Les observations du comportement des investisseurs sur les marchés financiers suggèrent que les investisseurs sont de plus en plus sensibles aux critères extra-financiers dans le processus de construction des portefeuilles. Nous menons donc 2 études empiriques sur l’impact de l’adoption d’une stratégie d’investissement intégrant les enjeux environnementaux, sociaux et de gouvernance dans la sélection d’actifs (ESG) sur la performance des portefeuilles. La première étude nous a permis de comparer la performance de trois portefeuilles composés d’actions du marché américain. La composition de ces portefeuilles a été faite via des filtres ESG. D’une part les best-in-class c’est-à-dire les actions ayant les meilleures notations ESG, puis celles avec les notations moyennes et pour finir les actions les moins bien notées. La mise en œuvre de l’optimisation s’effectue dans un cadre théorique mean-LPM qui met en évidence notre modélisation spécifique de la structure de dépendance du portefeuille. La deuxième étude porte cette fois sur deux portefeuilles constitués d’actions du marché de la zone euro. Un portefeuille avec les best-in-class et le second composé d’actions ayant des notations homogènes. À la différence de la première étude, l’optimisation est faite dans un cadre théorique worst case worst case mixture copula mean-CvaR. De ces études nous sommes arrivés à la conclusion que ce critère n’est pas incompatible avec le profit mais il faudrait réduire ces exigences en terme de préférence pour les actions avec les notes ESG élevées. En vue d’une potentielle extension avec des modèles plus performants,une troisième étude empirique a été réalisée pour mettre en évidence la puissance et la pertinence des modèles d’apprentissage automatique pour la prévision de séries temporelles financières. Ou comme alternative une hybridation entre modèle de réseaux de neurones artificiels et le modèle ARIMA pour prédire la tendance de la série temporelle.