Cette thèse propose une réflexion autour de l'étude des marchés financiers sous le prisme des systèmes complexes.Tout d'abord une description mathématique est proposée pour représenter le processus de prises de décision des agents dès lors où celui-ci bien que représentant les intérêts individuels d'un agent, est également influencé par l'émergence d'un comportement collectif. La méthode est particulièrement applicable lorsque le système étudié est caractérisé par une dynamique non-linéaire. Une application du modèle est proposée au travers de l'implémentation d'un marché artificiel boursier avec une approche système multi-agents. Dans cette application la dynamique du marché est décrite à la fois aux niveaux microscopiques (comportement des agents) et macroscopique (formation du prix). Le processus de décision des agents est défini à partir d'un ensemble de règles comportementales reposant sur des principes de logique floue. La dynamique de la formation du prix repose sur une description déterministe à partir des règles d'appariement d'un carnet d'ordres central tel que sur NYSE-Euronext-Paris. Il est montré que le marché artificiel boursier tel qu'implémenté est capable de répliquer plusieurs faits stylisés des marchés financiers : queue de distribution des rendements plus épaisse que celle d'une loi normale et existence de grappes de volatilité (ou volatility clustering).Par la suite, à partir de simulations numériques il est proposé d'étudier trois grandes propriétés du système : sa capacité d'auto-organisation, de résilience et sa robustesse. Dans un premier temps une méthode est introduite pour qualifier le niveau d'auto-organisation du marché. Nous verrons que la capacité d'auto-organisation du système est maximisée quand les comportements des agents sont diversifiés. Ensuite, il est proposé d'étudier la réponse du système quand celui-ci est stressé via la simulation de chocs de marché. Dans les deux analyses, afin de mettre en évidence comment la dynamique globale du système émerge à partir des interactions et des comportements des agents des résultats numériques sont systématiquement apportés puis discutés.Nos résultats montrent notamment qu'un comportement collectif grégaire apparait à la suite d'un choc, et, entraîne une incapacité temporaire du système à s'auto-organiser. Finalement, au travers des simulations numériques il peut être également remarqué que le marché artificiel boursier implémenté est plus sensible à de faibles répétitions répétées qu'à un choc plus important mais unique. / This thesis suggests reflection in studying financial markets through complex systems prism.First, an original mathematic description for describing agents' decision-making process in case of problems affecting by both individual and collective behavior is introduced. The proposed method is particularly applicable when studied system is characterized by non-linear, path dependent and self-organizing interactions. An application to financial markets is proposed by designing a multi¬agent system based on the proposed formalization.In this application, we propose to implement a computational agent-based financial market in which the system is described in both a microscopie and macroscopic levels are proposed. The agents' decision-making process is based on fuzzy logic rules and the price dynamic is purely deten-ninistic according to the basis matching rules of a central order book as in NYSE-Euronext-Paris. We show that, while putting most parameters under evolutionary control, the computational agent- based system is able to replicate several stylized facts of financial time series (distributions of stocks returns showing a heavy tau l with positive excess kurtosis and volatility clustering phenomenon).Thereafter, with numerical simulations we propose to study three system's properties: self-organization, resilience and robustness. First a method is introduced to quantify the degree of selforganization which ernerges in the system and shows that the capacity of self-organization is maximized when the agents' behaviors are heterogeneous. Secondly, we propose to study the system's response when market shock is simulated. in both cases, numerical results are presentedI and analyzed, showing how the global market behavior emerges from specific individual behavior interactions.Our results notably show that the emergence of collective herding behavior when market shock occurs leads to a temporary disruption on the system self-organization. Finaily, numerical simulations highlight that our artificial financial market can be able to absorb strong mono-shock but be lead to the rupture by low but repeated perturbations.

