Modélisation Stochastique des carnets d'ordres

This thesis presents some aspects of stochastic order book modelling. In the first part, we analyze a model in which order arrivals are independent Poisson. We show that the order book is stable (in the sense of Markov chains) and that it converges to its stationary state exponentially fast. We deduce that the price generated in this setting converges to a Brownian motion at large time scales. We illustrate the results numerically and compare them to market data. In the second part, we generalize the results to a setting in which arrival times are governed by self and mutually existing processes. The last part is more applied and deals with the identification of a realistic multivariate model from the order flow. We describe two approaches: the first based on maximum likelihood estimation and the second on the covariance density function, and obtain a remarkable agreement with the data. We apply the estimated model to two specific algorithmic trading problems, namely the measurement of the execution probability of a limit order and its cost.Cette thèse étudie quelques aspects de la modélisation stochastique des carnets d'ordres. Nous analysons dans la première partie un modèle dans lequel les temps d'arrivées des ordres sont Poissoniens indépendants. Nous démontrons que le carnet d'ordres est stable (au sens des chaines de Markov) et qu'il converge vers sa distribution stationnaire exponentiellement vite. Nous en déduisons que le prix engendré dans ce cadre converge vers un mouvement Brownien aux grandes échelles de temps. Nous illustrons les résultats numériquement et les comparons aux données de marché en soulignant les succès du modèle et ses limites. Dans une deuxième partie, nous généralisons les résultats à un cadre où les temps d'arrivés sont régis par des processus auto et mutuellement existants, moyennant des hypothèses sur la mémoire de ces processus. La dernière partie est plus appliquée et traite de l'identification d'un modèle réaliste multivarié à partir des flux des ordres. Nous détaillons deux approches : la première par maximisation de la vraisemblance et la seconde à partir de la densité de covariance, et réussissons à avoir une concordance remarquable avec les données. Nous appliquons le modèle ainsi estimé à deux problèmes concrets de trading algorithmique, à savoir la mesure de la probabilité d'exécution et le coût d'un ordre limite