Comment Synergy AI repondère dynamiquement la structure technique et le sentiment d’actualité en direct selon les régimes de marché

1. La faille structurelle des poids statiques face à la non-stationnarité des régimes

Les architectures quantitatives de marché combinent fréquemment des indicateurs techniques de prix avec des scores macroéconomiques ou de sentiment d’actualité à l’aide de poids linéaires fixes. Que ces poids proviennent des moindres carrés ordinaires, d’une moyenne équipondérée ou d’une moyenne bayésienne de modèles statique, l’hypothèse sous-jacente demeure identique. Le modèle suppose que la covariance conditionnelle entre la géométrie graphique, les flux textuels publics et les rendements futurs reste constante au fil du temps. La microstructure des marchés à haute fréquence réfute cette hypothèse de stationnarité sur toutes les classes d’actifs liquides.

Les marchés alternent entre des mécanismes physiques de formation des prix fondamentalement distincts. Hamilton [1] a démontré que les séries temporelles macroéconomiques subissent des ruptures structurelles discrètes gouvernées par des transitions d’états latents plutôt que par des autorégressions linéaires invariantes dans le temps. En étendant ce résultat à l’allocation dynamique d’actifs, Ang et Bekaert [2] ont chiffré à plusieurs centaines de points de base la perte d’utilité annualisée lorsque des portefeuilles ignorent les bascules entre régimes diffusifs calmes et régimes de chocs à forte volatilité.

À résolution intraday, le contraste entre la fourniture calme de liquidité et la réévaluation pilotée par les nouvelles devient encore plus net. Andersen, Bollerslev, Diebold et Vega [5] ont examiné six années de rendements au comptant à cinq minutes sur le marché des changes autour des annonces macroéconomiques américaines et européennes programmées. Ils ont défini la surprise standardisée de l’annonce k à l’instant de publication t en rapportant l’écart entre le chiffre publié A_k,t et le consensus institutionnel préalable E_t-[A_k] à la dispersion historique des surprises σ_k. Les surprises imprévues provoquent des sauts instantanés de la moyenne conditionnelle en quelques minutes, tandis que la volatilité conditionnelle des rendements demeure élevée durant plusieurs heures. Evans et Lyons [6, 7] ont retracé la manière dont cet ajustement atteint son équilibre sur les tables de change institutionnelles. Environ un tiers du déplacement du taux de change survient dès le premier tick sous forme de saut immédiat lié à l’information publique, tandis que les deux tiers restants se déploient sur les intervalles suivants via le flux d’ordres institutionnel induit.

Les séances de cotation calmes se comportent exactement à l’inverse. Lorsqu’aucun catalyseur macroéconomique ou microéconomique inédit n’entre sur le marché, les commentaires financiers non structurés et les flux des réseaux sociaux présentent une précision directionnelle très faible. Tetlock [11] a prouvé que le pessimisme médiatique non étayé par de nouvelles données fondamentales de flux de trésorerie engendre une pression temporaire sur les prix qui revient rapidement vers les niveaux structurels antérieurs. Aggravant ce problème de bruit, Loughran et McDonald [12] ont analysé 50 115 rapports annuels 10-K d’entreprises et constaté que 73,8 % des mots classés comme négatifs par les dictionnaires génériques usuels (tels que passif, impôt, coût ou vice) revêtent une signification neutre ou structurelle dans les publications financières.

Cette dichotomie structurelle enferme tout modèle combinant estimateurs techniques et textuels par un poids scalaire constant dans un dilemme mathématique incontournable. Avant d’écrire la borne d’erreur formelle, observons ce qui se produit physiquement sur un graphique. Lors d’une matinée londonienne calme, les carnets d’ordres à cours limité sont profonds et le prix respecte les supports, les résistances et les bornes de canaux multi-horizons, pendant que les blogs financiers recyclent des opinions périmées. Quelques minutes après une surprise d’inflation à 2,8 sigmas, les moyennes mobiles et oscillateurs retardés continuent de moyenner quarante-neuf bougies pré-annonce avec une seule bougie post-annonce, rendant les filtres purement techniques aveugles à la nouvelle réalité macroéconomique.

