💰 quantitative finance

Predicting Stock Price Direction on Earnings Announcement Days using Multi-modal Deep Learning

Cette étude démontre qu'un modèle d'apprentissage profond multimodal basé sur les Transformers, qui intègre les fondamentaux des entreprises, les indicateurs techniques et le sentiment des nouvelles dérivé de FinBERT, surpasse à la fois la régression logistique et les bases de référence LSTM dans la prédiction de la direction des cours boursiers lors des jours d'annonce des résultats, en offrant une sensibilité supérieure aux mouvements volatils.

Auteurs originaux : Manuel Noseda, Nathan Soldati, Marco Paina

Publié 2026-05-26

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Manuel Noseda, Nathan Soldati, Marco Paina

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez de deviner si le prix d'une action va Monter, Descendre ou rester Neutre le jour où une entreprise annonce ses résultats financiers. C'est un jeu notoirement difficile car le marché est bruyant et les prix peuvent bondir de manière sauvage en un instant.

Les chercheurs de l'ETH Zurich ont traité cela comme une histoire de détective. Ils ont construit un système de « super-détective » utilisant l'intelligence artificielle pour résoudre l'énigme. Voici comment ils ont procédé, expliqué en termes courants :

1. Les Trois Indices (Les Données)

Pour faire leur prédiction, l'IA ne s'est pas contentée d'examiner une seule chose. Elle a rassemblé trois types d'indices différents, comme un détective combinant des empreintes digitales, des témoignages et un mobile :

Le Rapport de Santé de l'Entreprise (Les Fondamentaux) : Ils ont examiné 15 chiffres concrets, comme le profit réalisé par l'entreprise ou le montant de sa dette. Ce sont les données « officielles ».
L'Humeur Récente du Marché (La Dynamique des Prix) : Ils ont observé le prix de l'action sur les 30 derniers jours et utilisé des mathématiques simples pour voir si le prix s'accélérait ou ralentissait.
Le Chuchotement des Actualités (Le Sentiment) : Ils ont utilisé un lecteur IA spécial appelé FinBERT pour lire des milliers d'articles de presse financière. Cette IA ne se contente pas de lire les mots ; elle comprend le ton. Les nouvelles sont-elles joyeuses, tristes ou indifférentes ?

2. Les Trois Détectives (Les Modèles)

L'équipe a entraîné trois « détectives » différents pour résoudre l'affaire et a comparé qui était le meilleur :

Le Détective Ancienne École (Régression Logistique) : C'est un penseur simple et linéaire. Il examine les indices et trace une ligne droite vers une conclusion. Il est rapide mais manque souvent de nuances.
L'Observateur Prudent (LSTM) : C'est un modèle d'apprentissage profond qui lit l'histoire jour après jour, comme on lit un livre page par page. Il est très prudent. S'il n'est pas sûr à 100 %, il joue la sécurité.
Le Visionnaire à Grande Vue (Transformer) : C'est un modèle plus avancé qui peut examiner toute l'histoire des 30 jours d'un seul coup. Il utilise l'« attention » pour déterminer quels jours précis du passé étaient les plus importants, plutôt que de simplement les lire dans l'ordre.

3. La Partie Difficile : Le Piège du « Neutre »

Le plus grand défi était que, la plupart du temps, les actions ne font rien de dramatique le jour des résultats ; elles restent Neutres.

Imaginez une classe où 67 % des élèves sont assis tranquillement, et seulement quelques-uns sautent de joie.
Si un détective devine simplement « Tout le monde est assis », il aura raison la plupart du temps, mais il manquera tous les sauts excitants.
Les chercheurs ont dû apprendre à leur IA à accorder autant d'importance aux rares bonds sauvages (Haut ou Bas) qu'aux journées calmes et ennuyeuses. Ils ont utilisé un système de notation spécial qui punissait sévèrement l'IA si elle devinait la mauvaise direction (par exemple, dire « Haut » alors que c'était en réalité « Bas »).

