Horizon Portail d'Information

Ressources numériques

Recherche rapide

Recherche avancée

Recherche alphabétique

Modifier la recherche

Ngameni Ngankam , Hermann , 1986-....

Desgranges , Gabriel , économiste

Mero , Gulten , 1981-....

Boulu-Reshef , Béatrice , 1983-....

Villeneuve , Bertrand , 19..-.... , professeur d'économie

Moraux , Franck

Renault , Thomas , 1986-....

CY Cergy Paris Université , 2020-....

École doctorale Économie, Management, Mathématiques, Physique et Sciences Informatiques , Cergy-Pontoise, Val d'Oise

THEMA Théorie économique, modélisation et applications , Cergy , 2006-

Stabilité des équilibres et liquidité des marchés , Hermann Ngameni Ngankam ; sous la direction de Gabriel Desgranges et de Gulten Mero

Titre provenant de l'écran-titre

Ecole(s) Doctorale(s) : Ecole doctorale Économie, Management, Mathématiques , Physique et Sciences Informatiques (EM2PSI)

Partenaire(s) de recherche : THEMA -Théorie économique, modélisation et applications (Laboratoire)

Autre(s) contribution(s) : Béatrice Boulu-Reshef (Président du jury) ; Gabriel Desgranges, Gulten Mero, Bertrand Villeneuve, Franck Moraux, Thomas Renault (Membre(s) du jury) ; Bertrand Villeneuve, Franck Moraux (Rapporteur(s))

Thèse de doctorat Sciences économiques - EM2PSI CY Cergy Paris Université 2023

L'objectif de cette thèse est d'évaluer l'impact du comportement des agents économiques sur la liquidité du marché. La liquidité des marchés financiers est un concept fondamental en finance. Traditionnellement, elle résulte de l'interaction de deux catégories d'agents: les consommateurs de liquidité et des fournisseurs de liquidité . La littérature documente une troisième catégorie d'agents, les noise traders qui peuvent également impacter la liquidité en l'améliorant (Kyle, 1985; Glosten and Milgrom, 1985) ou en la détériorant à cause du "noise trading risk" (De Long et al., 1990; Shleifer and Vishny, 1997). Le progrès technologique des dernières décennies a favorisé le trading haute fréquence et les Traders Haute Fréquence sont devenus incontournables sur les marchés. Ils mettent en place des stratégies d'arbitrage (dont l'arbitrage de liquidité) qui, à priori, ont pour effet d'améliorer la liquidité des marchés (Brogaard et al., 2014; Colliard, 2017; Menkveld and Zoican, 2017). Cependant, des études plus tardives soulignent que ces agents ne se comportent pas comme des market makers classiques ; et souvent, pour gagner la course à la vitesse, ils calibrent leurs ordres sur la base de leurs anticipations, qui peuvent dévier du cadre rationnel (Stein, 2009). Le premier chapitre de la thèse évalue l'impact des anticipations des THFs sur la qualité du marché ( la liquidité et volatilité). Nous étendons le modèle de Grossman and Miller (1988) en introduisant les THFs et en modélisant de manière formelle leurs anticipations. Les résultats sont les suivants: en fonction des erreurs d'anticipation, ainsi que du nombre de Traders Haute Fréquence intervenant sur le marché, les THFs peuvent consommer ou fournir de la liquidité. En effet, pour de petites erreurs d'anticipation, ces agents économiques apportent de la liquidité. Par conséquent, plus ils sont nombreux, plus c'est bénéfique pour le marché. En revanche, lorsque les erreurs ont un impact très important sur l'activité de trading, leur intervention détériore la liquidité du marché. Le deuxième chapitre de cette thèse, quant à lui, est consacré à l'évaluation de l'impact des agents économiques sophistiqués (au sens de la théorie du level-k) sur la qualité du marché. Des études expérimentales ont mis en évidence une diversité de profondeurs de raisonnements (level-k reasoning), avec en grande partie des agents ne jouant pas l'équilibre de (Stahl II and Wilson, 1994). L'utilisation de cette notion du level-k reasoning a permis d'expliquer plusieurs irrégularités empiriques, non élucidées par les modèles à anticipations rationnelles (Angeletos and Lian, 2017; Farhi andWerning, 2019, parmi tant d'autres). Ce chapitre étend le modèle de Guesnerie and Rochet (1993) en y introduisant des spéculateurs (level-k traders) et des liquidity traders, au sens de Camerer et al. (2004). Nos résultats montrent que lorsque les agents présents sur le marché sont de niveau 1, on observe que plus il y a des agents de niveau 1 sur le marché, moins il est liquide, et plus il est volatile. Par contre, plus il y a d'agents Nash sur le marché, plus le marché est liquide, et moins il est volatile. Enfin, le troisième chapitre de la thèse évalue l'impact des noise traders sur la relation entre le rendement et la liquidité de 10 titres financiers, aussi bien que l'indice Nasdaq. Les données utilisées , pour construire l'indice de sentiment, sont collectées sur la plateforme StockTwits, tandis que les données financières sont récoltées sur Yahoo Finance. L'indice de sentiment est construit à l'aide de la technique élaborée par Renault (2017) et la mesure de liquidité utilisée est celle Amihud (2002). L'analyse de la relation rendement-liquidité, conditionnellement à l'indice du sentiment permet de mettre en évidence l'existence d'une relation positive significative entre le rendement et le risque de liquidité, pendant les périodes de sentiment élevé ; ce qui n'est pas le cas en périodes de sentiment bas.

