Exploitation d'informations sémantiques pour une finance explicable

Leveraging Semantic Information For EXplainable FINance

• Auteur / Autrice : Tom Djaaleb
• Direction : Amel Bouzeghoub
• Type : Projet de thèse
• Discipline(s) : Informatique, données, IA
• Date : Inscription en doctorat le 01/10/2024
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : SAMOVAR - Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux

Mots clés

Mots clés libres

Séries temporelles

Finance

IA Explicable

Données sémantiques

Time series

Finance

Explainable AI

Semantic data

Résumé

Les marchés financiers sont composés de nombreuses boîtes noires, inaccessibles au grand public, ce qui empêche de prendre des décisions éclairées. Ce projet vise à apporter un nouvel éclairage sur la finance par des modèles explicables qui exploitent de l'information sémantique. Actuellement, la plupart des modèles libres soit utilisent trop peu de données, soit ignorent les informations externes telles que les actualités ou les rapports financiers, qui sont pourtant cruciales. Pour résoudre ces deux problèmes, nous avons construit un vaste jeu de données contenant des articles d'actualité financière, des rapports financiers et des séries temporelles. Nous souhaitons maintenant créer une nouvelle génération de modèles intégrant des informations sémantiques dans les modèles standards. Cette source de données supplémentaire améliorera les performances et apportera de l'explicabilité. À la fin du projet, nos modèles aideront considérablement la communauté scientifique à aborder l'intégration de données sémantiques dans des séries temporelles. Correctement présentés, ils peuvent être très précieux à des utilisateurs non-techniques comme les chercheurs en économie qui pourront étudier les marchés financiers sous un angle nouveau, et le grand public qui pourra mieux alimenter le débat public.

Financial markets are made up of numerous black boxes, inaccessible to the general public, which hinders informed decision-making. This project aims to shed new light on finance through explainable models that exploit semantic information. Currently, most free models either use too little data, or ignore crucial external information such as news or financial reports. To solve both these problems, we have built a large dataset containing financial news articles, financial reports and time series. Our aim is now to create a new generation of models incorporating semantic information into standard models. This additional data source will improve performance and enhance explainability. At the end of the project, our models will considerably help the scientific community to tackle the integration of semantic data into time series. Correctly presented, they can be invaluable to non-technical users such as economics researchers, who will be able to study financial markets from a new angle, and the general public, who will be better able to fuel public debate. Translated with DeepL.com (free version)