NLP appliqué
3 décembre 2026
8 мин
Extraction d'entités nommées dans les flux d'actualités financières : méthode, erreurs courantes et exemple pas à pas
Commencer par le mauvais outil est la norme, pas l'exception. La plupart des équipes qui découvrent la reconnaissance d'entités nommées appliquent d'abord un modèle généraliste — entraîné sur des corpus de presse générale ou de textes encyclopédiques — à des flux d'actualités financières. Le modèle identifie des noms propres, des organisations, des lieux. En apparence, cela fonctionne. En pratique, il manque l'essentiel : la distinction entre un émetteur de titre et un simple acteur mentionné, entre un événement de marché et une citation anodine, entre une relation causale documentée et une cooccurrence fortuite. La reconnaissance d'entités nommées appliquée à la finance n'est pas une variante simplifiée du NLP généraliste — c'est une tâche distincte, avec ses propres corpus, ses propres taxonomies et ses propres critères de qualité.
Pourquoi les modèles généralistes échouent sur les textes financiers
Un modèle généraliste de reconnaissance d'entités nommées a été entraîné à distinguer des personnes, des organisations et des lieux. Dans un texte financier, cette taxonomie est insuffisante. La Banque nationale suisse est une organisation, mais aussi un régulateur, un émetteur potentiel et un acteur de politique monétaire — quatre rôles distincts qui impliquent des traitements analytiques différents. Un contrat à terme sur indice n'est ni une personne ni un lieu. Un événement de crédit n'est ni une organisation ni une date. Les catégories manquent. Le modèle généraliste force donc les entités financières dans des cases inadaptées, ou les ignore. Le résultat est un corpus annoté qui semble structuré mais qui ne porte aucune information exploitable sur les relations entre émetteurs, instruments et événements. La première erreur courante est précisément celle-là : confondre la présence d'annotations avec la présence d'une analyse. Un texte balisé n'est pas un texte compris. Il faut une taxonomie conçue pour le lexofinancee — émetteurs, régulateurs, instruments, événements de marché, indicateurs macroéconomiques — et un modèle calibré sur des corpus financiers pour que l'extraction produise des données réellement exploitables.
Un modèle généraliste identifie des mots, pas des rôles financiers — la taxonomie compte autant que l'algorithme.
Mythe contre réalité : la précision de l'extraction automatique
Le mythe le plus répandu affirme que les modèles NLP modernes atteignent une précision comparable à celle d'un analyste humain sur des textes financiers. La réalité est plus nuancée. Sur des corpus financiers anglophones standards, les meilleurs modèles spécialisés atteignent des scores F1 supérieurs à 0,85 sur la reconnaissance des émetteurs et des événements de marché principaux. Sur des textes financiers en français, en particulier ceux produits dans le cadre réglementaire suisse — qui mêle terminologie du Code des obligations, de la loi sur les banques et des circulaires FINMA — les scores disponibles dans la littérature sont sensiblement inférieurs. Cela n'invalide pas la méthode. Cela signifie que les résultats doivent être présentés avec leurs intervalles de confiance, que les erreurs d'extraction doivent être documentées et non dissimulées, et qu'un système de vérification par échantillonnage humain reste nécessaire pour tout usage analytique sérieux. La transparence sur la précision réelle d'un outil n'est pas une faiblesse commerciale — c'est la condition d'une utilisation méthodologiquement défendable. Les analyses produites ne constituent pas des recommandations financières.
La précision réelle des modèles NLP financiers varie selon la langue et le corpus — documenter cette limite est non négociable.
Exemple hypothétique : extraction sur trois dépêches consécutives
Pour illustrer la méthode sans recourir à des données réelles d'émetteurs identifiés, voici un exemple hypothétique construit à partir de patterns observés dans la littérature académique. Trois dépêches d'agence fictives traitent d'une même société — appelons-la Meridian Finance SA — sur une période de cinq jours ouvrés. La première dépêche mentionne Meridian Finance SA dans le contexte d'une acquisition annoncée. La deuxième cite le directeur financier dans une déclaration sur la liquidité. La troisième signale une décision de l'autorité de surveillance compétente concernant un ratio de fonds propres. Un extracteur généraliste identifie Meridian Finance SA comme organisation dans les trois dépêches et s'arrête là. Un extracteur calibré sur des corpus financiers identifie trois rôles distincts : émetteur impliqué dans un événement de fusion-acquisition, source d'une déclaration sur un indicateur de bilan, et entité faisant l'objet d'une décision réglementaire. Ces trois rôles alimentent trois branches distinctes du graphe de relations textuelles — et produisent des signaux analytiques différents, avec des niveaux de confiance différents selon la qualité de la source et la clarté de la formulation dans chaque dépêche.
Trois mentions du même émetteur dans trois contextes distincts produisent trois signaux analytiques différents — le contexte prime sur la simple cooccurrence.
Les erreurs les plus fréquentes dans la mise en œuvre
Première erreur : ne pas distinguer la mention d'une entité de sa mise en relation causale avec un événement. Qu'une entreprise soit nommée dans un article ne signifie pas qu'elle est l'acteur principal de l'événement décrit. Deuxième erreur : ignorer la résolution des coréférences. Dans un article de cinq paragraphes, « la société », « l'émetteur », « elle » et le nom propre complet peuvent tous désigner la même entité. Un extracteur qui ne résout pas les coréférences sous-compte massivement les mentions et fausse les statistiques de fréquence. Troisième erreur : appliquer un seuil de confiance uniforme à toutes les entités extraites. Une entité extraite avec un score de 0,92 et une entité extraite avec un score de 0,61 ne méritent pas le même traitement analytique. Quatrième erreur, et peut-être la plus coûteuse : ne pas documenter le taux d'erreur observé sur un échantillon représentatif du corpus traité. Sans cette documentation, l'utilisateur final n'a aucun moyen d'évaluer la fiabilité des résultats qui lui sont présentés. La transparence sur les limites n'est pas optionnelle — elle est la condition de toute analyse rigoureuse.
Résolution des coréférences, seuils différenciés et documentation du taux d'erreur : trois conditions non négociables pour une extraction fiable.
Ce que le graphe de relations textuelles révèle — et ce qu'il ne révèle pas
Une fois les entités extraites et leurs rôles classifiés, la construction d'un graphe de relations textuelles permet d'identifier des concentrations d'attention médiatique sur un émetteur ou un secteur donné. Si un émetteur passe de deux mentions hebdomadaires à dix-sept mentions en cinq jours, avec une proportion croissante de mentions dans des contextes réglementaires plutôt que commerciaux, ce déplacement constitue un signal textuel qui mérite documentation. Ce signal ne prédit pas un événement futur. Il décrit un changement dans la structure discursive du corpus analysé. La distinction est fondamentale. Un graphe de relations textuelles est une carte du discours disponible — pas une carte du territoire réel. Les événements non couverts par les sources analysées n'y apparaissent pas. Les biais de couverture des agences d'information — surreprésentation des grandes capitalisations, sous-représentation des émetteurs de marchés émergents — se reproduisent mécaniquement dans le graphe. Ces biais doivent être explicitement documentés dans tout rapport issu de l'analyse. Les performances passées des signaux ainsi produits ne préjugent pas des résultats futurs.
Un graphe de relations textuelles cartographie le discours disponible — les biais de couverture des sources s'y reproduisent intégralement.