Essays in Financial Econometrics: Interlinked assets and High-Frequency Data

Les changements institutionnels dans la régulation des marchés financiers ont amplifié la multiplication des marchés et la cotation simultanée des actifs sur plusieurs places. Les prix d'un titre sur ces places ou d’un titre et ses dérivés sont liés par des activités d'arbitrage. Dans ces cadres de marchés “informationnellement reliés”, il est intéressant pour le régulateur, les investisseurs et les chercheurs, de comprendre comment chaque marché contribue à la dynamique de la valeur fondamentale. Cette thèse développe de nouveaux outils pour mesurer la contribution, relativement à la fréquence, de chaque marché à la formation du prix et à la formation de la volatilité. Dans le premier chapitre, Je montre que les mesures existantes de la découverte des prix conduisent à des conclusions trompeuses lorsque l'on utilise des données à haute fréquence. En raison de bruits de microstructure, Ils créent une confusion entre la dimension « vitesse » et la dimension « bruit » dans le traitement de l’information. Je propose ensuite des mesures robustes au bruit qui détectent « quel marché est rapide » et produit des bornes très serrées. A l’aide de simulations Monte Carlo et des titres du Dow Jones vendues sur le NYSE et le NASDAQ, je montre que les données corroborent mes conclusions théoriques. Dans le deuxième chapitre, je propose une nouvelle définition de la découverte prix en construisant une fonction de réponse qui évalue l'impact permanent de l'innovation d’un marché, et je donne sa distribution asymptotique. Ce cadre innove en fournissant des résultats testables pour les métriques basées sur la variance d'innovation. Je présente ensuite un modèle d'équilibre des marchés à terme à différentes maturités, et montre qu'il soutient ma mesure : Conformément aux conclusions théoriques, la mesure sélectionne le marché avec le plus de participants comme dominant. Une application sur métaux de la LME montre que le contrat à terme de 3 mois domine à la fois le marché cash et le contrat à 15 mois. Le troisième chapitre introduit un cadre complet en temps continu pour l'analyse à haute fréquence, la littérature n'existant qu’en temps discret. Il présente aussi des avantages sur la littérature en traitant explicitement des bruits de microstructure et en intégrant une volatilité stochastique. Une application, faite sur les quatre actions du Dow Jones cotées au NASDAQ et négociées sur NYSE, montrent que le NASDAQ domine le processus continu de découverte des prix. Dans le quatrième chapitre, Alors que la littérature se concentre sur les prix, je développe un cadre pour étudier la volatilité de la volatilité. Ce qui permet de répondre à des questions telles que : La volatilité du marché futures contribue-t-elle plus que la volatilité du marché spot dans la formation de la volatilité du fondamental ? Je construis un VECM avec Volatilité Stochastique estimé avec les MCMC et inférence bayésienne. Je montre que les volatilités conditionnelles ont un facteur commun et propose des mesures de découverte de la volatilité. Je l'applique aux données journalières de Futures de métaux et de l'EuroStoxx50. Je trouve qu'alors que la formation des prix a lieu sur le marché au comptant, la découverte de la volatilité a lieu sur le marché Futures. Dans une seconde partie, je construis un cadre d'analyse qui exploite les données à Haute fréquence et évite la charge de calcul des MCMC. Je montre que les Volatilités Réalisées sont cointégrées et calcule la contribution du NYSE et NASDAQ à la volatilité permanente des titres du Dow Jones. J'obtiens que la volatilité des volumes est le meilleur déterminant de la découverte de la volatilité. Mais les chiffres faibles obtenues suggèrent l'existence d'autres facteurs.Institutional changes in markets regulation in recent years have enhanced the multiplication of markets and the cross listing of assets simultaneously in many places. The prices for a security on those interrelated markets are strongly linked by arbitrage activities. This is also the case for one security and its derivatives: Cash and futures, CDS and Credit spread, spot and options. In those multiple markets settings, it is interesting for regulators, investors and academia to understand and measure how each market contributes to the dynamic of the common fundamental value. At the same time, improvement in ITC fueled trading activity and generated High frequency data. My thesis develops new frameworks, with respect to the data frequency, to measure the contribution of each market to the formation of prices (Price discovery) and to the formation of volatility (Volatility discovery). In the first chapter, I show that existing metrics of price discovery lead to misleading conclusions when using High-frequency data. Due to uninformative microstructure noises, they confuse speed and noise dimension of information processing. I then propose robust-to-noise metrics, that are good at detecting “which market is fast”, and produce tighten bounds. Using Monte Carlo simulations and Dow Jones stocks traded on NYSE and NASDAQ, I show that the data are in line with my theoretical conclusions. In the second chapter, I propose a new way to define price adjustment by building an Impulse Response measuring the permanent impact of market's innovation and I give its asymptotic distribution. The framework innovates in providing testable results for price discovery measures based on innovation variance. I later present an equilibrium model of different maturities futures markets and show that it supports my metric: As the theory suggests, the measure selects the market with the higher number of participants as dominating the price discovery. An application on some metals of the London Metal Exchange shows that 3-month futures contract dominates the spot and the 15-month in price formation. The third chapter builds a continuous time comprehensive framework for Price discovery measures with High Frequency data, as the literature exists only in a discrete time. It also has advantages on the literature in that it explicitly deals with non-informative microstructure noises and accommodates a stochastic volatility. We derive a measure of price discovery evaluating the permanent impact of a shock on a market’s innovation. Empirics show that it has good properties. In the fourth chapter, I develop a framework to study the contribution to the volatility of common volatility. This allows answering questions such as: Does volatility of futures markets dominate volatility of the Cash market in the formation of permanent volatility? I build a VECM with Autoregressive Stochastic Volatility estimated by MCMC method and Bayesian inference. I show that not only prices are cointegrated, their conditional volatilities also share a permanent factor at the daily and intraday level. I derive measures of market's contribution to Volatility discovery. In the application on metals and EuroStoxx50 futures, I find that for most of the securities, while price discovery happens on the cash market, the volatility discovery happens in the Futures market. Lastly, I build a framework that exploits High frequency data and avoid computational burden of MCMC. I show that Realized Volatilities are driven by a common component and I compute contribution of NYSE and NASDAQ to permanent volatility of some Dow Jones stocks. I obtain that volatility of the volume is the best determinant of volatility discovery, but low figures suggest others important factors