La croissance rapide et les fluctuations du march\u00e9 des cryptomonnaies ont suscit\u00e9 un vif int\u00e9r\u00eat pour le d\u00e9veloppement de mod\u00e8les pr\u00e9dictifs. Cependant, de nombreuses \u00e9tudes existantes s’appuient uniquement sur des donn\u00e9es de prix historiques ou utilisent des mod\u00e8les d’apprentissage profond uniques, qui peinent souvent \u00e0 saisir la nature complexe et dynamique du march\u00e9. De plus, l’utilisation limit\u00e9e des informations de sentiment issues des sources d’actualit\u00e9 a restreint la pr\u00e9cision des pr\u00e9dictions dans les travaux ant\u00e9rieurs. Pour pallier ces limitations, cet article explore une approche hybride d’apprentissage profond combinant CNN et GRU afin d’am\u00e9liorer la pr\u00e9cision et la fiabilit\u00e9 des pr\u00e9dictions de prix du Bitcoin (BTC), de l’Ethereum (ETH) et du Monero (XMR). Le mod\u00e8le propos\u00e9 int\u00e8gre \u00e0 la fois des donn\u00e9es de prix historiques et l’analyse des sentiments de Google Actualit\u00e9s, extraite \u00e0 l’aide d’outils largement utilis\u00e9s tels que Flair, Vader et TextBlob. De nombreuses exp\u00e9riences men\u00e9es sur divers ensembles de donn\u00e9es d\u00e9montrent que le mod\u00e8le surpasse les approches existantes selon plusieurs m\u00e9triques d’\u00e9valuation (MAE, MAPE, MSE, RMSE). En exploitant simultan\u00e9ment les caract\u00e9ristiques spatiales et temporelles, le cadre capture des tendances complexes et s’adapte efficacement aux fluctuations du march\u00e9. Les r\u00e9sultats confirment que l’int\u00e9gration de l’analyse des sentiments \u00e0 l’apprentissage profond offre une solution plus robuste pour la pr\u00e9diction des prix des cryptomonnaies que les \u00e9tudes pr\u00e9c\u00e9dentes.<\/p>\n\n\n\n
Les march\u00e9s financiers d\u00e9signent les syst\u00e8mes et plateformes o\u00f9 les particuliers, les entreprises et les gouvernements peuvent acheter et vendre des actifs financiers tels que des actions, des obligations, des mati\u00e8res premi\u00e8res, des devises et des produits d\u00e9riv\u00e9s (Hull, 2009). Parmi ces march\u00e9s, le march\u00e9 des cryptomonnaies est actuellement l’un des sujets les plus en vogue. Les cryptomonnaies sont des formes num\u00e9riques de monnaie stock\u00e9es et \u00e9chang\u00e9es via un r\u00e9seau informatique ind\u00e9pendant, distinct des banques, des gouvernements et de toute autorit\u00e9 centrale (Rathee et al., 2023). Ces monnaies sont organis\u00e9es par la technologie blockchain et servent de registre pour les transactions, notamment les transferts, les achats et les ventes. La nature d\u00e9centralis\u00e9e, l’immuabilit\u00e9 et la transparence de la blockchain et des cryptomonnaies ont contribu\u00e9 \u00e0 leur popularit\u00e9 croissante. La tendance haussi\u00e8re et la multiplication des plateformes d’\u00e9change font des cryptomonnaies une option d’investissement int\u00e9ressante. La cryptomonnaie la plus connue, le Bitcoin (BTC), a \u00e9t\u00e9 lanc\u00e9e en 2009 et est rest\u00e9e la seule cryptomonnaie bas\u00e9e sur la blockchain pendant plus de deux ans (Bitcoin, 2008). Aujourd’hui, on compte plus de vingt mille cryptomonnaies. Le Bitcoin a r\u00e9cemment suscit\u00e9 un vif int\u00e9r\u00eat dans les domaines de l’\u00e9conomie, de la cryptographie et de l’informatique (Hamayel & Owda, 2021). Le r\u00e9seau Bitcoin conserve un registre des transactions entre individus, chaque enregistrement \u00e9tant chiffr\u00e9 et incluant le hachage chiffr\u00e9 du bloc pr\u00e9c\u00e9dent (Jiang, 2020). Le march\u00e9 des cryptomonnaies se caract\u00e9rise par une forte volatilit\u00e9 et de fr\u00e9quentes fluctuations. Pour r\u00e9aliser des profits substantiels dans cet environnement, une surveillance continue et l’acc\u00e8s \u00e0 de vastes ensembles de donn\u00e9es sont essentiels. De plus, compte tenu de la complexit\u00e9 inh\u00e9rente au march\u00e9, le d\u00e9veloppement de mod\u00e8les pr\u00e9dictifs robustes, capables d’anticiper avec pr\u00e9cision les variations de