💰 quantitative finance

Zero-Copy Semantic Contagion: An In-Memory Streaming Architecture for Evolving Attention Graphs

Cet article présente une architecture de streaming hétérogène Rust-Python à copie zéro qui exploite un processus de Hawkes neural dynamique sur des graphes d'attention évolutifs pour atteindre une latence inférieure à 13 ms et surpasser de manière significative les modèles de référence à actif unique ou sectoriel pour la prévision des rendements boursiers du lendemain en capturant la contagion sémantique inter-entreprises issue des actualités.

Auteurs originaux : Kabir Murjani

Publié 2026-06-05

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Kabir Murjani

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 la bourse non pas comme une collection d'îles isolées, mais comme une ville géante et bouillonnante où les nouvelles se propagent comme un virus. Habituellement, lorsqu'une mauvaise nouvelle frappe une entreprise (comme la fermeture d'une usine à Taïwan), les modèles informatiques traditionnels ne regardent que l'historique du prix de cette entreprise spécifique. Ils sont « aveugles » au fait que la nouvelle pourrait se propager à d'autres entreprises qui lui sont liées, comme un fournisseur ou un client, avant même que les prix de ces autres entreprises ne commencent à bouger. À ce moment-là, il est déjà trop tard.

Ce document présente un nouveau système conçu pour détecter cette « contagion » dès que la nouvelle éclate, en prédisant quelles autres entreprises seront frappées ensuite. Voici comment cela fonctionne, décomposé en parties simples :

1. Le scanner ultra-rapide (L'avantage Rust)

Considérez le flux d'actualités comme un tapis roulant massif et à haute vitesse de messages textuels.

Le Problème : La plupart des ordinateurs sont trop lents pour lire ces messages assez vite. Le temps qu'un ordinateur standard finisse de lire un titre, le marché a déjà réagi.
La Solution : Les auteurs ont construit un « scanner » en utilisant un langage de programmation appelé Rust. C'est comme un robot spécialisé qui lit le texte sans jamais s'arrêter pour organiser ses pensées ou écrire des choses sur un bloc-notes (ce qu'on appelle le « zero-copy »).
La Vitesse : Il lit un enregistrement de nouvelle en environ 100 nanosecondes (un dix-millième de milliardième de seconde). Pour donner une idée, un clin d'œil humain prend environ 300 millions de fois plus longtemps. Il peut scanner une liste de 47 entreprises différentes le temps d'un claquement de doigts.

2. Le traqueur d'« infection » (Le processus de Hawkes neural)

Une fois que le scanner a lu la nouvelle, il la transmet à un « cerveau » construit avec Python. Ce cerveau ne regarde pas seulement les mots ; il regarde les connexions entre les entreprises.

La Métaphore : Imaginez un graphe où chaque entreprise est un nœud (un point) et les lignes entre elles représentent à quel point elles font attention les unes aux autres.
Comment il apprend : Le système utilise un type spécial de mathématiques appelé Processus de Hawkes Neural. Considérez cela comme un « modèle de contagion ». Si l'entreprise A subit un choc (comme un scandale), le modèle calcule à quel point ce choc « excite » ou « infecte » l'entreprise B, l'entreprise C, et ainsi de suite.
Le Twist : Contra-irement aux anciens modèles qui traitent toutes les connexions comme étant égales, celui-ci apprend que la connexion est unidirectionnelle. Un événement d'actualité concernant un fabricant de puces peut fortement impacter un fabricant de téléphones, mais l'inverse n'est pas toujours vrai. Le système capture cette directionnalité.

3. Le mécanisme d'« élagage » (Pour rester ordonné)

Dans un flux en temps réel, les connexions pourraient théoriquement croître indéfiniment, ce qui ralentirait l'ordinateur.

La Solution : Le système possède un « jardinier » automatique. Si une connexion entre deux entreprises devient trop faible (l'« infection » meurt), le système coupe la ligne. Cela garantit que l'ordinateur ne soit jamais ralenti, peu importe la quantité de nouvelles qui arrivent.

4. Les Résultats : Rattraper la vague

L'équipe a testé ce système sur un mois d'actualités financières réelles impliquant 47 grandes entreprises (comme Apple, NVIDIA et Microsoft).

Le Test : Ils ont demandé : « Lorsqu'un événement d'actualité frappe l'entreprise A, le système peut-il prédire quelle autre entreprise connaîtra un mouvement de prix important le lendemain ? »
Le Résultat :
- Choix aléatoire : Si vous choisissiez des entreprises au hasard, vous auriez raison 8,9 % du temps.
- Choix dans le même secteur : Si vous deviniez simplement des entreprises du même secteur (par exemple, deviner une entreprise technologique quand une autre entreprise technologique a une actualité), vous auriez raison 4,5 % du temps.
- Ce Système : Il a eu raison 15,1 % du temps.
- La Conclusion : C'est 1,7 fois meilleur que le hasard et 3,3 fois meilleur que de simplement deviner au sein du même secteur.

