• Langue : Anglais
• Discipline : Gestion
• Identifiant : 2025ULILD015
• Type de thèse : Doctorat
• Date de soutenance : 03/09/2025

Résumé en langue originale

Cette thèse examine la dynamique du prix du Bitcoin en mettant l’accent sur l’influence des facteurs comportementaux, tels que le sentiment, les émotions (peur, joie), l’attention des investisseurs, etc. En mobilisant des outils récents de l’économétrie non linéaire, des techniques avancées de machine learning et des bases de données de haute fréquence, elle démontre l’importance de ces variables comportementales dans l’explication et la prévision de l’évolution du prix du Bitcoin. La thèse est structurée en quatre chapitres. Le premier chapitre, à vocation théorique, introduit les fondements technologiques de la blockchain et présente les principales caractéristiques du marché des cryptomonnaies. Il propose également un état des lieux des faits stylisés propres à ce marché, souvent difficilement conciliables avec les hypothèses d’efficience des marchés et de rationalité des investisseurs. Les trois chapitres suivants adoptent une approche empirique à travers trois essais distincts. Le deuxième chapitre analyse l’impact du sentiment et des émotions des investisseurs sur la rentabilité du Bitcoin. Le troisième chapitre explore le rôle du sentiment et de l’attention des investisseurs dans la dynamique de la volatilité. Le quatrième et dernier chapitre s’intéresse à la capacité des variables émotionnelles à détecter les phases spéculatives et les bulles sur le marché du Bitcoin. Cette recherche apporte deux contributions principales. D’une part, elle propose une nouvelle mesure du sentiment et de l’attention des investisseurs en exploitant des données issues de vidéos YouTube, à l’aide d’outils récents de traitement du langage naturel basés sur le machine learning, tels que FinBERT. Cette approche permet notamment de distinguer les émotions positives et négatives exprimées dans les contenus audiovisuels. D’autre part, à travers différents modèles économétriques, la thèse met en évidence le rôle déterminant des facteurs comportementaux dans la prévision de la rentabilité, de la volatilité et de la probabilité d’émergence de bulles sur le marché du Bitcoin. Par exemple, nos résultats montrent que les compétences des investisseurs en matière de blockchain constituent un déterminant majeur de la volatilité du Bitcoin. De plus, les facteurs émotionnels permettent d’identifier les phases de surchauffe du marché, tels que les cycles haussiers excessifs ou les bulles spéculatives. Enfin, nos modèles surpassent les approches traditionnelles de trading en termes de performance prédictive.

Résumé traduit

This thesis explores the behavioral foundations of Bitcoin price dynamics by focusing on the role of sentiment, emotions (fear, panic, joy), and investor attention. Using recent developments in nonlinear econometrics, advanced machine learning techniques, and high-frequency datasets, the study provides empirical evidence on the significant explanatory and predictive power of behavioral factors in cryptocurrency markets. Structured into four chapters, the thesis begins with a theoretical overview of blockchain technology and the main features of the crypto market, highlighting key stylized facts that challenge traditional assumptions of market efficiency and investor rationality. The remaining chapters are empirical and consist of three distinct essays. The first empirical essay examines the impact of investor sentiment and emotions on Bitcoin returns, the second investigates the role of sentiment and attention in shaping Bitcoin’s volatility, and the third explores the potential of emotional indicators to detect speculative bubbles. Our research offers two main contributions. First, it develops a novel measure of investor sentiment and attention by applying natural language processing (e.g., FinBERT) to YouTube video content, helping us to differentiate between positive and negative emotions. Second, it uses various econometric models to demonstrate the key role of behavioral variables in forecasting returns, volatility, and the likelihood of bubbles. The findings reveal that blockchain literacy among investors significantly drives volatility, while emotional factors are instrumental in identifying speculative cycles. Moreover, the proposed models outperform traditional trading approaches in terms of predictive accuracy.