Programme du parcours DRM

SERIES TEMPORELLES

Il s’agit de présenter des outils et concepts pour étudier des séries chronologiques (qui évoluent au cours du temps), dans un but de modélisation, d’estimation et de prédiction. Après avoir étudié les notions de stationnarité, on introduira des outils tels que la densité spectrale, l’autocorrélation inverse et l’autocorrélation partielle. les techniques d’estimation de ses quantités seront aussi présentées. Ensuite, les modèles linéaires de types AR, MA, ARMA, ARIMA et SARIMA seront présentés et leurs propriétés seront développées. Les modèles conditionnellement hétéroscédastiques de type (GARCH) seront aussi abordés. On terminera par une introduction aux notions de co-intégration et de modèles à corrections d’erreurs.

GESTION DES RISQUES EN ENTREPRISES

Gestion des risques en entreprises
Manipuler le risque dans l’entreprise, consiste à le définir, l’évaluer, le prévenir, le couvrir, le garantir et le gérer.
Le programme étayera la méthodologie de management et d’estimation des risques pour les processus :
- Financier : Trésorerie, solvabilité, BFR, CA, Marge
- Technique : protection, règlementation,
- Humain : formation, recrutement, adaptabilité
- Généraux comme décrit dans l’univers des risques de l’AMRAE
Pour ce faire, un focus sera réalisé sur les 2 dispositifs dans l’entreprise formant département ou service :
• Le management du risque pour des questions réglementaires.
• Le management du risque au quotidien pour des questions de pilotage opérationnel.
A l’issue de ce programme, il est possible de réaliser et manager les risques en entreprise et leur conséquence financière.

Processus de risque en entreprises
Manipuler le risque dans l’entreprise, cela consiste à le définir, l’évaluer, le prévenir, le couvrir, le garantir et le gérer. Sous un angle financier et opérationnel, les étudiants appréhenderont le traitement du risque (Risk Management) à travers :
• L’évolution de la réglementation (les accords de bâle, solvency),
• Le cadre normatif (les normes isO),
• L’utilisation des statistiques,
• La gestion de projet,
• La diffusion de la culture du risque
• Les risques informatiques,
• Le plan de continuité d’activité (PCA).
Les étudiants seront amenés à participer activement à travers des exercices pratiques, des revues de presse, des interventions de professionnels de la gestion du risque ou encore la visite d’une entreprise.

Finance d'entreprise et Audit
Le cours de finance d’entreprise présentera les principaux éléments de choix
d’investissement ainsi que les théories usuelles explicatives du choix de financement. Des modalités de financement seront examinés : quasi-fonds propres, obligations, titres de créances négociables, … ainsi que le mécanisme d’introduction en bourse. Cette ueprésentera le cadre des missions d’audit (aspects généraux et mise en œuvre, appréciation du contrôle interne, vérification spécifiques et rapports).

Introduction à l'ERM
Dans ce cours, les bases de l’enterprise Risk Management sont abordées, du processus à l’implémentation sur des études de cas concrètes. La quantification des risques est abordée succinctement, tout comme les modèles de capital économique pour les compagnies d’assurance et les banques.

DATA MINING AVANCE

Cet enseignement vient renforcer les connaissances acquises au cours du programme de «Data Mining, Text Mining et Data visualisation » et les approfondir. Il offre également une ouverture sur les outils pouvant intervenir dans un contexte lié au phénomène du big Data. Les méthodes d’aide à la décision multicritère seront également présentées.
L’approfondissement des connaissances passera par la présentation de nouvelles méthodes permettant de construire des modèles prédictifs: forêts d’arbres aléatoires, algorithmes génétiques, clustering flou...
Les méthodes seront expérimentées dans une démarche de recherche de performance. elles seront également considérées dans le contexte d’une volumétrie de données importante et les adaptations envisageables dans ce contexte seront explorées et appliquées : optimisation de code, parallélisation des calculs en mémoire partagée ou distribuée.
Prérequis : enseignement d’analyse de données et de clustering, de Data Mining (arbres de classification…), notions avancées de langage R.

RISQUES TECHNIQUES ET FINANCIERS

Risque de marché
Cet enseignement est destiné à :
- Comprendre et construire une courbe zéro coupon à partir de données de marché standards (FRa, futures, Taux de swap etc …),
- Comprendre le fonctionnement des instruments dérivés de taux et de change,
- Modéliser et pricer certains produits dérivés (swap de taux, Options de change, change à terme etc …).
Tous les cas pratiques s’appuient sur le logiciel excel ainsi qu’une bonne assise en mathématiques financières (Capitalisation, actualisation, calcul de taux forward, loi normale standard, etc …) des étudiants.

Aspects comptables et Finance d'entreprise
Introduction à la finance d’entreprise à travers la présentation et l’analyse des documents comptables (9hCM, 12hTD, MCC : CT)
- Introduction aux notion comptables :de la construction des documents comptables à leur lecture,
- Présentation de la gestion du risque client : analyse de documents comptables produits par les entreprises,
- Présentation des indicateurs de risques financiers des entreprises (liquidité, solvabilité, ...) : détermination et analyse.

