σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyFeuilles de routeParcours
Ctrl K
AO
+1,2 k apprenants
ConnexionRejoindre ↗
Feuilles de routeParcours
AO
+1,2 k apprenants
Connexion
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
uantCraft Academy

Apprenez le développement quant en pratiquant : leçons courtes, labs notés et un vrai IDE, dans votre navigateur.

Apprendre
Toutes les feuilles de routeToutes les skillsSkill PythonSkill C++BientôtSkill OxCamlBientôtSkill Market StructureSkill CalculusSkill Linear AlgebraSkill ProbabilitySkill StatisticsSkill Matrix DecompositionsSkill OptimizationSkill Time SeriesSkill Stochastic CalculusSkill Bayesian InferenceSkill Hidden Markov ModelsSkill Particle filtering and non-stationary time series
Assistance
Donnez-nous votre avisOffrez-nous un café
Mentions légales
Politique de confidentialitéConditions d'utilisation
© 2026 QuantCraft Solutions. Tous droits réservés.
QuantCraft
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyFeuilles de routeParcours
Ctrl K
AO
+1,2 k apprenants
ConnexionRejoindre ↗
Feuilles de routeParcours
AO
+1,2 k apprenants
Connexion
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Parcours›Stochastic Calculus
S

Stochastic Calculus Parcours

OuvertCommencez ici

La valorisation des options, les modèles de risque et de nombreux simulateurs reposent sur une idée : un prix est la somme de nombreux petits pas aléatoires. Cette compétence l'explique en étapes simples, avec de courts exercices (nombres à calculer, étapes à ordonner, notions à associer) et des exemples de finance : pourquoi les variations au carré d'une trajectoire aléatoire s'additionnent en temps, pourquoi le gain d'un couvreur est une intégrale qui ne regarde que le passé, pourquoi le rendement espéré réel disparaît du prix d'une option, comment une EDP de valorisation et une moyenne sur des trajectoires donnent le même nombre, ce qu'apportent le retour à la moyenne et les sauts, et comment un schéma de simulation échange vitesse contre précision. Le projet final est un lab de code où vous estimez un modèle sur les rendements SPY, le simulez, valorisez un call par formule et par Monte Carlo, et mesurez l'erreur de couverture qui reste quand on ne rééquilibre que tous les quelques jours.

5 modules12 labs corrigés~12 heuresAvancé
Commencer le parcours

Prérequis

L'analyse et les probabilités sont attendues (dérivées, intégrales, espérance, loi normale). Aucune connaissance de la finance ou des processus stochastiques n'est nécessaire.

  • CCalculus
  • PProbability

Programme

12 sujets · ouvrez n'importe quel sujet, dans l'ordre que vous voulez
  1. 1Mouvement brownienNon commencéNécessite Python50 minCommencer
  2. 2Variation quadratiqueNon commencé50 minCommencer
  3. 3L'intégrale d'ItôNon commencé1 hCommencer
  1. 4Le lemme d'ItôNon commencéNécessite Python55 minCommencer
  2. 5Mouvement brownien géométriqueNon commencéNécessite Python55 minCommencer
  1. 6Girsanov et la mesure risque-neutreNon commencé1 h 5 minCommencer
  2. 7Feynman-Kac et l'EDP de Black-ScholesNon commencé1 h 5 minCommencer
  1. 8Processus à retour à la moyenne OU et CIRNon commencé55 minCommencer
  2. 9Sauts : Poisson et MertonNon commencé1 hCommencer
  3. 10Volatilité locale et stochastiqueNon commencé55 minCommencer
  1. 11Schémas d'Euler-Maruyama et de MilsteinNon commencé55 minCommencer
  2. 12Projet final : simuler valoriser et couvrir avec un rééquilibrage discretNon commencé1 h 40 minCommencer

Validation

Réussissez les 12 labs avec un score d'au moins 70 pour terminer le parcours et obtenir le badge Calcul stochastique sur votre profil.

0 / 120%

Prérequis

L'analyse et les probabilités sont attendues (dérivées, intégrales, espérance, loi normale). Aucune connaissance de la finance ou des processus stochastiques n'est nécessaire.

  • CCalculus
  • PProbability

Outils utilisés

PythonNumPypandaspytest

Ce que vous apprendrez

  • Expliquer pourquoi une trajectoire aléatoire a une variation quadratique égale au temps et ce que cela change au calcul ordinaire
  • Calculer des intégrales d'Itô et appliquer le lemme d'Itô au mouvement brownien géométrique
  • Passer des probabilités réelles aux probabilités risque-neutres et valoriser des options avec l'EDP et la formule de Black-Scholes
  • Modéliser le retour à la moyenne, les sauts et la volatilité stochastique et savoir ce que chacun apporte à un modèle de prix
  • Simuler des trajectoires avec Euler-Maruyama et Milstein, valoriser par Monte Carlo et mesurer l'erreur d'une couverture delta discrète sur de vrais rendements

Parcours suivant

BBayesian InferenceOuvert
uantCraft Academy

Apprenez le développement quant en pratiquant : leçons courtes, labs notés et un vrai IDE, dans votre navigateur.

Apprendre
Toutes les feuilles de routeToutes les skillsSkill PythonSkill C++BientôtSkill OxCamlBientôtSkill Market StructureSkill CalculusSkill Linear AlgebraSkill ProbabilitySkill StatisticsSkill Matrix DecompositionsSkill OptimizationSkill Time SeriesSkill Stochastic CalculusSkill Bayesian InferenceSkill Hidden Markov ModelsSkill Particle filtering and non-stationary time series
Assistance
Donnez-nous votre avisOffrez-nous un café
Mentions légales
Politique de confidentialitéConditions d'utilisation
© 2026 QuantCraft Solutions. Tous droits réservés.
QuantCraft
ConnexionRejoindre ↗
Connexion