms from machine learning and deep learning (MLP, CNN ... ), that led to a revolution in Artificial Intelligence. In particular, those methods were successfully used for the classification of objects in images and videos. These algorithms outperform traditional formal methods by their performances and succeeded in creating a system that simulates the working of human brain.
Résolution numérique de l'équation de Black Scholes en pythonAli SIDIBE
Dans ce présent travail, nous allons appliquer la méthode numérique pour l'équation différentielle vérifiée par le prix d'une option en finance, communément appelé l'équation de Black-Scholes.
La formule de Black-Scholes lie le prix d'une option à ses caractéristique par une équation différentielle partielle non linéaire. Elle s'est imposée comme une référence en termes de valorisation des options.
L'intérêt de ce présent travail est de résoudre cette équation différentielle par la méthode des différences finies (bien que la solution analytique existe) et l'implémenter en python. Pour cela, nous commencerons par présenter la méthode des différences finies dans un premier temps. Ensuite dans la deuxième partie, nous discrétiserons l'équation de black-scholes à l'aide des différentes schéma et pour finir l'implémentation en python en troisième partie.
ARDUINO + LABVIEW : CONTRÔLE DE LA TEMPÉRATUREHajer Dahech
les Liens des fichiers du projet et le rapport PDF sur la page
https://hajereducation.tn/arduino-labview/
voir aussi
https://hajereducation.tn/category/embedded-system-projects/
===============
lien site https://hajereducation.tn
Ce cours introduit à l'intelligence artificielle. La première partie du cours présente et définit ce qu'est l'intelligence et décrit les notions d'agent rationnel et d'environnement et leurs propriétés. Ces deux concepts permettent d'offrir un cadre de réflexion sur l'intelligence. La fin de la première partie présente les neufs formes d'intelligence selon Howard Gardner. La seconde partie du cours présente et définit l'intelligence artificielle, initiée par Marvin Minsky et John McCarthy au MIT. Elle présente également le test de Turing, test permettant de déterminer si une machine peut penser. Cette partie se termine en présentant les six grands domaines de l'intelligence artificielle.
Les réseaux de neurones convolutifs CNNSALMARACHIDI1
La présentation a débuté par une introduction aux Réseaux de Neurones Convolutifs (CNN), en soulignant leur importance croissante dans le domaine de l'intelligence artificielle et du traitement d'images. Les CNN sont particulièrement adaptés à la reconnaissance d'images, à la classification d'objets et à d'autres tâches liées à la vision par ordinateur.
La première partie de la présentation a abordé les fondements des CNN. Les participants ont été familiarisés avec les concepts de base des réseaux de neurones et ont pu comprendre les différences entre les réseaux de neurones classiques et les CNN. Un accent particulier a été mis sur l'architecture spécifique des CNN, comprenant des couches de convolution, des couches de pooling et des couches entièrement connectées. Les participants ont compris comment les opérations de convolution permettent d'extraire des caractéristiques importantes des images, tandis que les opérations de pooling réduisent la dimensionnalité et conservent les informations essentielles.
Dans la deuxième partie de la présentation, l'accent a été mis sur l'implémentation pratique des CNN en utilisant le langage de programmation Python. Les participants ont été guidés à travers les étapes de construction d'un modèle CNN en utilisant des bibliothèques populaires telles que TensorFlow ou PyTorch. Ils ont appris à définir les couches de convolution, les couches de pooling et les couches entièrement connectées, ainsi qu'à configurer les hyperparamètres du modèle.
La présentation a également abordé des sujets connexes tels que l'entraînement et l'évaluation des modèles CNN, l'application de la technique de transfert d'apprentissage pour des tâches spécifiques, et les défis liés à la mise à l'échelle des CNN pour des ensembles de données plus volumineux.
En résumé, la présentation sur les Réseaux de Neurones Convolutifs (CNN) a permis aux participants de comprendre les principes fondamentaux de cette architecture, ainsi que d'acquérir les connaissances nécessaires pour mettre en œuvre un modèle CNN en utilisant Python. Ils ont également été sensibilisés aux applications et aux perspectives futures des CNN dans le domaine de la vision par ordinateur.
Conception d'un objet électronique - Présentation adultePeronnin Eric
Support de présentation sur la conception et la réalisation d'un objet électronique.
L'objectif initial est de montrer quelles sont les disciplines de la formation en IUT GEII mises en jeu lors de la création d'un système électronique.
