1. Système de tagging narratif : transformer le texte en « langage d’événement groupable »
La première étape de la recherche narrative consiste à associer les contenus d’actualités et de médias sociaux à un espace de tags unifié. Le système de tagging doit respecter trois critères :
- Équilibre entre exclusivité mutuelle et exhaustivité : couvrir les grands types de narratifs sans multiplier les tags inutilement ;
- Transférabilité interplateformes : le même tag s’applique aux textes de différentes sources ;
- Traçabilité : chaque tag peut être relié à une preuve d’origine et à un horodatage.
Une structure de tags à trois niveaux est généralement utilisée :
Tags de niveau 1 (niveau macro)
- Exemples : régulation, liquidité macro, risques géopolitiques, événements de sécurité systémique.
- Utilisés pour évaluer le potentiel de « spillover marché » d’un narratif.
Tags de niveau 2 (niveau secteur)
- Exemples : écosystèmes de chaînes publiques, DeFi, NFT, GameFi, paiements, infrastructure, etc.
- Utilisés pour localiser les principaux terrains d’affrontement de la rotation du capital.
Tags de niveau 3 (niveau actif)
- Exemples : projets spécifiques, tokens, mises à niveau de protocoles.
- Utilisés pour associer les narratifs à des objets négociables.
La valeur des tags narratifs réside dans leur capacité à transformer des « histoires » en « séries temporelles groupables », permettant d’analyser statistiquement la force, la durée et la corrélation des narratifs avec les actifs.
2. Scoring de sentiment : passer de « positif/négatif » à une « structure de sentiment »
L’analyse de sentiment traditionnelle fournit souvent un score unique : positif ou négatif. Sur les marchés crypto, ce score unique peut induire en erreur, car un même événement peut générer à la fois de la cupidité et de la peur (ex. : « clarté réglementaire = moins d’incertitude mais pression vendeuse accrue à court terme »).
Une approche plus robuste consiste à construire un « vecteur de structure de sentiment » comportant au moins quatre dimensions :
- Valence : biais global haussier ou baissier (−1 = très baissier, 0 = neutre, 1 = très haussier) ;
- Arousal : intensité de la discussion et acuité émotionnelle ;
- Dispersion : degré de divergence entre les groupes ;
- Confiance : le narratif est-il présenté comme un « fait établi » ou une « rumeur/spéculation » ?
La dispersion est souvent négligée mais explique généralement mieux la volatilité que la valence :
Quand une communauté passe de la divergence au consensus, les tendances de prix ont plus de chances de s’accélérer ; à l’inverse, lorsque le consensus se fragmente, les tendances risquent de s’épuiser.
3. Scoring de diffusion : mesurer si un narratif « se propage réellement » ou s’il est simplement « artificiellement amplifié »
Le battage sur les réseaux sociaux est facilement manipulable ; il est donc essentiel que le scoring de diffusion privilégie la structure plutôt que le volume total. Les indicateurs structurels courants incluent :
- Rayon de diffusion : la discussion s’étend-elle des nœuds centraux à un spectre plus large de comptes ;
- Résonance interplateformes : le même narratif s’intensifie-t-il simultanément sur plusieurs plateformes ;
- Taux d’entrée de nouveaux participants : la part de nouveaux utilisateurs dans la discussion augmente-t-elle ;
- Indice d’homogénéité : la proportion de formulations répétitives est-elle anormalement élevée (signe d’activité de bots).
La question centrale du scoring de diffusion est de déterminer si la hausse du battage reflète réellement un déplacement de l’attention.
Si seul le volume total progresse mais que le rayon de diffusion n’augmente pas, le narratif est probablement une impulsion de court terme—les hypothèses de trading sur sa persistance doivent donc être réduites.
4. Graphes d’événements : relier les « actualités isolées » en un « réseau inférable »
Le principal défi du trading narratif est la fragmentation de l’information—le même thème apparaît à plusieurs moments et sur différents canaux.
Le but d’un graphe d’événements est d’organiser les informations discrètes dans une structure en réseau :
- Nœuds : événements (news, annonces, posts sociaux clés, transferts anormaux on-chain) ;
- Arêtes : relations causales, séquence temporelle, similarité thématique, association d’entités ;
- Poids : crédibilité de la source, niveau de propagation, force de corrélation avec le capital.