Une vérification numérique révèle l’ampleur de cette pénalité d’erreur. Lors d’une séance calme sur EURUSD avec erreurs orthogonales sans biais, supposons que l’estimateur technique 1h affiche une erreur type σ_F = 8 pips (σ_F² = 64) tandis que le sentiment médiatique présente σ_S = 26 pips (σ_S² = 676). L’équation (1) fixe le poids optimal de marché calme à w^*_diff = 64 / (64 + 676) = 0.086, atteignant une erreur quadratique moyenne minimale de 58.5 pips2 (erreur quadratique racine de 7.65 pips). Un mélange statique à 50/50 (w₀ = 0.50) produit 185.0 pips2 (erreur racine de 13.60 pips), gonflant la variance d’erreur de 216% pendant les heures calmes.

Examinons à présent la même paire trois minutes après un choc d’inflation CPI américain à 2,85 sigmas qui déplace la valeur d’équilibre de 60 pips. Une moyenne mobile sur 50 bougies conserve 96% de prix pré-saut, engendrant un biais de retard B_F,jump = 57.6 pips avec σ_F = 12 pips (B_F² + σ_F² = 3,461.8 pips²). L’analyse contextuelle de la surprise suit le régime post-saut avec B_S,jump = 4 pips et σ_S = 14 pips (212.0 pips²). Le poids optimal de choc bondit à w^*_jump = 0.942, ramenant l’erreur quadratique moyenne à 199.8 pips2, alors que le maintien de w₀ = 0.086 fait exploser l’erreur à 2,890.5 pips2.

Les règles calendaires binaires rigides (« désactiver l’analyse technique pendant 30 minutes après le CPI ») échouent tout aussi lourdement. Les déclarations imprévues de banquiers centraux, les dépêches souveraines et les liquidations crypto du week-end ne figurent jamais sur un calendrier économique. Pire encore, les minuteurs en fonction échelon provoquent des sauts brusques dans les niveaux graphiques à la seconde exacte où le délai fixe expire.

2. Semimartingale à sauts et diffusion et séparation non paramétrique des régimes

Pour transférer progressivement l’autorité entre structure technique et sentiment d’actualité en direct sans minuteurs calendaires arbitraires, le moteur doit mesurer en temps réel quel type de processus physique gouverne les prix. Les cours des actifs financiers ne suivent pas un pur mouvement brownien géométrique. Liquidité continue du carnet et chocs informationnels soudains coexistent sur le même flux de cotation.

Nous formalisons le log-prix X_t = ln P_t sur un espace probabilisé filtré (Ω, ℱ, (ℱ_t)_t≥0, ℙ) à l’aide d’une semimartingale à sauts et diffusion dépendante du régime (prolongeant Merton [9] et Kou [9]) :

Chaque terme de l’équation (2) gouverne une couche distincte du comportement de marché. La fonction de dérive μ(·) dt représente la pression directionnelle instantanée conditionnée par la trajectoire récente des prix X_t-Δ:t, le régime latent R_t et l’état informationnel actif ℐ^news_t. Le terme diffusif σ(R_t) dW_t pondère un mouvement brownien standard W_t par la volatilité de régime σ(R_t), capturant l’appariement continu normal du carnet d’ordres. Enfin, J_t dN_t représente les sauts de prix discontinus d’amplitude aléatoire signée J_t arrivant selon le processus ponctuel N_t.

