Etudiant : GHAOUTI OUSSAMA

Filière : Master Big Data et Systèmes intelligents (BDSI)

Encadrant : Pr. El FAR MOHAMED

Annèe : 2026

Résumé : CryptoGen-AR est un système intelligent d'aide à la décision appliqué au marché des cryptomonnaies, dont l'objectif est de proposer des recommandations d'investissement transparentes, explicables et scientifiquement auditables. Contrairement aux approches classiques qui reposent uniquement sur un modèle de prédiction, notre architecture combine plusieurs sources d'information afin de produire une décision plus fiable. Le système intègre les données de marché, l'analyse du sentiment issue des réseaux sociaux et des actualités, ainsi que l'extraction automatique d'événements susceptibles d'influencer le marché. Les données de marché sont ensuite analysées pour identifier les différents régimes économiques, tandis que l'algorithme Apriori extrait des règles d'association représentant les comportements historiques récurrents du marché. Ces règles alimentent un agent de décision explicable capable de justifier chacune de ses recommandations. En parallèle, plusieurs modèles de Machine Learning ont été évalués à l'aide d'une validation Walk-Forward afin de respecter la chronologie des données financières. XGBoost a finalement été retenu en raison de ses meilleures performances en termes de score F1. Les décisions du modèle sont ensuite interprétées grâce à SHAP afin d'identifier les variables les plus influentes. Enfin, le projet introduit une couche de raisonnement innovante composée de plusieurs agents spécialisés représentant différentes sources d'expertise : analyse technique, sentiment, événements, règles Apriori, apprentissage automatique et gestion du risque. Ces agents confrontent leurs analyses avant qu'un mécanisme d'audit ne produise une décision finale accompagnée d'un niveau de confiance et d'explications. Les résultats montrent que, malgré la forte volatilité et la nature non stationnaire du marché des cryptomonnaies qui rendent toute prédiction parfaite impossible, l'approche hybride améliore l'interprétabilité des décisions tout en fournissant une évaluation plus rigoureuse de leur fiabilité. La principale contribution scientifique de ce travail réside ainsi dans la conception d'une architecture neuro-symbolique capable non seulement de prédire, mais également d'expliquer, de justifier et d'auditer ses propres décisions.