Valorisation de l'information sur les marchés financiers par l'utilisation des mégadonnées

La finance 3.0 est encore dans ses balbutiements. Pourtant les mégadonnées représentent une opportunité sans précédent pour l'industrie. À travers cette recherche, nous caractérisons l'impact financier de deux types de messages publiés sur Twitter, notamment sur quatre types de rendements de compagnies inscrites au S&P500. Dans le cas des rendements journaliers, l'influence des messages financiers s'avère significative et peut être prise en compte dans les modèles prédictifs. En ce qui concerne les rendements nocturnes, les deux types de messages peuvent être utilisés (messages financiers et messages mentionnant les noms des compagnies), même si l'impact de ces messages n'est pas de même ampleur. Nous étudions aussi les rendements anormaux de ces compagnies, les volumes d'actions échangées et l'impact de la publication des rapports financiers. Au niveau méthodologique, l'utilisation de modèles économétriques probit a permis de mettre au point des tableaux de contrôle optimisant les opportunités de gain en fonction des jours de la semaine et des types d'industries visés. La deuxième partie de cette étude se penche sur l'analyse du contenu des messages financiers, et l'identification des utilisateurs du réseau. Les mesures de réputation traditionnelles s'avèrent inefficaces pour obtenir un signal nettoyé de tout bruit. À l'inverse, une approche par cartographie permet de mettre en lumière les nœuds sensibles du maillage des utilisateurs en identifiant les éléments clefs à suivre. Finalement, nous proposons une stratégie d'investissement ayant présenté des rendements supérieurs à l'indice de référence, puis nous concluons par des recommandations quant à l'utilisation des médias sociaux pour les investisseurs, les firmes inscrites en bourse, les organismes régulateurs et l'industrie financière en général.

Abstract

Finance 3.0 is still in its early stages. However, using Big Data represents huge opportunities for the financial industry. In this study, we compare the influence of two kinds of message sent on Twitter (a microblogging social network) over different types of return concerning firms listed on the S&P500. For daily returns, one should consider financial tweet in particular, whereas for overnight returns, both financial texts and messages naming a company could be considered. We investigate the impact of these messages on abnormal returns, on exchange volumes and during the release of quarterly reports. Investment dashboards have been implemented following these findings, allowing one to optimize its gain opportunities depending on the investment day or the industry targetted. The second part of this study explores the content of financial tweets and the description of their senders. Typical reputation measurements could not provide enough insights due to the high level of noise in the data. However, by sketching the network of users, identifying key components was possible. Finally, we propose an efficient trading strategy outperforming the S&P500 index, and we conclude the study by recommandations concerning the use of social media for investors, firms, regulators and the financial industry in general.