Sur les marchés réels, les chocs d’actualité surviennent rarement comme des événements de Poisson isolés et sans mémoire. Une déclaration surprise de la Réserve fédérale déclenche des dépêches immédiates sur les fils institutionnels, des réajustements de couverture des tables de change, des tensions sur les rendements obligataires et des appels de marge inter-actifs, qui génèrent à leur tour des titres secondaires durant l’heure suivante. Hawkes [10] ainsi que Bacry, Mastromatteo et Muzy [10] ont montré que ce phénomène d’agrégation en grappes est fidèlement modélisé par un processus ponctuel auto-excitant dont l’intensité conditionnelle d’arrivée λ_t dépend de l’instant et de l’ampleur des événements antérieurs :

Dans l’équation (3), λ₀ > 0 représente la cadence calme de fond des dépêches courantes. Chaque horodatage passé t_i porte une surprise standardisée |z_e,i|. Le paramètre α_H ≥ 0 fixe l’auto-excitation de base, γ_H ≥ 0 amplifie la réponse lors des surprises majeures, et β_H > 0 règle la décroissance exponentielle de demi-vie τ_1/2 = (ln 2) / β_H.

Suivons numériquement l’équation (3) sur EURUSD. Fixons la cadence de fond à λ₀ = 0.40 événement par minute, α_H = 0.85, γ_H = 0.90 et β_H = 0.035 min^-1, soit une demi-vie τ_1/2 = 19,8 minutes. Une surprise sur le Core CPI de |z_e,1| = 2.85 à t₁ = 0 fait passer λ_t de 0.40 à 0.40 + 0.85(1 + 0.90 × 2.85) = 3.43 événements par minute (un bond d’un facteur 8.58x). Huit dépêches secondaires en dix minutes portent λ₁₀ près de 8.10 avant qu’une décroissance régulière ne la ramène à 2.32 à t = 45 min puis à 0.57 à t = 120 min.

La vélocité des dépêches ne suffit toutefois pas à elle seule, car des rumeurs peuvent inonder les réseaux sociaux sans déplacer le moindre capital institutionnel. Nous testons également si la bande des prix elle-même présente des sauts discontinus. Barndorff-Nielsen et Shephard [8] ont séparé variation continue et variation de saut sur M_Δ rendements logarithmiques intraday r_t,j grâce à la Variance Réalisée (RV_t) et à la Variation Bipuissance Réalisée (BV_t) :

Dans l’équation (4), RV_t additionne les rendements au carré et converge en probabilité vers la variation quadratique totale, c’est-à-dire la variance diffusive continue ∫ σ_u² du augmentée des sauts au carré ∑ J_u². À l’inverse, BV_t multiplie les valeurs absolues de rendements adjacents |r_t,j| |r_t,j-1| pondérées par π / 2 ≈ 1.5708, ce qui converge uniquement vers la composante diffusive continue. Leur différence normalisée (avec la constante de stabilisation numérique ε = 10^-10) livre le ratio sans dimension de part de saut 𝒥_t ∈ [0, 1).

La vérification chiffrée sur douze bougies de cinq minutes d’EURUSD (M_Δ = 12, soit une heure de cotation) rend ce mécanisme immédiat. Si onze bougies varient de ±3 pips et une bougie calme de 4 pips, alors RV_t = 11(9) + 16 = 115 pips² et BV_t ≈ 1.5708 × [9(9) + 2(12)] / (11/12) ≈ 114 pips² (corrigé pour échantillon fini), donnant 𝒥_t ≈ 0.01 (diffusion pure). Si en revanche la bougie 7 imprime un saut CPI de 45 pips pendant que les onze autres bougies varient de ±3 pips, alors RV_t = 11(9) + 2,025 = 2,124 pips², tandis que BV_t = 1.5708 × [9(9) + 2(45 × 3)] = 551.4 pips². Aussitôt, 𝒥_t = (2124 - 551.4) / 2124 = 0.740, confirmant que 74 % de la variation quadratique horaire provient d’un choc discontinu.

