Our work consists in an exploration of the integration of sustainability in the financial sphere, with a particular focus on capital markets and its actors, centered on the following research question : “are financial markets putting a price on the positive sustainable and environmental performance of firms?”. Our research is carried out within the theoretical framework of asset pricing, which is currently at the crossroads of two major revolutions. On the one hand is the sustainability revolution, which brings a challenge to these actors in the form of a massive global systemic risk which can only be compared in its possible global impact to the threat once posed by weapons of mass destruction. As financial actors are starting to understand the economic threats – amongst others – that represent climate action failure, biodiversity loss, extreme weather events and environmental disasters, financial markets will inevitably change. The five essays in this PhD dissertation represent an attempt, using the most reliable data at hand, to start understanding how these financial markets could be evolving. On the other is the data revolution bringing both massive and constant flows of new forms of data to financial market actors, which are dealt with through constant improvements in computational power and the corresponding highly demanding statistical and machine learning methods needed to analyze these continuously growing datasets. The first step of our work consists in exploring how practitioners, academics and regulators are trying to define what constitutes sustainable finance and allows us to understand how consensus on this central issue has still not been reached to date. In a second step, we then look at climate-aligned firms – companies that originate more than 75% of their turnover from climate-aligned activities – and analyze how capital markets have been financing both traditional and climate-aligned US and EU firms in the last decades. This analysis allows us to understand that corporate bond markets have a much larger role to play in financing these firms than stock markets. In a third step, we then choose to focus our attention on corporate bond markets and on the very specific challenge of building reliable financial datasets on traditional corporate bonds, green corporate bonds and bonds that are issued by climate-aligned firms. In a fourth step, using this detailed data treatment procedure, we apply traditional asset pricing methodologies to a dataset of both traditional bonds and climate bonds going from 2005 to 2019, finding some differences between these two products. Finally, our last step constitutes an attempt to understand, with these same datasets, how newly developed factors and machine learning methods could also be used to price corporate bonds and to differentiate traditional bonds from climate bonds., Notre travail consiste à étudier l’intégration des problématiques de développement durable dans la sphère financière en se focalisant principalement sur les marchés de capitaux et leurs acteurs et en se posant la question de recherche suivante : « est-ce que les marchés financiers mettent un prix sur les performances responsables et environnementales des entreprises ? ». Notre recherche est effectuée dans le cadre théorique de l’évaluation des actifs financiers, cadre théorique qui fait actuellement face à deux révolutions majeures. D’une part, la révolution « durable », qui pose une problématique nouvelle aux acteurs financiers sous la forme d’un risque systémique global qui ne peut être comparé dans son impact potentiel qu’à la menace que représentait les armes de destruction massives. Alors que les acteurs financiers commencent à comprendre le risque économique - entre autres – que représenterait un échec à atténuer le changement climatique, la perte de biodiversité, les évènements climatiques extrêmes et les catastrophes naturelles correspondantes, les marchés financiers vont inévitablement changer. Les cinq essais de cette thèse doctorale représentent une tentative, en utilisant les données les plus fiables disponibles aujourd’hui, de comprendre comment ces marchés financiers peuvent être en train d’évoluer. De l’autre, la révolution des données apportant des flux massifs et constants de nouvelles formes de données aux acteurs des marchés financiers, traitées à l’aide d’ordinateurs dont la puissance augmente constamment ainsi que de nouvelles méthode très exigeantes de traitement statistiques et de machine learning avancées nécessaires à l’analyse de ces bases de données grandissantes. La première étape de notre travail consiste à explorer comment les praticiens, les académiques et les régulateurs essaient de définir ce que constitue la finance responsable et nous permet de comprendre qu’un consensus sur ce sujet n’a toujours pas été atteint à ce jour. Dans une seconde étape, nous observons les entreprises climatiques – ces entreprises dont 75% du chiffre d’affaire provient d’activités alignées avec les objectifs climatiques de la conférence de Paris – et analysons comment les marchés de capitaux financent les entreprises traditionnelles et climatiques aux Etats-Unis et en Europe sur les dernières décennies. Cette analyse nous permet de comprendre que les marchés obligataires ont un rôle plus important de financement pour ces entreprises que les marchés des actions. Dans une troisième étape, nous choisissons de nous concentrer sur le marché des obligations d’entreprise et sur la problématique spécifique de construire une base de données financière fiable sur les données des obligations d’entreprise américaines, sur les obligations vertes et les obligations climatiques. Une quatrième étape consiste, en utilisant cette base de données, à appliquer les méthodes d’évaluation d’actifs classiques sur une base de données d’obligations d’entreprise traditionnelles et climatiques entre 2005 et 2019, et nous trouvons certaines différences entre ces deux produits. Finalement, une dernière étape consiste en une tentative de comprendre, en utilisant cette même base de données, comment de nouveaux facteurs et de nouvelles méthodes d’analyse de machine learning peuvent également être utilisés afin de mieux expliquer et de prédire le rendement des obligations d’entreprises et différencier les obligations d’entreprise traditionnelles et climatiques.