Advanced search options

Advanced Search Options 🞨

Browse by author name (“Author name starts with…”).

Find ETDs with:

in
/  
in
/  
in
/  
in

Written in Published in Earliest date Latest date

Sorted by

Results per page:

Sorted by: relevance · author · university · dateNew search

You searched for +publisher:"Paris Saclay" +contributor:("Gobet, Emmanuel"). Showing records 1 – 3 of 3 total matches.

Search Limiters

Last 2 Years | English Only

No search limiters apply to these results.

▼ Search Limiters

1. Stazhynski, Uladzislau. Discrétisation de processus à des temps d’arrêt et Quantification d'incertitude pour des algorithmes stochastiques : Discretization of processes at stopping times and Uncertainty quantification of stochastic approximation limits.

Degree: Docteur es, Mathématiques appliquées, 2018, Paris Saclay

Cette thèse contient deux parties qui étudient deux sujets différents. Les Chapitres 1-4 sont consacrés aux problèmes de discrétisation de processus à des temps d’arrêt. Dans le Chapitre 1 on étudie l'erreur de discrétisation optimale pour des intégrales stochastiques par rapport à une semimartingale brownienne multidimensionnelle continue. Dans ce cadre on établit une borne inférieure trajectorielle pour la variation quadratique renormalisée de l'erreur. On fournit une suite de temps d’arrêt qui donne une discrétisation asymptotiquement optimale. Cette suite est définie comme temps de sortie d'ellipsoïdes aléatoires par la semimartingale. Par rapport aux résultats précédents on permet une classe de semimartingales assez large. On démontre qui la borne inférieure est exacte. Dans le Chapitre 2 on étudie la version adaptative au modèle de la discrétisation optimale d’intégrales stochastique. Dans le Chapitre 1 la construction de la stratégie optimale utilise la connaissance du coefficient de diffusion de la semimartingale considérée. Dans ce travail on établit une stratégie de discrétisation asymptotiquement optimale qui est adaptative au modèle et n'utilise pas aucune information sur le modèle. On démontre l'optimalité pour une classe de grilles de discrétisation assez générale basée sur les technique de noyau pour l'estimation adaptative. Dans le Chapitre 3 on étudie la convergence en loi des erreurs de discrétisation renormalisées de processus d’Itô pour une classe concrète et assez générale de grilles de discrétisation données par des temps d’arrêt. Les travaux précédents sur le sujet considèrent seulement le cas de dimension 1. En plus ils concentrent sur des cas particuliers des grilles, ou démontrent des résultats sous des hypothèses abstraites. Dans notre travail on donne explicitement la distribution limite sous une forme claire et simple, les résultats sont démontré dans le cas multidimensionnel pour le processus et pour l'erreur de discrétisation. Dans le Chapitre 4 on étudie le problème d'estimation paramétrique pour des processus de diffusion basée sur des observations à temps d’arrêt. Les travaux précédents sur le sujet considèrent que des temps d'observation déterministes, fortement prévisibles ou aléatoires indépendants du processus. Sous des hypothèses faibles on construit une suite d'estimateurs consistante pour une classe large de grilles d'observation données par des temps d’arrêt. On effectue une analyse asymptotique de l'erreur d'estimation. En outre, dans le cas du paramètre de dimension 1, pour toute suite d'estimateurs qui vérifie un TCL sans biais, on démontre une borne inférieure uniforme pour la variance asymptotique; on montre que cette borne est exacte. Les Chapitres 5-6 sont consacrés au problème de quantification d'incertitude pour des limites d'approximation stochastique. Dans le Chapitre 5 on analyse la quantification d'incertitude pour des limites d'approximation stochastique (SA). Dans notre cadre la limite est définie comme un zéro d'une fonction donnée par une espérance. Cette… Advisors/Committee Members: Gobet, Emmanuel (thesis director).

Subjects/Keywords: Processus stochastiques; Discretisation; Optimisation; Temps d'arret; Quantification d'incertitude; Algorithmes stochastiques; Stochastic processes; Discretization; Optimization; Stopping time; Uncertainty quantification; Stochastic algorithms; 519.22

Record DetailsSimilar RecordsGoogle PlusoneFacebookTwitterCiteULikeMendeleyreddit

APA · Chicago · MLA · Vancouver · CSE | Export to Zotero / EndNote / Reference Manager

APA (6th Edition):

Stazhynski, U. (2018). Discrétisation de processus à des temps d’arrêt et Quantification d'incertitude pour des algorithmes stochastiques : Discretization of processes at stopping times and Uncertainty quantification of stochastic approximation limits. (Doctoral Dissertation). Paris Saclay. Retrieved from http://www.theses.fr/2018SACLX088

Chicago Manual of Style (16th Edition):

Stazhynski, Uladzislau. “Discrétisation de processus à des temps d’arrêt et Quantification d'incertitude pour des algorithmes stochastiques : Discretization of processes at stopping times and Uncertainty quantification of stochastic approximation limits.” 2018. Doctoral Dissertation, Paris Saclay. Accessed February 18, 2019. http://www.theses.fr/2018SACLX088.

