Modélisation des prix des transferts dans le football : déterminants, inflation, pérennité et impacts sur le marché : finance, économie et machine learning

Pricing football transfers : determinants, inflation, sustainability, and market impact : finance, economics, and machine learning approaches

• Auteur / Autrice : Moussa Ezzeddine
• Direction : Pierre-Charles Pradier
• Type : Thèse de doctorat
• Discipline(s) : Sciences économiques
• Date : Soutenance le 17/12/2020
• Etablissement(s) : Paris 1
• Ecole(s) doctorale(s) : École doctorale d'Économie (Paris ; 2004-....)
• Partenaire(s) de recherche : Laboratoire : Centre d'économie de la Sorbonne (Paris ; 2006-....)
• Jury : Président / Présidente : Luc Arrondel
• Jury : Examinateurs / Examinatrices : Pierre-Charles Pradier, Wladimir Andreff, Emilio Andrés García Silvero
• Jury : Rapporteurs / Rapporteuses : Robert Simmons, Nicolas Scelles

Mots clés

Mots clés contrôlés

Bourse

Sports -- Aspect économique

Clubs de football

Aspect économique

Football

Transfert

Joueurs de football

Mots clés libres

Valorisation hédonique

Bourse

Économétrie

Machine learning

Hedonic pricing

Stock market

Econometrics

Machine learning

Résumé

Chaque année, le marché des transferts fait la une des journaux à cause des prix astronomiques payés par les grands clubs de football pour s'acheter des stars. Le montant payé par le club est supposé être une estimation de la valeur du joueur sur le marché. L'objectif de cette thèse est donc de déterminer les facteurs significatifs impactant le modèle de valorisation des joueurs. Pour ce faire, nous exploitons une base de données contenant 87 000 transferts et plus de 200 000 salaires avec deux types de variables ; une variable contenant des données statistiques sur chaque joueur pour les deux saisons précédentes, l'autre contenant une synthèse de notes données par les experts. Ce travail a été réalisé à partir d'un modèle de valorisation hédonique et de trois algorithmes de Machine Learning pour estimer les facteurs les plus importants dans la détermination de la valeur d'un joueur. Bien que perfectible, ces modèles sont capables de prédire les fonctions de prix des transferts et des salaires associés. Enfin, un modèle de marché a été implémenté pour déterminer l'effet des transferts, des résultats inattendus de matchs et de la Covid-19 dans la valeur d'un club de football. Ces recherches ont permis de fournir des explications prometteuses à propos des différentes segmentations sur le marché des transferts et l'impact de ces derniers sur la fluctuation de la valeur de certains clubs.

Each year new transfer market news tops headlines due to the astronomical prices paid to recruit a superstar by top football clubs. The money paid by the buying club is assumed to be an estimate of the market value of the transferred player. Thus, the challenge is to determine the significant factors that affect the pricing function of a football player. In this research, a large data set has been extracted containing more than 87,000 transfers and more than 200,000 wage observation alongside two sets of variables; one contains real statistics of each player from the previous two seasons, while the other contains synthetic scores given by experts. This work has made use of one hedonic pricing function and three machine learning algorithms to estimate the most important factors affecting the financial value of the player. Albeit imperfect, but the models can predict the pricing functions of the transfer fees and wages with different promising precisions. Finally, a market model has been carried out to determine the effect of transfers, surprising match results, and COVID-19 on the market value of a football club. The overall findings were promising as they have provided interesting explanations about the different segmentations in the transfer market and the effectivity of transfers on the fluctuations of the share values of certain clubs.