IA Trading / Intelligence Artificielle / Trading Agentique : Claude, ChatGPT, Perplexity, Gemini...

[Fabien Labrousse]

[Fabien Labrousse]

[Fabien Labrousse]

[Fabien Labrousse]

Que se passerait-il si l'on laissait 17 Intelligences Artificielles (ChatGPT, Claude, Mistral, Gemini, Kimi...) trader les marchés financiers en totale autonomie 24h/24 pendant 9 mois ?

Dans cette émission, nous recevons Benjamin Sultan, cofondateur d'Obside, pour analyser les résultats de l'AI Trading Arena et comprendre la rupture majeure apportée par le Trading Agentique par rapport aux bots de trading traditionnels.

OFFRE PARTENARIAT OBSIDE X VIDEOBOURSE (-20%) :
Profitez de 20% de remise sur votre abonnement Obside avec notre lien : https://app.obside.com/register?ref=VIDEOBOURSE
Découvrir l'AI Trading Arena en direct : https://arena.obside.com

DANS CETTE VIDÉO, NOUS ABORDONS :

• La différence fondamentale entre un bot algorithmique classique et un agent IA autonome.

• Comment Mistral et Kimi parviennent à surpasser des modèles comme GPT-5 ou Claude sur les marchés.

• Pourquoi l'analyse de sentiment (News) surpasse largement l'Analyse Technique classique pour les LLM.

• Le coût en tokens et en infrastructure pour faire tourner 17 modèles 24h/24 pendant 9 mois (~2 500 $).

• Retour sur le Salon du Trading : La première confrontation historique entre IA et traders humains.

• Démonstration pratique de la plateforme Obside : création d'agents, MCP (Model Context Protocol), backtests et automatisation.

SOMMAIRE / CHAPITRES :

00:00 - Introduction : La révolution du Trading Agentique avec Benjamin Sultan (Obside)
06:31 - Bot de trading classique vs Agent IA : Quelle différence ?
09:42 - Genèse d'Obside : Du trading algorithmique aux LLM
12:01 - Présentation de l'AI Trading Arena : 17 IA autonomes sur les marchés
19:40 - Les coûts d'infrastructure et la gestion du risque 24h/24
20:57 - Analyse des performances : Mistral en tête, l'échec de certains géants américains
34:35 - Démo Obside : Comment créer et déployer son propre agent de trading
38:45 - Cas concret : L'agent ETF S&P20 et le suivi d'actualité
39:50 - Pourquoi l'analyse des News bat l'analyse technique pour les IA
44:00 - Créer un argent de money management (alerte sur portefeuille)
48:00 - Backtesting (agents IA et stratégies de trading)
49:40 - Exécution / automatisation du passage d'ordres des signaux IA
51:30 - L'utilisation personnelle d'Obside par Benjamin (Alpaca, IPO, smart chart, Bitcoin, analyse technique graphique)
58:57 - Difficultés et réalisme vis-à-vis du retail trading (trading automatique, backtesting)
01:02:12 - Obside : la startup sélectionné dans un incubateur californien (REX, pivot)
01:08:30 - AI Betting Arena (l'IA appliquée aux paris sportifs via Polymarket, Kalshi...)
01:19:48 - Création de screeners personnalisés
01:21:30 - Intégration MCP dans Claude/ChatGPT, backtesting et futur du secteur
Offre spéciale VideoBourse
01:25:45 - Le Duel du Salon du Trading : Les agents IA face aux traders humains
01:26:49 - Outro et discussion informelle (IA, trading, modèles favoris, benchmark...)


À VOTRE TOUR :

Êtes-vous surpris par la domination des modèles comme Mistral sur l'analyse de news face aux géants américains ? Pensez-vous que les agents IA supplanteront les bots de trading classiques ? On en discute en commentaires !

AVERTISSEMENT :

Le trading et l'investissement sur instruments financiers comportent des risques élevés de perte en capital. Le contenu de cette vidéo est diffusé à des fins exclusivement éducatives et informatives. Il ne constitue en aucun cas un conseil en investissement, une incitation au trading ou une recommandation financière.