Deep Learning : Application à la reconnaissance d’objets de classes multiples...Haytam EL YOUSSFI
This project entitled "Deep Learning : Application to the Recognition of Multiple Class Objects on Images and Videos" is conducted as part of the preparation of the Basic Degree in Mathematics and Computer Science (SMI) at the Faculty of Science Agadir FSA of Ibn Zohr University UIZ for the academic year 2018/2019.
In order to achieve the main objective of our project : " Recognition of multiple class objects on images and videos", we used algorithms from machine learning and deep learning (MLP, CNN ... ), that led to a revolution in Artificial Intelligence. In particular, those methods were successfully used for the classification of objects in images and videos. These algorithms outperform traditional formal methods by their performances and succeeded in creating a system that simulates the working of human brain.
Formation d'initiation sur le développement sur microcontroleurs stm32 a base de microprocesseur ARM.
Elle présente tout les éléments de base nécessaire pour attaqué le domaine de développement sur cible embarqué.
Un réseau de neurones récurrent (RNN, recurrent neural network) est un type de réseau de neurones artificiels principalement utilisé dans la reconnaissance automatique de la parole, dans l'écriture manuscrite et dans le traitement automatique du langage naturel, en particulier dans la traduction automatique.
Les RNN sont conçus de manière à reconnaître les caractéristiques séquentielles et pour prédire le scénario suivant le plus probable.
Les réseaux LSTM (Long Short Term Memory ou mémoire à long terme et à court terme ) sont un type spécial de RNN, capable d'apprendre les dépendances à long terme. Ils ont été introduits par Hochreiter et Schmidhuber en 1997, et ont été par la suite affinés et popularisés à travers plusieurs travaux. Ils fonctionnent extrêmement bien sur une grande variété de problèmes et sont maintenant largement utilisés.
Lien pour la version vidéo :
https://youtube.com/playlist?list=PLzjg2z2kYUrjcL_UhvQawGGB85UA9rtNO
Rapport Projet Application Web De Domotique Arduino - Liotard RoulleauNicolas Roulleau
Rapport du projet Application Web De Domotique Arduino réalisé par Adrien Liotard et Nicolas Roulleau dans le cadre de leur dernière année de cycle ingénieur à l'ISTIA (49).
Un réseau de neurones artificiels ou Neural Network est un système informatique s’inspirant du fonctionnement du cerveau humain pour apprendre. Découvrez tout ce que vous devez savoir sur cette technologie d’intelligence artificielle de la famille du Deep Learning.
Conception d'un objet électronique : boitier pour QCMPeronnin Eric
Support de présentation sur la conception et la réalisation d'un objet électronique.
L'objectif initial est de montrer quelles sont les disciplines de la formation en IUT GEII mises en jeu lors de la création d'un système électronique.
Conception et réalisation d’un polysomnographe à base d’une carte ArduinoYacine Triki
La polysomnographie (PSG) est l'examen de référence pour confirmer l’hypothèse
clinique d’apnée obstructive du sommeil et découvrir d’autres troubles du sommeil.
La polysomnographie est habituellement définie comme un processus de surveillance
et d’enregistrement de données physiologiques pendant le sommeil par utilisation d’un
polysomnographe.
Cet examen permet de quantifier le nombre d’apnées, de déterminer leur type
(obstructif, central ou mixte) et d’évaluer leur retentissement sur l’hématose,
l’architecture du sommeil et le rythme cardiaque.
Le travail effectué dans mon projet de fin d’études à consister à concevoir et réalisé un
polysomnographe à base d’une carte Arduino UNO.
Le polysomnographe réalisé a pour rôle de mesurer un ensemble de signaux et
paramètres qui sont :
le signal électrocardiogramme (ECG),
le signal photopléthysmographie (PPG),
le taux de saturation en oxygène,
la fréquence cardiaque,
le taux du CO2, la température et l’humidité dans la chambre de sommeil
du patient.
Toutes ces grandeurs mesurées seront par la suite affichées pour visualisation sur un
PC sous une application LabVIEW.
Mots clé : Apnée obstructive du sommeil, Polysomnographie, Electrocardiogramme
(ECG), Photopléthysmographie (PPG), Taux de saturation en oxygène (SPO2),
MQ135, DHT11, LabVIEW.
Formation d'initiation sur le développement sur microcontroleurs stm32 a base de microprocesseur ARM.
Elle présente tout les éléments de base nécessaire pour attaqué le domaine de développement sur cible embarqué.
