Trois essais sur l'efficacité informationnelle des marchés financiers grâce à l'utilisation de l'analytique du Big Data.

Résumé L'augmentation massive de la disponibilité des données générées quotidiennement par les individus sur Internet a permis d'aborder la prévisibilité des marchés financiers sous un angle différent. Sans avoir la prétention d'offrir une réponse définitive à un débat qui persiste depuis quarante ans entre les partisans de l'hypothèse des marchés efficients et les universitaires de la finance comportementale, cette thèse vise à améliorer notre compréhension du processus de formation des prix sur les marchés financiers grâce à l'utilisation de l'analyse des Big Data. Plus précisément, elle analyse : (1) comment mesurer le sentiment intrajournalier des investisseurs et déterminer la relation entre le sentiment des investisseurs et les rendements globaux du marché, (2) comment mesurer l'attention des investisseurs aux nouvelles en temps réel, et identifier la relation entre l'attention des investisseurs et la dynamique des prix des actions de grande capitalisation, et (3) comment détecter les comportements suspects qui pourraient miner le rôle in-formational des marchés financiers, et déterminer la relation entre le niveau d'activité de publication sur les médias sociaux et les rendements des actions de petite capitalisation. Le premier essai propose une méthodologie pour construire un nouvel indicateur du sentiment des investisseurs en analysant un vaste ensemble de données de contenu généré par les utilisateurs et publié sur la plateforme de médias sociaux Stock-Twits. En examinant les caractéristiques de trading autodéclarées par les utilisateurs, l'essai fournit des preuves empiriques de trading de bruit axé sur le sentiment au niveau intrajournalier, conformément aux théories de finance comportementale. Le deuxième essai propose une méthodologie pour mesurer l'attention des investisseurs aux nouvelles en temps réel en combinant les données des fils de presse traditionnels avec le contenu publié par les experts sur la plateforme de médias sociaux Twitter. L'essai démontre que les nouvelles qui suscitent une grande attention entraînent un changement important et persistant de l'activité de négociation, de la volatilité et des sauts de prix. Il démontre également que l'effect de pré-annonce est réduit lorsque les timestamps corrigés des fils de presse sont pris en compte. Le troisième essai apporte de nouvelles perspectives à la littérature empirique sur la manipulation du marché des actions de petite capitalisation en examinant un nouvel ensemble de données de messages publiés sur la plateforme de médias sociaux Twitter. L'essai propose une nouvelle méthodologie pour identifier les comportements suspects en analysant les interactions entre les utilisateurs et fournit des preuves empiriques de recommandations d'actions suspectes sur les médias sociaux qui pourraient être liées à la manipulation du marché. La conclusion de l'essai devrait renforcer les efforts des régulateurs pour mieux contrôler les médias sociaux et souligne la nécessité d'une meilleure éducation des investisseurs individuels.