3. Filtrage continu des régimes par Softmax au sein de Synergy AI

Au sein de l’architecture Quad-AI de 4CastMachine AI, la structure des prix et le sentiment d’actualité en direct ne sont pas écrasés dans un unique réseau neuronal boîte noire monolithique. Quatre moteurs dédiés séparent l’extraction des caractéristiques, l’arbitrage entre modalités et la projection prescriptive des niveaux en étapes auditables.

En premier lieu, Forecast AI calcule le vecteur d’état technique s_t^(F)(τ) sur les neuf unités de temps (1m, 5m, 15m, 30m, 1h, 4h, D, W et M). Ses entrées réunissent les probabilités de chandeliers Daily Trading Opportunity (DTO), les agrégats multi-pivots de support et de résistance, les canaux de tendance, les ratios harmoniques et les divergences d’oscillateurs. En second lieu, Sentiment AI calcule l’état macroéconomique et informationnel en direct s_t^(S)(τ) en ingérant les fils d’agences institutionnels, les surprises du calendrier économique z_e, les transcriptions de banques centrales et les flux croisés taux/devises au moyen de modèles de langage financier adaptés au domaine (résolvant les inversions contextuelles de polarité documentées par Araci [13] et Wang et al. [15]).

Synergy AI agit comme la couche d’arbitrage continu entre ces deux flux d’experts avant de transmettre les paramètres unifiés à Navigator AI. La Figure 1 oppose le réseau de filtrage Softmax continu conditionné par l’état de Synergy AI aux règles fragiles à seuil binaire.

Pour formaliser le calcul des poids continus de régime à travers les horizons au sein de Synergy AI, nous combinons le Dynamic Model Averaging avec facteurs d’oubli en espace d’états (Raftery, Kárný et Ettler [3] ; Koop et Korobilis [4]) et un réseau de mélange d’experts filtré par Softmax conditionné aux entrées (Jacobs et al. [14] ; Shazeer et al. [14] ; Koval, Andrews et Yan [15]). Soit z_t = [𝒥_t, |z_e,t|, λ_t / λ₀, Δρ_cross,t, ψ_pre,t]^⊤ le vecteur standardisé de conditionnement de régime à l’instant t. Pour chaque horizon τ ∈ {1m, ..., M}, Synergy AI évalue :

Chaque symbole de l’équation (5) remplit un rôle architectural transparent. Le poids w_t^(S)(τ) ∈ (0, 1) attribue l’autorité épistémique à Sentiment AI sur l’unité de temps τ, tandis que w_t^(F)(τ) = 1 - w_t^(S)(τ) confère l’autorité complémentaire à Forecast AI. Le terme ℓ^DMA_m,t|t-1(τ) désigne le score cumulé de log-vraisemblance prévisionnelle hors échantillon de l’expert m sur les bougies récentes, pondéré exponentiellement par un facteur d’oubli propre à l’horizon α_τ ∈ [0.94, 0.995]. Le produit scalaire θ_m,τ^⊤ z_t projette en direct le vecteur de sauts et d’actualité z_t sur l’expert m, et T_τ > 0 est le paramètre de température d’horizon contrôlant la fluidité de la transition.

Bien que les matrices exactes de paramètres en production demeurent la propriété de 4CastMachine AI, l’équation (5) garantit deux propriétés mathématiques rigoureuses sur les graphiques en direct :

• Régularité lipschitzienne sans scintillement : En définissant le différentiel de log-cotes Δu_τ(z_t) = [(ℓ_S - ℓ_F) + (θ_S,τ - θ_F,τ)^⊤ z_t] / T_τ, l’équation (5) se ramène à w_t^(S)(τ) = (1 + exp(-Δu_τ))^-1, dont la dérivée par rapport à Δu_τ est strictement majorée par 1/4. De légères fluctuations tick par tick de la variance réalisée ne provoquent jamais de basculement erratique des zones projetées d’un état à l’autre.
• Séparation spectrale des horizons : Les normes des vecteurs de sensibilité décroissent avec la durée des bougies : ‖θ_S,5m - θ_F,5m‖ > ‖θ_S,15m - θ_F,15m‖ > ‖θ_S,1h - θ_F,1h‖ > ‖θ_S,4h - θ_F,4h‖ > ‖θ_S,D - θ_F,D‖ > ‖θ_S,W - θ_F,W‖. Une publication mensuelle unique du CPI réajuste nettement les feuilles de route intraday 5m, 15m et 1h sans renverser la structure de tendance macroéconomique W ou M, sauf si l’accumulation des données modifie le cycle pluritrimestriel des taux d’intérêt.

