NotBot, l’actualité financière passée au filtre de l’intelligence artificielle

SSacha

NotBot part d’une idée assez concrète : rassembler des nouvelles à propos d’une action, puis estimer si leur tonalité est plutôt positive ou plutôt négative. D’après GitHub, son créateur, âgé de 17 ans, a conçu le projet comme une expérience personnelle, née de son intérêt pour l’économie et de l’envie de transformer une idée en programme fonctionnel. Il a d’abord étudié une solution fondée sur FinBERT, un modèle utilisé pour classer le sentiment des textes. Mais il a ensuite voulu aller au-delà de la tonalité des mots et essayer de mieux évaluer ce que raconte un événement. C’est là qu’il a commencé à remplacer cette première approche par des modèles de langage, auxquels il pouvait donner des consignes d’analyse plus précises. Le résultat est un indicateur synthétique construit à partir d’articles récents.

SSacha

Alors, on peut imaginer une petite chaîne de tri. Le programme récupère des articles récents sur une entreprise, puis il les examine pour en tirer une polarité, autrement dit un score qui représente le sentiment exprimé. NotBot ne traite pas chaque élément d’un article de la même façon : le titre pèse 35 %, la description 25 % et le texte complet 40 %. Si le texte est trop court, moins de 100 caractères, le calcul change : le titre compte alors pour 60 % et la description pour 40 %. Le système ajuste aussi l’importance d’un article selon la fiabilité attribuée à sa source et selon sa fraîcheur. Les nouvelles retenues ont été publiées dans les 24 heures précédant l’analyse. Enfin, les scores des articles servent à construire une moyenne pondérée, plutôt qu’à simplement compter les textes positifs et négatifs.

SSacha

Le projet a évolué par étapes. Après FinBERT, son créateur a essayé différents modèles de langage, notamment Gemini 3.1 Flash-Lite et des modèles accessibles par Groq. Il explique avoir conservé Groq comme solution de repli si Gemini rencontrait une erreur, puis avoir fait analyser certains articles longs par les deux modèles et moyenné leurs scores de polarité. Cette combinaison ressemble un peu à demander deux lectures d’un même texte, puis à rapprocher leurs évaluations ; mais cela ne garantit pas qu’elles soient justes. Pour trouver davantage d’articles sur une entreprise, NotBot utilise aussi Finnhub, qui permet une recherche à partir du nom de l’entreprise et de son symbole boursier. Le créateur a par ailleurs ajouté le téléchargement et le traitement asynchrones : plusieurs articles peuvent être récupérés et analysés en parallèle, au lieu d’attendre la fin de chaque opération l’une après l’autre.

SSacha

NotBot calcule un indicateur à partir des articles qu’il trouve et des règles de pondération définies pour les sources, la fraîcheur et les différentes parties des textes. Les titres, les descriptions et le contenu peuvent donc contribuer au résultat avec des poids différents. Si le texte d’un article compte moins de 100 caractères, le calcul repose sur le titre et la description, selon les proportions prévues par le créateur.

SSacha

Bon, une première limite tient à la manière dont un modèle comprend le contexte. Une phrase peut sembler optimiste ou inquiétante sans que cela traduise forcément l’effet réel d’une nouvelle sur une entreprise. Le créateur explique justement avoir trouvé FinBERT trop limité pour intégrer l’impact d’un événement à partir de sources extérieures ; les modèles de langage lui permettent de préciser ses critères, mais ça ne supprime pas le risque d’erreur. Il y a aussi la sélection des articles : NotBot s’appuie sur les textes qu’il arrive à trouver et à traiter, et la pondération d’une source reste un choix du système. Les poids prévus sont de 35 % pour le titre, 25 % pour la description et 40 % pour le texte, avec une autre répartition si le contenu est trop court.

SSacha

NotBot est un projet personnel créé par un développeur de 17 ans pour analyser les actualités récentes d’une action et en tirer un indicateur de sentiment. Le projet est passé de FinBERT à des modèles de langage, notamment Gemini 3.1 Flash-Lite et des modèles accessibles via Groq. NotBot ajuste le poids des articles selon leur source et leur fraîcheur, puis prend en compte le titre, la description et le texte. Pour les articles longs, les scores de deux modèles peuvent aussi être moyennés.