4. Les Résultats : Qui a Gagné ?

L'article a révélé qu'il n'existe pas de « détective » parfait unique ; cela dépend de ce que vous valorisez le plus : la Sécurité ou la Sensibilité.

L'Observateur Prudent (LSTM) était le « Pari Sûr » :
- Il était très conservateur. Il prédisait principalement « Neutre » pour éviter de faire des erreurs coûteuses.
- Résultat : Il a commis le moins d'erreurs coûteuses. Si vous êtes avers au risque (craignez de perdre de l'argent), c'est le modèle qu'il vous faut. C'est comme un conducteur qui ne tourne le volant que lorsqu'il est absolument certain.
Le Visionnaire à Grande Vue (Transformer) était le « Chasseur Sensible » :
- Il était bien meilleur pour repérer les bonds sauvages des prix. Il a capté plus de mouvements « Haut » et « Bas ».
- Résultat : Il a obtenu le score de réussite global le plus élevé (Macro F1) pour trouver ces mouvements. Cependant, comme il tentait de tout capturer, il a fait plus d'erreurs sur quelle direction l'action prendrait. C'est comme un conducteur qui repère chaque nids-de-poule mais qui pourrait dévier trop souvent.
Le Détective Ancienne École (Régression Logistique) a lutté :
- Il était trop simple pour gérer le mélange complexe d'actualités, de prix et d'historique. Il a commis fréquemment des erreurs directionnelles coûteuses.

5. La « Sauce Secrète » (Le Sentiment des Actualités)

Les chercheurs ont testé ce qui se passait s'ils retiraient le « Chuchotement des Actualités » (le sentiment) des indices.

Le Verdict : Chaque détective s'est dégradé sans les actualités.
Pourquoi ? Les actualités fournissaient des informations supplémentaires que les chiffres et les graphiques de prix ne pouvaient pas voir seuls. Elles agissaient comme un stabilisateur, aidant l'IA à faire des prédictions plus fiables.

La Conclusion

L'article conclut que prédire les mouvements des actions le jour des résultats est un équilibre délicat.

Si vous voulez minimiser le risque et éviter les grosses erreurs, le LSTM (le modèle prudent) est meilleur.
Si vous voulez attraper les mouvements volatils et êtes prêt à accepter plus de risque, le Transformer (le modèle sensible) est meilleur.

Crucialement, l'étude prouve que vous ne pouvez pas vous fier uniquement aux chiffres ; vous devez inclure l'« humeur » des actualités pour obtenir les meilleurs résultats.

Résumé technique : Prédiction de la direction des cours boursiers les jours d'annonce de résultats grâce à l'apprentissage profond multimodal

Formulation du problème
Cette étude aborde le défi de la prédiction de l'évolution directionnelle des cours boursiers spécifiquement les jours d'annonce de résultats (EA). Les auteurs le définissent comme une tâche de prédiction de l'évolution des prix pilotée par un événement. Étant donné une séquence temporelle multimodale représentant les 30 jours précédant une EA, l'objectif est de classifier la direction du prix post-annonce dans l'une des trois classes suivantes : HAUSSE ( $R \geq 3\%$ ), BAISSE ( $R \leq -3\%$ ) ou NEUTRE (autrement). Le problème se caractérise par un bruit de marché significatif, des discontinuités de prix à fort impact et un déséquilibre de classes sévère où la classe NEUTRE représente environ 67 % des observations.

Méthodologie
La recherche utilise une approche d'apprentissage profond multimodal, intégrant trois modalités de données distinctes dans un espace de caractéristiques unifié de dimension $d=21$ :

Fondamentaux de l'entreprise ( $d_f=15$ ) : Métriques trimestrielles et annuelles (par exemple, marge nette, ROE, ratio dette/capitaux propres) servant de proxies pour la santé financière.
Dynamiques de marché ( $d_m=3$ ) : Cours de clôture ajustés et indicateurs de momentum à court terme (moyennes mobiles simples de 3 jours et 6 jours).
Sentiment des actualités ( $d_n=3$ ) : Scores de sentiment dérivés d'articles de presse financière traités via FinBERT, un modèle de langage affiné pour le domaine financier. Pour les jours comportant plusieurs articles, les vecteurs de sentiment sont moyennés.

