Cette thèse de doctorat propose un modèle d'évaluation, des options avec sauts, volatilité et taux d'intérêt stochastiques, dont la solution analytique généralise les formules de Black & Scholes (1973), Heston (1993), Bates (1996) et Bakshi, Cao & Chen (1997). Après avoir exploré la capacité des schémas GARCH à modéliser la structure par terme de la volatilité de l'indice S&P500 sur le CBOE, la volatilité stochastique devient le coeur probabiliste du paradigme d'incomplétude des marchés. Mais faire de la volatilité stochastique ne permet pas encore de capturer les grandes valeurs de kurtosis pour les options courtes. Le problème leptokurtique est alors résolu en adoptant une classe de distributions générées par des processus de diffusion à sauts. L'effet d'une fréquence aléatoire des sauts poissonniens dans le processus des rentabilités est examiné sur le CBOE. Par ailleurs, l'auteur propose une extension académique du modèle en présence de dividendes stochastiques.

Cette thèse est composée de deux parties indépendantes : la première partie traite des équations différentielles stochastiques dans le cadre de la G-espérance, tandis que la deuxième partie présente les résultats obtenus pour les équations différentielles stochastiques du seconde ordre. Dans un premier temps, on considère les intégrales stochastiques par rapport à un processus croissant, et on donne une extension de la formule d'Itô dans le cadre de la G-espérance. Ensuite, on étudie une classe d'équations différentielles stochastiques réfléchies unidimensionnelles dirigées par un G-mouvement brownien. Dans la suite, en utilisant une méthode de localisation, on prouve l'existence et l'unicité de solutions pour les équations différentielles stochastiques dirigées par un G-mouvement brownien, dont les coefficients sont localement lipschitziens. Enfin, dans le même cadre, on discute des problèmes de réflexion multidimensionnelle et on fournit quelques résultats de convergence. Dans un deuxième temps, on étudie une classe d'équations différentielles stochastiques rétrogrades du seconde ordre à croissance quadratique. Le but de ce travail est de généraliser le résultat obtenu par Possamaï et Zhou en 2012. On montre aussi l'existence et l'unicité des solutions pour ces équations, mais sous des hypothèses plus faibles. De plus, ce résultat théorique est appliqué aux problèmes de maximisation robuste de l'utilité du portefeuille en finance.

Cette thèse est consacrée à l'étude des applications de la théorie des erreurs par formes de Dirichlet. Notre travail se divise en trois parties. La première analyse les modèles gouvernés par une équation différentielle stochastique. Après un court chapitre technique, un modèle innovant pour les carnets d'ordres est proposé. Nous considérons que le spread bid-ask n'est pas un défaut, mais plutôt une propriété intrinsèque du marché. L'incertitude est porté par le mouvement Brownien qui conduit l'actif. Nous montrons que l'évolution des spread peut être évalué grâce à des formules fermés et nous étudions l'impact de l'incertitude du sous-jacent sur les produits dérivés. En suite, nous introduisons le modèle PBS pour le pricing des options européennes. L'idée novatrice est de distinguer la volatilité du marché par rapport au paramètre utilisé par les traders pour se couvrir. Nous assumons la première constante, alors que le deuxième devient une estimation subjective et erronée de la première. Nous prouvons que ce modèle prévoit un spread bid-ask et un smile de volatilité. Les propriétés plus intéressantes de ce modèle sont l'existence de formules fermés pour le pricing, l'impact de la dérive du sous-jacent et une efficace stratégie de calibration. La seconde partie s'intéresse aux modèles décrit par une équation aux dérivées partielles. Les cas linéaire et non-linéaire sont analysés séparément. Dans le premier nous montrons des relations intéressantes entre la théorie des erreurs et celui des ondelettes. Dans le cas non-linéaire nous étudions la sensibilité des solutions à l'aide de la théorie des erreurs. Sauf dans le cas d'une solution exacte, il y a deux approches possibles: On peut d'abord discrétiser l'EDP et étudier la sensibilité du problème discrétisé, soit démontrer que les sensibilités théoriques vérifient des EDP. Les deux cas sont étudiés, et nous prouvons que les sharp et le biais sont solutions d'EDP linéaires dépendantes de la solution de l'EDP originaire et nous proposons des algorithmes pour évaluer numériquement les sensibilités. Enfin, la troisième partie est dédiée aux équations stochastiques aux dérivées partielles. Notre analyse se divise en deux chapitres. D'abord nous étudions la transmission de l'incertitude, présente dans la condition initiale, à la solution de l'EDPS. En suite, nous analysons l'impact d'une perturbation dans les termes fonctionnelles de l'EDPS et dans le coefficient de la fonction de Green associée. Dans le deux cas, nous prouvons que le sharp et le biais sont solutions de deux EDPS linéaires dépendantes de la solution de l'EDPS originaire.