Mesure de risques financiers
La modélisation des risques pour donner du sens et permettre des prévisions rationnelles tant sur l’apparition des risques que sur leur couts financiers.
la partie de l’UE consacrée à cette problématique traitera d’une part des outils de modélisation des risques, incluant les copules pour la modélisation des dépendances, les ordres stochastiques pour la comparaison des risques.
D’autre part, on présentera les mesures de risques classiques (VaR, TVaR et CTE
notamment), leurs propriétés et les méthodes de calculs et d’estimation.

INFORMATIQUE

Cet enseignement vient prolonger l’apprentissage du langage orienté objet abordé en première année de master. Il viendra renforcer les bases de programmation objet vues en M1, approfondir les capacités de modélisation (uMl) et développer les bonnes pratiques de programmation.

DATA MINING, TEXT MINING ET VISUALISATION

Cet enseignement sera développé autour de trois axes :
- Un axe prolongeant l’enseignement d’analyse de données et de segmentation en abordant des techniques d’analyse sortant du cadre de l’analyse exploratoire et permettant de construire des modèles prédictifs : arbres de segmentation, de régression, réseaux de neurones…
- Un axe dédié au développement de connaissances autour des techniques de Text Mining.
Après une présentation des outils permettant de collecter et reformater de l’information textuelle, des méthodes et des synthèses d’information classiques dans ce type d’analyse, quelques exemples d’applications seront présentés.
- Un axe développant les compétences autour des outils adéquats à la construction de représentations graphiques à la fois adaptées aux méthodes présentées et à la nature des données analysées et offrant des possibilités d’interactivité lorsque cela présente un intérêt pour l’utilisateur.

GESTION DE PROJET

L’objectif de cet enseignement est de développer chez les étudiants une capacité à structurer leur démarche dans le cadre de projets dont ils seront acteurs et analyser/anticiper les risques dans le cadre de cette gestion.
Connaître la trame des méthodes classiques de gestion de projet. Faire un focus sur le concept d’agilité, en s’appuyant sur le cadre de la programmation orientée objet. faire découvrir aux étudiants quelques méthodes agiles et en connaître les différentes étapes et leur sens, savoir se préparer aux étapes de suivi, de présentation etc. Aider les étudiants à savoir se positionner par rapport à un projet, à ses acteurs, comprendre leur rôle…
Outils de gestion/suivi de projet (MS Project, Redmine…)
Outils pour le travail collaboratif :
- Communication entre les participants : partage de fichiers, sondage, wiki…basecamp
- Partage de code : outils de versionning (GIT)
Outils de tests - framework dédié au langage pour les tests unitaires Prérequis : connaissance d’un langage de programmation orienté objet.

STATISTIQUES DECISIONNELLES

Sondage
Le cours aborde différentes méthodes de sondages, leurs caractéristiques statistiques, ainsi que les situations dans lesquelles elles peuvent se révéler pertinentes :
- sondages simples,
- sondages stratifiés, sondages à deux degrés,
- post-stratification et autres techniques de redressement.

Analyse de la variance
Présentation générale autour de la régression linéaire. notion de projection d’un vecteur Y à expliquer sur un sous-espace de variables quantitatives.
Principes du modèle linéaire (vraisemblance, estimateurs, théorème de Cochran, théorème des trois perpendicailaires)
- analyse de variance à un facteur
- analyses de variance à plusieurs facteurs (dont 2 facteurs, anCOva)
- Théorie des modèles et comparaison de contrastes
Graphiques et tests autour de la régression linéaire. les six graphiques du modèle linéaire sous R
Analyses de variance : plans équilibrées
Théorie des modèles et comparaison de contrastes
Réalisation d’une étude (par groupe de deux)

Tests non paramétriques
Révisions autour d’un test statistique - le pourquoi du non paramétrique
Construction d’un test - exemple de Wilcoxon-Mann-Whitney
Décisions et Risques d’erreur
Les grands tests non paramétriques :
kruskal-Wallis, corrélation de spearman,
Les tests sur données appariées
Quelques exercices autour de situations simples : graphiques, choix du test, ...
Etudes de cas concrets autour de l’actuariat
Etudes de cas concrets autour d’articles et de données diverses.

ANGLAIS

L’évaluation du cours se fait en contrôle continu chaque semaine sur les activités en classe et le travail demandé à domicile. Les étudiants sont évalués sur leur motivation, leur questionnement, la participation et la communication en anglais pendant le cours.
Les notes porteront sur les 4 critères suivants représentant chacun ¼ de la note : écrit, oral, présentation et compréhension orale.
L’évaluatioSn finale correspond à la moyenne de l’ensemble des notes obtenues et sera abaissée de 10% par absence injustifiée dans le semestre.