MLA Handbook (7th Edition):

Stazhynski, Uladzislau. “Discrétisation de processus à des temps d’arrêt et Quantification d'incertitude pour des algorithmes stochastiques : Discretization of processes at stopping times and Uncertainty quantification of stochastic approximation limits.” 2018. Web. 18 Feb 2019.

Vancouver:

Stazhynski U. Discrétisation de processus à des temps d’arrêt et Quantification d'incertitude pour des algorithmes stochastiques : Discretization of processes at stopping times and Uncertainty quantification of stochastic approximation limits. [Internet] [Doctoral dissertation]. Paris Saclay; 2018. [cited 2019 Feb 18]. Available from: http://www.theses.fr/2018SACLX088.

Council of Science Editors:

Stazhynski U. Discrétisation de processus à des temps d’arrêt et Quantification d'incertitude pour des algorithmes stochastiques : Discretization of processes at stopping times and Uncertainty quantification of stochastic approximation limits. [Doctoral Dissertation]. Paris Saclay; 2018. Available from: http://www.theses.fr/2018SACLX088

2. Liu, Gang. Rare events simulation by shaking transformations : Non-intrusive resampler for dynamic programming : Simulation des événements rares par transformations de shaking : Rééchantillonneur non-intrusif pour la programmation dynamique.

Degree: Docteur es, Mathématiques appliquées, 2016, Paris Saclay

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

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.

Advisors/Committee Members: Gobet, Emmanuel (thesis director).

Subjects/Keywords: Événements rares; Splitting; Chaîne de Markov; Programmation dynamique; Régression non-Paramétrique; Stratification; Rare events; Splitting; Markov chain; Dynamic programming; Non-Parametric regression; Stratification

Record DetailsSimilar RecordsGoogle PlusoneFacebookTwitterCiteULikeMendeleyreddit

APA · Chicago · MLA · Vancouver · CSE | Export to Zotero / EndNote / Reference Manager

APA (6th Edition):

Liu, G. (2016). Rare events simulation by shaking transformations : Non-intrusive resampler for dynamic programming : Simulation des événements rares par transformations de shaking : Rééchantillonneur non-intrusif pour la programmation dynamique. (Doctoral Dissertation). Paris Saclay. Retrieved from http://www.theses.fr/2016SACLX043

Chicago Manual of Style (16th Edition):

Liu, Gang. “Rare events simulation by shaking transformations : Non-intrusive resampler for dynamic programming : Simulation des événements rares par transformations de shaking : Rééchantillonneur non-intrusif pour la programmation dynamique.” 2016. Doctoral Dissertation, Paris Saclay. Accessed February 18, 2019. http://www.theses.fr/2016SACLX043.

MLA Handbook (7th Edition):

Liu, Gang. “Rare events simulation by shaking transformations : Non-intrusive resampler for dynamic programming : Simulation des événements rares par transformations de shaking : Rééchantillonneur non-intrusif pour la programmation dynamique.” 2016. Web. 18 Feb 2019.

Vancouver:

Liu G. Rare events simulation by shaking transformations : Non-intrusive resampler for dynamic programming : Simulation des événements rares par transformations de shaking : Rééchantillonneur non-intrusif pour la programmation dynamique. [Internet] [Doctoral dissertation]. Paris Saclay; 2016. [cited 2019 Feb 18]. Available from: http://www.theses.fr/2016SACLX043.

Council of Science Editors:

Liu G. Rare events simulation by shaking transformations : Non-intrusive resampler for dynamic programming : Simulation des événements rares par transformations de shaking : Rééchantillonneur non-intrusif pour la programmation dynamique. [Doctoral Dissertation]. Paris Saclay; 2016. Available from: http://www.theses.fr/2016SACLX043

3. Matulewicz, Gustaw. Statistical inference of Ornstein-Uhlenbeck processes : generation of stochastic graphs, sparsity, applications in finance : Inf?rence statistique de processus d'Ornstein-Uhlenbeck : g?n?ration de graphes stochastiques, sparsit?, applications en finance.