Cette thèse porte sur l'étude d'algorithmes stochastiques en grande dimension ainsi qu'à leur application en statistique robuste. Dans la suite, l'expression grande dimension pourra aussi bien signifier que la taille des échantillons étudiés est grande ou encore que les variables considérées sont à valeurs dans des espaces de grande dimension (pas nécessairement finie). Afin d'analyser ce type de données, il peut être avantageux de considérer des algorithmes qui soient rapides, qui ne nécessitent pas de stocker toutes les données, et qui permettent de mettre à jour facilement les estimations. Dans de grandes masses de données en grande dimension, la détection automatique de points atypiques est souvent délicate. Cependant, ces points, même s'ils sont peu nombreux, peuvent fortement perturber des indicateurs simples tels que la moyenne ou la covariance. On va se concentrer sur des estimateurs robustes, qui ne sont pas trop sensibles aux données atypiques. Dans une première partie, on s'intéresse à l'estimation récursive de la médiane géométrique, un indicateur de position robuste, et qui peut donc être préférée à la moyenne lorsqu'une partie des données étudiées est contaminée. Pour cela, on introduit un algorithme de Robbins-Monro ainsi que sa version moyennée, avant de construire des boules de confiance non asymptotiques et d'exhiber leurs vitesses de convergence $L^{p}$ et presque sûre.La deuxième partie traite de l'estimation de la "Median Covariation Matrix" (MCM), qui est un indicateur de dispersion robuste lié à la médiane, et qui, si la variable étudiée suit une loi symétrique, a les mêmes sous-espaces propres que la matrice de variance-covariance. Ces dernières propriétés rendent l'étude de la MCM particulièrement intéressante pour l'Analyse en Composantes Principales Robuste. On va donc introduire un algorithme itératif qui permet d'estimer simultanément la médiane géométrique et la MCM ainsi que les $q$ principaux vecteurs propres de cette dernière. On donne, dans un premier temps, la forte consistance des estimateurs de la MCM avant d'exhiber les vitesses de convergence en moyenne quadratique.Dans une troisième partie, en s'inspirant du travail effectué sur les estimateurs de la médiane et de la "Median Covariation Matrix", on exhibe les vitesses de convergence presque sûre et $L^{p}$ des algorithmes de gradient stochastiques et de leur version moyennée dans des espaces de Hilbert, avec des hypothèses moins restrictives que celles présentes dans la littérature. On présente alors deux applications en statistique robuste: estimation de quantiles géométriques et régression logistique robuste.Dans la dernière partie, on cherche à ajuster une sphère sur un nuage de points répartis autour d'une sphère complète où tronquée. Plus précisément, on considère une variable aléatoire ayant une distribution sphérique tronquée, et on cherche à estimer son centre ainsi que son rayon. Pour ce faire, on introduit un algorithme de gradient stochastique projeté et son moyenné. Sous des hypothèses raisonnables, on établit leurs vitesses de convergence en moyenne quadratique ainsi que la normalité asymptotique de l'algorithme moyenné. / This thesis focus on stochastic algorithms in high dimension as well as their application in robust statistics. In what follows, the expression high dimension may be used when the the size of the studied sample is large or when the variables we consider take values in high dimensional spaces (not necessarily finite). In order to analyze these kind of data, it can be interesting to consider algorithms which are fast, which do not need to store all the data, and which allow to update easily the estimates. In large sample of high dimensional data, outliers detection is often complicated. Nevertheless, these outliers, even if they are not many, can strongly disturb simple indicators like the mean and the covariance. We will focus on robust estimates, which are not too much sensitive to outliers.In a first part, we are interested in the recursive estimation of the geometric median, which is a robust indicator of location which can so be preferred to the mean when a part of the studied data is contaminated. For this purpose, we introduce a Robbins-Monro algorithm as well as its averaged version, before building non asymptotic confidence balls for these estimates, and exhibiting their $L^{p}$ and almost sure rates of convergence.In a second part, we focus on the estimation of the Median Covariation Matrix (MCM), which is a robust dispersion indicator linked to the geometric median. Furthermore, if the studied variable has a symmetric law, this indicator