Sur Habr AI, une approche propose d'utiliser le sentiment des actualités comme signal de trading pour le marché crypto

Une nouvelle analyse décrit une approche où le signal de trading pour le marché crypto ne repose pas sur les graphiques, mais sur l'évolution du sentiment des actualités. L'auteur affirme que les retournements intrajournaliers s'expliquent plus souvent par une cascade de publications et de reposts que par l'historique des prix.

Pourquoi les signaux se brisent

L'article examine un problème classique de l'analyse technique : les moyennes mobiles et autres indicateurs s'ajustent aux données passées et supposent que le régime de marché est assez stable. Or, sur le marché crypto, l'humeur peut basculer plusieurs fois par jour de haussière à baissière, et inversement. Dans ce cas, même une stratégie soigneusement calibrée se met à produire du bruit plutôt qu'une direction, car elle réagit à la structure de la veille et non au flux récent de messages, qui modifie déjà le comportement des participants.

« Le sentiment des actualités détermine le régime.

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

Selon l'auteur, le problème ne tient pas seulement aux actualités elles-mêmes, mais à la mécanique de leur diffusion. Ce qui fait bouger le prix, ce ne sont ni les documents austères des régulateurs ni la publication d'un rapport en soi, mais la chaîne de reposts, de commentaires et d'interprétations sur les domaines et blogs que suit l'investisseur particulier. Le marché réagit donc à l'environnement médiatique plus vite que les indicateurs classiques ne parviennent à se réajuster, et appliquer le même jeu de signaux à tous les régimes aboutit souvent à un résultat d'environ 50/50.

Comment repérer le sentiment

La partie pratique s'articule autour d'une recherche vectorielle dans les actualités et les posts, suivie d'une interprétation par un LLM. L'auteur recommande de ne pas mélanger ces deux tâches : les embeddings et la distance cosinus servent à récupérer un corpus d'actualités pertinent par le sens, tandis que le modèle de langage doit évaluer séparément l'humeur générale de l'échantillon. Parmi les outils cités figurent des combinaisons à base de Scrapy, de PostgreSQL avec PgVector et de MongoDB Atlas Vector Search, ainsi que Tavily et la Perplexity Search API pour démarrer vite.

• Chercher non seulement les correspondances exactes, mais le contexte sémantique autour de l'actif.
• Ne pas retenir le score maximal comme meilleur signal, mais regarder les mentions limites.
• Sélectionner d'abord les domaines et auteurs influents, puis seulement affiner la requête.
• Garder une fenêtre temporelle stricte pour que l'optimisme du matin ne se mélange pas au pessimisme du soir.
• Séparer la recherche de publications de l'analyse du sentiment, afin que le LLM ne substitue pas sa propre interprétation au fait.

L'accent est mis en particulier sur l'heure de publication. L'article conseille d'exclure les contenus sans timestamp précis, faute de quoi un biais de anticipation (look-ahead bias) s'introduit dans l'échantillon et la stratégie se met à voir le futur après coup. Pour la recherche, il suggère de prendre une plage de deux jours, puis de filtrer de son côté les dernières 24 heures. L'auteur juge qu'une journée constitue la fenêtre optimale : elle apporte déjà du contexte, mais ne dilue pas encore la direction du sentiment dans du bruit statistique.

Test sur le marché

Pour éprouver l'hypothèse, l'auteur présente deux cas sur le bitcoin : dans l'un, la requête a donné un sentiment neutre à baissier, dans l'autre, haussier. Ces évaluations sont ensuite comparées à la réaction ultérieure du marché. Formellement, cela ne ressemble pas à une étude académique complète, mais comme démonstration d'ingénierie, l'idée est claire : le contexte informationnel peut servir non de prédicteur absolu du prix, mais de filtre de régime, à l'intérieur duquel la décision d'entrer est ensuite prise.

L'approche est ensuite poussée vers l'automatisation. D'après la description, un agent d'IA reçoit le signal d'actualité, ouvre une position et la conserve jusqu'à l'épuisement du sentiment ; pour contrôler le risque, il utilise un hard stop statistiquement inatteignable et un trailing take-profit. L'auteur nomme aussi franchement le point faible : si l'on ne sort que sur un changement de sentiment, on peut perdre une partie du gain à cause des retards de parsing et de diffusion des actualités. Comme amélioration, il propose une sortie sur un repli de 3 % par rapport au PnL maximal de la position ouverte.

Ce que cela signifie

Pour le trading algorithmique sur des marchés sensibles à l'actualité et à évolution rapide comme la crypto, c'est un signe de plus que la compétition ne porte pas seulement sur la qualité des modèles, mais aussi sur celle des sources, le timing et le filtrage du bruit. Si l'hypothèse de l'auteur résiste à un backtest plus large, la priorité pourrait passer de la sophistication des indicateurs à des systèmes qui lisent mieux l'humeur du marché en temps réel.