Advancing credit portfolio strategies : insights on corporate actions, asset ranking and interest rate hedging
L évolution du marché du crédit, portée par les réformes réglementaires, l électronification des passages d'ordre et l augmentation des données disponibles, a profondément modifié les pratiques des gestionnaires d'actifs. Cette thèse contribue à l amélioration des stratégies de crédit syst...
Enregistré dans:
| Auteur principal: | |
|---|---|
| Autres auteurs: | , , , , , |
| Format: | Thèse numérique |
| Langue: | Anglais |
| Publié: |
2025.
|
| Sujets: | |
| Accès en ligne: | Accès au texte intégral https://theses.univ-orleans.fr/public/2025ORLE1013_va.pdf http://www.theses.fr/2025ORLE1013/abes https://theses.hal.science/tel-05261575 |
| Note: |
Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : École doctorale Sciences de la Société : Territoires, Économie et Droit (Centre-Val de Loire ; 2018-....) Partenaire(s) de recherche : Laboratoire d'Economie d'Orléans (Orléans ; 2018-....) (Laboratoire) Autre(s) contribution(s) : Christophe Rault (Président du jury) ; Denisa Banulescu-Radu, Miruna Pochea (Membre(s) du jury) ; Thanasis Stengos, Sylvain Benoit (Rapporteur(s)) |
| Autres localisations: | Voir dans le Sudoc |
| Variante du titre: | Amélioration des stratégies de portefeuille crédit :, perspectives sur les opérations sur titres, les algorithmes d'apprentissage du classement et la couverture des taux d intérêt |
| Résumé: | L évolution du marché du crédit, portée par les réformes réglementaires, l électronification des passages d'ordre et l augmentation des données disponibles, a profondément modifié les pratiques des gestionnaires d'actifs. Cette thèse contribue à l amélioration des stratégies de crédit systématiques en explorant la dynamique du risque de crédit, la conception de modèles d apprentissage automatique et les techniques de couverture des taux d intérêt.La première contribution analyse l impact des annonces d opérations sur titres telles que les rachats d actions, les dividendes et les fusions-acquisitions sur les spreads des credit default swaps. En quantifiant les mouvements anormaux des spreads autour de ces événements, il a été possible de dissocier l'effet "wealth transfer" de l'effet "signaling", offrant ainsi une meilleure compréhension des mécanismes sous-jacents aux réactions du marché du crédit.La deuxième contribution améliore les modèles de classement d'actifs pour la construction de portefeuilles long-short. Les algorithmes traditionnels d apprentissage du classement favorisent les actifs les mieux classés au détriment des moins performants, rendant les stratégies neutres au marché moins efficaces. Cette thèse propose des fonctions de perte ajustées afin de renforcer la symétrie du classement sur l ensemble de la distribution des actifs, améliorant ainsi l équilibre et la performance des portefeuilles.La troisième contribution propose un modèle de réseau neuronal multitâche unifiant le classement des actifs et la pondération des portefeuilles dans un modèle d optimisation unique. Contrairement aux méthodes conventionnelles en deux étapes, cette approche produit une construction de portefeuille plus efficiente.Enfin, cette thèse examine la relation entre les marchés actions et des obligations d entreprise en décomposant leur corrélation en deux composantes : le risque de crédit et la sensibilité aux taux d intérêt. Puisque ces facteurs varient selon les qualités de crédit et les conditions de marché, deux stratégies adaptatives de couverture des taux d intérêt sont proposées. Ces stratégies surpassent la couverture traditionnelle "duration-convexity" en ajustant dynamiquement les ratios de couverture selon les régimes de marché.Les contributions de cette thèse offrent aux gestionnaires d actifs de nouvelles méthodologies afin d'optimiser les stratégies de gestion sur le marché du crédit, dans un environnement financier toujours plus complexe et axé sur les données. The evolution of credit markets, driven by regulatory reforms, trading electronification, and the increasing availability of data, has reshaped the landscape for asset managers. This thesis contributes to the advancement of systematic credit strategies by investigating credit risk dynamics, machine learning model design, and interest rate hedging techniques.The first contribution examines the impact of corporate action announcements such as stock buybacks, dividends, and mergers & acquisitions on credit default swap spreads. Quantifying abnormal spread movements around these events allows for the disentangling of wealth transfer from signaling effects, providing insights into the mechanisms driving credit market reactions.The second contribution focuses on improving asset ranking models for long-short portfolio construction. Traditional learning-to-rank algorithms favor top-ranked assets while neglecting underperformers, creating challenges for market-neutral strategies. This thesis proposes refined loss functions that enhance ranking symmetry across the full asset distribution, thereby improving portfolio balance and performance.The third contribution introduces a multi-task neural network framework that unifies asset ranking and portfolio weighting within a single optimization model. In contrast to conventional two-step approaches, this framework simultaneously optimizes both ranking and allocation, resulting in more efficient investment decisions.Finally, this thesis explores the relationship between equity and corporate bond markets by decomposing their correlation into credit risk and interest rate sensitivity components. Since these drivers vary across credit qualities and market conditions, this thesis proposes two adaptive interest rate hedging strategies. These strategies outperform traditional duration-convexity hedging by dynamically adjusting hedge ratios in response to evolving market regimes.These contributions collectively advance systematic credit investing by integrating financial expertise with advanced quantitative techniques. The findings offer asset managers practical methodologies for improving credit trading strategies in an increasingly data-driven and complex financial environment. |
|---|---|
| Description: | Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : École doctorale Sciences de la Société : Territoires, Économie et Droit (Centre-Val de Loire ; 2018-....) Partenaire(s) de recherche : Laboratoire d'Economie d'Orléans (Orléans ; 2018-....) (Laboratoire) Autre(s) contribution(s) : Christophe Rault (Président du jury) ; Denisa Banulescu-Radu, Miruna Pochea (Membre(s) du jury) ; Thanasis Stengos, Sylvain Benoit (Rapporteur(s)) |
| Format: | Configuration requise : un logiciel capable de lire un fichier au format : PDF |