has the same eigenvectors as the covariance matrix. This last property represent a real interest to study the MCM, especially for Robust Principal Component Analysis. We so introduce a recursive algorithm which enables us to estimate simultaneously the geometric median, the MCM, and its $q$ main eigenvectors. We give, in a first time, the strong consistency of the estimators of the MCM, before exhibiting their rates of convergence in quadratic mean.In a third part, in the light of the work on the estimates of the median and of the Median Covariation Matrix, we exhibit the almost sure and $L^{p}$ rates of convergence of averaged stochastic gradient algorithms in Hilbert spaces, with less restrictive assumptions than in the literature. Then, two applications in robust statistics are given: estimation of the geometric quantiles and application in robust logistic regression.In the last part, we aim to fit a sphere on a noisy points cloud spread around a complete or truncated sphere. More precisely, we consider a random variable with a truncated spherical distribution, and we want to estimate its center as well as its radius. In this aim, we introduce a projected stochastic gradient algorithm and its averaged version. We establish the strong consistency of these estimators as well as their rates of convergence in quadratic mean. Finally, the asymptotic normality of the averaged algorithm is given.

Le sujet de cette thèse de doctorat est l'étude de divers aspects liés à l'approche markovienne dans le cadre des études de fiabilité.<p><p>La première partie de cette thèse concerne Ia modélisation d'installations industrielles et la construction de la matrice de transition. Le but poursuivi est le développement d'un code markovien permettant une description réaliste et aisée du système. Le système est décrit en termes de composants multiétats :pompes, vannes .<p>La définition d'une série de règles types permet l'introduction de dépendances entre composants. Grâce à la modélisation standardisée du système, un algorithme permettant la construction automatique de la matrice de transition est développé. L'introduction d'opérations de maintenance ou d'information est également présentée.<p><p>La seconde partie s'intéresse aux techniques de réduction de la taille de la matrice, afin de rendre possible le traitement de grosses installations. En effet, le nombre d'états croit exponentiellement avec le nombre de composants, ce qui limite habituellement les installations analysables à une dizaine de composants. Les techniques classiques de réduction sont passées en revue :<p>accessibilité des états,<p>séparation des groupes de composants indépendants,<p>symétrie et agrégation exacte des états (cfr Papazoglou). Il faut adapter la notion de symétrie des composants en tenant compte des dépendances pouvant exister entre composants.<p><p>Une méthode d'agrégation approchée pour le calcul de la fiabilité et de la disponibilité de groupes de composants à deux états est développée.<p><p>La troisième partie de la thèse contient une approche originale pour l'utilisation de la méthode markovienne. Il s'agit du développement d'une technique de réduction basée sur le graphe d'influence des composants. Un graphe d'influence des composants est construit à partir des dépendances existant entre composants. Sur base de ce graphe, un système markovien non homogène est construit, décrivant de manière approchée le comportement du système exact. Les résultats obtenus sur divers exemples sont très bons.<p><p>Une quatrième partie de cette thèse s'intéresse aux problèmes numériques liés à l'intégration du système différentiel du problème markovien. Ces problèmes résultent principalement du caractère stiff du système. Différentes méthodes classiques sont implantées pour l'intégration du système différentiel. Elles sont testées sur un exemple type de problème de fiabilité.<p><p>Pour finir, on trouve la présentation du code CAMERA dans lequel ont été implantées les différentes techniques présentées ci-dessus.<p> / Doctorat en sciences appliquées / info:eu-repo/semantics/nonPublished