prix, rev\u00eat une importance capitale.L’intelligence artificielle (IA) d\u00e9signe un ensemble de techniques et d’algorithmes utilis\u00e9s pour programmer les ordinateurs afin qu’ils puissent effectuer des t\u00e2ches sans intervention humaine. Son principal objectif est de cr\u00e9er et d’am\u00e9liorer les capacit\u00e9s intelligentes des machines. Parmi les concepts importants et r\u00e9pandus en IA figurent les algorithmes d’apprentissage profond (Fetzer, 1990). L’une des caract\u00e9ristiques cl\u00e9s de ces algorithmes est leur capacit\u00e9 \u00e0 reconna\u00eetre des sch\u00e9mas complexes tout en prenant simultan\u00e9ment en compte de multiples facteurs. Avant l’utilisation des algorithmes d’apprentissage profond pour pr\u00e9dire les prix des cryptomonnaies, on employait des algorithmes d’apprentissage automatique traditionnels tels que ARIMA, les algorithmes de r\u00e9gression, les arbres de d\u00e9cision, les for\u00eats al\u00e9atoires et le gradient boosting (Derbentsev et al., 2020 ; Oyedele et al., 2023 ; Pekel, 2020 ; Peng et al., 2018 ; Phaladisailoed et Numnonda, 2018). Les cryptomonnaies pr\u00e9sentent des sch\u00e9mas tr\u00e8s complexes, ce qui fait de la pr\u00e9diction de leurs prix un probl\u00e8me de s\u00e9ries temporelles particuli\u00e8rement difficile. De nombreuses \u00e9tudes ont utilis\u00e9 des algorithmes d’apprentissage profond pour cette t\u00e2che, gr\u00e2ce \u00e0 leur capacit\u00e9 accrue \u00e0 g\u00e9n\u00e9rer des pr\u00e9visions de prix plus pr\u00e9cises. Dans cet article, une combinaison d’algorithmes d’apprentissage profond est utilis\u00e9e pour pr\u00e9dire les prix du Bitcoin, de l’Ethereum (ETH) et du Monero (XMR). Il convient de noter que, d’apr\u00e8s les r\u00e9sultats d’\u00e9tudes (Mansourabady et al., 2024 ; Tabe et al., 2024), il est pr\u00e9f\u00e9rable d’utiliser une combinaison d’algorithmes d’apprentissage profond pour cette t\u00e2che, car aucun algorithme pris individuellement ne permet de d\u00e9couvrir suffisamment bien les caract\u00e9ristiques importantes et de r\u00e9soudre la complexit\u00e9 des donn\u00e9es.\u00c0 l’instar d’autres actifs tels que les actions et les m\u00e9taux, les cours des cryptomonnaies sont influenc\u00e9s par divers facteurs, notamment les fausses informations, les tentatives de manipulation de march\u00e9 et les politiques gouvernementales (Zhang et al., 2021). Investir sur des march\u00e9s financiers tr\u00e8s volatils comme celui des cryptomonnaies peut engendrer des gains comme des pertes consid\u00e9rables. Ces fluctuations peuvent \u00eatre li\u00e9es \u00e0 l’actualit\u00e9 et aux \u00e9motions, ce qui rend l’analyse des sentiments essentielle pour la pr\u00e9diction des cours des cryptomonnaies (Aslam et al., 2022). Une quantit\u00e9 consid\u00e9rable de textes disponibles dans le monde peut contribuer \u00e0 la pr\u00e9diction des monnaies num\u00e9riques. Bien que ces textes rec\u00e8lent une mine d’informations, il devient de plus en plus difficile pour l’\u00eatre humain d’y extraire les connaissances et informations n\u00e9cessaires dans des d\u00e9lais pr\u00e9cis (Chowdhary, 2020). L’objectif du traitement automatique du langage naturel est d’effectuer cette t\u00e2che de mani\u00e8re efficace et pr\u00e9cise, plus rapidement et sans intervention humaine. La croissance rapide des applications internet, telles que les r\u00e9seaux sociaux et les blogs, a entra\u00een\u00e9 une augmentation du volume d’informations et d’opinions g\u00e9n\u00e9r\u00e9es (Wankhade et al., 2022). La demande de cryptomonnaies peut \u00eatre influenc\u00e9e par l’opinion publique ou les politiques gouvernementales, entra\u00eenant des fluctuations de leur valeur (Aslam et al., 2022). \u00c0 cet \u00e9gard, le sentiment du public peut contribuer \u00e0 d\u00e9terminer la hausse ou la baisse de la valeur marchande des cryptomonnaies. L’analyse des sentiments, notamment pour les investissements en cryptomonnaies, est actuellement tr\u00e8s populaire. Des \u00e9tudes ont montr\u00e9 que les actualit\u00e9s