MacroLLM est un assistant d'analyse Forex basé sur l'IA qui combine un modèle DistilRoBERTa fine-tuné et une architecture RAG (Retrieval-Augmented Generation) pour interpréter les événements macroéconomiques et générer des insights de trading via Google Gemini.

• Prédire l'impact des annonces économiques sur les paires de devises.
• Fournir des analyses contextuelles basées sur l'historique du marché.
• Générer des recommandations de trading actionnables.

Le projet est structuré en plusieurs modules. Cliquez sur les liens pour accéder à la documentation détaillée de chaque partie.

• 📄 README.md (Ce fichier)
• 📄 requirements.txt : Dépendances Python
• 📂 app_interface_code/ : Code source de l'application et du pipeline
  • 📄 README.md : Documentation détaillée des scripts
  • 🐍 MacroLLM_app.py : Interface Streamlit
  • 🐍 pipeline_RAG.py : Logique RAG et intégration Gemini
  • 🐍 sentiment_analysis.py : Modèle de classification
  • 🐍 similarity_search.py : Recherche vectorielle
• 📂 Data/ : Données du projet
  • 📄 README.md : Documentation détaillée du dataset
  • 📊 Forex_data_corrected.csv : Historique des annonces économiques
• 📂 Notebooks/ : Expérimentation et Entraînement
  • 📄 README.md : Documentation détaillée du processus d'entraînement
  • 📓 Construction_modele_v2_DistilRoBERTa.ipynb : Notebook de fine-tuning DistilRoBERTa

Le système suit un pipeline en 5 étapes pour analyser une annonce économique :

1. Extraction d'Embeddings : Le texte de l'annonce est converti en vecteur par DistilRoBERTa.
2. Recherche de Similarité (RAG) : Le système recherche des événements historiques similaires dans le dataset.
3. Analyse de Sentiment : Le modèle classifie l'impact probable (Hausse/Baisse/Neutre).
4. Génération de Prompt : Les informations (Annonce + Historique + Sentiment) sont assemblées.
5. Analyse LLM : Google Gemini génère une recommandation finale en langage naturel.

1. Prérequis : Python 3.8+, Clé API Google Gemini.

2. Installation des dépendances :

   pip install -r requirements.txt

3. Lancement de l'application :

   streamlit run app_interface_code/MacroLLM_app.py