Un réseau de neurones récurrent (RNN, recurrent neural network) est un type de réseau de neurones artificiels principalement utilisé dans la reconnaissance automatique de la parole, dans l'écriture manuscrite et dans le traitement automatique du langage naturel, en particulier dans la traduction automatique.
Les RNN sont conçus de manière à reconnaître les caractéristiques séquentielles et pour prédire le scénario suivant le plus probable.
Les réseaux LSTM (Long Short Term Memory ou mémoire à long terme et à court terme ) sont un type spécial de RNN, capable d'apprendre les dépendances à long terme. Ils ont été introduits par Hochreiter et Schmidhuber en 1997, et ont été par la suite affinés et popularisés à travers plusieurs travaux. Ils fonctionnent extrêmement bien sur une grande variété de problèmes et sont maintenant largement utilisés.
Lien pour la version vidéo :
https://youtube.com/playlist?list=PLzjg2z2kYUrjcL_UhvQawGGB85UA9rtNO
Rapport Projet Application Web De Domotique Arduino - Liotard RoulleauNicolas Roulleau
Rapport du projet Application Web De Domotique Arduino réalisé par Adrien Liotard et Nicolas Roulleau dans le cadre de leur dernière année de cycle ingénieur à l'ISTIA (49).
Un réseau de neurones artificiels ou Neural Network est un système informatique s’inspirant du fonctionnement du cerveau humain pour apprendre. Découvrez tout ce que vous devez savoir sur cette technologie d’intelligence artificielle de la famille du Deep Learning.
Conception d'un objet électronique : boitier pour QCMPeronnin Eric
Support de présentation sur la conception et la réalisation d'un objet électronique.
L'objectif initial est de montrer quelles sont les disciplines de la formation en IUT GEII mises en jeu lors de la création d'un système électronique.
Conception et réalisation d’un polysomnographe à base d’une carte ArduinoYacine Triki
La polysomnographie (PSG) est l'examen de référence pour confirmer l’hypothèse
clinique d’apnée obstructive du sommeil et découvrir d’autres troubles du sommeil.
La polysomnographie est habituellement définie comme un processus de surveillance
et d’enregistrement de données physiologiques pendant le sommeil par utilisation d’un
polysomnographe.
Cet examen permet de quantifier le nombre d’apnées, de déterminer leur type
(obstructif, central ou mixte) et d’évaluer leur retentissement sur l’hématose,
l’architecture du sommeil et le rythme cardiaque.
Le travail effectué dans mon projet de fin d’études à consister à concevoir et réalisé un
polysomnographe à base d’une carte Arduino UNO.
Le polysomnographe réalisé a pour rôle de mesurer un ensemble de signaux et
paramètres qui sont :
le signal électrocardiogramme (ECG),
le signal photopléthysmographie (PPG),
le taux de saturation en oxygène,
la fréquence cardiaque,
le taux du CO2, la température et l’humidité dans la chambre de sommeil
du patient.
Toutes ces grandeurs mesurées seront par la suite affichées pour visualisation sur un
PC sous une application LabVIEW.
Mots clé : Apnée obstructive du sommeil, Polysomnographie, Electrocardiogramme
(ECG), Photopléthysmographie (PPG), Taux de saturation en oxygène (SPO2),
MQ135, DHT11, LabVIEW.
Alternative - Complément au Tramway et 3ème lien de la ville de Québec Daniel Bedard
An update of this presentation has been done with Slide 16 that has been updated and 17 has been added, only.
Cette présentation a été ajournée avec la diapo 16 qui a été modifié et la 17 qui a été ajouté.
Voir ici
https://www.slideshare.net/slideshow/alternative-au-tramway-de-la-ville-de-quebec-rev1-sum-pdf/269691794
CDPQ Infra dévoile un plan de mobilité de 15 G$ sur 15 ans pour la région de Québec. Une alternative plus économique et rapide, ne serait-elle pas posssible?
- Valoriser les infrastructures ferroviaires du CN, en créant un Réseau Express Métropolitain (REM) plutôt qu'un nouveau tramway ou une combinaison des 2.
- Optimiser l'utilisation des rails pour un transport combiné des marchandises et des personnes, en accordant une priorité aux déplacements des personnes aux heures de pointes.
- Intégrer un téléphérique transrives comme 3ème lien urbain dédiés aux piétons et cyclistes avec correspondance avec le REM.
