Quelques contributions en classification, régression et étude d'un problème inverse en finance

par Jean-Baptiste Monnier

Thèse de doctorat en Sciences. Mathématiques appliquées

Sous la direction de Dominique Picard.

Soutenue en 2011

à Paris 7 .


  • Résumé

    On s'intéresse aux problèmes de régression, classification et à un problème inverse en finance. Nous abordons dans un premier temps le problème de régression en design aléatoire à valeurs dans un espace euclidien et dont la loi admet une densité inconnue. Nous montrons qu'il est possible d'élaborer une stratégie d'estimation optimale par projections localisées sur une analyse multi-résolution. Cette méthode originale offre un avantage calculatoire sur les méthodes d'estimation à noyau traditionnellement utilisées dans un tel contexte. On montre par la même occasion que le classifieur plug-in construit sur cette nouvelle procédure est optimal. De plus, il hérite des avantages calculatoires mentionnés plus haut, ce qui s'avère être un atout crucial dans de nombreuses applications. On se tourne ensuite vers le problème de régression en design aléatoire uniformément distribué sur l'hyper-sphère et on montre comment le tight frame de needlets permet de généraliser les méthodes traditionnelles de régression en ondelettes à ce nouveau contexte. On s'intéresse finalement au problème d'estimation de la densité risque-neutre à partir des prix d'options quotés sur les marchés. On exhibe une décomposition en valeurs singulières explicite d'opérateurs de prix restreints et on montre qu'elle permet d'élaborer une méthode d'estimation de la densité risque-neutre qui repose sur la résolution d'un simple programme quadratique.

  • Titre traduit

    Contributions to the problems of classification, regression and to an inverse problem in finance


  • Résumé

    We focus on the problems of regression, classification and an inverse problem in finance. We first deal with the regression on a random design problem, with a design taking its values in a Euclidean space and whose distribution admits a density. We prove the optimality of the estimator obtained by localized projections onto a multi-resolution analysis. We then turn to the supervised binary classification problem and prove that the plug-in classifier built upon the above procedure is optimal. Interestingly enough, it is computationally more efficient than alternative plug-in classifiers, which turns out to be a crucial feature in many practical applications. We then focus on the regression on a random design problem, with a design uniformly distributed on the hyper-sphere of a Euclidean space. We show how the tight frame of needlets allows to transpose the traditional wavelet regression methods to this new setting. We finally consider the problem of recovering the risk-neutral density from quoted option prices. We show that the singular value decomposition of restricted call and put operators can be computed explicitly and used to tailor a simple quadratic program, which allows to recover a stable estimate of the risk-neutral density.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (189 p.)
  • Notes : Publication autorisée par le jury
  • Annexes : Bibliogr. p. 185-189

Où se trouve cette thèse ?

  • Bibliothèque : Université Paris Diderot - Paris 7. Service commun de la documentation. Bibliothèque Universitaire des Grands Moulins.
  • PEB soumis à condition
  • Cote : TS (2011) 206
  • Bibliothèque : Université Pierre et Marie Curie. Bibliothèque Universitaire Pierre et Marie Curie . Section Mathématiques-Informatique Recherche.
  • Disponible pour le PEB
  • Cote : THESE 07104
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.