Traitement des données et modélisation
L'ensemble de données couvre les 500 plus grandes entreprises américaines par capitalisation boursière sur une fenêtre de dix mois. Le prétraitement implique une imputation temporelle (remplissage vers l'avant pour les jours non boursiers), une imputation par la moyenne transversale pour les fondamentaux épars et une standardisation par score z. Pour faire face au déséquilibre de classes, les auteurs utilisent une fonction de perte d'entropie croisée pondérée qui pénalise davantage les erreurs directionnelles (HAUSSE vs BAISSE) que les mauvaises classifications neutres.

Trois architectures de modèles sont évaluées :

Régression logistique (Référence) : Un classificateur multinomial non temporel entraîné sur des fenêtres de 30 jours aplatis.
LSTM : Un réseau récurrent empilé à 2 couches (dimension cachée 64) conçu pour capturer les dépendances séquentielles.
Transformer : Une architecture d'encodeur basée sur l'auto-attention (2 couches, 4 têtes) utilisant des encodages de position sinusoïdaux pour capturer les motifs temporels globaux sur la fenêtre de 30 jours sans biais inductif séquentiel strict.

Les modèles sont entraînés et évalués à l'aide de métriques alignées sur la prise de décision financière : Précision pour les signaux actionnables, score F1 macro-moyenné (pour équilibrer les performances sur des classes déséquilibrées) et une métrique de coût personnalisée attribuant des pénalités plus élevées aux mauvaises classifications HAUSSE↔BAISSE.

Résultats clés
Les résultats expérimentaux révèlent un compromis distinct entre sensibilité et contrôle des risques :

Performance du LSTM : Le LSTM adopte une stratégie conservatrice, prédisant fréquemment la classe NEUTRE. Cela se traduit par le coût financier personnalisé le plus bas et une haute précision pour les signaux directionnels, mais génère un score Macro-F1 plus faible en raison d'événements volatils manqués.
Performance du Transformer : Le modèle Transformer démontre une sensibilité supérieure, identifiant plus d'événements HAUSSE et BAISSE que le LSTM. Par conséquent, il atteint le score Macro-F1 le plus élevé (0,390) mais engendre un coût personnalisé plus élevé en raison d'erreurs directionnelles accrues.
Performance de la référence : La référence de régression logistique présente un profil de décision instable avec un biais en faveur de la prédiction de mouvements de HAUSSE, conduisant au coût financier le plus élevé et à des échanges directionnels coûteux fréquents.
Impact du sentiment : Une étude d'ablation confirme que la suppression des caractéristiques de sentiment des actualités dégrade les performances de tous les modèles. L'effet est le plus prononcé dans le LSTM, suggérant que les données de sentiment jouent un rôle stabilisateur crucial dans les modèles séquentiels profonds.

Signification et affirmations
L'article prétend contribuer au domaine relativement peu exploré de la prédiction boursière spécifique aux EA en démontrant la valeur de la combinaison d'informations « dures » (fondamentaux, prix) et d'informations « douces » (sentiment des actualités) dans un cadre multimodal. Les auteurs affirment que, bien que les modèles linéaires soient insuffisants pour capturer les interactions temporelles et inter-modales complexes dans les données EA, les architectures d'apprentissage profond offrent des avantages distincts selon la stratégie d'investissement. Plus précisément, l'étude souligne que le choix du modèle dépend de l'application cible : les stratégies averses au risque peuvent privilégier la stabilité du LSTM, tandis que les stratégies recherchant la volatilité peuvent bénéficier de la sensibilité accrue du Transformer. Le travail souligne que l'intégration du sentiment des actualités fournit des signaux prédictifs complémentaires qui améliorent la stabilité et les performances au-delà de ce que les fondamentaux et les dynamiques de prix seuls peuvent offrir.