Cette thèse aborde différents aspects de la modélisation de la microstructure du marché et des problèmes de Market Making, avec un accent particulier du point de vue du praticien. Le carnet d’ordres, au cœur du marché financier, est un système de files d’attente complexe à haute dimension. Nous souhaitons améliorer la connaissance du LOB pour la communauté de la recherche, proposer de nouvelles idées de modélisation et développer des applications pour les Market Makers. Nous remercions en particuler l’équipe Automated Market Making d’avoir fourni la base de données haute-fréquence de très bonne qualité et une grille de calculs puissante, sans laquelle ces recherches n’auraient pas été possible. Le Chapitre 1 présente la motivation de cette recherche et reprend les principaux résultats des différents travaux. Le Chapitre 2 se concentre entièrement sur le LOB et vise à proposer un nouveau modèle qui reproduit mieux certains faits stylisés. A travers cette recherche, non seulement nous confirmons l’influence des flux d’ordres historiques sur l’arrivée de nouveaux, mais un nouveau modèle est également fourni qui réplique beaucoup mieux la dynamique du LOB, notamment la volatilité réalisée en haute et basse fréquence. Dans le Chapitre 3, l’objectif est d’étudier les stratégies de Market Making dans un contexte plus réaliste. Cette recherche contribueà deux aspects : d’une part le nouveau modèle proposé est plus réaliste mais reste simple à appliquer pour la conception de stratégies, d’autre part la stratégie pratique de Market Making est beaucoup améliorée par rapport à une stratégie naive et est prometteuse pour l’application pratique. La prédiction à haute fréquence avec la méthode d’apprentissage profond est étudiée dans le Chapitre 4. De nombreux résultats de la prédiction en 1- étape et en plusieurs étapes ont retrouvé la non-linéarité, stationarité et universalité de la relation entre les indicateurs microstructure et le changement du prix, ainsi que la limitation de cette approche en pratique. / This thesis addresses different aspects around the market microstructure modelling and market making problems, with a special accent from the practitioner’s viewpoint. The limit order book (LOB), at the heart of financial market, is a complex continuous high-dimensional queueing system. We wish to improve the knowledge of LOB for the research community, propose new modelling ideas and develop concrete applications to the interest of Market Makers. We would like to specifically thank the Automated Market Making team for providing a large high frequency database of very high quality as well as a powerful computational grid, without whom these researches would not have been possible. The first chapter introduces the incentive of this research and resumes the main results of the different works. Chapter 2 fully focuses on the LOB and aims to propose a new model that better reproduces some stylized facts. Through this research, not only do we confirm the influence of historical order flows to the arrival of new ones, but a new model is also provided that captures much better the LOB dynamic, notably the realized volatility in high and low frequency. In chapter 3, the objective is to study Market Making strategies in a more realistic context. This research contributes in two aspects : from one hand the newly proposed model is more realistic but still simple enough to be applied for strategy design, on the other hand the practical Market Making strategy is of large improvement compared to the naive one and is promising for practical use. High-frequency prediction with deep learning method is studied in chapter 4. Many results of the 1-step and multi-step prediction have found the non-linearity, stationarity and universality of the relationship between microstructural indicators and price change, as well as the limitation of this approach in practice.

Market microstructure studies the process of exchanging assets underexplicit trading rules. With algorithmic trading and high-frequencytrading, modern financial markets have seen profound changes in marketmicrostructure in the last 5 to 10 years. As a result, previously establishedmethods in the field of market microstructure becomes oftenfaulty or insufficient. Machine learning and, in particular, reinforcementlearning has become more ubiquitous in both finance and otherfields today with applications in trading and optimal execution. This thesisuses reinforcement learning to understand market microstructureby simulating a stock market based on NASDAQ Nordics and trainingmarket maker agents on this stock market. Simulations are run on both a dealer market and a limit orderbook marketdifferentiating it from previous studies. Using DQN and PPO algorithmson these simulated environments, where stochastic optimal controltheory has been mainly used before. The market maker agents successfullyreproduce stylized facts in historical trade data from each simulation,such as mean reverting prices and absence of linear autocorrelationsin price changes as well as beating random policies employed on thesemarkets with a positive profit & loss of maximum 200%. Other tradingdynamics in real-world markets have also been exhibited via theagents interactions, mainly: bid-ask spread clustering, optimal inventorymanagement, declining spreads and independence of inventory and spreads, indicating that using reinforcement learning with PPO and DQN arerelevant choices when modelling market microstructure. / Marknadens mikrostruktur studerar hur utbytet av finansiella tillgångar sker enligt explicita regler. Algoritmisk och högfrekvenshandel har förändrat moderna finansmarknaders strukturer under de senaste 5 till 10 åren. Detta har även påverkat pålitligheten hos tidigare använda metoder från exempelvis ekonometri för att studera marknadens mikrostruktur. Maskininlärning och Reinforcement Learning har blivit mer populära, med många olika användningsområden både inom finans och andra fält. Inom finansfältet har dessa typer av metoder använts främst inom handel och optimal exekvering av ordrar. I denna uppsats kombineras både Reinforcement Learning och marknadens mikrostruktur, för att simulera en aktiemarknad baserad på NASDAQ i Norden. Där tränas market maker - agenter via Reinforcement Learning med målet att förstå marknadens mikrostruktur som uppstår via agenternas interaktioner. I denna uppsats utvärderas och testas agenterna på en dealer – marknad tillsammans med en limit - orderbok. Vilket särskiljer denna studie tillsammans med de två algoritmerna DQN och PPO från tidigare studier. Främst har stokastisk optimering använts för liknande problem i tidigare studier. Agenterna lyckas framgångsrikt med att återskapa egenskaper hos finansiella tidsserier som återgång till medelvärdet och avsaknad av linjär autokorrelation. Agenterna lyckas också med att vinna över slumpmässiga strategier, med maximal vinst på 200%. Slutgiltigen lyckas även agenterna med att visa annan handelsdynamik som förväntas ske på en verklig marknad. Huvudsakligen: kluster av spreads, optimal hantering av aktielager och en minskning av spreads under simuleringarna. Detta visar att Reinforcement Learning med PPO eller DQN är relevanta val vid modellering av marknadens mikrostruktur.