- Le 3 ème lien routier est repensé en intégrant un tunnel routier qui se prolonge avec le nouveau pont de l'Île d'Orléans et quelques réaménagemet de ses chausées.
https://www.linkedin.com/in/bedarddaniel/
English:
CDPQ Infra unveils a $15 billion, 15-year mobility plan for the Quebec region. Wouldn't a more economical and faster alternative be possible?
Leverage CN's railway infrastructure by creating a Metropolitan Express Network (REM) instead of a new tramway or a combination of both.
Optimize the use of rails for combined freight and passenger transport, giving priority to passenger travel during peak hours.
Integrate a cross-river cable car as a third urban link dedicated to pedestrians and cyclists, with connections to the REM.
Rethink the third road link by integrating a road tunnel that extends with the new Île d'Orléans bridge and some reconfiguration of its lanes.
https://www.linkedin.com/in/bedarddaniel/
COURS ANALYSE FINANCIERE-NOGLO Méthodes d’analyses financières.pdf
Construction du modèle de Hull White avec l'arbre binomial
1. IMPLÉMENTATION DU MODÈLE DE HULL ET WHITE
AVEC PYTHON
1
Master 2 Finance de Marché et Gestion des Risques
Présenté par :
● Fabricio VIEIRA DA SILVA ALMEIDA
● Ali B. SIDIBE
● Ayten YAGBASAN
2. Plan
◼ Le modèle de Hull et White
◼ Arbre trinomial
◼ Implémentation avec Python
◼ Perspectives et limites
2
3. Modèle Hull-White one-factor
◼ Modèle no-arbitrage avec un seule source de perturbations
◼ Si ⇒ Ho et Lee
◼ Si est constant ⇒ Modèle de Vasicek
◼ Hypothèse économique et mathématique solide et traçable.
3
4. Modèle Hull-White one-factor
◼ Calibrable sur la structure du taux observée à t = 0 :
avec on obtient le taux forward instantané à l’instant actuel de
maturité t. 4
5. Arbre trinomial
◼ Développé pour la première fois par Phelim Boyle en 1986.
◼ Nécessaire pour l'évaluation de certains types d’actif financiers de
type américains.
◼ Un concept proche des méthodes des différences finies.
5
7. Arbre trinomial : Choix d’orientation
La décision de passer d’une orientation à l’autre est dictée par jmax et jmin.
Empiriquement pour assurer la stabilité de l’arbre, on choisit
sous la contraint que jmin = -jmax
❏ Si j = jmax : branching C
❏ Si j = jmin : branching B
❏ Si jmin < j < jmax : branching A
77
8. Arbre trinomial : Le noeud
Chaque noeud (i,j) est constitué de
- son actif d’arrow Qi,j
- des probabilités Pu, Pm, Pd
- les futurs points de connexions
- le taux
888
(i,j)
(i+1, j+1)
(i+1, j)
(i+1, j-1)
Pd,i,j
Pm,i,j
Pu,i,j
Q,i,j
delta t
dr
9. Arbre trinomial : Généralisation
L’arbre trinomial de (Hull-White) peut-être généralisé à tout modèle de la forme :
Pour Hull- White : Pour Black–Karasinski :
Si g est la fonction inverse de f alors l’actualisation se fait par :
au lieu de
99
10. Arbre trinomial : Stabilité et convergence
Pour une convergence et
une stabilité, un choix judicieux
de la volatilité et de alpha
est nécessaire:
1. (volatilité / alpha) < 1
2. ∆r = 𝞂√3∆t
1010
11. Arbre trinomial : Application
Pu = 0.25, Pm = 0.5, Pd = 0.25 et dt = 1 an
Au point B :
Au point C :
Au point A : 1111
12. Environnement technique
◼ Code disponible sur Github:
https://github.com/fmgrlab/hull_white_model
◼ Site Web de démonstration:
http://fmgrlab..com/
◼ Environnement : Python, Jupiter, Numpy, Github.
12
13. Limites
◼ Forte corrélation entre les produits de taux de maturité différentes.
◼ Non calibrable sur la volatilité.
◼ Disparition des phénomènes extrêmes due à la normalité.
13
14. Perspectives
◼ Estimation des paramètres: volatilité et vitesse de retour à la
moyenne.
◼ Implémenter un modèle dans lequel le pas de temps 𝝙t n’est pas
constant.
◼ Récupérer directement les taux à travers Bloomberg. 14