Sur Habr AI, ils ont proposé d’utiliser le sentiment de l’actualité comme signal de trading pour le marché crypto

Un nouvel article décrit une approche où le signal de trading pour le marché crypto est construit non sur les graphiques de prix mais sur les changements du sentiment des nouvelles. L'auteur affirme que les inversions intrajournalières s'expliquent plus souvent par des cascades de publications et de partages que par l'historique des prix.

Pourquoi les Signaux Échouent

L'article examine un problème typique de l'analyse technique : les moyennes mobiles et autres indicateurs s'ajustent aux données passées et supposent que le régime de marché est suffisamment stable. Mais sur le marché crypto, le sentiment peut basculer du haussier au baissier et inversement plusieurs fois par jour. Lorsque cela se produit, même une stratégie soigneusement ajustée commence à produire du bruit au lieu d'une direction, car elle répond à la structure du marché d'hier plutôt qu'au flux frais de messages qui modifie déjà le comportement des participants.

« Le sentiment des nouvelles détermine le régime.

L'indicateur fonctionne à l'intérieur du régime. »

Selon l'auteur, le problème ne réside pas seulement dans les nouvelles elles-mêmes, mais aussi dans la mécanique de leur distribution. Les prix sont déplacés non par de secs documents réglementaires ou la publication d'un rapport elle-même, mais par une chaîne de partages, de commentaires et d'interprétations sur les domaines et blogs que suivent les investisseurs de détail. Pour cette raison, le marché réagit à l'environnement médiatique plus rapidement que les indicateurs classiques ne peuvent s'adapter, et tenter d'appliquer le même ensemble de signaux à tous les régimes aboutit souvent à quelque chose proche de 50/50.

Comment Trouver le Sentiment

La partie pratique est construite autour de la recherche vectorielle dans les nouvelles et les publications avec interprétation ultérieure à l'aide d'un LLM. L'auteur propose de ne pas mélanger ces tâches : les embeddings et la distance cosinus sont nécessaires pour extraire le tableau de nouvelles pertinent par sens, tandis que le modèle de langage doit évaluer séparément le sentiment global de l'échantillon. Les outils mentionnés incluent des combinaisons utilisant Scrapy, PostgreSQL avec PgVector, MongoDB Atlas Vector Search et, pour un démarrage rapide, Tavily et Perplexity Search API.

• Rechercher non seulement les correspondances exactes, mais le contexte sémantique autour de l'actif.
• Ne pas considérer le score maximum comme le meilleur signal ; au lieu de cela, examiner les mentions limites.
• D'abord filtrer les domaines et auteurs influents, puis affiner la requête.
• Maintenir une fenêtre de temps stricte pour que la positivité matinale ne se mélange pas avec la négativité vespérale.
• Séparer la recherche de publications de l'analyse du sentiment pour que le LLM ne substitue pas l'interprétation au fait.

Un accent particulier est mis sur le moment de la publication. L'article recommande d'exclure les matériaux sans timestamp précis ; sinon, un biais de regard anticipé entre dans la sélection et la stratégie commence à voir l'avenir rétrospectivement. Pour la recherche, il est proposé de prendre une plage de deux jours, puis de filtrer les 24 dernières heures en interne. L'auteur considère exactement 24 heures comme la fenêtre optimale : elle fournit déjà du contexte mais ne dilue pas la directionnalité du sentiment en bruit statistique.

Test sur le Marché

Pour tester l'hypothèse, l'auteur montre deux cas Bitcoin : dans l'un, la requête a donné un sentiment neutre-baissier, dans l'autre, haussier. Ces évaluations sont ensuite comparées à la réaction ultérieure du marché. Formellement, ce n'est pas une recherche académique complète, mais en tant que démonstration d'ingénierie, l'idée est claire : le contexte des nouvelles peut être utilisé non comme prédicteur absolu du prix, mais comme filtre de régime au sein duquel les décisions d'entrée sont prises.

L'approche progresse ensuite vers l'automatisation. Selon la description, un agent IA reçoit un signal de nouvelles, ouvre une position et la maintient jusqu'à l'épuisement du sentiment, utilisant un hard stop statistiquement inatteignable et un trailing take-profit pour le contrôle du risque. L'auteur nomme également directement le point faible : si vous sortez uniquement sur les changements de sentiment, vous pouvez perdre une partie de vos bénéfices en raison des retards d'analyse et de la latence de livraison des nouvelles.

Par conséquent, comme amélioration, il est proposé de sortir sur un repli de 3% par rapport au PnL maximum de la position ouverte.

Ce Que Cela Signifie

Pour le trading algorithmique sur les marchés pilotés par les nouvelles et qui changent rapidement comme la crypto, c'est un autre signal que la bataille ne porte pas seulement sur la qualité des modèles mais aussi sur la qualité des sources, le timing et le filtrage du bruit. Si l'hypothèse de l'auteur tient sur des backtests plus larges, la priorité pourrait passer de la complication des indicateurs à des systèmes qui lisent mieux le sentiment du marché en temps réel.