Théorie moderne du portefeuilleLa théorie moderne du portefeuille est une théorie financière développée en 1952 par Harry Markowitz. Elle expose comment des investisseurs rationnels utilisent la diversification afin d'optimiser leur portefeuille, et quel devrait être le prix d'un actif étant donné son risque par rapport au risque moyen du marché. Cette théorie fait appel aux concepts de frontière efficiente, coefficient bêta, droite de marché des capitaux et droite de marché des titres. Sa formalisation la plus accomplie est le modèle d'évaluation des actifs financiers ou MEDAF.
Modélisation financièreLa modélisation financière consiste à représenter une situation financière grâce à un modèle mathématique, en fonction de différents paramètres. La modélisation financière facilite ainsi la prise de décision, en permettant de simuler divers scénarios et d’aboutir à des recommandations. La modélisation s’applique principalement à deux grands domaines de la finance, la finance d’entreprise et la finance de marché.
Estimation par noyauEn statistique, l’estimation par noyau (ou encore méthode de Parzen-Rosenblatt ; en anglais, kernel density estimation ou KDE) est une méthode non-paramétrique d’estimation de la densité de probabilité d’une variable aléatoire. Elle se base sur un échantillon d’une population statistique et permet d’estimer la densité en tout point du support. En ce sens, cette méthode généralise astucieusement la méthode d’estimation par un histogramme. Si est un échantillon i.i.d.
Coefficient bêtaLe coefficient bêta est, en finance, une mesure de la volatilité du prix d'un actif par rapport à celle d'un marché financier. Il s'agit d'un coefficient clef du modèle d'évaluation des actifs financiers (MEDAF). Il est un indicateur utile dans la mise en place d'une stratégie de diversification des risques. Le bêta est le rapport entre la rentabilité de cet actif et celle du marché puisque la volatilité concerne les variations de cours qui sont un élément essentiel de rentabilité.
Finite difference methods for option pricingFinite difference methods for option pricing are numerical methods used in mathematical finance for the valuation of options. Finite difference methods were first applied to option pricing by Eduardo Schwartz in 1977. In general, finite difference methods are used to price options by approximating the (continuous-time) differential equation that describes how an option price evolves over time by a set of (discrete-time) difference equations. The discrete difference equations may then be solved iteratively to calculate a price for the option.
Inférence statistiquevignette|Illustration des 4 principales étapes de l'inférence statistique L'inférence statistique est l'ensemble des techniques permettant d'induire les caractéristiques d'un groupe général (la population) à partir de celles d'un groupe particulier (l'échantillon), en fournissant une mesure de la certitude de la prédiction : la probabilité d'erreur. Strictement, l'inférence s'applique à l'ensemble des membres (pris comme un tout) de la population représentée par l'échantillon, et non pas à tel ou tel membre particulier de cette population.
Évaluation financièreL'évaluation financière est l'estimation de la valeur (c'est-à-dire du prix potentiel): des actifs et engagements financiers (actions, obligations, options, contrats d'épargne) et des entreprises évaluation d'entreprise) Tout placement financier étant fait dans une optique future, les principaux paramètres d’estimation de la valeur du placement sont les gains que l'on attend et les risques que l'on perçoit. finance, actif financier, évaluation du prix d'une action, évaluation d'option, évaluation financière
Régression non paramétriqueLa régression non paramétrique est une forme d'analyse de la régression dans lequel le prédicteur, ou fonction d'estimation, ne prend pas de forme prédéterminée, mais est construit selon les informations provenant des données. La régression non paramétrique exige des tailles d'échantillons plus importantes que celles de la régression basée sur des modèles paramétriques parce que les données doivent fournir la structure du modèle ainsi que les estimations du modèle. On dispose de données numériques que l'on suppose corrélées.
Série temporellethumb|Exemple de visualisation de données montrant une tendances à moyen et long terme au réchauffement, à partir des séries temporelles de températures par pays (ici regroupés par continents, du nord au sud) pour les années 1901 à 2018. Une série temporelle, ou série chronologique, est une suite de valeurs numériques représentant l'évolution d'une quantité spécifique au cours du temps. De telles suites de variables aléatoires peuvent être exprimées mathématiquement afin d'en analyser le comportement, généralement pour comprendre son évolution passée et pour en prévoir le comportement futur.
Robustesse (statistiques)En statistiques, la robustesse d'un estimateur est sa capacité à ne pas être perturbé par une modification dans une petite partie des données ou dans les paramètres du modèle choisi pour l'estimation. Ricardo A. Maronna, R. Douglas Martin et Victor J. Yohai; Robust Statistics - Theory and Methods, Wiley Series in Probability and Statistics (2006). Dagnelie P.; Statistique théorique et appliquée. Tome 2 : Inférence statistique à une et à deux dimensions, Paris et Bruxelles (2006), De Boeck et Larcier.
