Le délit d’initié peut être légal ou illégal selon le moment où l’initié fait le commerce : il est illégal lorsque l’information est non publique. Effectuer une négociation tout en ayant une connaissance particulière est injuste pour les autres investisseurs qui ne disposent pas de l’accès à ces connaissances. Les dirigeants ne sont pas les seuls à être reconnus coupables du délit d’initié. Des gens comme les courtiers, et même les membres de familles peuvent en être coupables. Par contre, le délit d’initié est légal une fois l’information a été rendue publique, au moment où l’initié n’a aucun avantage direct sur d’autres investisseurs. La tendance est à la pénalisation du délit d’initié ainsi qu’à la création d’une autorité de régulation spécifique aux marchés financiers. Ce travail s’appuie donc sur une étude des différents systèmes juridiques répressifs qui tendent à assurer la transparence des marchés et veiller au respect de l’égalité entre les opérateurs par le phénomène de la régulation. On s’attachera dans une première approche à l’originalité de l’infraction, à savoir la double définition qui engendre une double poursuite : pénale et administrative. Et dans une deuxième approche, on analyse la question de l’effectivité du dispositif répressif instauré, dans lequel nous concluons que cette dualité de système répressif face à la règle non bis in idem ne peut être comprise que comme une cohérence et une complémentarité entre les deux ordres de juridictions qui forment une avancée en particulier / Insider trading can be illegal or legal depending on when the insider makes the trade: it is illegal when the material information is still non public, trading while having special knowledge is infer to other investors who don’t have access to such knowledge. Directors are not the only one who has the potential to be convicted of insider trading. People such a brokers and even family members can be guilty. Insider trading is legal once the material information has been made public, at which time the insider has not direct advantage over other investors. The tendency is to the criminalization of insider trading and the foundation of a specific regulatory authority for financial markets. The work is therefore based on a study of different law enforcement jurisdictions which trend to ensure markets transparency and ensure the respect of equity between the operators by the phenomenon of regulation. In a first approach, we study the originality of the crime including the double definition that generates a double prosecution: criminal and administrative. And in a second approach, we analyze the effectiveness of the repressive system in which we realize that this duality of the repressive system facing the non bis in idem can only be seen as coherence and complementarily between the two orders of jurisdictions

La littérature académique récente n'aborde que très peu la question du comportement, des transactions et des gains sous-jacents aux manquements d'initiés. A partir des décisions rendues par la Commission des sanctions de l'Autorité des marchés financiers entre 2001 et 2011, nous recensons les opérations d'initiés intervenues entre 1999 et 2008 sur des actions cotées en France, ayant abouti à une mise en cause des personnes concernées et éventuellement à une sanction administrative. Les informations collectées, qui concernent à la fois le statut professionnel des initiés, mais également le nombre et le montant de leurs transactions, le type d'information privilégiée utilisée, les profits obtenus, et le cas échéant les sanctions imposées, nous permettent de caractériser de manière empirique le profil type de l'initié et son comportement. Les déterminants des profits, de la probabilité de sanction et du montant de l'amende financière sont également testés économétriquement. Nous nous intéressons ensuite aux stratégies de camouflage, qui, bien qu'elles existent, semblent peu efficaces. Les déterminants de la taille des transactions illégales sont également mis en évidence au moyen d'une estimation économétrique. Enfin, dans la perspective d'une juste adéquation entre la sanction financière et la gravité du manquement commis, nous proposons une évaluation des méthodes de calcul des profits réalisés par les initiés utilisées par les régulateurs de marché en France, aux États-Unis et en Italie. Quoique beaucoup plus complexe, la méthode utilisée par la SEC fournit des résultats identiques à ceux obtenus à l'aide de l'outil de calcul de l'AMF. Ce dernier est donc à privilégier pour évaluer les profits indus car il s'avère utilisable en toutes circonstances, statistiquement tout aussi robuste et plus simple dans sa mise en œuvre. / The recent academic literature deals only very rarely with issues related to illegal insider trading behavior, deals and profits. From the decisions of the Enforcement Committee of the French financial market authority (AMF) between 2001 and 2011, we built a database that identifies insider trading operations and their instigators between 1999 and 2008, involving shares listed in France, and leading to the indictment and possibly the sanction of the concerned persons. The collected information, which refers to the professional status of insiders, but also the number and the amount of trades, the type of inside information used, the profits realized, and if any, the sanctions imposed, allows us to empirically characterize the insiders typical profile and behavior. The determinants of profits, of sanction probability and of the amount of financial penalty are also tested econometrically. We then turn to concealment strategies, which, although they exist, seem inefficient. The determinants of the size of illegal trades are also evidenced through an econometric estimation. Finally, from the perspective of a fair balance between the financial penalty and the seriousness of the breach, we propose an evaluation of insider trading profits calculation methods used by market regulators in France, the United States and Italy. Though much more complex, the method used by the SEC provides identical results to those obtained using the AMF calculation tool. The latter should thus be preferred because it seems usable in all circumstances, statistically as robust and simpler in its implementation.

La classification des images revêt un intérêt majeur dans de nombreuses tâches de reconnaissance visuelle, en particulier pour la reconnaissance de véhicules au sol via les systèmes aéroportés, où les images traitées sont de faible résolution du fait de la large distance entre le porteur et la scène observée. Durant l'apprentissage, des données complémentaires peuvent être disponibles, qu'il s'agisse de connaissances sur les conditions de prise de vue ou de la version haute-résolution des images. Dans nos travaux, on s'intéresse au problème de la reconnaissance d'images faiblement résolues en prenant en compte des informations complémentaires pendant l'apprentissage. On montre d'abord l'intérêt des réseaux convolutionnels profonds pour la reconnaissance d'images faiblement résolues, en proposant notamment une architecture apprise sur les données. D'autre part, on s'appuie sur le cadre de l'apprentissage avec information privilégiée pour bénéficier des données d'entraînement complémentaires, ici les versions haute-résolution des images. Nous proposons deux méthodes d'intégration de l'information privilégiée dans l'apprentissage des réseaux de neurones. Notre premier modèle s'appuie sur ces données complémentaires pour calculer un niveau de difficulté absolue, attribuant un poids important aux images les plus facilement reconnaissables. Notre deuxième modèle introduit une contrainte de similitude entre les modèles appris sur chaque type de données. On valide expérimentalement nos deux modèles dans plusieurs cas d'application, notamment dans un contexte orienté grain-fin et sur une base de données contenant du bruit d'annotation. / Image classification has a prominent interest in numerous visual recognition tasks, particularly for vehicle recognition in airborne systems, where the images have a low resolution because of the large distance between the system and the observed scene. During the training phase, complementary data such as knowledge on the position of the system or high-resolution images may be available. In our work, we focus on the task of low-resolution image classification while taking into account supplementary information during the training phase. We first show the interest of deep convolutional networks for the low-resolution image recognition, especially by proposing an architecture learned on the targeted data. On the other hand, we rely on the framework of learning using privileged information to benefit from the complementary training data, here the high-resolution versions of the images. We propose two novel methods for integrating privileged information in the learning phase of neural networks. Our first model relies on these complementary data to compute an absolute difficulty level, assigning a large weight to the most easily recognized images. Our second model introduces a similarity constraint between the networks learned on each type of data. We experimentally validate our models on several application cases, especially in a fine-grained oriented context and on a dataset containing annotation noise.