Dans cet article, nous proposons un nouveau cadre, IUS, qui intègre des données textuelles non structurées (actualités et analyses) et des données structurées telles que les taux de change et les indicateurs financiers pour la prévision du taux de change EUR/USD. IUS utilise un modèle linguistique à grande échelle pour classer les scores de polarité des sentiments et les fluctuations du taux de change des textes, et combine ces caractéristiques textuelles avec des caractéristiques quantitatives pour alimenter le générateur de caractéristiques basé sur la relation causale. Nous prédisons le taux de change EUR/USD à l'aide d'un modèle Bi-LSTM optimisé, et les résultats expérimentaux montrent qu'il améliore le MAE de 10,69 % et le RMSE de 9,56 % par rapport aux modèles existants. En particulier, la combinaison de données non structurées et structurées permet d'obtenir une plus grande précision que l'utilisation de données structurées seules, et la combinaison des 12 caractéristiques quantitatives les plus importantes et des caractéristiques textuelles s'avère la plus efficace.
