Cet article présente une nouvelle approche de prévision du taux de change EUR/USD intégrant l'apprentissage profond, l'analyse de texte et l'optimisation par essaim de particules (PSO). En intégrant les actualités en ligne et les textes analytiques comme données qualitatives, le modèle PSO-LSTM proposé surpasse les modèles économétriques et d'apprentissage automatique existants. Des techniques avancées d'exploration de texte sont employées, notamment l'analyse des sentiments à l'aide du modèle RoBERTa-Large et la modélisation thématique à l'aide de LDA. Les résultats empiriques soulignent les avantages significatifs de l'intégration de données textuelles, le modèle PSO-LSTM surpassant les modèles de référence tels que SVM, SVR, ARIMA et GARCH. Des expériences d'ablation démontrent la contribution de chaque catégorie de données textuelles à la performance globale de prédiction. Cette étude met en évidence le potentiel transformateur de l'intelligence artificielle en finance et ouvre la voie à de futures recherches sur la prédiction en temps réel et l'intégration de sources de données alternatives.
