Granular Insights into Financial Discourse: Fine-Grained Opinion Analysis of Expert Texts

Jury

• Mme Véronique MORICEAU, MdC IRIT – Université Paul Sabatier – Toulouse 3
• M. Serge DAROLLES, Prof. Université Paris Dauphine – PSL
• M. Philippe GILLET, MdC RITM – Faculté Jean Monnet – Université Paris-Saclay
• Mme Elena CABRIO, Prof. Université Côte d’Azur, Inria, CNRS, I3S
• Bich-Liên DOAN Prof. CentraleSupelec, PhD supervisor
• Dirk SCHUMACHER Dr, Natixis, PhD supervisor
• Patrick PAROUBEK Dr/HDR, LISN, CNRS, Université Paris-Saclay, PhD supervisor

Résumé

La thèse porte sur l’analyse automatique des textes écrits par les professionnels de la finance.

Puisque les sociétés cotées en bourse ont obligation de communiquer sur leurs activités commerciales tous les quatre mois, dans ma thèse je capitalise sur les progrès récents en Intelligence Artificielle pour analyser ce type de publications. Nous souhaitons connaître les sujets qui préoccupent le plus les leaders de l’activité économique, à propos de quoi sont ils optimistes/pessimistes. C’est à dire connaître les “aspects” mentionnés par les acteurs et la polarité qu’ils leurs associent. Actuellement, les technologies les plus efficaces sont issues du domaine du Traitement Automatique des Langues, elles permettent aux ordinateurs d’accéder à une certaine compréhension du langage humain au moyen d’algorithmes d’apprentissage à base de réseaux de neurones, qui sont souvent qualifiés de “boîtes-noires” à cause de leur faible pouvoir d’explicabilité. Grace à un apprentissage à partir d’exemples annotés par des humains, des algorithmes efficaces d’apprentissage permettent à l’ordinateur d’apprendre à extraire les “aspects” et de leur attribuer une polarité (positive, négative ou neutre). Ces annotations manuelles servent aussi à l’évaluation des performances des algorithmes. Les expériences réalisées dans cette thèse montrent que des données annotées par des algorithmes peuvent aussi être utiles pour améliorer la prédiction des opinions.