Essais d'économétrie financière : Actifs liés et données à haute fréquence.

Résumé Les changements institutionnels dans la régulation des marchés financiers ont amplifié la multiplication des marchés et la cotation simultanée des actifs sur plusieurs places. Les prix d'un titre sur ces places ou d’un titre et ses dérivés sont liés par des activités d'arbitrage. Dans ces cadres de marchés “informationnellement reliés”, il est intéressant pour le régulateur, les investisseurs et les chercheurs, de comprendre comment chaque marché contribue à la dynamique de la valeur fondamentale. Cette thèse développe de nouveaux outils pour mesurer la contribution, relativement à la fréquence, de chaque marché à la formation du prix et à la formation de la volatilité. Dans le premier chapitre, Je montre que les mesures existantes de la découverte des prix conduisent à des conclusions trompeuses lorsque l'on utilise des données à haute fréquence. En raison de bruits de microstructure, Ils créent une confusion entre la dimension « vitesse » et la dimension « bruit » dans le traitement de l’information. Je propose ensuite des mesures robustes au bruit qui détectent « quel marché est rapide » et produit des bornes très serrées. A l’aide de simulations Monte Carlo et des titres du Dow Jones vendues sur le NYSE et le NASDAQ, je montre que les données corroborent mes conclusions théoriques. Dans le deuxième chapitre, je propose une nouvelle définition de la découverte prix en construisant une fonction de réponse qui évalue l'impact permanent de l'innovation d’un marché, et je donne sa distribution asymptotique. Ce cadre innove en fournissant des résultats testables pour les métriques basées sur la variance d'innovation. Je présente ensuite un modèle d'équilibre des marchés à terme à différentes maturités, et montre qu'il soutient ma mesure : Conformément aux conclusions théoriques, la mesure sélectionne le marché avec le plus de participants comme dominant. Une application sur métaux de la LME montre que le contrat à terme de 3 mois domine à la fois le marché cash et le contrat à 15 mois. Le troisième chapitre introduit un cadre complet en temps continu pour l'analyse à haute fréquence, la littérature n'existant qu’en temps discret. Il présente aussi des avantages sur la littérature en traitant explicitement des bruits de microstructure et en intégrant une volatilité stochastique. Une application, faite sur les quatre actions du Dow Jones cotées au NASDAQ et négociées sur NYSE, montrent que le NASDAQ domine le processus continu de découverte des prix. Dans le quatrième chapitre, Alors que la littérature se concentre sur les prix, je développe un cadre pour étudier la volatilité de la volatilité. Ce qui permet de répondre à des questions telles que : La volatilité du marché futures contribue-t-elle plus que la volatilité du marché spot dans la formation de la volatilité du fondamental ? Je construis un VECM avec Volatilité Stochastique estimé avec les MCMC et inférence bayésienne. Je montre que les volatilités conditionnelles ont un facteur commun et propose des mesures de découverte de la volatilité. Je l'applique aux données journalières de Futures de métaux et de l'EuroStoxx50. Je trouve qu'alors que la formation des prix a lieu sur le marché au comptant, la découverte de la volatilité a lieu sur le marché Futures. Dans une seconde partie, je construis un cadre d'analyse qui exploite les données à Haute fréquence et évite la charge de calcul des MCMC. Je montre que les Volatilités Réalisées sont cointégrées et calcule la contribution du NYSE et NASDAQ à la volatilité permanente des titres du Dow Jones. J'obtiens que la volatilité des volumes est le meilleur déterminant de la découverte de la volatilité. Mais les chiffres faibles obtenues suggèrent l'existence d'autres facteurs.