[WayneApamb]

Trading agentique : ce que l'AI Trading Arena nous apprend

Deux sujets récents de ce fil se répondent assez bien, je vous propose de les mettre en perspective.

1. Bracket22 : un « fonds » où l'équipe est remplacée par des agents IA

Brian Kelly, ancien gérant d'un hedge fund crypto fermé début 2025, a reconstruit sa structure autour d'agents IA plutôt que de réembaucher une équipe. Bracket22 trade crypto, actions et matières premières, uniquement avec son propre capital.

Ce qui est intéressant, c'est l'organisation :

• Un agent par fonction : un agent pour la recherche quantitative, un pour l'analyse technique, un autre pour faire circuler l'information…
• Un agent « red team » dont le seul rôle est de chercher les failles et de démonter la thèse d'investissement avant toute décision.
• L'humain garde la décision finale.

Côté chiffres, Kelly évoque des coûts de personnel passés d'environ 5 M$ par an à quelques dizaines de milliers de dollars, et un gain de productivité d'au moins x10. Il précise toutefois que, selon lui, le vrai potentiel n'est pas de supprimer les équipes mais de démultiplier leur capacité.

2. L'AI Trading Arena : des LLM en totale autonomie

À l'inverse, l'expérience présentée avec Benjamin Sultan (Obside) laissait 17 modèles trader seuls, 24h/24, pendant 9 mois. Quelques enseignements marquants :

• Les modèles les plus « connus » ne sont pas forcément les meilleurs traders (Mistral et Kimi devant certains géants américains).
• Les LLM semblent nettement plus à l'aise sur l'analyse de news et de sentiment que sur l'analyse technique pure.
• Le coût reste raisonnable (~2 500 $ pour 17 modèles sur 9 mois), ce qui rend ce type d'expérimentation accessible.

3. Mon analyse : deux philosophies très différentes

1. L'IA comme équipe de recherche, l'humain comme décideur (Bracket22). C'est à mon sens le modèle le plus robuste aujourd'hui : l'IA fait gagner un temps énorme sur la collecte, les tests et la contradiction, mais le jugement et la gestion du risque restent humains.
2. L'IA comme trader autonome (Arena). Passionnant comme laboratoire, mais 9 mois restent un échantillon court à l'échelle des cycles de marché. Un classement sur une période donnée ne dit pas grand-chose de la robustesse dans un autre régime (krach, choc de liquidité, marché sans tendance…).

Le point commun qui me semble essentiel : la contradiction interne. L'agent « red team » de Bracket22, c'est exactement ce qui manque à beaucoup de traders particuliers : quelqu'un (ou quelque chose) dont le métier est de dire « et si tu avais tort ? ». C'est probablement l'usage le plus sous-estimé de Claude, ChatGPT & co pour un particulier : ne pas leur demander de valider une idée, mais de la démolir.

4. À vous

• Utilisez-vous déjà plusieurs IA avec des « rôles » différents (analyste, contradicteur, gestionnaire de risque) ?
• Seriez-vous prêts à laisser un agent passer des ordres seul, même avec des limites de risque codées en dur ?
• Pour ceux qui ont testé : les IA vous ont-elles été plus utiles sur les news/fondamentaux ou sur l'analyse technique ?

Vos retours d'expérience m'intéressent, qu'ils soient positifs ou non !

[WayneApamb]

Merci pour cette mise en perspective, c'est exactement le genre de synthèse qui fait vivre le fil. Je te rejoins sur l'essentiel, et je voudrais ajouter quelques nuances qui me semblent importantes pour ceux qui seraient tentés de passer à la pratique.

1. Le classement de l'Arena : attention au biais de chance

Avec 17 modèles en compétition, il est statistiquement quasi certain que certains finissent nettement devant, même si aucun n'a d'avantage réel. C'est le même phénomène que pour les classements de gérants de fonds : sur une période donnée, il y a toujours un « meilleur », mais la persistance de la performance d'une période à l'autre est beaucoup plus rare.

