Sudip Gupta et Hanboya Yan ont mis au point une approche innovante qui fusionne le traitement du langage naturel avec l’apprentissage profond pour améliorer les prévisions de volatilité spécifique aux entreprises. Les modèles traditionnels de risque financier peinent souvent à saisir les risques émergents tels que les préoccupations ESG, les tensions géopolitiques et les perturbations des chaînes d’approvisionnement. Le travail de Gupta et Yan comble cette lacune en utilisant de grands modèles de langage pour convertir les récits de risques qualitatifs issus des divulgations d’entreprises en scores de risque quantifiables. Lorsqu’ils sont intégrés dans un réseau de neurones à mémoire à long court terme, ces scores améliorent considérablement la précision des prévisions par rapport aux modèles conventionnels. Leur étude, qui a analysé plus de 18 000 dépôts réglementaires de 2015 à 2024, révèle que ces facteurs de risque non traditionnels sont cruciaux pour expliquer la volatilité au niveau des entreprises. Cela suggère que les risques qualitatifs, souvent négligés, possèdent un pouvoir prédictif substantiel et devraient être pris en compte par les investisseurs et les gestionnaires de risques. La recherche met en lumière la tendance croissante à combiner des données non structurées avec l’apprentissage machine en finance, offrant des perspectives plus approfondies que les métriques traditionnelles seules. Malgré des défis tels que les limites de tokens et la granularité des données, cette approche marque une avancée significative dans la modélisation des risques financiers, fournissant des outils précieux pour la gestion des risques et l’ajustement stratégique dans une économie mondiale dynamique.
Les modèles LLM et LSTM peuvent-ils révolutionner l’estimation du risque financier ?