The objective of this thesis is to evaluate the impact of economic agents' behaviour on market liquidity. Market liquidity is a fundamental concept in finance. Traditionally, it results from the interaction of two categories of agents: liquidity consumers (often informed agents or speculators) and liquidity providers (market makers). The literature documents a third category of agents, the noise traders, who can also affect liquidity by either improving it (Kyle, 1985; Glosten and Milgrom, 1985) or deteriorating it due to "noise trading risk" (De Long et al., 1990; Shleifer and Vishny,1997). The technological progress of recent decades has favoured high frequency trading, and High Frequency Traders have become indispensable in the markets. They implement arbitrage strategies (including liquidity arbitrage) which, in principle, have the effect of improving market liquidity (Brogaard et al., 2014; Colliard, 2017; Menkveld and Zoican, 2017). However, later studies highlight that these agents do not behave like traditional market makers, and often, to gain the speed advantage, they calibrate their orders based on expectations that may deviate from rationality (Stein, 2009). The first chapter of the thesis evaluates the impact of HFTs' expectations on market quality (liquidity and volatility). We extend the model of Grossman andMiller (1988) by introducing HFTs and formally modelling their expectations. The results are as follows: depending on their expectations errors and the number of HFTs active in the market, they can either consume or provide liquidity. For small prediction errors, these economic agents contribute to liquidity. Therefore, the more of them there are, the more beneficial it is for the market. However, when errors have a significant impact on trading activity, their intervention deteriorates market liquidity. The second chapter of this thesis is dedicated to evaluating the impact of sophisticated economic agents (in the sense of level-k theory) on market quality . Experimental studies have revealed a diversity of reasoning depths (level-k reasoning), with many agents not playing the Nash equilibrium (Stahl II and Wilson, 1994). The use of this level-k reasoning notion has helped explain several empirical irregularities, not elucidated by models with rational expectations (Angeletos and Lian, 2017; Farhi and Werning, 2019, among others). Thischapter extends the model of Guesnerie and Rochet (1993) by introducing speculators (level-k traders) and liquidity traders in the sense of Camerer et al. (2004). Our results show that when agents in the market are level-1, the market becomes less liquid and more volatile as there are more level-1 traders. On the other hand, when there are more Nash agents, the market becomes more liquid and less volatile. Finally, the third chapter of the thesis evaluates the impact of noise traders on the relationship between the return and liquidity of ten financial securities, as well as the Nasdaq index. The data used in this chapter to construct the sentiment index are collected from the StockTwits platform, while financial data is gathered from Yahoo Finance. The sentiment index is constructed using the technique developed by Renault (2017), and liquidity risk is measured using Amihud (2002). The analysis of the return-liquidity relationship conditional on the sentiment index evidences a significant positive relationship between the return and liquidity risk during periods of high sentiment, which is not the case during periods of low sentiment. One possible interpretation of this empirical result is that, during periods of high sentiment, it is plausible that a large number of sentiment traders intervene in the market, thereby creating liquidity risk. Consequently, rational investors demand a higher risk premium to hold the securities.

Thèses et écrits académiques

Pour toute question, contactez la bibliothèque

Horizon Information Portal 3.25_france_v1m© 2001-2019 SirsiDynix Tous droits réservés.

Horizon Portail d'Information