Pour savoir si Mistral ou Kimi ont vraiment un avantage, il faudrait regarder :

• la performance ajustée du risque (drawdown maximum, ratio de Sharpe) et pas seulement le rendement brut ;

• le nombre de trades : un classement construit sur quelques dizaines de positions ne vaut pas grand-chose ;

• la stabilité du classement dans le temps : le même modèle reste-t-il devant sur chaque trimestre, ou le podium change-t-il en permanence ?

Benjamin Sultan le reconnaît d'ailleurs lui-même dans l'émission : c'est une expérience, pas une preuve.

2. News contre analyse technique : une explication assez logique

Que les LLM soient meilleurs sur les news que sur l'analyse technique n'a rien de surprenant. Ce sont des modèles de langage : ils excellent à lire, résumer et interpréter du texte. Une série de prix, en revanche, ils ne la « voient » pas comme un graphique, ils la lisent comme une suite de nombres, ce qui n'est pas leur point fort.

Autrement dit, ce résultat ne prouve pas que l'analyse de news bat l'analyse technique en général. Il montre surtout que les LLM sont plus utiles sur le terrain où ils sont naturellement bons.

3. Le piège majeur du backtest avec des LLM

Un point rarement évoqué : backtester un agent IA sur des données passées pose un problème spécifique. Le modèle a été entraîné sur des textes qui décrivent déjà ce qui s'est passé ensuite (la chute de 2022, le rebond de 2023, etc.). Même sans le vouloir, il peut « se souvenir » de l'issue et produire des résultats trop beaux pour être vrais.

C'est pour cela que l'approche de l'Arena, en conditions réelles et en temps réel, est bien plus crédible qu'un backtest. Et c'est une vraie limite pour tous ceux qui voudraient valider une stratégie d'agent IA sur l'historique.

4. Tes questions

Plusieurs IA avec des rôles différents ? Oui, et je partage ton avis sur le rôle de contradicteur. Concrètement, la formulation compte énormément. Demander « que penses-tu de mon idée ? » donne souvent une réponse complaisante. Demander « liste les trois raisons les plus probables pour lesquelles ce trade va perdre, et le niveau de prix qui invaliderait ma thèse » donne quelque chose de réellement utile. On peut aussi soumettre la même idée à deux modèles différents : quand ils ne sont pas d'accord, c'est souvent là que se cache le vrai sujet.

Laisser un agent passer des ordres seul ? Pas en l'état pour ma part, ou alors avec un capital que l'on accepte de perdre intégralement. Et surtout, les limites de risque ne doivent jamais être confiées au LLM lui-même. Elles doivent être codées en dehors de lui :

• taille de position maximale imposée par le programme d'exécution ;

• stop loss placé côté broker, pas « géré » par l'agent ;

• perte maximale journalière qui coupe automatiquement tout (kill switch) ;

• liste fermée des instruments autorisés.

Un LLM peut halluciner, mal interpréter une news ou se tromper d'un zéro. Un garde-fou codé en dur, lui, ne se trompe pas.

News ou analyse technique ? De mon côté, l'IA m'est surtout utile sur trois choses : synthétiser rapidement l'actualité et le calendrier économique, écrire et déboguer du code (indicateurs, robots de trading, scripts d'analyse de données), et jouer l'avocat du diable sur une idée. Sur la lecture « pure » d'un graphique, je reste bien plus prudent.

En résumé

Je rejoins ta conclusion : aujourd'hui, le modèle le plus robuste pour un particulier, c'est l'IA comme équipe de recherche et de contradiction, et l'humain comme décideur et gestionnaire du risque. Le trading entièrement autonome est un laboratoire passionnant, mais il faudra des années de résultats en conditions réelles, sur plusieurs régimes de marché, avant de pouvoir en tirer des conclusions solides.

Au plaisir de lire les retours d'expérience des autres membres !

[WayneApamb]

Je reviens sur ce fil pour compléter avec des aspects qui n'ont pas encore été abordés et qui me semblent essentiels avant de se lancer : la qualité des données, la sécurité, les arnaques et la méthode pour tester sérieusement un usage de l'IA dans son trading.

