Dimension effective et méthodes de Monte Carlo: Une approche par deep learning

par Zineb El Filali Ech-Chafiq

Projet de thèse en Mathématiques Appliquées

Sous la direction de Jérôme Lelong.

Thèses en préparation à Grenoble Alpes , dans le cadre de École doctorale mathématiques, sciences et technologies de l'information, informatique (Grenoble) , en partenariat avec Laboratoire Jean Kuntzmann (Grenoble) (laboratoire) depuis le 18-03-2019 .


  • Résumé

    L'évaluation et la couverture des produits financiers nécessitent souvent le traitement de problèmes de grandes dimensions. Toutefois, sur plusieurs cas pratiques les dimensions effectives s'avèrent être petites. Notre contribution à ce sujet consiste à présenter une nouvelle technique de réduction de la dimension reposant sue le machine learning et qui est capable de traiter tous les problèmes de façon systématique. Ceci permet une amélioration du temps de pricing et de la couverture.

  • Titre traduit

    Efficient pricing and hedging of financial products using deep learning


  • Résumé

    Pricing and hedging in finance often involve high dimensional problems. However, the effective dimension is low in many practical cases. Our main contribution in this project is to present a machine learning technique for dimension reduction that copes with all problems in a systematic way. It allows a significant pricing and hedging speed up.