Rare events simulation by shaking transformations : Non-intrusive resampler for dynamic programming

par Gang Liu

Thèse de doctorat en Mathématiques appliquées

Sous la direction de Emmanuel Gobet.

Soutenue le 23-11-2016

à Paris Saclay , dans le cadre de École doctorale de mathématiques Hadamard (Orsay, Essonne) , en partenariat avec Centre de mathématiques appliquées-CMAP [Palaiseau, Essonne] (laboratoire) , École polytechnique (Palaiseau, Essonne) (établissement opérateur d'inscription) et de Centre de Mathématiques Appliquées - Ecole Polytechnique / CMAP (laboratoire) .

Le président du jury était Tony Lelièvre.

Le jury était composé de Emmanuel Gobet, Pierre Del Moral, Éric Moulines, Gersende Fort, Stefano De Marco.

Les rapporteurs étaient Mike Ludkovski, Arnaud Guyader.

  • Titre traduit

    Simulation des événements rares par transformations de shaking : Rééchantillonneur non-intrusif pour la programmation dynamique


  • Résumé

    Cette thèse contient deux parties: la simulation des événements rares et le rééchantillonnage non-intrusif stratifié pour la programmation dynamique. La première partie consiste à quantifier des statistiques liées aux événements très improbables mais dont les conséquences sont sévères. Nous proposons des transformations markoviennes sur l'espace des trajectoires et nous les combinons avec les systèmes de particules en interaction et l'ergodicité de chaîne de Markov, pour proposer des méthodes performantes et applicables en grande généralité. La deuxième partie consiste à résoudre numériquement le problème de programmation dynamique dans un contexte où nous avons à disposition seulement des données historiques en faible nombre et nous ne connaissons pas les valeurs des paramètres du modèle. Nous développons et analysons un nouveau schéma composé de stratification et rééchantillonnage


  • Résumé

    This thesis contains two parts: rare events simulation and non-intrusive stratified resampler for dynamic programming. The first part consists of quantifying statistics related to events which are unlikely to happen but which have serious consequences. We propose Markovian transformation on path spaces and combine them with the theories of interacting particle system and of Markov chain ergodicity to propose methods which apply very generally and have good performance. The second part consists of resolving dynamic programming problem numerically in a context where we only have historical observations of small size and we do not know the values of model parameters. We propose and analyze a new scheme with stratification and resampling techniques.


Il est disponible au sein de la bibliothèque de l'établissement de soutenance.

Consulter en bibliothèque

La version de soutenance existe

Où se trouve cette thèse ?

Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.