Degree: Docteur es, Math?matiques appliqu?es, 2017, Paris Saclay

Le sujet de cette th?se est l'inf?rence statistique de processus d'Ornstein-Uhlenbeck multi-dimensionnels. Dans une premi?re partie, nous introduisons un mod?le de graphes stochastiques d?finis comme observations binaires de trajectoires. Nous montrons alors qu'il est possible de d?duire la dynamique de la trajectoire sous-jacente ? partir des observations binaires. Pour ceci, nous construisons des statistiques ? partir du graphe et montrons de nouvelles propri?t?s de convergence dans le cadre d'une observation en temps long et en haute fr?quence. Nous analysons aussi les propri?t?s des graphes stochastiques du point de vue des r?seaux ?volutifs. Dans une deuxi?me partie, nous travaillons sous l'hypoth?se d'information compl?te et en temps continu et ajoutons une hypoth?se de sparsit? concernant le param?tre de textit{drift} du processus d'Ornstein-Uhlenbeck. Nous montrons alors des propri?t?s d'oracle pointues de l'estimateur Lasso, prouvons une borne inf?rieure sur l'erreur d'estimation au sens minimax et d?montrons des propri?t?s d'optimalit? asymptotique de l'estimateur Lasso Adaptatif. Nous appliquons ensuite ces m?thodes pour estimer la vitesse de retour ? la moyenne des retours journaliers d'actions am?ricaines ainsi que des prix de futures de dividendes pour l'indice EURO STOXX 50.

The subject if this thesis is the statistical inference of multi-dimensional Ornstein-Uhlenbeck processes. In a first part, we introduce a model of stochastic graphs, defined as binary observations of a trajectory. We show then that it is possible to retrieve the dynamic of the underlying trajectory from the binary observations. For this, we build statistics of the stochastic graph and prove new results on their convergence in the long-time, high-frequency setting. We also analyse the properties of the stochastic graph from the point of view of evolving networks. In a second part, we work in the setting of complete information and continuous time. We add then a sparsity assumption applied to the drift matrix coefficient of the Ornstein-Uhlenbeck process. We prove sharp oracle inequalities for the Lasso estimator, construct a lower bound on the estimation error for sparse estimators and show optimality properties of the Adaptive Lasso estimator. Then, we apply the methods to estimate mean-return properties of real-world financial datasets: daily returns of SP500 components and EURO STOXX 50 Dividend Future prices.

Advisors/Committee Members: Gobet, Emmanuel (thesis director), Ga?ffas, St?phane (thesis director).

Subjects/Keywords: Processus stochastiques; Inf?rence statistique; Sparsit?; R?seaux ?volutifs; Donn?es financi?res; Stochastic processes; Statistical inference; Sparsity; Evolving networks; Financial data

Record DetailsSimilar RecordsGoogle PlusoneFacebookTwitterCiteULikeMendeleyreddit

APA · Chicago · MLA · Vancouver · CSE | Export to Zotero / EndNote / Reference Manager

APA (6th Edition):

Matulewicz, G. (2017). Statistical inference of Ornstein-Uhlenbeck processes : generation of stochastic graphs, sparsity, applications in finance : Inf?rence statistique de processus d'Ornstein-Uhlenbeck : g?n?ration de graphes stochastiques, sparsit?, applications en finance. (Doctoral Dissertation). Paris Saclay. Retrieved from http://www.theses.fr/2017SACLX066

Chicago Manual of Style (16th Edition):

Matulewicz, Gustaw. “Statistical inference of Ornstein-Uhlenbeck processes : generation of stochastic graphs, sparsity, applications in finance : Inf?rence statistique de processus d'Ornstein-Uhlenbeck : g?n?ration de graphes stochastiques, sparsit?, applications en finance.” 2017. Doctoral Dissertation, Paris Saclay. Accessed February 18, 2019. http://www.theses.fr/2017SACLX066.

MLA Handbook (7th Edition):

Matulewicz, Gustaw. “Statistical inference of Ornstein-Uhlenbeck processes : generation of stochastic graphs, sparsity, applications in finance : Inf?rence statistique de processus d'Ornstein-Uhlenbeck : g?n?ration de graphes stochastiques, sparsit?, applications en finance.” 2017. Web. 18 Feb 2019.

Vancouver:

Matulewicz G. Statistical inference of Ornstein-Uhlenbeck processes : generation of stochastic graphs, sparsity, applications in finance : Inf?rence statistique de processus d'Ornstein-Uhlenbeck : g?n?ration de graphes stochastiques, sparsit?, applications en finance. [Internet] [Doctoral dissertation]. Paris Saclay; 2017. [cited 2019 Feb 18]. Available from: http://www.theses.fr/2017SACLX066.

Council of Science Editors:

Matulewicz G. Statistical inference of Ornstein-Uhlenbeck processes : generation of stochastic graphs, sparsity, applications in finance : Inf?rence statistique de processus d'Ornstein-Uhlenbeck : g?n?ration de graphes stochastiques, sparsit?, applications en finance. [Doctoral Dissertation]. Paris Saclay; 2017. Available from: http://www.theses.fr/2017SACLX066

.