Le sujet principal de cette thèse est de proposer de nouvelles méthodes d'extractions de signaux avec applications en finance. Par signaux, nous entendons soit un signal sur lequel repose une stratégie d'investissement; soit un signal perturbé par un bruit, que nous souhaitons retrouver. Ainsi, la première partie de la thèse étudie la contagion en volatilité historique autours des annonces de résultats des entreprises du Nasdaq. Nous trouvons qu'autours de l'annonce, l'entreprise reportant ses résultats, génère une contagion persistante en volatilité à l’encontre des entreprises appartenant au même secteur. Par ailleurs, nous trouvons que la contagion en volatilité varie, selon le type de nouvelles reportées, l'effet de surprise, ou encore par le sentiment de marché à l'égard de l'annonceur. La deuxième partie de cette thèse adapte des techniques de dé-bruitage venant de l'imagerie, à des formes de bruits présentent en finance. Ainsi, un premier article, co-écrit avec Matthieu Garcin, propose une technique de dé-bruitage innovante, permettant de retrouver un signal perturbé par un bruit à variance non-constante. Cet algorithme est appliqué en finance à la modélisation de la volatilité. Un second travail s'intéresse au dé-bruitage d'un signal perturbé par un bruit asymétrique et leptokurtique. En effet, nous adaptons un modèle de Maximum A Posteriori, couramment employé en imagerie, à des bruits suivant des lois de probabilité de Student, Gaussienne asymétrique et Student asymétrique. Cet algorithme est appliqué au dé-bruitage de prix d'actions haute-fréquences. L'objectif étant d'appliquer un algorithme de reconnaissance de formes sur les extrema locaux du signal dé-bruité. / The main objective of this PhD dissertation is to set up new signal extraction techniques with applications in Finance. In our setting, a signal is defined in two ways. In the framework of investement strategies, a signal is a function which generates buy/sell orders. In denoising theory, a signal, is a function disrupted by some noise, that we want to recover. A first part of this PhD studies historical volatility spillovers around corporate earning announcements. Notably, we study whether a move by one point in the announcer historical volatility in time t will generate a move by beta percents in time t+1. We find evidences of volatility spillovers and we study their intensity across variables such as : the announcement outcome, the surprise effect, the announcer capitalization, the market sentiment regarding the announcer, and other variables. We illustrate our finding by a volatility arbitrage strategy. The second part of the dissertation adapts denoising techniques coming from imagery : wavelets and total variation methods, to forms of noise observed in finance. A first paper proposes an denoising algorithm for a signal disrupted by a noise with a spatially varying standard-deviation. A financial application to volatility modelling is proposed. A second paper adapts the Bayesian representation of the Rudin, Osher and Fatemi approach to asymmetric and leptokurtic noises. A financial application is proposed to the denoising of intra-day stock prices in order to implement a pattern recognition trading strategy.

Στην παρούσα εργασία επιχειρείται η εφαρμογή αλγορίθμων αποθορυβοποίησης σε σήματα μουσικής και η εξαγωγή συμπερασμάτων σχετικά με την απόδοση αυτών ανά μουσικό είδος. Η κύρια επιδίωξη είναι να αποσαφηνιστούν τα βασικά προβλήματα της ενίσχυσης ήχων και να παρουσιαστούν οι διάφοροι αλγόριθμοι που έχουν αναπτυχθεί για την επίλυση των προβλημάτων αυτών. Αρχικά γίνεται μία σύντομη εισαγωγή στις βασικές έννοιες πάνω στις οποίες δομείται η τεχνολογία ενίσχυσης ομιλίας. Στην συνέχεια εξετάζονται και αναλύονται αντιπροσωπευτικοί αλγόριθμοι από κάθε κατηγορία τεχνικών αποθορυβοποίησης, την κατηγορία φασματικής αφαίρεσης, την κατηγορία στατιστικών μοντέλων και αυτήν του υποχώρου. Για να μπορέσουμε να αξιολογήσουμε την απόδοση των παραπάνω αλγορίθμων χρησιμοποιούμε αντικειμενικές μετρήσεις ποιότητας, τα αποτελέσματα των οποίων μας δίνουν την δυνατότητα να συγκρίνουμε την απόδοση του κάθε αλγορίθμου. Με την χρήση τεσσάρων διαφορετικών μεθόδων αντικειμενικών μετρήσεων διεξάγουμε τα πειράματα εξάγοντας μια σειρά ενδεικτικών τιμών που μας δίνουν την ευχέρεια να συγκρίνουμε είτε τυχόν διαφοροποιήσεις στην απόδοση των αλγορίθμων της ίδιας κατηγορίας είτε διαφοροποιήσεις στο σύνολο των αλγορίθμων. Από την σύγκριση αυτή γίνεται εξαγωγή χρήσιμων συμπερασμάτων σχετικά με τον προσδιορισμό των παραμέτρων κάθε αλγορίθμου αλλά και με την καταλληλότητα του κάθε αλγορίθμου για συγκεκριμένες συνθήκες θορύβου και για συγκεκριμένο μουσικό είδος. / This thesis attempts to apply Noise Reduction algorithms to signals of music and draw conclusions concerning the performance of each algorithm for every musical genre. The main aims are to clarify the basic problems of sound enhancement and present the various algorithms developed for solving these problems. After a brief introduction to basic concepts on sound enhancement we examine and analyze various algorithms that have been proposed at times in the literature for speech enhancement. These algorithms can be divided into three main classes: spectral subtractive algorithms, statistical-model-based algorithms and subspace algorithms. In order to evaluate the performance of the above algorithms we use objective measures of quality, the results of which give us the opportunity to compare the performance of each algorithm. By using four different methods of objective measures to conduct the experiments we draw a set of values that facilitate us to make within-class algorithm comparisons and across-class algorithm comparisons. From these comparisons we can draw conclusions on the determination of parameters for each algorithm and the appropriateness of algorithms for specific noise conditions and music genre.