Soutenance de thèse de Rabie LOUKIL

Cette thèse analyse le nexus crypto–énergie–macrofinance–environnement comme un système intégré de marchés interdépendants, où les actifs numériques, les prix de l’énergie, les conditions macrofinancières et les facteurs environnementaux sont reliés par des canaux de transmission dynamiques. Plutôt que d’étudier les cryptomonnaies isolément, elle les considère comme intégrées dans un système économique et physique plus large, en raison de leur dépendance à des mécanismes énergivores et de leur intégration dans les marchés financiers mondiaux. L’analyse s’articule en quatre étapes : conceptualisation, cartographie empirique, identification structurelle et prévision. Premièrement, la thèse identifie les principaux mécanismes reliant actifs numériques, demande d’électricité, marchés énergétiques et contraintes environnementales. Deuxièmement, elle propose une cartographie empirique à l’aide d’un modèle VAR à paramètres variables dans le temps combiné à une analyse en ondelettes. Les résultats montrent une connectivité multiscalaire élevée entre cryptomonnaies, énergie, variables macrofinancières et indicateurs environnementaux. L’indice de connectivité totale reste élevé (70 %–90 %), avec des interdépendances plus fortes aux horizons longs. Le système présente des changements de régime nets, passant d’une dominance énergie–crypto à une structure de plus en plus influencée par des facteurs macroéconomiques et environnementaux. Troisièmement, la thèse traite un problème d’identification dans la mesure de la connectivité. Les approches généralisées peuvent confondre les comouvement intra-groupe et transmission inter-groupes. Le cadre CNC permet de les distinguer. Les résultats montrent une surestimation des spillovers par les mesures généralisées (8 %–12 %). Le cluster énergétique apparaît comme émetteur net, tandis que les actifs environnementaux sont fortement exposés aux chocs énergétiques. Les simulations Monte Carlo confirment le caractère structurel de cet écart. Enfin, la thèse montre que la connectivité contient une information prédictive. Les matrices de connectivité sont intégrées dans un modèle d’apprentissage graphique temporel pour prévoir les rendements du Bitcoin. Les gains prédictifs sont limités à court terme mais substantiels à long terme, où les spillovers inter-clusters dominent, avec des implications économiques en termes de performance de trading. Dans l’ensemble, la thèse met en évidence un système de transmission structuré et évolutif, dont une identification appropriée améliore à la fois l’interprétation économique et la performance prédictive.