From high frequency data information : four empiricals investigations on risks measurements and asset pricing models - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2008

From high frequency data information : four empiricals investigations on risks measurements and asset pricing models

De l'information en haut fréquence : quatre essais empiriques sur les mesures de risques et l'évaluation des actifs financiers

Résumé

This thesis exploits the high frequency data, closer to « true » process of prices, but which generate a certain number of technical problems which enable us to re-examine some financial models. We start by exploring a phenomenon called “Compass Rose”, discovered by Crack and Ledoit (1996), characterizing the exchanges with very high frequency. This question already was the subject of several studies which could not completely characterize the appearance conditions of the phenomenon. We propose to quantify this structure by original indicators on the French Stocks Market. We show secondly that the precision of an efficient risk measurement, called, Value-at-Risk, is improved when high frequency data are used. We exploit an Independent Component Analysis to extract the risk factors, and we show that this approach gives robust results, out-of-sample, than the Principal Component Analysis. We then generalize the traditional Asset Pricing Models with higher orders “realized” moments. Il the French stock market on a limited sample, cross-sectional tests of the single-factor an three-factor model of Fama and French (1993) have shown that systematic risk measured by the covariance (or beta) with the market and other classical factors does not satisfactorily explain the cross-sectional variation in expected excess returns. We finish this thesis by an extension on the extraction of implicit transactions times which give a Gaussian distribution of the asset returns. We show by direct method optimization that the implicit or business time exists on several assets in the French Stocks Market.
Cette thèse exploite les données de haute fréquence, plus proches des « vrais » processus de prix, mais qui engendrent un certain nombre de problèmes techniques qui nous permettent de réexaminer certains modèles d'évaluation des actifs financiers et la gestion des risques financiers. Nous commençons par explorer un phénomène dénommé « Rose des vents » découvert par Crack et Ledoit (1996) caractérisant les échanges à très haute fréquence. Cette question a déjà fait l'objet de plusieurs études qui n'ont pu complètement caractériser les conditions de cette structure sur quelques titres du marché français. Nous montrons dans un deuxième essai que la précision d'une mesure de risque efficiente, appelée Valeur-en-risque, est améliorée lorsqu'on utilise des données de haute fréquence. Nous exploitons une Analyse en Composants Indépendantes pour extraire les facteurs de risques, et nous montrons qu'elle donne des résultats plus robustes, hors échantillon, qu'une extraction par composantes principales. Nous généralisons ensuite les modèles traditionnels d'évaluation des prix des actifs aux moments d'ordres supérieurs « réalisés ». Nous montrons que cette généralisation améliore sensiblement les estimations. Nous terminons cette thèse par une extension sur l'extraction d'un temps d'échanges implicite qui permet de retrouver une distribution Gaussienne des rendements. Nous obtenons, à partir d'une méthode d'optimisation directe, un temps implicite sur plusieurs titres du marché français des actions.
Fichier principal
Vignette du fichier
Kouontchou_patrick_these.pdf (11.19 Mo) Télécharger le fichier
Loading...

Dates et versions

tel-00364023 , version 1 (25-02-2009)

Identifiants

  • HAL Id : tel-00364023 , version 1

Citer

Patrick Kouontchou Kepawou. From high frequency data information : four empiricals investigations on risks measurements and asset pricing models. Economics and Finance. Université Panthéon-Sorbonne - Paris I, 2008. English. ⟨NNT : ⟩. ⟨tel-00364023⟩
217 Consultations
425 Téléchargements

Partager

Gmail Facebook X LinkedIn More