Une application numérique illustre simultanément ces deux propriétés. Supposons que lors d’une matinée calme avec T_1h = 1.0 et T_W = 1.25, les log-cotes DMA de base favorisent la structure technique à hauteur de ℓ_S - ℓ_F = -1.65 en 1h et -2.20 en W, tandis que la microstructure calme ajoute +0.13 en 1h et +0.05 en W. L’évaluation de l’équation (5) donne w_t^(S)(1h) = (1 + exp(1.52))^-1 = 0.179 (82,1 % Forecast AI) et w_t^(S)(W) = (1 + exp(2.15 / 1.25))^-1 = 0.152 (84,8 % Forecast AI). À l’instant t₀ d’une surprise CPI à 2,85 sigmas (𝒥_t = 0.78, λ_t / λ₀ = 8.6), la projection 1h bondit de +2.98 (portant le logit net à +1.33), élevant en douceur w_{t_0}^(S)(1h) = (1 + exp(-1.33))^-1 = 0.791. Dans le même temps, la projection hebdomadaire W n’ajoute que +0.76, déplaçant modérément w_{t_0}^(S)(W) à 0.240 afin que la géométrie structurelle de long terme demeure ancrée.

La Figure 2 trace cette trajectoire complète de réponse impulsionnelle sur 240 minutes ainsi que le gain cumulé de score logarithmique conditionnel hors échantillon qui en résulte.

Synergy AI traite également un risque critique de microstructure avant les publications économiques programmées de premier rang. Quelques secondes avant une annonce majeure telle que le CPI américain, le FOMC ou les Non-Farm Payrolls à l’horodatage programmé T_k, les teneurs de marché électroniques retirent leurs ordres limites au repos près du prix au comptant. Ce vide de liquidité provoque fréquemment un balayage initial violent dans les deux sens (souvent deux à trois fois l’amplitude d’une séance calme) avant que le flux directionnel institutionnel ne s’établisse. Laisser inchangées des zones de support ou de résistance de séance calme juste à côté du cours au comptant expose les configurations intraday à des invalidations mécaniques par balayage.

Pour prévenir ces balayages prématurés, Sentiment AI et Synergy AI maintiennent la distribution empirique ℰ^(k)(ℳ) des excursions initiales d’annonce observées historiquement pour la catégorie d’événement k sur l’instrument ℳ. Dans la fenêtre pré-annonce t ∈ [T_k - Δ_pre, T_k], Navigator AI éloigne et élargit ses marges prévisionnelles de Buy Zone et de Sell Zone vers l’extérieur selon :

Dans l’équation (6), d_tech,t(τ) désigne la distance diffusive normale entre le prix au comptant et la borne de la zone technique sur l’unité de temps τ, et Q_α(ℰ^(k)(ℳ)) est l’excursion historique au quantile α (par exemple le 85e centile du balayage initial de publication) enregistrée pour ce rapport macroéconomique précis sur l’instrument ℳ. La rampe lisse ψ_pre(u) ∈ [0, 1] monte vers 1.0 lorsque t → T_k, et κ_τ adapte la sensibilité selon l’unité de temps.

