Dans le domaine financier, la modélisation des risques et la génération de profits reposent fortement sur la tâche complexe et sophistiquée de la prédiction des mouvements des actions. La prévision boursière est particulièrement difficile en raison de la nature stochastique et non stationnaire des marchés. Les évolutions des cours ne sont pas uniquement déterminées par les prix historiques traditionnellement étudiés, mais aussi influencées par divers facteurs tels que les réseaux sociaux et les corrélations entre les titres. Avec l’essor croissant du contenu en ligne et des connaissances numériques, il devient essentiel d’explorer des modèles capables d’intégrer ces signaux multimodaux afin d’améliorer la précision de la prévision boursière. Nous proposons une architecture qui combine de manière puissante, de manière hiérarchique dans le temps, des signaux temporels chaotiques provenant des données financières, des médias sociaux et des relations inter-actions, grâce à un réseau neuronal de graphes. À travers des expériences menées sur des données réelles de l’indice S&P 500 et des tweets en anglais, nous démontrons la pertinence pratique de notre modèle en tant qu’outil d’aide à la prise de décision d’investissement et au trading.