Les graphes d’événements permettent :
- La fusion de narratifs : consolider les informations répétées ou variantes en une seule trame narrative pour réduire le bruit ;
- L’identification des forks narratifs : détecter les chemins d’interprétation concurrents pour un même événement ;
- La surveillance de la décadence narrative : quand le nombre de nouvelles arêtes diminue et que l’isolement des nœuds augmente, cela signale souvent la décadence du narratif.
La valeur des graphes d’événements réside dans le passage de la « recherche textuelle » à la « recherche systémique dynamique », ce qui les rend plus adaptés aux cadres de monitoring et d’alerte.
5. Couche de validation on-chain : aligner les scores narratifs avec les preuves de capital
Sans validation on-chain, les scores narratifs risquent de se réduire à une simple spéculation textuelle. L’alignement repose généralement sur un « double seuil » :
- Seuil narratif : la force du narratif et la structure de diffusion atteignent les critères minimums pour être négociables ;
- Seuil de capital : un alignement observable avec la structure on-chain ou de trading apparaît (ex. : flux nets soutenus, changements dans les schémas de comportement des adresses).
Ce n’est que si les deux couches sont réunies que l’on passe à la cartographie stratégique ; si seule la couche narrative est remplie, cela relève davantage de l’observation du risque et de la recherche d’événements.
Ce mécanisme fait passer le trading narratif de « croire aux histoires » à « vérifier si elles ont des conséquences capitalistiques ».
6. Sortie en couches des systèmes d’indicateurs : signaux de recherche vs signaux de trading
Pour éviter le surapprentissage et les usages inadaptés, les sorties doivent être clairement stratifiées :
- Indicateurs de niveau recherche : pour l’interprétation du marché, la construction d’hypothèses et la génération de rapports ;
- Indicateurs de niveau monitoring : pour l’alerte précoce, l’identification des changements narratifs et des diffusions anormales ;
- Indicateurs de niveau trading : pour déclencher les règles de positionnement et de contrôle du risque—ceux-ci doivent être plus stricts et robustes.
De nombreux échecs proviennent de l’utilisation directe d’indicateurs de recherche comme indicateurs de trading.
La sortie en couches reconnaît que l’interprétation du marché et la génération de profits réguliers sont deux objectifs distincts, nécessitant des seuils et des standards de validation différents.
7. Pièges courants : structuré ne veut pas dire « plus complexe »
Les erreurs fréquentes dans les méthodes structurées incluent :
- Tags trop granulaires : ce qui mène à des échantillons clairsemés et au surapprentissage ;
- Lexiques de sentiment statiques : incapables de s’adapter aux nouveaux memes, expressions ou modèles narratifs ;
- Ignorer l’alignement temporel : traiter des preuves on-chain différées comme des déclencheurs immédiats ;
- Prendre le battage pour de l’alpha : assimiler l’augmentation des discussions à une probabilité accrue de hausse des prix.
L’objectif de la structuration doit être la maintenabilité, non l’exhaustivité.
La viabilité à long terme d’un système d’indicateurs dépend de mécanismes clairs de mise à jour et de monitoring—et non du simple nombre de métriques.
8. Résumé de la leçon
Cette leçon marque un saut fondamental dans la méthodologie du trading narratif : du recueil d’informations à la systématisation par indicateurs.
Points clés à retenir :
- Mettre en place un système de tagging narratif à trois niveaux pour rendre l’information textuelle groupable et analysable statistiquement ;
- Étendre le scoring de sentiment en vecteurs structurels pour mieux expliquer la volatilité et les retournements de tendance ;
- Utiliser des métriques de structure de diffusion pour distinguer le battage authentique du battage manipulé ;
- Intégrer les informations fragmentées via des graphes d’événements pour la fusion, la bifurcation et la surveillance de la décadence des narratifs ;
- Aligner le scoring narratif avec des preuves de capital grâce à la validation on-chain pour réduire le risque du trading purement textuel.
La prochaine leçon portera sur l’exécution : cartographier les scores vers les trades—avec un focus sur la traduction des métriques narratives et de sentiment en règles de taille de position, de fréquence et de contrôle du risque, tout en gérant les risques d’exécution liés aux trades encombrés et aux écarts d’attente.