The modern electronic financial market is composed of a large amount of actors. With the surge in algorithmic trading some of these actors collectively behave in increasingly complex ways. Historically, academic research related to financial markets has been focused on areas such as asset pricing, portfolio management and financial econometrics. However, the fragmentation of the financial market has given rise to a different set of problems, namely the order allocation problem, as well as smart order routers as a tool to comply with these. In this thesis we consider price discrepancies between order books, trading the same instruments, as a proxy for order routing opportunities. A survival analysis framework for these price differences is developed. Specifically, we consider the two widely used Kaplan-Meier and Cox Proportional Hazards models, as well as the somewhat less known Random Survival Forest model, in order to investigate whether such a framework is effective for predicting the survival times of price differences. The results show that the survival models outperform random models and fixed routing decisions significantly. Thus suggesting that such models could beneficially be incorporated into existing SOR environments. Furthermore, the implementation of order book parameters as covariates in the CPH and RSF models add additional performance. / Den moderna elektroniska marknaden består av ett stort antal aktörer som, till följd av ökningen av algoritmisk handel, beter sig alltmer komplext. Historiskt sett har akademisk forskning inom finans i huvudsak fokuserat på områden som prissättning av tillgångar, portföljförvaltning och finansiell ekonometri. Fragmentering av finansiella marknader har däremot gett upphov till nya sorters problem, däribland orderplaceringsproblemet. Följdaktligen har smart order routers utvecklats som ett verktyg för att tillmötesgå detta problem. I detta examensarbete studerar vi prisskillnader mellan orderböcker som tillhandhåller handel av samma instrument. Dessa prisskillnader representerar möjligheter för order routing. Vi utvecklar ett ramverk inom överlevnadsanalys för dessa prisskillnader. Specifikt används de välkända Kaplan-Meier- och Cox Proportional Hazards-modellerna samt den något mindre kända Random Survival Forest, för att utvärdera om ett sådant ramverk kan användas för att förutspå prisskillnadernas livstider. Våra resultat visar att dessa modeller överträffar slumpmässiga modeller samt deterministiska routingstrategier med stor marginal och antyder därmed att ett sådant ramverk kan integreras i SOR-system. Resultaten visar dessutom att användning av orderboksparametrar som variabler i CPH- och RSF-modellerna ökar prestandan.

