Salut, communauté ! 👋
Le marché des cryptomonnaies est un chaos, une volatilité et un stress 24/7. Peut-on le maîtriser grâce aux mathématiques et au code ?
Dernièrement, je travaille sur un projet personnel — un agent de trading basé sur l'Ensemble Machine Learning. Ce n'est pas juste un "bot sur le RSI", mais une architecture complexe qui combine trois réseaux neuronaux différents pour prendre des décisions.
Je veux partager des détails techniques et l'architecture. C'est un aperçu purement technique de l'expérience, et non un appel à l'action.
🧠 "Cerveau" du système : Qu'est-ce que l'apprentissage par ensemble ?
Un modèle se trompe souvent. C'est pourquoi j'ai utilisé l'approche Ensemble — c'est comme un conseil d'administration, où la décision est prise par le vote de trois experts différents.
Mon agent analyse les paires (BTC, ETH, BNB, SOL, XRP) sur différentes périodes, en utilisant trois modèles :
1. CatBoost (Analyste) :
• Algorithme de boosting par gradient.
• Que fait-il : Cherche des relations non linéaires entre 31 indicateurs (RSI, volumes, volatilité).
• Force : La plus haute précision (AUC ~0.75) sur des données tabulaires.
2. Transformateur (Stratégie) :
• La même architecture qui sous-tend ChatGPT, mais pour les chiffres.
• Que fait-il : Analyse 512 bougies historiques à travers le mécanisme de Self-Attention.
• Force : Voit des motifs globaux et des contextes à long terme.
3. TCN (Tactique) :
• Réseau de convolution temporelle.
• Que fait-il : Se concentre sur les tendances locales.
• Force : Très rapide et efficace pour les prévisions à court terme.
📊 Comment la décision est-elle prise ?
Chaque modèle "vote". L'agent prend la moyenne pondérée de leurs prévisions. Cela permet de filtrer les faux signaux : si un modèle panique, tandis que deux autres restent calmes — la transaction ne s'ouvre pas.
🛡 Gestion des risques > Profit
Le principal problème des bots — ils peuvent "vider" le dépôt en une nuit. C'est pourquoi j'ai construit un système de protection avant même de l'apprendre à trader :
• Stops dynamiques : Stop-Loss et Take-Profit ne sont pas fixes, mais s'adaptent à la volatilité du marché (via ATR). Si le marché fluctue — les stops sont plus larges, si c'est plat — plus étroits.
• Architecture à double vitesse :
• Cycle lent (5 min) : Pense, choisit les meilleures pièces pour la liste de surveillance.
• Cycle rapide (1 sec) : Exécute des transactions, surveille les spreads et la liquidité.
• Protection contre le "Tilt" : Limitation de la perte quotidienne (max 3%), limitation des positions ouvertes et périodes de cooldown entre les transactions.
📈 Résultats des tests (Chiffres honnêtes)
Sur des données historiques (Backtesting), le système montre une métrique AUC de 0.71-0.73.
Pour référence : AUC 0.5 — c'est un lancer de pièce. AUC 0.7+ — c'est déjà une capacité statistiquement significative à prédire la direction.
Cela ne signifie pas un bouton "argent", mais cela donne une attente mathématique positive en respectant la gestion des risques (ratio Risque/Récompense 1:2).
🚀 Feuille de route : Que se passe-t-il ensuite ?
Le projet est en phase de développement actif. Voici ce que je prévois d'ajouter :
1. Analyse du carnet de commandes : Apprendre au réseau neuronal à regarder non seulement le prix, mais aussi le carnet d'ordres (déséquilibre acheteurs/vendeurs).
2. Adaptation au régime : L'agent doit comprendre de lui-même ce qui se passe actuellement sur le marché : tendance ou latéral, et changer automatiquement les poids des modèles.
3. Apprentissage par renforcement (RL) : Ajouter un agent qui apprendra à gérer la taille de la position, en se "punissant" pour les pertes et en se "récompensant" pour les bonnes entrées.
💻 Stack technique : Python, Asyncio, PyTorch, CatBoost. Matériel : NVIDIA RTX 4070.
Il est intéressant d'entendre l'avis d'autres développeurs et traders : quelle est votre opinion sur l'IA dans le trading ? Croyez-vous que les algorithmes peuvent battre le marché sur la distance ?
Écrivez dans les commentaires ! 👇