Cette thèse s'intéresse à une étude variée des EDSRs. Une grande partie des résultats sont obtenus sous l'hypothèse d'une croissance de type quadratique du générateur en sa dernière variable. Un premier lien entre EDSRs quadratiques unidimensionnelles et théorie des jeux nous amène à développer des résultats avec générateurs convexes. La théorie du contrôle optimal nécessite quant à elle de traiter du cas multidimensionnel, dans lequel existence et unicité globales ne sont obtenues que pour des générateurs diagonalement quadratiques. Les résultats majeurs sur les EDSRs réfléchies (dont la solution est contrainte à rester dans un domaine) concernent des générateurs Lipschitziens. C'est dans ce cadre que nous développons un résultat de propagation du chaos, avec une contrainte portant sur la loi de la solution plutôt que sur sa trajectoire. Nous dressons enfin un pont entre EDSRs quadratiques et EDSRs réfléchies grâce aux EDSRs quadratiques de type champ moyen. Nous donnons plusieurs nouveaux résultats sur la possibilité de résoudre une équation quadratique dont le générateur dépend également de la moyenne des deux variables. / In this thesis, we are interested in studying variously Backward Stochastic Differential Equations. A large proportion of the results are obtained under the assumption that the driver is of quadratic growth in its last variable. A first link between one-dimensional quadratic BSDEs and game theory leads us to develop results with convex drivers. Optimal control theory requires as for it to deal with the multidimensional case, in which global existence and uniqueness are obtained only for diagonaly quadratic drivers. Major achievements in reflected BSDEs (whose solution is constrained to remain in a domain) are reached for Lipschitz drivers. We develop a result of chaos propagation in this setting, with a constraint on the law of the solution rather than on its path. We finaly build bridge between quadratic BSDEs and reflected BSDEs thanks to mean field quadratic BSDEs. We give several new results on solvability of a quadratic BSDE whose driver depends also on the mean of both variables.

A Markov process is defined by its transition matrix. A skip-free Markov process is a stochastic system defined by a level that can only change by one unit either upwards or downwards. A regular perturbation is defined as a modification of one or more parameters that is small enough not to change qualitatively the model.<p>This thesis focuses on a category of methods, called matrix analytic methods, that has gained much interest because of good computational properties for the analysis of a large family of stochastic processes. Those methods are used in this work in order i) to analyze the effect of regular perturbations of the transition matrix on the stationary distribution of skip-free Markov processes; ii) to determine transient distributions of skip-free Markov processes by performing regular perturbations.<p>In the class of skip-free Markov processes, we focus in particular on quasi-birth-and-death (QBD) processes and Markov modulated fluid models.<p><p>We first determine the first order derivative of the stationary distribution - a key vector in Markov models - of a QBD for which we slightly perturb the transition matrix. This leads us to the study of Poisson equations that we analyze for finite and infinite QBDs. The infinite case has to be treated with more caution therefore, we first analyze it using probabilistic arguments based on a decomposition through first passage times to lower levels. Then, we use general algebraic arguments and use the repetitive block structure of the transition matrix to obtain all the solutions of the equation. The solutions of the Poisson equation need a generalized inverse called the deviation matrix. We develop a recursive formula for the computation of this matrix for the finite case and we derive an explicit expression for the elements of this matrix for the infinite case.<p><p>Then, we analyze the first order derivative of the stationary distribution of a Markov modulated fluid model. This leads to the analysis of the matrix of first return times to the initial level, a charactersitic matrix of Markov modulated fluid models.<p><p>Finally, we study the cumulative distribution function of the level in finite time and joint distribution functions (such as the level at a given finite time and the maximum level reached over a finite time interval). We show that our technique gives good approximations and allow to compute efficiently those distribution functions.<p><p><p>----------<p><p><p><p><p><p>Un processus markovien est défini par sa matrice de transition. Un processus markovien sans sauts est un processus stochastique de Markov défini par un niveau qui ne peut changer que d'une unité à la fois, soit vers le haut, soit vers le bas. Une perturbation régulière est une modification suffisamment petite d'un ou plusieurs paramètres qui ne modifie pas qualitativement le modèle.