本論文包含兩篇獨立但主旨相關的文章， 目的均在探討融資契約與廠商投資的關聯，以分析融資契約的實質效果。第一篇文章「股價資訊外部性與新投資之採行」研究權益證券(股票)集訊、揭訊功能的實質效益，我們由股價資訊公開所產生的外部效果，分析股價資訊效率性與廠商投資效率之間的關聯。在1.眾多異質廠商，2.投資具實質選擇權(real options)特性的假設下，內生化廠商與股市交易者的資訊取得決策，發現1. 均衡時廠商的投資與資訊取得決策取決於廠商技術水準與股價效率性之高低：高股價效率性時，無廠商取得新資訊，皆根據股價判斷投資，低股價效率性時，僅較低技術廠商根據股價資訊投資。2. 股價有額外的資訊揭露效果：由於廠商僅能獲得新資訊的部份效益，且廠商利用資訊有機會成本，將投資證券化可提高新資訊被揭露的可能性，使得資訊可被充份利用，提昇投資效率。3. 股價資訊可提增投資效率，增加廠商期望報酬，但當體系平均技術水準落後，新資訊的實質效益低落時，股價資訊公開的外部淨效益亦趨薄弱，故經濟發展初期，股市資訊公開的外部效益相對不重要。 第二篇文章「抵押品、財務槓桿與廠商投資」研究借貸契約中，抵押品舒緩借貸限制的作用，及其可能產生的實質效果。我們採用Williamson(1986,1987)的狀態確認成本模型(costly state verification model)，在該訊息不對稱模型，廠商向外融資面臨借貸限制，僅較高自有資金廠商可獲融資。當借貸市場資金相當寬鬆，資金供給恆大於資金需求，資金成本(無風險利率)為一由模型外因素所決定的外生參數時，抵押融資不影響資金成本，此時抵押品具有舒緩借貸限制的作用，體系財務槓桿提高，期望查帳成本下降，投資的期望淨產出增加。若資金相對緊俏，無風險利率須由借貸市場均衡所內生決定時，長期而言，財務槓桿僅受體系資金寬鬆程度的影響，短期間抵押融資雖能提高財務槓桿，但隨槓桿之提高，資金需求增加，無風險利率上揚，在新的均衡，較低自有資金廠商投資的期望報酬下降，借貸利率上漲，反而增加其應負債務，資產狀況惡化，此即本文所欲突顯之抵押融資的潛在成本。 第一章 緒論 3 第一節 研究動機 3 第二節 研究內容與架構 5 第二章 文獻回顧 7 第一節 融資契約的功能 7 第二節 金融結構與實質經濟活動 13 第三節 股價資訊與廠商投資 18 第四節 抵押品與廠商投資 22 第三章 股價資訊外部性與新投資之採行 27 第一節 前言 27 第二節 基本模型 29 第三節 期中股市均衡與股價效率性 35 第四節 股價資訊外部效益 41 第五節 小結 46 附 錄 47 第四章 抵押品、財務槓桿與廠商投資 53 第一節 前言 53 第二節 基本模型 55 第三節 抵押融資模型-資金寬鬆時的抵押品效果 62 第四節 抵押融資模型-資金緊俏時的抵押品效果 66 第五節 小結 70 第五章 結論 72 第一節 研究限制 72 第二節 未來研究方向 77 參考文獻 79 / This dissertation collects two separate but related papers, both study the channel through which financing contracts can affect firms' investment decisions and the corresponding real effects. The first paper " Informational Externality of Stock Prices and Firms' New Investment Decisions" analyzes what real benefits the information acquisition and signaling function of stocks can produce. From the viewpoint of informational externality, stock prices may disclose some valuable information beneficial to firms' investment decisions. Under the assumptions of " heterogeneous technology" and "new investment as a real option", this paper finds 1. Firms' investment and information acquisition decisions are determined both by their own technology level and stock prices efficiency. With high price efficiency, no firms acquire information directly, all make investment decisions based on stock prices. With low price efficiency, most firms acquire information directly, only few low-tech firms make decisions according to stock prices. 2. Stock prices have additional signaling effect. Firms can ony get half benefits of new information, besides they have opportunity costs in using information. As a result, stock prices can enhance the possibility of information disclosure, improving investment efficiency. 3. When the economy is underdeveloped and the real benefit of new information is small, the net benefit produced by informational externality will be tiny. The stock prices externality effect is thus comparatively unimportant at the beginning stage of economy. The second paper " Collateral, Financial Leverage and Firms' Investment"analyzes the constraints-smoothing function of collateral and its real effects. By adopting Williamson's costly state verification model(1986,1987), I find that with this specific asymmetric information structure, there are financing constraints in capital markets, only firms whose own capital inputs are higher above some level can get borrowed capital. The question is " Can offering collateral smooth this kind of financing constraints?" In markets with abundant capital where capital supply always exceeds demand, capital cost(riskless interest rate)will be an exdogenously-determined parameter which won't be affected by collateral financing. In this scenario, collateral can smooth financing constraints, increase financial leverage and improve the net expected return of investment. On the contrary, if capital is not so abnudant that the capital cost should be determined endogenously by capital market equilibrium, then in the long run this economy's financial leverage depends only on the relative abundance of capital. Though collateral financing can increase financial leverage in the short run, as capital demand increases, capital cost will also increase. This will offset the initial smoothing effect of collateral. After full adjustment of capital cost, at the new equilibrium the financial leverage remains unchanged. However, the expected return of firms with lower own capital inputs become smaller, and their borrowing rates become higher which mean they have heavier debt burden and less net worth at the new equilibrium.