et les tweets v\u00e9hiculant des sentiments positifs ont un impact significatif sur la demande de cryptomonnaies, et inversement.La principale contribution de cette \u00e9tude r\u00e9side dans l’int\u00e9gration de r\u00e9seaux de neurones convolutifs (CNN), d’unit\u00e9s r\u00e9currentes \u00e0 porte (GRU) et de couches denses, \u00e0 partir de donn\u00e9es historiques, ainsi que dans l’incorporation d’un module d’analyse des sentiments. Afin d’\u00e9valuer l’impact de cette analyse sur les performances du mod\u00e8le, trois outils reconnus \u2013 VADER, TextBlob et Flair \u2013 ont \u00e9t\u00e9 appliqu\u00e9s individuellement et leurs r\u00e9sultats compar\u00e9s. Les donn\u00e9es d’actualit\u00e9s utilis\u00e9es pour l’extraction des sentiments proviennent de Google Actualit\u00e9s, offrant ainsi une source d’informations diversifi\u00e9e et actualis\u00e9e sur le march\u00e9. Cette analyse comparative permet de mieux comprendre les forces et les limites de chaque outil d’analyse des sentiments et contribue \u00e0 am\u00e9liorer la pr\u00e9cision globale des pr\u00e9dictions. Les performances du mod\u00e8le ont \u00e9t\u00e9 \u00e9valu\u00e9es \u00e0 l’aide de quatre m\u00e9triques standard : l’erreur absolue moyenne (MAE), l’erreur quadratique moyenne (MSE), la racine carr\u00e9e de l’erreur quadratique moyenne (RMSE) et l’erreur absolue moyenne en pourcentage (MAPE). De plus, la comparaison avec les approches existantes dans des \u00e9tudes connexes d\u00e9montre la sup\u00e9riorit\u00e9 de la m\u00e9thode propos\u00e9e. Enfin, l’application du mod\u00e8le \u00e0 plusieurs cryptomonnaies, dont le BTC, l’ETH et le XMR, confirme la robustesse et la fiabilit\u00e9 des algorithmes propos\u00e9s. Ces r\u00e9sultats soulignent l’efficacit\u00e9 de la combinaison de l’apprentissage profond et de l’analyse des sentiments pour des pr\u00e9visions de cryptomonnaies plus fiables et fond\u00e9es sur les donn\u00e9es.La section suivante passe en revue les travaux ant\u00e9rieurs dans ce domaine. La troisi\u00e8me section d\u00e9crit les donn\u00e9es collect\u00e9es et leurs \u00e9tapes de pr\u00e9traitement. La quatri\u00e8me section pr\u00e9sente les fondements th\u00e9oriques de la compr\u00e9hension des concepts d’apprentissage profond et de la m\u00e9thode propos\u00e9e. Dans la cinqui\u00e8me section, les performances du mod\u00e8le propos\u00e9 sont analys\u00e9es et compar\u00e9es \u00e0 celles d’autres algorithmes. Enfin, la conclusion pr\u00e9sente les r\u00e9sultats obtenus et les perspectives de recherche.<\/p>\n\n\n\n
Cette section passe en revue les travaux ant\u00e9rieurs portant sur la pr\u00e9diction des cryptomonnaies. Les mod\u00e8les issus des meilleures \u00e9tudes pr\u00e9c\u00e9dentes seront pr\u00e9sent\u00e9s dans les sections suivantes et mis en \u0153uvre \u00e0 des fins de comparaison.(Lim et al., 2016) ont montr\u00e9 que la pr\u00e9diction des prix est utilis\u00e9e non seulement pour les cryptomonnaies, mais aussi pour d’autres march\u00e9s et secteurs. Cet article traite de la pr\u00e9diction des prix de l’immobilier \u00e0 Singapour. Les chercheurs ont collect\u00e9 des donn\u00e9es chronologiques sur divers facteurs influen\u00e7ant les prix de l’immobilier, tels que\u2026<\/p>\n\n\n\n
L’ensemble de donn\u00e9es utilis\u00e9 dans cette \u00e9tude comprend deux composantes : des donn\u00e9es historiques sur les prix des cryptomonnaies provenant de CoinMarketCap et des donn\u00e9es d’actualit\u00e9s relatives aux cryptomonnaies collect\u00e9es sur Google News.<\/p>\n\n\n\n
La m\u00e9thode propos\u00e9e dans cette \u00e9tude se compose de deux \u00e9l\u00e9ments principaux. Le premier vise \u00e0 pr\u00e9dire le prix des cryptomonnaies le lendemain gr\u00e2ce \u00e0 une combinaison d’architectures d’apprentissage profond, tandis que le second int\u00e8gre l’analyse des sentiments exprim\u00e9s dans l’actualit\u00e9 li\u00e9e aux cryptomonnaies \u00e0 l’aide d’outils tels que Flair, TextBlob et Vader, comme mentionn\u00e9 pr\u00e9c\u00e9demment. Ces deux \u00e9l\u00e9ments sont ensuite combin\u00e9s pour former un cadre pr\u00e9dictif unifi\u00e9 et robuste du prix des cryptomonnaies.<\/p>\n\n\n\n