<p><p>Dans ce travail, nous utilisons des méthodes matricielles pour i) analyser l'effet de perturbations régulières de la matrice de transition sur le processus markoviens sans sauts; ii) déterminer des lois de probabilités en temps fini de processus markoviens sans sauts en réalisant des perturbations régulières. <p>Dans la famille des processus markoviens sans sauts, nous nous concentrons en particulier sur les processus quasi-birth-and-death (QBD) et sur les files fluides markoviennes. <p><p><p><p>Nous nous intéressons d'abord à la dérivée de premier ordre de la distribution stationnaire – vecteur clé des modèles markoviens – d'un QBD dont on modifie légèrement la matrice de transition. Celle-ci nous amène à devoir résoudre les équations de Poisson, que nous étudions pour les processus QBD finis et infinis. Le cas infini étant plus délicat, nous l'analysons en premier lieu par des arguments probabilistes en nous basant sur une décomposition par des temps de premier passage. En second lieu, nous faisons appel à un théorème général d'algèbre linéaire et utilisons la structure répétitive de la matrice de transition pour obtenir toutes les solutions à l’équation. Les solutions de l'équation de Poisson font appel à un inverse généralisé, appelé la matrice de déviation. Nous développons ensuite une formule récursive pour le calcul de cette matrice dans le cas fini et nous dérivons une expression explicite des éléments de cette dernière dans le cas infini.<p>Ensuite, nous analysons la dérivée de premier ordre de la distribution stationnaire d'une file fluide markovienne perturbée. Celle-ci nous amène à développer l'analyse de la matrice des temps de premier retour au niveau initial – matrice caractéristique des files fluides markoviennes. <p>Enfin, dans les files fluides markoviennes, nous étudions la fonction de répartition en temps fini du niveau et des fonctions de répartitions jointes (telles que le niveau à un instant donné et le niveau maximum atteint pendant un intervalle de temps donné). Nous montrerons que cette technique permet de trouver des bonnes approximations et de calculer efficacement ces fonctions de répartitions. / Doctorat en Sciences / info:eu-repo/semantics/nonPublished

En chimiotaxie, le modèle parabolique-parabolique classique de Keller-Segel en dimension d décrit l’évolution en temps de la densité d'une population de cellules et de la concentration d'un attracteur chimique. Cette thèse porte sur l’étude des équations de Keller-Segel parabolique-parabolique par des méthodes probabilistes. Dans ce but, nous construisons une équation différentielle stochastique non linéaire au sens de McKean-Vlasov dont le coefficient dont le coefficient de dérive dépend, de manière singulière, de tout le passé des lois marginales en temps du processus. Ces lois marginales couplées avec une transformation judicieuse permettent d’interpréter les équations de Keller-Segel de manière probabiliste. En ce qui concerne l'approximation particulaire il faut surmonter une difficulté intéressante et, nous semble-t-il, originale et difficile chaque particule interagit avec le passé de toutes les autres par l’intermédiaire d'un noyau espace-temps fortement singulier. En dimension 1, quelles que soient les valeurs des paramètres de modèle, nous prouvons que les équations de Keller-Segel sont bien posées dans tout l'espace et qu'il en est de même pour l’équation différentielle stochastique de McKean-Vlasov correspondante. Ensuite, nous prouvons caractère bien posé du système associé des particules en interaction non markovien et singulière. Nous établissons aussi la propagation du chaos vers une unique limite champ moyen dont les lois marginales en temps résolvent le système Keller-Segel parabolique-parabolique. En dimension 2, des paramètres de modèle trop grands peuvent conduire à une explosion en temps fini de la solution aux équations du Keller-Segel. De fait, nous montrons le caractère bien posé du processus non-linéaire au sens de McKean-Vlasov en imposant des contraintes sur les paramètres et données initiales. Pour obtenir ce résultat, nous combinons des techniques d'analyse d’équations aux dérivées partielles et d'analyse stochastique. Finalement, nous proposons une méthode numérique totalement probabiliste pour approcher les solutions du système Keller-Segel bi-dimensionnel et nous présentons les principaux résultats de nos expérimentations numériques. / The standard d-dimensional parabolic--parabolic Keller--Segel model for chemotaxis describes the time evolution of the density of a cell population and of the concentration of a chemical attractant. This thesis is devoted to the study of the parabolic--parabolic Keller-Segel equations using probabilistic methods. To this aim, we give rise to a non linear stochastic differential equation of McKean-Vlasov