Les événements extrêmes ont un impact important sur les distributions de rendement et les décisions d’investissement. Cependant, le rôle des risques d’événement est sous-estimé dans les approches populaires de prise de décision financière. Cette thèse inclut les risques d’événements dans les décisions d’investissement pour améliorer l’optimalité globale des investissements. Nous examinons les risques d’événements dans deux contextes financiers différents mais cohérents: la sélection de portefeuilles et le financement d’entreprise. Dans le cadre de la sélection de portefeuilles, nous nous concentrons sur l’incorporation d’informations d’ordre supérieur pour capturer l’impact des risques d’événements sur la construction du portefeuille. Des extensions d’ordre supérieur sont implémentées sur deux méthodes principales d’optimisation de portefeuille: le cadre classique de l’optimisation de la variance moyenne et du CAPM, et l’approche de la dominance stochastique. Nous trouvons que l’inclusion d’informations d’ordre supérieur améliore l’optimalité globale du portefeuille compte tenu de la présence de risques d’événement. Dans un cas particulier, nous combinons les applications traditionnelles de l’optimisation de la moyenne variance et de l’analyse de dominance stochastique pour examiner l’efficacité de l’indice de DJIA. Nous trouvons que DJIA est efficace en tant que référence de performance. Dans le domaine des finances d’entreprise, nous avons principalement identifié les changements de dénomination sociale de M&A parmi l’indice S&P 500 et examiné comment les événements de changement de nom affectent les modèles de rendement pour les acquéreurs et les cibles. Dans le cadre de cette étude d’entreprise, nous montrons que les changements de nom affectent sensiblement la dynamique du rendement et que la différence de rendement anormale entre les événements de changement de nom et les événements sans changementde nom est économiquement et statistiquement significative. En général, nos études montrent que l’inclusion des risques d’événements dans les processus décisionnels apporte des avantages importants à l’optimisation de l’allocation des actifs. / Extreme events have a material impact on return distributions and investment decisions. However, the role of event risks is understated in popular financial decision making approaches. This thesis includes event risks into investment decisions to improve global investment optimality. We examine event risks in two different but coherent financial settings: portfolio selection and corporate finance. In the portfolio selection setting, we focus on the incorporation of higher order information to capture the impact of event risks on portfolio construction. Higher order extensions are implemented on two main portfolio optimization methods: the classic framework of mean variance optimization and CAPM, and the stochastic dominance approach. We find that the inclusion of higher order information improves global portfolio optimality given the presence of event risks. As a special case, we combine the traditional applications of mean variance optimization and stochastic dominance analysis to examine the index efficiency of DJIA. We find that DJIA is efficient as a performance benchmark. In the corporate finance setting, we principally identified corporate name changes of M&As among the S&P 500 index, and examined how the name change events impact the return patterns for the acquirers and the targets. Conducting this corporate event study, we show that name changeevents substantially affect return dynamics, and that the abnormal return difference between name change events and non name change events is economically and statistically significant. Generally, our studies illustrate that the inclusion of event risks in decision processes brings important benefits to the asset allocation optimization.

Cette thèse présente trois contributions indépendantes. La première partie se concentre sur la modélisation de la moyenne conditionnelle des rendements du marché actions : le rendement espéré du marché. Ce dernier est souvent modélisé à l'aide d'un processus AR(1). Cependant, des études montrent que lors de mauvaises périodes économiques la prédictibilité des rendements est plus élevée. Etant donné que le modèle AR(1) exclut par construction cette propriété, nous proposons d'utiliser un modèle CIR. Les implications sont étudiées dans le cadre d'un modèle espace-état bayésien. La deuxième partie est dédiée à la modélisation de la volatilité des actions et des volumes de transaction. La relation entre ces deux quantités a été justifiée par l'hypothèse de mélange de distribution (MDH). Cependant, cette dernière ne capture pas la persistance de la variance, à la différence des spécifications GARCH. Nous proposons un modèle à deux facteurs combinant les deux approches, afin de dissocier les variations de volatilité court terme et long terme. Le modèle révèle plusieurs régularités importantes sur la relation volume-volatilité. La troisième partie s'intéresse à l'analyse des stratégies d'investissement optimales sous contrainte «drawdown ». Le problème étudié est celui de la maximisation d'utilité à horizon fini pour différentes fonctions d'utilité. Nous calculons les stratégies optimales en résolvant numériquement l'équation de Hamilton-Jacobi-Bellman, qui caractérise le principe de programmation dynamique correspondant. En se basant sur un large panel d'expérimentations numériques, nous analysons les divergences des allocations optimales / This PhD thesis presents three independent contributions. The first part is concentrated on the modeling of the conditional mean of stock market returns: the expected market return. The latter is often modeled as an AR(1) process. However, empirical studies have found that during bad times return predictability is higher. Given that the AR(1) model excludes by construction this property, we propose to use instead a CIR model. The implications of this specification are studied within a flexible Bayesian state-space model. The second part is dedicated to the modeling of stocks volatility and trading volume. The empirical relationship between these two quantities has been justified by the Mixture of Distribution Hypothesis (MDH). However, this framework notably fails to capture the obvious persistence in stock variance, unlike GARCH specifications. We propose a two-factor model of volatility combining both approaches, in order to disentangle short-run from long-run volatility variations. The model reveals several important regularities on the volume-volatility relationship. The third part of the thesis is concerned with the analysis of optimal investment strategies under the drawdown constraint. The finite horizon expectation maximization problem is studied for different types of utility functions. We compute the optimal investments strategies, by solving numerically the Hamilton–Jacobi–Bellman equation, that characterizes the dynamic programming principle related to the stochastic control problem. Based on a large panel of numerical experiments, we analyze the divergences of optimal allocation programs