Des chercheurs développent un modèle basé sur l’IA pour prédire les tendances boursières

Les outils d’intelligence artificielle peuvent-ils aider à prédire l’évolution et la volatilité des cours boursiers ? C’est ce que pensent deux chercheurs de l’Université d’État du Dakota du Sud. Kaiqun Fu, professeur adjoint au département de génie électrique et d’informatique du SDSU, et Yangxiao Bai, assistant de recherche diplômé, ont développé un modèle basé sur l’IA qui anticipe les mouvements des cours boursiers et les tendances de la volatilité des marchés boursiers.

Présenté sous le nom d’« ALERTA-Net », leur modèle est un réseau neuronal profond qui intègre des données macroéconomiques, des données de moteurs de recherche et des données de médias sociaux, le premier du genre à le faire. L’article est publié sur le arXiv serveur de préimpression.

“Au meilleur de nos connaissances, il s’agit de l’une des premières tentatives visant à utiliser la combinaison des médias sociaux, des données macroéconomiques et des informations des moteurs de recherche pour prédire à la fois l’évolution et la volatilité des cours boursiers”, a déclaré Fu.

Les bourses américaines comptent parmi les marchés financiers les plus surveillés au monde et constituent un indicateur majeur de la santé économique d’un pays. Ils sont également extrêmement difficiles à prédire avec une précision durable. En termes d’études et de prévisions boursières, il existe deux méthodes principales : l’analyse technique et l’analyse fondamentale.

L’analyse technique s’appuie sur les cours boursiers passés pour prédire les tendances futures. L’analyse fondamentale utilise des informations et des données externes. Selon Fu et Bai, les deux méthodes présentent des défauts qui leur font manquer des indicateurs clés du marché boursier.

« L’analyse technique dépend fortement des données historiques, qui peuvent parfois négliger les changements soudains du marché dus à des événements inattendus », a déclaré Fu. “En supposant un comportement de marché uniformément rationnel, cette méthode peut créer par inadvertance une chambre d’écho. Cet effet peut provoquer une amplification des signaux de trading, finissant par être déconnectés du contexte économique réel.”

L’analyse fondamentale, en revanche, tend à se concentrer sur les marchés financiers et néglige souvent la relation symbiotique entre l’économie dans son ensemble et le marché boursier. Cependant, elle nécessite toujours une approche plus globale que l’analyse technique.

“Les modèles existants se concentrent principalement sur la prévision des changements de tendance et négligent souvent l’importance de l’ampleur de ces changements”, a déclaré Fu. “Dans le domaine du comportement des actions, l’ampleur de ces changements a un poids considérable.”

Pour construire ce modèle de prédiction complet et à plusieurs niveaux, l’équipe de recherche, qui comprenait des membres du corps professoral de Virginia Tech et de la Texas A&M University-Corpus Christi, a sélectionné 41 actions « de premier ordre » dans la norme de classification mondiale des industries. Fu et Bai ont ensuite intégré leur expertise dans la recherche d’informations sur les réseaux sociaux, un processus qui utilise l’apprentissage profond, une méthode d’IA, pour rassembler et lire de larges pans de messages.

Les données proviennent de Yahoo Finance, qui a tracé la trajectoire des 41 actions sur une période de trois ans. La plateforme de médias sociaux X, anciennement connue sous le nom de Twitter, a été utilisée pour sourcer les publications sur les réseaux sociaux. Plus de 7 millions de tweets traitant des 41 actions différentes ont été rassemblés, analysés et inclus dans le modèle.

“Nous reconnaissons l’influence significative du volume de Twitter sur les transactions boursières”, a déclaré Fu. “Nous nous sommes assurés que les paramètres d’entrée de notre modèle incluaient l’analyse sentimentale des tweets individuels et le décompte quotidien des publications Twitter traitées.”

Des données historiques de la Réserve fédérale ont également été intégrées au modèle.

Les résultats du modèle montrent qu’il est plus performant, en termes de précision, que DP-LSTM, un réseau renommé de prévision des mouvements de stocks, ainsi que d’autres modèles de prévision de base.

“Notre étude a révélé que l’intégration de données macroéconomiques améliore considérablement les capacités prédictives du modèle en matière de mouvement des actions et de volatilité à des degrés divers”, a déclaré Fu.

Ce n’est que le début du travail de Fu et Bai, car ils continueront à expérimenter de nouvelles entrées et sources de données pour améliorer la précision du modèle. Fu théorise que le modèle pourrait devenir encore plus précis en intégrant des sources audio et vidéo. En outre, il estime que ce type de modélisation a des applications bien au-delà du marché boursier.

“Ce type de modélisation pourrait nous aider à prédire les temps d’attente sur les autoroutes très fréquentées, par exemple”, a déclaré Fu. “Les applications à ce type de travail sont immenses.”