1. Un LLM ne « voit » pas le marché en direct

C'est la première erreur que je constate chez beaucoup de débutants. Un assistant comme Claude, ChatGPT ou Gemini, utilisé sans outil connecté, ne dispose pas des cours en temps réel. S'il vous donne un niveau de prix, il peut s'agir d'une donnée ancienne, d'une approximation ou tout simplement d'une invention (ce qu'on appelle une hallucination).

Quelques règles simples :

• toujours fournir soi-même les données (cours, niveaux, calendrier) plutôt que de les demander à l'IA ;

• vérifier systématiquement tout chiffre cité avant de l'utiliser dans une décision ;

• privilégier les outils qui se connectent à une source de données identifiée (recherche web, API de broker, protocole MCP) et demander à l'IA de citer sa source.

C'est d'ailleurs tout l'intérêt des plateformes de trading agentique : l'agent est branché sur des flux de données et d'actualité, ce qui n'est pas le cas d'une conversation classique.

2. La sécurité : le sujet que tout le monde oublie

Dès qu'on connecte une IA à un compte de trading, on lui donne un accès à de l'argent réel. Quelques précautions indispensables :

• créer des clés API avec les droits minimum nécessaires : lecture seule tant qu'on teste, jamais de droit de retrait ;

• ne jamais coller ses identifiants, clés API ou relevés complets dans une conversation avec une IA grand public ;

• utiliser un compte dédié, séparé de son compte principal, avec un capital limité ;

• se méfier des « prompts » ou « agents prêts à l'emploi » partagés sur les réseaux : un texte peut contenir des instructions cachées qui détournent le comportement de l'agent.

3. L'IA, nouveau terrain de jeu des arnaqueurs

Le succès de l'IA a fait naître une nouvelle vague d'escroqueries : « robots de trading IA » promettant des rendements garantis, faux témoignages générés par IA, vidéos truquées de personnalités recommandant une plateforme, groupes de signaux prétendument pilotés par une intelligence artificielle… L'AMF alerte régulièrement sur ce type de pratiques.

Les signaux d'alerte n'ont pas changé :

• promesse de gains réguliers ou garantis ;

• plateforme non autorisée en France (à vérifier sur les listes noires et le registre de l'AMF) ;

• pression pour déposer rapidement ou pour « recharger » son compte ;

• impossibilité de retirer ses fonds.

Une règle simple : si une IA gagnait réellement de l'argent de façon régulière, ceux qui la possèdent n'auraient aucun intérêt à la vendre 99 € par mois.

4. Comment tester sérieusement l'IA dans son trading

Plutôt que de débattre dans le vide, je propose une méthode simple que chacun peut appliquer :

• Étape 1 : définir un usage précis (préparation de séance, filtre de news, contradiction avant chaque trade…) plutôt que « utiliser l'IA pour trader ».

• Étape 2 : tenir un journal où l'on note, pour chaque trade, ce que l'IA a dit et ce qu'on a décidé.

• Étape 3 : comparer au bout de plusieurs mois les trades où l'on a suivi l'IA, ceux où on l'a contredite, et ceux passés sans elle.

• Étape 4 : comparer le tout à une référence simple (achat-conservation d'un ETF indiciel, par exemple). Si la méthode ne fait pas mieux, ajustée du risque, elle n'apporte rien.

C'est peu spectaculaire, mais c'est la seule façon de savoir si l'IA vous aide vraiment ou si elle vous donne simplement l'impression d'être mieux informé.

5. Un risque collectif à surveiller

Dernier point, plus prospectif : si des milliers de traders posent les mêmes questions aux mêmes modèles, alimentés par les mêmes news, ils risquent de prendre les mêmes positions au même moment. Ce phénomène de comportement grégaire peut amplifier les mouvements et rendre les signaux « évidents » de moins en moins rentables. L'avantage d'un trader tient justement à ce qu'il fait différemment des autres, pas à ce qu'il fait comme tout le monde, même avec un outil très performant.

