Cet article souligne l'importance cruciale de prévoir avec précision l'impact des événements macroéconomiques pour les investisseurs et les décideurs politiques, et souligne les limites des méthodes de prévision actuelles, centrées sur l'analyse de textes ou la modélisation de séries chronologiques. Ces méthodes ne parviennent pas à saisir correctement les divers modes de fonctionnement des marchés financiers et les relations causales entre les événements et les fluctuations de prix. Pour y remédier, cet article propose la prévision financière événementielle multimodale à augmentation causale (CAMEF), un cadre multimodal qui intègre des données textuelles et chronologiques à un mécanisme d'apprentissage causal et à une technique d'augmentation d'événements contrefactuels basée sur la méthode LLM. CAMEF capture la relation causale entre le texte de la politique et les données historiques sur les prix et utilise un nouvel ensemble de données financières composé de six annonces d'indicateurs macroéconomiques et de données de négociation en temps réel à haute fréquence pour cinq principaux actifs financiers américains de 2008 à avril 2024. Nous améliorons les performances de prévision grâce à une stratégie d'augmentation d'événements contrefactuels basée sur LLM, et vérifions l'efficacité des mécanismes d'apprentissage causal et des types d'événements grâce à des analyses comparatives et des études d'ablation avec des séries chronologiques basées sur des transformateurs de pointe et des modèles de base multimodaux.
