Traitement du Langage Naturel et Apprentissage Automatique : Applications aux Marchés Financiers

Natural Language Processing and Machine Learning: Applications to Financial Markets

• Auteur / Autrice : Wiem Ghazouani
• Direction : Alexis Direr
• Type : Projet de thèse
• Discipline(s) : Sciences Economiques
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : Orléans
• Ecole(s) doctorale(s) : Sciences de la Société : Territoires, Economie, Droit - SSTED
• Partenaire(s) de recherche : Laboratoire : LÉO - Laboratoire d'Economie d'Orléans

Mots clés

Mots clés libres

Traitement du Langage Naturel

Apprentissage Automatique

Marchés Financiers

Natural Language Processing

Machine Learning

Financial Markets

Résumé

Le développement des techniques et algorithmes du Language Naturel et de l'Apprentissages Automatique et Profond ont participé dans divers domaines, à des progrès significatifs en matière de reconnaissance vocale, de traitement d'images et de vidéos, de détection de parole, de suivi de dialogue, de classification et de modélisation textuelle, etc. En ce qui concerne la Finance, de nombreux travaux ont été réalisés afin de prédire des évolutions économiques et financières tout en se basant sur l'Intelligence Artificielle et la Science des Données. L'intérêt de cette thèse est le développement d'un algorithme d'Apprentissage Automatique appréhendant les données textuelles, par les technique du Text Mining (Language Naturel). Le but est de mener une analyse sentimentale décrivant tous les faits stylisés et les avis d'un phénomène que les données numériques ne dévoilent pas. Une telle combinaison (Analyse Sentiment + prototype d'Apprentissage Automatique) nous permettra de prédire l'évolution des sous-jacents financiers et macro-économiques.

The development of Natural Language Processing, Machine Learning and Deep Learning techniques and algorithms have contributed to significant progress in various fields, such as: speech recognition, images/videos processing, speech detection, dialogue tracking, text classification and modeling, etc. Regarding Finance, several works based on Artificial Intelligence and Data science have been carried out to predict economic and financial trends. The interest of this thesis is the development of a Machine Learning algorithm apprehending Textual Data, processed with Text Mining techniques (Natural Language Processing) in order to carry out a Sentimental Analysis that describes all the stylized facts and opinions of a particular phenomenon that Numerical Data doesn't reveal. Such a combination (Sentiment Analysis + Machine Learning prototype) will allow us to predict financial and macroeconomic trends.