En résumé

L'IA est un formidable accélérateur pour préparer ses séances, coder, synthétiser l'information et se faire contredire. Mais elle ne remplace ni des données fiables, ni une gestion du risque rigoureuse, ni un minimum d'esprit critique. Utilisée avec méthode, elle rend meilleur. Utilisée comme une boule de cristal, elle fait perdre de l'argent plus vite.

Et vous, avez-vous déjà mesuré concrètement l'apport de l'IA dans vos résultats, ou est-ce encore une impression ?

[WayneApamb]

Merci pour ces contributions, qui posent bien le cadre. Plutôt que d'ajouter une couche théorique, je vous propose un retour d'expérience concret : cela fait maintenant plusieurs semaines que j'utilise Claude de façon quotidienne dans ma préparation de séance, avec un protocole de mesure. Quelques enseignements, dont certains nuancent ce qui a été dit plus haut.

1. Mon usage : une routine pré-open DAX et Nasdaq

Avant l'ouverture européenne et l'ouverture américaine, j'envoie à l'IA un « pack » d'informations que je fournis moi-même (cours, niveaux, calendrier, contexte de la nuit), ce qui rejoint le point sur les données temps réel : je ne lui demande jamais un prix, je le lui donne.

En retour, je lui demande deux choses distinctes :

• un sens et un contexte, qui ne sont qu'un élément parmi d'autres dans ma propre décision ;
• un trade « test » au marché, avec stop et objectif, passé uniquement sur un compte démo, sans enjeu, dans le seul but de mesurer dans le temps la qualité des signaux.

C'est exactement l'esprit du journal proposé plus haut, avec une différence : la mesure est automatique et publique, ce qui évite de se raconter des histoires.

2. Ce que l'IA fait le mieux chez moi : dire « pas aujourd'hui »

Surprise de ces dernières semaines : l'apport le plus utile n'est pas la prévision du sens, c'est le filtrage des séances dangereuses.

Le risque majeur sur un trading d'ouverture, ce n'est pas de se tromper de sens, c'est de se retrouver pris dans une séance à tendance directionnelle violente, sans retour. Avec l'aide de l'IA, j'ai construit un filtre simple à partir de mes données : l'amplitude du marché (plus haut moins plus bas) sur les 60 minutes qui précèdent l'ouverture, exprimée en pourcentage du prix, comparée à ses percentiles historiques. Au-delà d'un certain seuil, la séance est classée « alerte ».

La règle est ensuite binaire, et je l'ai fixée à froid : je ne trade jamais une séance d'alerte, ni sur le DAX, ni sur le Nasdaq.

Ce point illustre parfaitement la remarque sur les garde-fous « codés en dur » : l'IA a aidé à concevoir le filtre, mais la décision qui en découle ne dépend plus de son humeur ni de la mienne. C'est une règle, pas une opinion.

3. Une nuance importante sur le backtest

Le piège évoqué plus haut (le modèle qui « se souvient » de la suite de l'histoire) est réel, mais il ne concerne qu'un cas précis : quand c'est le LLM qui prend la décision sur des données passées.

Il faut bien distinguer deux usages :

• L'IA qui décide : backtest quasiment inexploitable pour les raisons évoquées, seul le temps réel compte (d'où l'intérêt d'une expérience comme l'Arena).
• L'IA qui code : si elle vous aide à écrire un robot déterministe (un Expert Advisor MQL5, un script Python, un indicateur ProRealTime), le robot ne « sait » rien du futur. Le backtest classique reste valable, avec ses limites habituelles (surapprentissage, coûts, slippage).

C'est d'ailleurs le deuxième grand usage chez moi : l'écriture et le débogage de robots MQL5. Le gain de temps est énorme, mais attention : le code produit par une IA compile très souvent du premier coup, ce qui donne une fausse impression de fiabilité. J'ai eu le cas de robots qui, dans certaines conditions (reconnexion, latence, double déclenchement), ouvraient des positions en double. J'ai fini par empiler une série de sécurités anti-double position. Moralité : un code écrit par une IA se teste encore plus longtemps en démo qu'un code écrit à la main, pas moins.

