Analyse et modélisation des données à haute fréquence sur les marchés financiers en utilisant les processus de Hawkes et les réseaux de neurones

Analysis and modeling of high-frequency financial market data using Hawkes processes and neural networks

• Auteur / Autrice : Ruihua Ruan
• Direction : Emmanuel Bacry, Jean-François Muzy
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques
• Date : Soutenance le 04/12/2023
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : Ecole doctorale SDOSE (Paris)
• Partenaire(s) de recherche : Laboratoire : Centre de recherche en mathématiques de la décision (Paris) - Centre de Recherche en Mathématiques de la Décision
• Partenaire(s) de recherche : établissement opérateur d'inscription : Université Paris Dauphine-PSL (1968-....)
• Jury : Président / Présidente : Marc Hoffmann
• Jury : Examinateurs / Examinatrices : Emmanuel Bacry, Jean-François Muzy, Marc Hoffmann, Samuel N. Cohen, Fabrizio Lillo, Sophie Laruelle, Stéphane Gaïffas, Ioane Susitino Patrick Muni Toke, Thomas Deschatre
• Jury : Rapporteurs / Rapporteuses : Samuel N. Cohen, Fabrizio Lillo

Mots clés

Mots clés contrôlés

Marché financier

Théorèmes des limites (théorie des probabilités)

Réseaux neuronaux graphiques

Mots clés libres

Microstructure du marché

Carnet d’ordres

Processus de Hawkes

Réseaux neuronaux

Market microstructure

Limit order book

Hawkes processes

Neural networks

Résumé

Cette thèse est consacrée à l'étude de la microstructure du marché dans les marchés électroniques, en mettant l'accent sur deux sujets clés. Le premier sujet concerne la construction de deux modèles pour les événements de Niveau 1 dans le carnet d'ordres, en utilisant des approches basées sur des modèles statistiques. Le premier modèle consiste en un processus de Hawkes non-linéaire pour modéliser la dynamique du bid-ask spread, appelé le modèle "State-Dependent Spread Hawkes". En intégrant les tailles des sauts du spread et sa valeur dans la fonction d'intensité, ce modèle est capable de capturer diverses propriétés statistiques du spread. Le second modèle, appelé "Hawkes process with shot noise", est utilisé pour séparer les sources de corrélation endogènes et exogènes entre deux prix d'actifs. Pour ce faire, ce modèle suppose l'existence d'un processus latent (shot noise), représentant des comportements d'agents spécifiques non directement observables sur le marché. Théoriquement, des théorèmes de limite sont démontrés et dans la pratique, l'estimation est facilitée par une technique d'estimation non paramétrique. Le second sujet concerne l'analyse et la caractérisation des comportements des agents sur le marché financier, en utilisant des approches basées sur des réseaux neuronaux profonds. Ce sujet comprend deux tâches. La première tâche consiste à classifier les agents en fonction de leurs ordres passés, grâce à une approche d'apprentissage supervisé. La deuxième tâche vise à apprendre la représentation des comportements des agents, en utilisant un modèle d'apprentissage auto-supervisé fondé sur la triplet loss. Ces représentations apprises nous permettent d'appliquer l'algorithme de clustering K-means pour identifier des types de comportements distincts au sein de chaque groupe et ainsi analyser les comportements des agents.

This thesis is devoted to the study of market microstructure in electronic markets, focusing on two key topics. The first topic concerns the construction of two models for Level 1 events in Limit Order Book, using model-driven approaches. The first model is a non-linear Hawkes process for modeling spread dynamics, referred to as the "State-Dependent Spread Hawkes" model. This model, integrating spread jump sizes and spread state into intensity, can capture a range of statistical properties of the spread. The second model, called the "Hawkes process with shot noise" model, is used to disentangle the endogenous and exogenous sources of correlation between two asset prices. To do so, this model assumes the existence of a latent shot noise process, representing specific agent behaviors not directly observable in the market. Theoretically, limit theorems are demonstrated and in practice, the estimation is facilitated through a non-parametric technique.The second topic involves analysis and characterization of agent behaviors in the financial market, by employing data-driven approaches that relies on deep neural networks. This topic includes two tasks. The first task is to classify agents, based on their placed orders, through a supervised learning approach. The second task is to learn the representation of agents' behaviors, using a self-supervised learning model based on Triplet loss. These learning representations allow us to apply the K-means clustering algorithm to identify distinct behavior types within each cluster and therefore analyze the behaviors of agents.