Dans cette section, les crit\u00e8res d’\u00e9valuation des m\u00e9thodes mises en \u0153uvre sont pr\u00e9sent\u00e9s. Ensuite, ces m\u00e9thodes, utilis\u00e9es pour une meilleure comparaison, sont pass\u00e9es en revue. Elles comprennent plusieurs algorithmes d’apprentissage profond et des mod\u00e8les issus d’articles pr\u00e9c\u00e9dents, afin d’assurer une comparaison plus pertinente et d’\u00e9valuer en profondeur les performances du mod\u00e8le propos\u00e9. Enfin, les r\u00e9sultats obtenus pour chaque cryptomonnaie sont analys\u00e9s. Il est \u00e0 noter que le code n\u00e9cessaire \u00e0 cette \u00e9tude a \u00e9t\u00e9 \u00e9crit en Python version 3.11.<\/p>\n\n\n\n
Cette \u00e9tude pr\u00e9sente un mod\u00e8le hybride d’apprentissage profond combinant CNN et GRU avec l’analyse des sentiments pour pr\u00e9dire les cours des cryptomonnaies. Les r\u00e9sultats montrent que l’int\u00e9gration de donn\u00e9es historiques et de l’analyse des sentiments des actualit\u00e9s am\u00e9liore significativement la pr\u00e9cision des pr\u00e9dictions pour Bitcoin, Ethereum et Monero. L’utilisation d’une fen\u00eatre de sept jours pour les cours pass\u00e9s s’est av\u00e9r\u00e9e particuli\u00e8rement efficace pour identifier les tendances du march\u00e9, chaque cryptomonnaie pr\u00e9sentant un comportement unique. Bien que la m\u00e9thode propos\u00e9e surpasse les approches existantes,<\/p>\n\n\n\n
Fatemeh Tabe :<\/strong> Conceptualisation, M\u00e9thodologie, Logiciel, Analyse formelle, Validation, Ressources, Investigation, Visualisation. <\/p>\n\n\n\n Ali Mansourabady :<\/strong> Conceptualisation, M\u00e9thodologie, Logiciel, Analyse formelle, Validation, Ressources, Investigation, Visualisation. <\/p>\n\n\n\n Amir Hossein Rasekh :<\/strong> Conceptualisation, Validation, Analyse formelle, Investigation, Supervision. <\/p>\n\n\n\n Betsabeh Tanoori :<\/strong> Conceptualisation, Validation, Analyse formelle, Investigation, Supervision.<\/p>\n\n\n\n Les auteurs d\u00e9clarent n’avoir aucun conflit d’int\u00e9r\u00eats financiers ou personnels connu susceptible d’avoir influenc\u00e9 les travaux pr\u00e9sent\u00e9s dans cet article.<\/p>\n\n\n\n Abstrait La croissance rapide et les fluctuations du march\u00e9 des cryptomonnaies ont suscit\u00e9 un vif int\u00e9r\u00eat pour le d\u00e9veloppement de mod\u00e8les pr\u00e9dictifs. Cependant, de nombreuses \u00e9tudes existantes s’appuient uniquement sur des donn\u00e9es de prix historiques ou utilisent des mod\u00e8les d’apprentissage profond uniques, qui peinent souvent \u00e0 saisir la nature complexe et dynamique du march\u00e9. De […]<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":2027,"menu_order":6,"comment_status":"closed","ping_status":"closed","template":"","doc_tag":[],"class_list":["post-2037","docs","type-docs","status-publish","hentry","no-post-thumbnail"],"acf":[],"_links":{"self":[{"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/docs\/2037","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/docs"}],"about":[{"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/types\/docs"}],"author":[{"embeddable":true,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/comments?post=2037"}],"version-history":[{"count":3,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/docs\/2037\/revisions"}],"predecessor-version":[{"id":6602,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/docs\/2037\/revisions\/6602"}],"up":[{"embeddable":true,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/docs\/2027"}],"wp:attachment":[{"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/media?parent=2037"}],"wp:term":[{"taxonomy":"doc_tag","embeddable":true,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/doc_tag?post=2037"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}D\u00e9claration de conflit d’int\u00e9r\u00eats<\/h2>\n\n\n\n
R\u00e9f\u00e9rences (42)<\/h2>\n\n\n\n
\n