4. Le « red team » : utile, mais pas là où on perd le plus

Je rejoins l'idée de demander à l'IA de démolir une thèse plutôt que de la valider, avec deux réserves.

La première : un LLM à qui l'on demande de contredire… contredit. Il trouvera toujours trois raisons pour lesquelles le trade va perdre, qu'il soit bon ou mauvais. La contradiction n'a de valeur que si elle débouche sur quelque chose de vérifiable : un niveau d'invalidation fixé avant l'entrée, et noté.

La seconde, plus importante : chez la plupart des traders particuliers (moi compris, par le passé), l'essentiel des pertes ne vient pas d'une mauvaise thèse au départ, mais du comportement pendant la séance : la revanche après un stop, le renforcement d'une position perdante, l'objectif atteint qu'on ne coupe pas. Aucune IA ne vous empêchera de cliquer. D'où, chez moi, des règles fixes : un nombre maximum de trades par séance, un objectif qui, une fois atteint, coupe tout jusqu'à la séance suivante, et une séance considérée comme perdue au-delà de la limite, où l'on ne cherche plus qu'à sortir proprement.

5. Vos questions

Plusieurs IA avec des rôles différents ? Un seul modèle principal chez moi, mais avec des rôles séparés dans des demandes séparées (contexte, filtre, trade test). Mélanger « analyste » et « contradicteur » dans la même question donne en général une réponse tiède qui ménage tout le monde.

Laisser un agent passer des ordres seul ? Pour un LLM : non, pas en réel. Pour un robot déterministe dont la logique a été écrite avec l'aide d'une IA : oui, en démo d'abord, avec des limites codées dans le programme et côté broker. Aujourd'hui, j'exécute encore mes trades en manuel ; le robot sert surtout au backtest.

News ou analyse technique ? Ni l'un ni l'autre en premier chez moi : c'est la statistique de régime (volatilité, comportement typique de l'ouverture) qui m'a apporté le plus. L'IA est très bonne pour m'aider à analyser mes propres données de trades et à en tirer des règles ; beaucoup moins pour « lire » un graphique.

En résumé

Mon expérience confirme la conclusion du fil, avec un déplacement : l'IA la plus utile n'est pas celle qui dit où va le marché, mais celle qui aide à construire des règles (filtres, garde-fous, robots) et à mesurer leur efficacité. Une fois les règles écrites, c'est à elles qu'on obéit, pas à l'IA ni à son intuition du moment.

Je publierai un premier bilan chiffré des signaux testés en démo quand l'échantillon sera suffisant pour dire quelque chose (quelques semaines de trades, c'est encore trop peu, pour les mêmes raisons que celles évoquées sur l'Arena).

D'ici là, une question aux membres : qui utilise déjà l'IA pour décider de ne PAS trader ? Je suis convaincu que c'est l'usage le plus rentable, et le moins spectaculaire.

[Fabien Labrousse]

Plusieurs membres m'ont demandé comment j'utilise l'IA dans mon trading. Voici le résumé de ma démarche ces dernières semaines : d'où je suis parti, la méthode, ce qui a échoué, ce qui a fonctionné, et comment le système est organisé aujourd'hui en réel. J'ai travaillé avec Claude (l'IA d'Anthropic), qui a réalisé les backtests, codé les robots et surtout servi de contradicteur.


1. Le point de départ

Je tradais manuellement les ouvertures des indices. Ça rapportait, mais avec un risque difficilement mesurable/quantifiable. J'ai voulu passer à quelque chose de plus régulier/mesurable, de plus maîtrisé et automatisé.


2. La méthode : l'IA comme laboratoire de recherche

Je fournis à l'IA les données M1 exportées, sur plusieurs années, et je lui demande de tester des idées. Elle écrit le code, rejoue les séances une par une avec les coûts réels, puis me présente les résultats.