type whose drift involves all the past of one dimensional time marginal distributions of the process in a singular way. These marginal distributions coupled with a suitable transformation of them are our probabilistic interpretation of a solution to the Keller Segel model. In terms of approximations by particle systems, an interesting and, to the best of our knowledge, new and challenging difficulty arises: each particle interacts with all the past of the other ones by means of a highly singular space-time kernel. In the one-dimensional case, we prove that the parabolic-parabolic Keller-Segel system in the whole Euclidean space and the corresponding McKean-Vlasov stochastic differential equation are well-posed in well chosen space of solutions for any values of the parameters of the model. Then, we prove the well-posedness of the corresponding singularly interacting and non-Markovian stochastic particle system. Furthermore, we establish its propagation of chaos towards a unique mean-field limit whose time marginal distributions solve the one-dimensional parabolic-parabolic Keller-Segel model. In the two-dimensional case there exists a possibility of a blow-up in finite time for the Keller-Segel system if some parameters of the model are large. Indeed, we prove the well-posedness of the mean field limit under some constraints on the parameters and initial datum. Under these constraints, we prove the well-posedness of the Keller-Segel model in the plane. To obtain this result, we combine PDE analysis and stochastic analysis techniques. Finally, we propose a fully probabilistic numerical method for approximating the two-dimensional Keller-Segel model and survey our main numerical results.

Ce travail de thèse comporte deux parties largement indépendantes, qui s'intéressent chacune à un aspect de la physique<br />des systèmes hors d'équilibre. Dans la première partie, nous étudions la statistique des évènements persistants, qui<br />permettent de caractériser le comportement temporel de nombreux systèmes, en particulier les systèmes de marche vers<br />l'ordre par croissance de domaines. Notre axe d'étude consiste à reformuler le problème en termes de probabilités de<br />premier retour et de distributions du temps d'occupation de processus stochastiques. Nous obtenons des résultats exacts<br />pour une classe de processus gaussiens markoviens, ainsi que pour une particule soumise à une accélération aléatoire. <br /><br />La généralisation de ces questions à des systèmes avec des contraintes géométriques ou cinétiques nous permet ensuite<br />d'aborder la seconde partie. Celle-ci est consacrée à l'étude des états métastables dans différents modèles<br />unidimensionnels de spins d'Ising à température nulle. Nous comparons la structure de l'ensemble des configurations<br />gelées atteintes dynamiquement depuis une condition initiale désordonnée avec celle de l'ensemble 'thermodynamique' à<br />la Edwards associé.

Le travail présenté dans cette thèse a été motivé par des problématiques posées par l'évaluation de contrats échangés sur le marché du gaz: les contrats de stockage et d'approvisionnement en gaz. Ceux-ci incorporent de l'optionalité et des contraintes, ce qui rend leur évaluation difficile dans un contexte de prix de matières premières aléatoires. L'évaluation de ces contrats mène à des problèmes de contrôle stochastique complexes: switching optimal ou contrôle impulsionnel et contrôle stochastique en grande dimension. La première partie de cette thèse est une revue relativement exhaustive de la littérature, mettant en perspective les différentes approches d'évaluation existantes. Dans une deuxième partie, nous considérons une méthode numérique de résolution de problèmes de contrôle impulsionnel basée sur leur représentation comme solution d'EDSRs à sauts contraints. Nous proposons une approximation à temps discret utilisant une pénalisation pour traiter la contrainte et donnons un taux de convergence de l'erreur introduite. Combinée avec des techniques Monte Carlo, cette méthode a été testée numériquement sur trois problèmes: gestion optimale de biomasse, évaluation d'options Swing et de contrats de stockage gaz. Dans une troisième partie, nous proposons une méthode pour l'évaluation d'options dont le payoff dépend de moyennes mobiles de prix sous-jacents. Elle utilise sur une approximation à dimension finie de la dynamique des processus de moyenne mobile, basée sur un développement en série de Laguerre tronquée. Les résultats numériques fournis incluent des exemples de contrats Swing gaziers à prix d'exercice indexés sur moyennes mobiles de prix pétroliers.