Vue d'ensemble
Pour 73 Strings, j'ai développé des algorithmes et modèles NLP spécialisés dans l'analyse des transcriptions de conférences financières, permettant d'extraire des insights de valeur à partir de discours d'entreprises.
Contexte
Les conférences de résultats (earnings calls) sont des sources d'information précieuses pour les investisseurs. L'extraction automatique d'informations pertinentes à partir de ces transcriptions longues représente un défi technique significatif.
Approche Multi-Modèle
Topic Modeling
Identification des thèmes principaux abordés dans chaque conférence, permettant de suivre l'évolution des priorités stratégiques d'une entreprise au fil du temps.
Analyse de Sentiment
Utilisation de modèles finBERT spécialisés dans le domaine financier pour évaluer le ton des dirigeants et détecter les signaux positifs ou négatifs.
Résumé Automatique
Comparaison de plusieurs architectures de résumé abstractif :
- T5 (Text-to-Text Transfer Transformer)
- PEGASUS (pré-entraîné sur des résumés)
- GPT-2 / GPT-3 pour la génération de texte
Classification
Systèmes de classification pour catégoriser automatiquement les extraits selon leur pertinence pour différents types d'analystes.
Technologies
Stack ML complète : PyTorch, Transformers (HuggingFace), Scikit-Learn, Pandas, avec des visualisations de données pour présenter les résultats.
