Trois essais sur les risques financiers à l'aide des données de haute fréquence

Le sujet général de cette thèse est le risque financier dans un contexte de disponibilité des données à hautes fréquences, avec un accent particulier sur le risque systémique, le risque des portefeuilles de grande dimension et le bruit de microstructure. Elle s’articule en trois principaux chapitres. Le premier chapitre propose un modèle de forme réduite, à temps continu, afin de caractériser la propagation des chocs idiosyncratiques négatifs à l’intérieur d’un ensemble de plusieurs entités financières. En utilisant un modèle à facteurs avec des sauts mutuellement excités, à la fois sur les prix et la volatilité, nous distinguons différentes sources de transmission de chocs financiers telles que la corrélation, la connectivité et la contagion. La stratégie d’estimation repose sur la méthode des moments généralisés et tire profit de la disponibilité des données à très haute fréquence. Nous utilisons certains paramètres spécifiques du modèle pour définir des réseaux pondérés pour la transmission des chocs. Aussi, nous fournissons de nouvelles mesures de fragilité du système financier. Nous construisons des cartes de propagation des chocs, d’abord pour certaines banques et compagnies d’assurance clés aux USA, et ensuite pour les neuf plus grands secteurs de l’économie américaine. Il en sort qu’au-delà des facteurs communs, les chocs financés se propagent via deux canaux distincts et complémentaires : les prix et la volatilité. Dans le deuxième chapitre, nous développons un nouvel estimateur de la matrice de covolatilité réalisée, applicable dans les situations où le nombre d’actifs est grand et les données à haute fréquence sont contaminées par des bruits de microstructure. Notre estimateur repose sur l’hypothèse d’une structure factorielle de la composante du bruit, distincte des facteurs de risque systématiques latents qui caractérisent la variation transversale des rendements.Le nouvel estimateur fournit des estimations théoriquement plus efficientes et plus précises en échantillon fini, relativement aux autres méthodes d’estimation récentes. Les résultats théoriques et basés sur des simulations sont corroborés par une application empirique liée à l’allocation de portefeuille et à la minimisation du risque impliquant plusieurs centaines d’actions individuelles. Le dernier chapitre présente une méthodologie permettant d’estimer les caractéristiques du bruit de microstructure et les rendements latents dans une configuration à grande dimension. Nous nous appuyons sur des hypothèses factorielles tant sur les rendements latents que sur le bruit de microstructure. La procédure est capable d’estimer les rotations des facteurs communs, les coefficients de charge et les volatilités du bruit de microstructure pour un grand nombre d’actifs. En utilisant les actions incluses dans le S & P500 au cours de la période allant de janvier 2007 à décembre 2011, nous estimons les facteurs communs du bruit de microstructure et les comparons à certaines mesures de liquidité à l’échelle du marché, calculées à partir de variables financières réelles. Il en résulte que : le premier facteur est corrélé au spread moyen et au nombre moyen d’actions en circulation ; les deuxième et troisième facteurs sont uniquement liés au spread ; les quatrième et cinquième facteurs varient significativement avec le prix moyen des actions à la fermeture. De plus, les volatilités des facteurs du bruit de microstructure s’expliquent largement par le spread moyen, le volume moyen, le nombre moyen de transactions et la taille moyenne desdites transactions.This thesis is about financial risks and high frequency data, with a particular focus on financial systemic risk, the risk of high dimensional portfolios and market microstructure noise. It is organized on three chapters. The first chapter provides a continuous time reduced-form model for the propagation of negative idiosyncratic shocks within a financial system. Using common factors and mutually exciting jumps both in price and volatility, we distinguish between sources of systemic failure such as macro risk drivers, connectedness and contagion. The estimation procedure relies on the GMM approach and takes advantage of high frequency data. We use models’ parameters to define weighted, directed networks for shock transmission, and we provide new measures for the financial system fragility. We construct paths for the propagation of shocks, firstly within a number of key US banks and insurance companies, and secondly within the nine largest S&P sectors during the period 2000-2014. We find that beyond common factors, systemic dependency has two related but distinct channels: price and volatility jumps. In the second chapter, we develop a new factor-based estimator of the realized covolatility matrix, applicable in situations when the number of assets is large and the high-frequency data are contaminated with microstructure noises. Our estimator relies on the assumption of a factor structure for the noise component, separate from the latent systematic risk factors that characterize the cross-sectional variation in the frictionless returns. The new estimator provides theoretically more efficient and finite-sample more accurate estimates of large-scale integrated covolatility, correlation, and inverse covolatility matrices than other recently developed realized estimation procedures. These theoretical and simulation-based findings are further corroborated by an empirical application related to portfolio allocation and risk minimization involving several hundred individual stocks. The last chapter presents a factor-based methodology to estimate microstructure noise characteristics and frictionless prices under a high dimensional setup. We rely on factor assumptions both in latent returns and microstructure noise. The methodology is able to estimate rotations of common factors, loading coefficients and volatilities in microstructure noise for a huge number of stocks. Using stocks included in the S&P500 during the period spanning January 2007 to December 2011, we estimate microstructure noise common factors and compare them to some market-wide liquidity measures computed from real financial variables. We obtain that: the first factor is correlated to the average spread and the average number of shares outstanding; the second and third factors are related to the spread; the fourth and fifth factors are significantly linked to the closing log-price. In addition, volatilities of microstructure noise factors are widely explained by the average spread, the average volume, the average number of trades and the average trade size