Ce qui fait la différence, c'est la rigueur imposée à chaque test :

• Coûts réels : spread à l'heure exacte du trade, commission, glissement.
• Niveaux adaptés au marché : stops et objectifs proportionnels au prix ou à la volatilité, jamais fixes en points sur plusieurs années.
• Test hors échantillon : les réglages sont choisis sur une période, puis vérifiés sur une autre qui n'a servi à rien. Une stratégie qui ne gagne que sur une période est rejetée.
• Peu de paramètres optimisés, et des réglages voisins qui doivent aussi fonctionner.
• Simulations de Monte Carlo pour estimer les reculs possibles, pas seulement le résultat moyen.

3. Ce qui a échoué (l'essentiel du travail)

La grande majorité des idées testées n'ont pas survécu : plusieurs stratégies d'ouverture excellentes sur une période mais sans avantage sur une autre, des marchés où l'effet recherché existait mais était entièrement effacé par les coûts, et de nombreuses idées classiques (forex, matières premières, effets calendaires) qui ne donnaient rien d'exploitable après frais.

Chaque idée rejetée en backtest, c'est de l'argent réel qui n'a pas été perdu.


4. Ce qui a fonctionné

Un point commun ressort de tous ces tests : les ouvertures des grands indices actions concentrent les ordres et produisent des journées de tendance exploitables. Les stratégies retenues exploitent ce phénomène, sur différents indices et à différents moments de la journée. Elles ont toutes résisté à plusieurs périodes de marché, y compris le marché baissier de 2022, et le testeur a confirmé les backtests de l'IA.


5. Un système, pas une stratégie : la mise en concurrence

Plutôt que de chercher LA stratégie parfaite, je construis un portefeuille de stratégies décorrélées :

• Plusieurs stratégies tournent en simultané, chacune avec un risque limité par trade. Elles gagnent et perdent à des moments différents, ce qui lisse la courbe globale.
• Elles sont mises en concurrence au fil des mois : je compare régulièrement leurs résultats réels à leurs backtests, et je remplace les moins performantes par de nouvelles stratégies plus performantes, validées selon la même méthode.
• L'objectif est de faire tourner entre 5 et 7 stratégies en simultané, pour une diversification qui donne plus de robustesse au système dans son ensemble. Aucune stratégie, prise seule, ne doit pouvoir mettre le compte en danger.
• Les nouvelles candidates passent par la démo avant d'entrer en réel, à petite taille.

Aujourd'hui, quatre stratégies tournent en réel, et d'autres candidates sont en cours de test.


6. Le passage en réel

• Des robots codés par l'IA et durcis au fil des tests : stops gérés par le robot avec stops de secours chez le broker, reprise automatique après redémarrage, gestion des jours fériés, notifications sur mobile à chaque étape.
• Un VPS près des serveurs du broker, pour que tout tourne sans mon PC.
• Une taille calculée par le risque, volontairement inférieure à l'optimum mathématique, car l'avantage réel d'une stratégie est toujours incertain.
• Aucune intervention manuelle : le téléphone sert à surveiller, jamais à trader.

Il est encore trop tôt pour tirer un bilan réel : je partagerai les résultats après quelques mois.


7. Ce que j'en retiens sur l'IA

• L'IA accélère énormément la recherche : tester une idée sur plusieurs années de données M1, coder le robot, le corriger, tout cela en quelques heures au lieu de semaines.
• Mais sa vraie valeur, c'est la contradiction : elle m'a fait abandonner des stratégies auxquelles je tenais, en me montrant qu'elles ne tenaient pas hors échantillon. Sans cette rigueur, une IA puissante ne fait que produire plus vite des stratégies qui ont l'air bonnes.
• L'expérience du trader reste indispensable : choisir les idées à tester, interpréter les résultats, comprendre les marchés et décider du niveau de risque acceptable.
• Les backtests ne garantissent rien : ils servent d'abord à éliminer les mauvaises idées. Le réel, à petite taille, reste le juge final.

N'hésitez pas à poser vos questions ici, sur la méthode ou les outils.