Three essays on mutual fund performance predictors and cryptocurrencies

Le premier chapitre présente une méthode simple mais puissante pour améliorer la prédiction de la performance des fonds communs de placement en combinant des prédicteurs individuels en un prédicteur composite. Cette approche composite intègre des informations provenant de 19 prédicteurs bien établis de la littérature, basés sur le rendement et sur les avoirs en portefeuille. Elle identifie efficacement les fonds du décile supérieur qui surperforment les fonds du décile inférieur de 4,56 % par an, corrigés du risque. En outre, il obtient une surperformance statistiquement significative pour les investissements en fonds long-only par rapport à la moyenne des fonds actifs et passifs. Les prédicteurs basés sur le rendement (par exemple, l'alpha du fonds et la statistique \textit{t} de l'alpha) et les prédicteurs basés sur les avoirs (par exemple, l'indice de compétence et la pondération active) contribuent de manière égale au succès du prédicteur composite. <br>Le deuxième chapitre utilise l'approche des erreurs non standards pour identifier l'ensemble des prédicteurs robustes de la performance des fonds communs de placement. \cite{menkveld_etal:2023} formule le concept d'erreurs non standards, qui est une mesure de l'incertitude qui découle du processus de production de preuves, c'est-à-dire la variation générée par les choix méthodologiques faits par les chercheurs. Je montre que les différences dans la conception de la recherche ont une influence substantielle sur l'inférence statistique lors de la prévision de la performance future des fonds communs de placement. En outre, l'identification des choix critiques en matière de conception et la mesure de leur importance facilitent l'exercice de prévision de la performance future des fonds communs de placement et éclairent les nombreux résultats mitigés de la littérature. <br>Le troisième chapitre étudie comment l'attention anormale des investisseurs affecte la section transversale des rendements des crypto-monnaies entre 2018 et 2022. Nous capturons l'attention anormale en utilisant le nombre (log) de messages Twitter sur les crypto-monnaies individuelles le jour en cours moins une moyenne de 30 jours. Nos résultats révèlent que l'attention anormale est positivement associée à la performance contemporaine et à celle à un jour des crypto-monnaies. Parmi les différents tweets, la prévisibilité des rendements est due aux tweets \textit{Ticker} des investisseurs, mais pas aux tweets du canal des crypto-monnaies. Ces tweets \textit{Officiel} sont toutefois capables de prévoir les innovations technologiques sur la blockchain.

The first chapter introduces a simple yet powerful method for enhancing mutual fund performance prediction by combining individual predictors into a composite predictor. This composite approach integrates information from 19 well-established return-based and portfolio holdings-based predictors from the literature. It effectively identifies top decile funds that outperform bottom decile funds by a risk-adjusted 4.56\% per annum. Furthermore, it achieves statistically significant outperformance for long-only fund investments against the average active and passive fund. Both return-based predictors (e.g., fund alpha and the \textit{t}-statistic of alpha) and holdings-based predictors (e.g., skill index and active weight) contribute equally to the composite predictor's success. <br>The second chapter utilizes the non-standard errors approach to identify the set of robust mutual fund performance predictors. \cite{menkveld_etal:2023} formulate the concept of non-standard errors, which is a measure of the uncertainty that stems from the evidence-generating process, i.e., the variation generated by the methodological choices made by researchers. I show that the differences in research design lead to a substantial influence on the statistical inference when forecasting future mutual fund performance. Moreover, identifying critical design choices and measuring their importance facilitates the prediction exercise of future mutual fund performance and sheds light on the numerous mixed results in the literature. <br>The third chapter investigates how investors' abnormal attention affects the cross-section of cryptocurrency returns in the period from 2018 to 2022. We capture abnormal attention using the (log) number of Twitter posts on individual cryptocurrencies on the current day minus a 30-day average. Our results reveal that abnormal attention is positively associated with contemporaneous and one-day ahead crypto performance. Among the different Twitter tweets, return predictability arises due to \textit{Ticker}-tweets from investors, but not due to tweets from the cryptocurrency channel. These \textit{Official}-tweets, however, are able to forecast technological innovations on the blockchain.