Volatilité et fréquence de transactions sur les marchés financiers : modélisation et inférence.

Résumé Cette thèse se compose de trois chapitres indépendants issus d'une problématique commune : construire des spécifications économétriques de la dynamique des marchés financiers, intégrant une modélisation structurelle des aspects informationnels. Le premier chapitre est consacré aux fréquences de transactions sur les marchés financiers en présence d'information asymétrique. Nous considérons un modèle à la Kyle (1985), mais où les chocs de liquidités n'ont pas toujours lieu. Nous caractérisons l'ensemble des équilibres bayesiens parfaits. En particulier, nous montrons que l'initié n'intervient pas systématiquement sur le marché, ce qui influe sur les fréquences de transactions. Nous étendons ensuite cette analyse au cas où les volumes sont hétérogènes. Le second chapitre s'intéresse à l'agrégation temporelle de la volatilité. Nous proposons une classe de modèles de la variance conditionnelle qui inclut la plupart des modèles existant dans la littérature et où la variance est linéaire (Garch, facteurs linéaires). Nous montrons que cette classe est robuste vis-à-vis des agrégations temporelle et individuelle et de la marginalisation. Nous montrons aussi la supériorité et la pertinence de cette classe par rapport à celle dite "arch faible" en termes d'interprétations financières et statistiques. Nous établissons le lien direct entre notre classe et celle des processus en temps continu dits "à volatilité stochastique". Enfin, le dernier chapitre est consacré à l'estimation des modèles définis par leur moyenne et variance conditionnelles, en particulier ceux du type arch. Nous considérons une large classe de m-estimateurs et nous exhibons l'estimateur optimal, qui dépend de manière cruciale des coefficients d'asymétrie et d'aplatissement conditionnels. Nous montrons qu'il est plus efficace que l'estimateur pmv et qu'il est équivalent à l'estimateur gmm optimal. Une étude Monte Carlo confirme ces résultats.