5. Le moment « Eurêka ! »

La découverte la plus importante a été une « expérience de contrôle ». Les chercheurs ont désactivé la « carte de connexion » (le graphe) et ont laissé le système fonctionner sur les entreprises individuellement.

Le Résultat : La précision du système est tombée à zéro.
La Signification : Cela prouve que le succès du système n'était pas dû à la lecture des nouvelles ou aux mathématiques seules ; c'était entièrement parce qu'il comprenait comment les entreprises sont connectées. La « contagion » est le seul moteur du signal.

Résumé

Le document décrit un système qui agit comme un radar à haute vitesse pour l'actualité financière. Il lit le texte instantanément, cartographie les liens entre les entreprises et prédit comment un choc subi par une entreprise se répercutera à travers le réseau vers les autres. Bien qu'il fonctionne actuellement sur une puce informatique standard, les auteurs démontrent qu'avec un matériel plus rapide, il pourrait opérer assez vite pour être utile au trading à haute fréquence, repérant les mouvements de marché avant qu'ils ne se produisent pleinement.

Limite clé : Le document note que bien que le système soit incroyablement rapide pour traiter l'information (millisecondes), les données de test n'avaient que des mises à jour de prix quotidiennes. Ainsi, bien que le système puisse théoriquement fonctionner en temps réel, la preuve de sa capacité à prédire des mouvements au cours de la même journée est réservée à des travaux futurs.

Résumé Technique : Contagion Sémantique Zero-Copy

Énoncé du Problème

Les modèles de prévision financière opèrent actuellement en silos, traitant chaque ticker comme une série temporelle isolée. Si les signaux numériques (ticks de prix, volume) sont arbitrés en microsecondes, l'information qualitative (actualités) nécessite un décodage sémantique avant d'impacter les prix, se déployant sur un horizon de 20 à 60 minutes. Les approches existantes échouent à capturer la propagation inter-entreprises : une perturbation de la chaîne d'approvisionnement (par exemple, un problème de fonderie à Taïwan) ne s'enregistre pas dans un modèle d'actif unique avant que l'actif lui-même ne bouge ou que l'actif ne soit explicitement nommé dans le texte.

Deux barrières d'ingénierie empêchent la résolution de ce problème aux latences de l'ordre de la microseconde :

Latence : Les extracteurs sémantiques standards introduisent des centaines de millisecondes de latence, dépassant l'horizon prédictif.
Représentation : Les graphes statiques représentent mal l'attention, qui décroît rapidement entre les événements et nécessite une dynamique temporelle continue explicite.

Méthodologie

Les auteurs proposent une architecture de streaming hybride Rust-Python qui cartographie l'attention inter-entreprises sous la forme d'un graphe en temps continu piloté directement par le texte. Le système est découplé en une bordure d'ingestion à l'échelle de la microseconde et un moteur d'inférence à l'échelle de la milliseconde.

1. Architecture du Système

Bordure d'Ingestion (Rust) : Un parseur zero-copy traite les enregistrements CSV/FIX sans allocation de tas (heap), retournant des références de tranches d'octets (byte-slices) au tampon d'entrée. Il impose des horodatages monotones et effectue une porte de clustering sémantique pour filtrer les titres redondants basés sur la similitude cosinus.
- Performance : Analyse les enregistrements en ~100 ns et scanne un univers de 47 tickers en ~1,2 µs.
Moteur d'Inférence (PyTorch) : Un Processus de Hawkes Multivarié Neural qui met à jour un graphe d'attention en temps continu en mémoire sur $N=47$ $N = 47$ nœuds d'actions.
- LSTM en Temps Continu (c-LSTM) : Chaque nœud maintient un état caché qui décroît exponentiellement entre les événements et se met à jour via des portes LSTM standards lors de l'arrivée d'un événement, conditionné par les plongements (embeddings) textuels projetés.
- Projection Latente Bilinéaire : L'excitation dirigée ( $\alpha_{ij}$ ) est calculée via un mécanisme d'attention bilinéaire. Cela permet un pondération d'arête asymétrique ( $\alpha_{ij} \neq \alpha_{ji}$ ), capturant la contagion directionnelle (ex: fournisseur vers client) plutôt qu'une corrélation symétrique.
- Élagage Adaptatif des Arêtes : Une règle algorithmique élague les arêtes lorsque leur excitation instantanée tombe sous un seuil, garantissant une densité de graphe bornée (coût amorti $O(1)$ par nœud) quel que soit la longueur du flux.