Méthodes et modèles numériques appliqués aux risques du marché et à l'évaluation financière Ce travail de thèse aborde deux sujets : (i) L'utilisation d'une nouvelle méthode numérique pour l'évaluation des options sur un panier d'actifs, (ii) Le risque de liquidité, la modélisation du carnet d'ordres et la microstructure de marché. Premier thème : Un algorithme glouton et ses applications pour résoudre des équa- tions aux dérivées partielles Beaucoup de problèmes d'intérêt dans différents domaines (sciences des matériaux, finance, etc) font intervenir des équations aux dérivées partielles (EDP) en grande dimension. L'exemple typique en finance est l'évaluation d'une option sur un panier d'actifs, laquelle peut être obtenue en résolvant l'EDP de Black-Scholes ayant comme dimension le nombre d'actifs considérés. Nous proposons d'é- tudier un algorithme qui a été proposé et étudié récemment dans [ACKM06, BLM09] pour résoudre des problèmes en grande dimension et essayer de contourner la malédiction de la dimension. L'idée est de représenter la solution comme une somme de produits tensoriels et de calculer itérativement les termes de cette somme en utilisant un algorithme glouton. La résolution des EDP en grande di- mension est fortement liée à la représentation des fonctions en grande dimension. Dans le Chapitre 1, nous décrivons différentes approches pour représenter des fonctions en grande dimension et nous introduisons les problèmes en grande dimension en finance qui sont traités dans ce travail de thèse. La méthode sélectionnée dans ce manuscrit est une méthode d'approximation non-linéaire ap- pelée Proper Generalized Decomposition (PGD). Le Chapitre 2 montre l'application de cette méthode pour l'approximation de la solution d'une EDP linéaire (le problème de Poisson) et pour l'approxima- tion d'une fonction de carré intégrable par une somme des produits tensoriels. Un étude numérique de ce dernier problème est présenté dans le Chapitre 3. Le problème de Poisson et celui de l'approxima- tion d'une fonction de carré intégrable serviront de base dans le Chapitre 4 pour résoudre l'équation de Black-Scholes en utilisant l'approche PGD. Dans des exemples numériques, nous avons obtenu des résultats jusqu'en dimension 10. Outre l'approximation de la solution de l'équation de Black-Scholes, nous proposons une méthode de réduction de variance des méthodes Monte Carlo classiques pour évaluer des options financières. Second thème : Risque de liquidité, modélisation du carnet d'ordres, microstructure de marché Le risque de liquidité et la microstructure de marché sont devenus des sujets très importants dans les mathématiques financières. La dérégulation des marchés financiers et la compétition entre eux pour attirer plus d'investisseurs constituent une des raisons possibles. Les règles de cotation sont en train de changer et, en général, plus d'information est disponible. En particulier, il est possible de savoir à chaque instant le nombre d'ordres en attente pour certains actifs et d'avoir un historique de toutes les transactions passées. Dans ce travail, nous étudions comment utiliser cette information pour exécuter de facon optimale la vente ou l'achat des ordres. Ceci est lié au comportement des traders qui veulent minimiser leurs coûts de transaction. La structure du carnet d'ordres (Limit Order Book) est très complexe. Les ordres peuvent seulement être placés dans une grille des prix. A chaque instant, le nombre d'ordres en attente d'achat (ou vente) pour chaque prix est enregistré. Pour un prix donné, quand deux ordres se correspondent, ils sont exécutés selon une règle First In First Out. Ainsi, à cause de cette complexité, un modèle exhaustif du carnet d'ordres peut ne pas nous amener à un modèle où, par exemple, il pourrait être difficile de tirer des conclusions sur la stratégie optimale du trader. Nous devons donc proposer des modèles qui puissent capturer les caractéristiques les plus importantes de la structure du carnet d'ordres tout en restant possible d'obtenir des résultats analytiques. Dans [AFS10], Alfonsi, Fruth et Schied ont proposé un modèle simple du carnet d'ordres. Dans ce modèle, il est possible de trouver explicitement la stratégie optimale pour acheter (ou vendre) une quantité donnée d'actions avant une maturité. L'idée est de diviser l'ordre d'achat (ou de vente) dans d'autres ordres plus petits afin de trouver l'équilibre entre l'acquisition des nouveaux ordres et leur prix. Ce travail de thèse se concentre sur une extension du modèle du carnet d'ordres introduit par Alfonsi, Fruth et Schied. Ici, l'originalité est de permettre à la profondeur du carnet d'ordres de dépendre du temps, ce qui représente une nouvelle caractéristique du carnet d'ordres qui a été illustré par [JJ88, GM92, HH95, KW96]. Dans ce cadre, nous résolvons le problème de l'exécution optimale pour des stratégies discrétes et continues. Ceci nous donne, en particulier, des conditions suffisantes pour exclure les manipulations des prix au sens de Huberman et Stanzl [HS04] ou de Transaction- Triggered Price Manipulation (voir Alfonsi, Schied et Slynko). Ces conditions nous donnent des intu- itions qualitatives sur la manière dont les teneurs de marché (market makers) peuvent créer ou pas des manipulations des prix.