Numériquement, supposons que l’Or au comptant (XAUUSD) cote 2642.00 vingt minutes avant une décision de taux du FOMC (ψ_pre = 1.0, κ_1h = 1.0), avec une distance de zone technique calme d_tech,t(1h) = $14.00 (2628.00) et un balayage initial historique du FOMC au 85e centile Q_0.85 = $29.50. L’équation (6) étend l’éloignement de la zone à d_zone,t(1h) = 14.00 + 1.0 × max(0, 29.50 - 14.00) = $29.50, abaissant la borne externe à 2612.50 avant la publication de 18h00 UTC.

4. Indicateurs techniques statiques vs sentiment NLP isolé vs Synergy AI

Comparer côte à côte les systèmes techniques unimodaux, les flux isolés de sentiment NLP et Synergy AI éclaire les raisons pour lesquelles ni la géométrie graphique ni le sentiment textuel ne peuvent suffire isolément tout au long d’une semaine de marché. Chaque ligne de la matrice ci-dessous isole un régime de marché distinct et retrace sa conséquence opérationnelle sur les niveaux de prix en direct.

5. Preuves multi-horizons en direct et analyses multi-actifs

Pour observer la séparation spectrale des horizons sur un espace de travail réel en production, la Figure 3 capture l’Or au comptant (XAUUSD) sur 4CM-AI Charts aux côtés du panneau multi-horizons en direct de 4CastMachine AI couvrant les unités 15m à M.

Suivons la hiérarchie numérique visible sur la Figure 3. L’Or s’est replié depuis son sommet de septembre à l’intérieur d’un canal rouge descendant en direction d’un support bleu ascendant plurimensuel. Sur les horizons intermédiaires (repère 1), le flux d’ordres correctif maintient 30m (Bearish below 3894.06), 1h (Bearish below 3956.97) et 4h (Bearish below 4027.07) orientés à la baisse tant que le prix ne reconquiert pas ces pivots. Pourtant, exactement au contact de la Buy zone journalière proche de 3869.66, l’horizon 15m a déjà basculé sur Bullish above 3870.93 à mesure que les acheteurs absorbaient l’offre.

Examinons maintenant les lignes macroéconomiques (repère 2) et le canevas journalier (repères 3 et 4). Parce que Synergy AI impose une décroissance monotone de la sensibilité selon l’horizon (‖Θ_1h‖ > ‖Θ_4h‖ > ‖Θ_D‖ > ‖Θ_W‖), la dérive intraday sur 1h et 4h n’écrase jamais la structure journalière ou hebdomadaire. L’horizon journalier D indique Current: Range Bound entre 3852.29 ~ 4549.83 avec Forecast: Resumption of Up Trend au-dessus de Bullish Above 3869.66, tandis que l’hebdomadaire W conserve Bullish above 3942.40 sous le plafond macroéconomique M Bearish below 5597.99. Le graphique affiche l’instruction Watch for Price Rejection to BUY sur la Buy zone. Un rejet confirmé projette l’échelle graduée de Profit zone à travers TP1 3975.39, TP2 4110.00, TP3 4247.36, TP4 4391.05 et le nœud décisionnel de borne haute du biseau TP5 4549.83, jusqu’à TP11 5600.00. Inversement, une clôture journalière franche sous ce plancher expose les supports structurels inférieurs à 3715.57 et 3437.64.

Deux scénarios complémentaires sur le marché des changes au comptant et sur les marchés crypto cotés 24h/24 et 7j/7 illustrent ces mêmes équations de filtrage continu.

Les praticiens peuvent inspecter en direct les feuilles de route multi-horizons sur plus de 200 instruments dans 4CM-AI Charts, parcourir les leçons visuelles pas à pas dédiées à l’architecture multi-moteurs au sein de la ForecastCity Academy, et consulter la bibliographie empirique complète sur la page Sources et références de l’Académie.