2. Construction du Graphe

La matrice d'adjacence initiale est une combinaison convexe apprenable de trois sources fondées sur les données :

Co-mention ( $A_{cm}$ ) : Fréquence des mentions conjointes dans les articles.
Similitude Sémantique ( $A_{sem}$ ) : Similitude cosinus des embeddings moyens des articles.
Corrélation de Rendement ( $A_{corr}$ ) : Corrélation de Pearson des rendements logarithmiques quotidiens.
Ces poids sont optimisés conjointement avec les paramètres du modèle lors de l'entraînement par maximum de vraisemblance.

3. Objectif d'Entraînement

Les paramètres sont optimisés en maximisant la log-vraisemblance de la séquence d'événements observée. La fonction de perte récompense une intensité élevée lors des événements observés tout en pénalisant l'activation de fond pendant les périodes de quiescence pour éviter une élévation triviale de l'intensité.

Principales Contributions

Ingestion Rust Zero-Copy : Un parseur qui atteint ~100 ns de parsing et ~1,2 µs de scan de ticker sur du matériel courant (Apple M2), avec une réduction potentielle sur x86-64 via RDTSC et le networking par bypass de noyau (kernel-bypass).
Processus de Hawkes Neural Asymétrique : Un modèle en temps continu doté d'états c-LSTM par nœud et de projections latentes bilinéaires permettant un pondération d'arête contextuelle et dirigée, une capacité dont les constructions symétriques sont dépourvues.
Coût Computationnel Borné : Une règle d'élagage adaptative (Proposition 1) qui garantit une densité de graphe bornée, assurant que le système reste scalable pour un streaming perpétuel.
Protocole de Détection de Contagion : Un cadre d'évaluation distinct de la prédiction de prix par ticker, se concentrant sur l'identification des autres entreprises qui connaîtront des rendements anormaux suite à un événement d'actualité.

Résultats Expérimentaux

Le système a été évalué sur un échantillon temporel de holdout d'un mois du corpus FNSPID (638 articles, 47 tickers, juillet 2022).

Hausse de la Précision : Au seuil de rendement du lendemain au 90e percentile, le modèle complet a atteint une précision de 15,1 %.
- Cela représente une hausse de 1,70× par rapport à une sélection uniforme aléatoire (8,9 %).
- Cela représente une hausse de 3,36× par rapport à une heuristique de même secteur (4,5 %).
Études d'Ablation :
- Topologie du Graphe : Supprimer le graphe (définir l'adjacence à zéro) a fait chuter la précision à 0,000 pour tous les seuils, confirmant que le graphe est le seul moteur du signal inter-entreprises.
- Projection Bilinéaire : Sur ce corpus spécifique, les poids bilinéaires n'ont pas amélioré la précision de manière mesurable par rapport à une adjacence statique, bien qu'ils fournissent une directionnalité structurelle nécessaire.
- Élagage : Sur ce corpus naturellement creux (sparse), l'élagage n'a eu aucun effet empirique sur la précision mais reste critique pour les garanties de coût computationnel dans le pire des cas.
Latence : La latence de traitement de bout en bout est d'environ 13 ms par enregistrement sur un seul CPU. La couche d'ingestion Rust contribue à moins de 0,02 % de ce total.
Signal de Portefeuille : Une stratégie long/short pondérée par l'intensité (long sur les 10 meilleurs, short sur les 10 moins bons par intensité) a généré un rendement annualisé positif avec un taux de victoire quotidien de 57,1 % sur la période de holdout.

Signification et Revendications

L'article affirme traiter une tâche complémentaire à la prévision traditionnelle par ticker : étant donné un choc sur une entreprise, prédire quelles autres entreprises bougeront et quand.

Invariance Architecturale : Le modèle mathématique est invariant à la cible de déploiement ; seule la couche d'ingestion nécessite une recompilation pour différents matériels (ex: passer de ARM à x86-64 avec du networking par bypass de noyau).
Source du Signal : Les résultats confirment que le réseau d'attention dynamique est le moteur exclusif du signal inter-entreprises dans cette architecture ; sans la topologie du graphe, la dynamique c-LSTM et les taux de base ne contribuent à aucune discrimination inter-tickers.
Scalabilité : Le système projette de pouvoir gérer plus de 400 000 enregistrements par seconde sur un seul cœur ARM, avec une capacité de latence d'inférence inférieure à 10 ms sur des univers plus larges en utilisant le calcul par lots (batching).

Les auteurs notent que si la précision absolue (15,1 %) est modeste en raison de la complexité des rendements du lendemain, la hausse systématique par rapport aux bases de référence démontre que l'architecture capture avec succès la contagion structurelle que les modèles isolés manquent. Les travaux futurs sont reportés à l'évaluation intraday et à la modélisation de la propagation d'ordre supérieur.