Nos professeurs et chercheurs offrent une large expertise dans des domaines de pointe. Leurs recherches portent sur des sujets très variés donnés dans la liste ci-dessous.
Pour la liste complète de nos experts, consultez le répertoire du Département
Axes
Augustyniak, Maciej
Professeur agrégé
- Chaînes de Markov
- Finance mathématique
- Gestion de risques
- Méthodes de Monte Carlo
- Modélisation statistique
- Sélection de modèles
- Séries chronologiques
- Statistique computationnelle
Je suis chercheur en actuariat et en gestion quantitative des risques. Ma recherche vise à développer de nouveaux modèles et méthodes pour quantifier et gérer des risques à long terme survenant dans des applications actuarielles et financières. Ce programme de recherche fait appel à des expertises multidisciplinaires et j'ai donc des intérêts de recherche dans différentes disciplines.
- Économétrie et statistique computationnelle: Je cherche à proposer des apports méthodologiques et en modélisation dans la classe des processus à chaîne de Markov cachée appliqués aux séries temporelles financières.
Mots clés en anglais: hidden Markov models, regime-switching models, GARCH models, state space models, filtering techniques, particle filters, Kalman filter, EM algorithm
- Finance quantitative: Mon objectif est d'étudier et de développer des techniques permettant une gestion plus efficace des risques financiers à long terme.
Mots clés en anglais: quadratic hedging, variance-optimal hedging, mean-variance hedging, local risk-minimization, dynamic programming
- Actuariat: Je vise à analyser et à améliorer l'efficacité des stratégies de couverture utilisées dans le contexte de produits financiers vendus avec des garanties d'investissement, appelés fonds distincts.
Mots clés en anglais: risk management, dynamic hedging, variable annuities, equity-linked life insurance, segregated funds, model risk, lapse risk, stochastic volatility, stochastic interest rates
D'autre part, j'ai aussi pour objectif d'établir des collaborations de recherche avec l'industrie et les associations professionnelles d'actuaires. Par exemple, j'ai participé à des projets de recherche collaborative en partenariat avec l'Autorité des marchés financiers, avec la Banque Nationale du Canada, avec PwC Canada et avec la Society of Actuaries.
Chers étudiants, vous êtes les bienvenus de me contacter pour entreprendre des études supérieures sous ma supervision. Je peux vous encadrer dans le cadre d'un mémoire de recherche ou d'une thèse. Alternativement, vous pouvez participer à un de mes projets de recherche collaborative avec l'industrie.
Kroumi, Dhaker
Chargé de cours
- Chaînes de Markov
- Génétique des populations
- Probabilités appliquées
- Processus stochastiques appliqués
Étude de la coopération dans le cas des populations structurées
Maire, Florian
Professeur agrégé
- Algorithmes statistiques d'apprentissage
- Chaînes de Markov
- Champs de Gibbs et de Markov
- Optimisation d'algorithmes
- Probabilités appliquées
- Statistique bayésienne
- Statistique computationnelle
En statistique bayésienne, les lois de probabilités qu'il est habituel de rencontrer en pratique sont généralement compliquées: modèles de vraisemblance non linéaires/non gaussiens, constantes incalculables, données manquantes, etc. Parallélement, l'accroissement des puissances de calculs permettent de considérer à présent des modèles paramètriques de (très) grandes dimensions et d'en faire l'apprentissage grâce à un (très) grand nombre de données. De tels scenarios mettent souvent en échec les outils d'inférence statistique classiques tels que les algorithmes du gradient, Expectation Maximisation ou encore les méthodes de Monte Carlo par chaîne de Markov.
Je m'intéresse aux questions liées à l'approximation de ces algorithmes classiques et en particulier à leur convergence. De ces approximations résultent des algorithmes "bruités" qui n'héritent généralement pas des propriétés agréables que possèdent les algorithmes classiques: estimateur sans biais, normalité asymptotique, taux de convergence optimal, invariance, etc. Comment construire des algorithmes efficaces à la fois d'un point de vue statistique (théorique) et computationel (en pratique, i.e implémentable et viable)? Mais cette question est couplée avec une autre: quelles cadres théoriques peuvent être utilisés/adaptés pour construire ces approximations?
Les domaines d'application qui m'intéressent sont entre autre le traîtement de l'image (modèles à prototypes déformables), les modèles de graphes aléatoires et les modèles de dynamique moléculaire.