Limit-Orderbücher sind das Standardinstrument der Preisbildung in modernen Finanzmärkten. Während Strom traditionell in Auktionen gehandelt wird, gibt es Intraday Strommärkte wie beispielsweise den SIDC-Markt, in welchem Käufer und Verkäufer über Limit-Orderbücher zusammentreffen. In dieser Arbeit werden wir stochastische Modelle von Limit-Orderbüchern auf der Grundlage der zugrundeliegenden Marktmikrostruktur entwickeln. Einen besonderen Schwerpunkt legen wir dabei auf die Berücksichtigung besonderer Merkmale der Intraday-Strommärkte, die sich zum Teil deutlich von denen der Finanzmärkte unterscheiden. Die in dieser Arbeit entwickelten Modelle beginnen mit einer realistischen und mikroskopischen Beschreibung der Marktdynamik. Große Preisänderungen über kurze Zeiträume werden ebenso berücksichtigt wie begrenzte grenzüberschreitende Aktivitäten. Diese mikroskopischen Modelle sind im Allgemeinen zu rechenintensiv für praktische Anwendungen. Das Hauptziel dieser Arbeit ist es daher, geeignete Approximationen dieser mikroskopischen Modelle durch sogenannte Skalierungsgrenzprozesse herzuleiten. Zu diesem Zweck werden sorgfältig Skalierungsannahmen formuliert und in die mikroskopischen Modelle eingebaut. Diese Annahmen ermöglichen es uns, ihr Hochfrequenzverhalten zu untersuchen, vorausgesetzt, dass die Größe eines einzelnen Auftrags gegen Null konvergiert, während die Auftragseingangsrate gegen unendlich tendiert. Die Kalibrierung mathematischer Modelle ist aus Anwendersicht eines der Hauptanliegen. Dabei ist bekannt, dass Änderungspunkte (abrupte Schwankungen) in hochfrequenten Finanzdaten vorhanden sind. Falls sie durch endogene Effekte verursacht wurden, muss bei der Schätzung solcher Änderungspunkte die Abhängigkeit von den zugrundeliegenden Daten berücksichtigt werden. Daher erweitern wir im letzten Teil dieser Arbeit die bestehende Literatur zur Erkennung von Änderungspunkten, so dass auch zufällige, von den Daten abhängige Änderungspunkte gehandhabt werden können. / Limit order books are the standard instrument for price formation in modern financial markets. While electricity has traditionally been traded through auctions, there are intraday electricity markets, such as the SIDC market, in which buyers and sellers meet via limit order books. In this thesis, stochastic models of limit order books are developed based on the underlying market microstructure. A particular focus is set on incorporating unique characteristics of intraday electricity markets, some of which are quite different from those of financial markets. The developed models in this thesis start with a realistic and microscopic description of the market dynamics. Large price changes over short time periods are considered, as well as limited cross-border activities. These microscopic models are generally computationally too intensive for practical applications. The main goal of this thesis is therefore to derive suitable approximations of these microscopic models by so-called scaling limits. For this purpose, appropriate scaling assumptions are carefully formulated and incorporated into the microscopic models which allow us to study their high-frequency behavior when the size of an individual order converges to zero while the order arrival rate tends to infinity. Calibration of mathematical models is one of the main concerns from a practitioner’s point of view. It is well known that change points (abrupt variations) are present in high-frequency financial data. If they are caused by endogenous effects, the dependence on the underlying data must be considered when estimating such change points. In the final part of this thesis, we extend the existing literature on change point detection so that random change points depending on the data can also be handled.