L'économie narrative considère que les marchés financiers sont largement influencés par des récits en constante évolution, ouvrant ainsi de nouvelles possibilités pour prédire les événements émergents et leur impact sur l'économie. Cependant, les méthodes actuelles basées sur les grands modèles de langue présentent encore des lacunes en termes de systématicité dans la décomposition des tâches et d'adéquation aux scénarios financiers. Cet article propose le cadre MENTOR, un système multi-agent pour la prédiction des événements et des tendances narratives, combinant un mécanisme itératif d'inférence enseignant-étudiant, et réalisant les fonctions de prédiction à travers une série de sous-tâches progressives : identification et classement des événements chauds en formation, prédiction des événements futurs à partir des récits actuels, ainsi que la prédiction des performances des indices sectoriels affectés par ces événements. Les résultats expérimentaux sur notre jeu de données chinois des leaders d'opinion clés (KOL) et le jeu de données de nouvelles financières en anglais montrent que MENTOR surpasse les modèles de référence récents dans les tâches de prédiction d'événements et de classement sectoriel, y compris le modèle amélioré de prédiction d'événements futurs (StkFEP) et le cadre « Résumer-Expliquer-Prédire » (SEP). En outre, les résultats du backtesting au niveau du portefeuille indiquent que l'amélioration des prédictions d'événements et de secteurs peut entraîner une réelle amélioration de la performance d'investissement. Les résultats suggèrent que la combinaison du raisonnement structuré et des retours multi-agents peut améliorer significativement la fiabilité de la prédiction des événements et renforcer le lien entre la dynamique des récits et les résultats des marchés financiers.

économie narrative;multi-agent;détection d'événements;prédiction d'événements