Questions fréquentes

Références académiques et sectorielles

1. [1]Hamilton, J. D. (1989). A New Approach to the Economic Analysis of Nonstationary Time Series and the Business Cycle. Econometrica, 57(2), 357-384. https://doi.org/10.2307/1912559
2. [2]Ang, A., & Bekaert, G. (2002). International Asset Allocation With Regime Shifts. The Review of Financial Studies, 15(4), 1137-1187. https://doi.org/10.1093/rfs/15.4.1137
3. [3]Raftery, A. E., Kárný, M., & Ettler, P. (2010). Online Prediction Under Model Uncertainty via Dynamic Model Averaging: Application to a Cold Rolling Mill. Technometrics, 52(1), 52-66. https://doi.org/10.1198/TECH.2009.08104
4. [4]Koop, G., & Korobilis, D. (2012). Forecasting Inflation Using Dynamic Model Averaging. International Economic Review, 53(3), 867-886. https://doi.org/10.1111/j.1468-2354.2012.00704.x
5. [5]Andersen, T. G., Bollerslev, T., Diebold, F. X., & Vega, C. (2003). Micro Effects of Macro Announcements: Real-Time Price Discovery in Foreign Exchange. American Economic Review, 93(1), 38-62. https://doi.org/10.1257/000282803321455151
6. [6]Evans, M. D. D., & Lyons, R. K. (2002). Order Flow and Exchange Rate Dynamics. Journal of Political Economy, 110(1), 170-180. https://doi.org/10.1086/324391
7. [7]Evans, M. D. D., & Lyons, R. K. (2008). How Is Macro News Transmitted to Exchange Rates? Journal of Financial Economics, 88(1), 26-50. https://doi.org/10.1016/j.jfineco.2007.06.001
8. [8]Barndorff-Nielsen, O. E., & Shephard, N. (2004). Power and Bipower Variation with Stochastic Volatility and Jumps. Journal of Financial Econometrics, 2(1), 1-37. https://doi.org/10.1093/jjfinec/nbh001
9. [9]Merton, R. C. (1976). Option Pricing When Underlying Stock Returns Are Discontinuous. Journal of Financial Economics, 3(1-2), 125-144 (DOI); & Kou, S. G. (2002). A Jump-Diffusion Model for Option Pricing. Management Science, 48(8), 1086-1101 (DOI).
10. [10]Hawkes, A. G. (1971). Spectra of Some Self-Exciting and Mutually Exciting Point Processes. Biometrika, 58(1), 83-90 (DOI); & Bacry, E., Mastromatteo, I., & Muzy, J.-F. (2015). Hawkes Processes in Finance. Market Microstructure and Liquidity, 1(1), 1550005 (DOI).
11. [11]Tetlock, P. C. (2007). Giving Content to Investor Sentiment: The Role of Media in the Stock Market. The Journal of Finance, 62(3), 1139-1168. https://doi.org/10.1111/j.1540-6261.2007.01232.x
12. [12]Loughran, T., & McDonald, B. (2011). When Is a Liability Not a Liability? Textual Analysis, Dictionaries, and 10-Ks. The Journal of Finance, 66(1), 35-65. https://doi.org/10.1111/j.1540-6261.2010.01625.x
13. [13]Araci, D. (2019). FinBERT: Financial Sentiment Analysis with Pre-trained Language Models. arXiv preprint arXiv:1908.10063. https://doi.org/10.48550/arXiv.1908.10063
14. [14]Jacobs, R. A., Jordan, M. I., Nowlan, S. J., & Hinton, G. E. (1991). Adaptive Mixtures of Local Experts. Neural Computation, 3(1), 79-87 (DOI); & Shazeer, N., et al. (2017). Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer. ICLR 2017, arXiv:1701.06538.
15. [15]Wang, X.-L., et al. (2024). From News to Forecast: Integrating Event Analysis in LLM-Based Time Series Forecasting with Reflection. NeurIPS 2024 (arXiv:2409.17515); & Koval, R., Andrews, N., & Yan, X. (2025). Multimodal Language Models with Modality-Specific Experts for Financial Forecasting. arXiv:2509.19628.