Thèse soutenue

Extractions de signaux et applications en finance
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Clément Goulet
Direction : Philippe de Peretti
Type : Thèse de doctorat
Discipline(s) : Mathématiques appliquées
Date : Soutenance le 05/12/2017
Etablissement(s) : Paris 1
Ecole(s) doctorale(s) : École doctorale d'Économie (Paris)
Partenaire(s) de recherche : Equipe de recherche : Centre d'économie de la Sorbonne (Paris ; 2006-....)
Laboratoire : Centre d'économie de la Sorbonne (Paris ; 2006-....)
Jury : Président / Présidente : Olivier Guéant
Examinateurs / Examinatrices : Philippe de Peretti, Chafic Merhy, Christophe Chorro, Hayette Gatfaoui
Rapporteurs / Rapporteuses : Giulia Rotundo, Jean-François Aujol

Résumé

FR  |  
EN

Le sujet principal de cette thèse est de proposer de nouvelles méthodes d'extractions de signaux avec applications en finance. Par signaux, nous entendons soit un signal sur lequel repose une stratégie d'investissement; soit un signal perturbé par un bruit, que nous souhaitons retrouver. Ainsi, la première partie de la thèse étudie la contagion en volatilité historique autours des annonces de résultats des entreprises du Nasdaq. Nous trouvons qu'autours de l'annonce, l'entreprise reportant ses résultats, génère une contagion persistante en volatilité à l’encontre des entreprises appartenant au même secteur. Par ailleurs, nous trouvons que la contagion en volatilité varie, selon le type de nouvelles reportées, l'effet de surprise, ou encore par le sentiment de marché à l'égard de l'annonceur. La deuxième partie de cette thèse adapte des techniques de dé-bruitage venant de l'imagerie, à des formes de bruits présentent en finance. Ainsi, un premier article, co-écrit avec Matthieu Garcin, propose une technique de dé-bruitage innovante, permettant de retrouver un signal perturbé par un bruit à variance non-constante. Cet algorithme est appliqué en finance à la modélisation de la volatilité. Un second travail s'intéresse au dé-bruitage d'un signal perturbé par un bruit asymétrique et leptokurtique. En effet, nous adaptons un modèle de Maximum A Posteriori, couramment employé en imagerie, à des bruits suivant des lois de probabilité de Student, Gaussienne asymétrique et Student asymétrique. Cet algorithme est appliqué au dé-bruitage de prix d'actions haute-fréquences. L'objectif étant d'appliquer un algorithme de reconnaissance de formes sur les extrema locaux du signal dé-bruité.