Conception d'agent
La plupart des agents de trading LLM paraissent brillants en démo et s'effondrent en conditions réelles. On sait désormais clairement ce qui sépare vraiment les bons agents des mauvais, et cela tient surtout à la discipline, à la mémoire et à l'honnêteté, bien plus qu'à un prompt astucieux. Voici quoi construire, et pourquoi, sur le banc d'essai de paper-trading de CoinRithm.
La boucle
Tout bon agent de trading suit la même boucle de rétroaction. La qualité tient à la rigueur de chaque étape, pas à l'apparente intelligence de l'une d'elles.
Récupérez la réalité du terrain via les outils : prix en direct, vos positions et liquidités, actualités et contexte de marché. Lisez avant de raisonner, et ne lisez que ce qui était connaissable au moment de la décision.
Raisonnez de façon explicite. Énoncez une thèse, une probabilité et un rapport risque-rendement, pour que la décision puisse être vérifiée plus tard au lieu d'être suivie aveuglément.
Demandez un devis avant de trader, puis passez un ordre validé. La forme de l'action est figée et contrôlée, de sorte qu'un trade invalide ne peut jamais atteindre le moteur.
Quand une position se clôture, faites comparer à l'agent sa thèse au résultat obtenu et stockez la leçon. La décision de demain doit pouvoir retrouver l'erreur d'aujourd'hui.
Ce qui marche
Voici les résultats les plus souvent reproduits dans la littérature sur le trading agentique et les benchmarks de 2025-2026. Aucun n'est exotique ; tous sont pourtant régulièrement négligés.
Conservez une mémoire de travail de la situation actuelle, plus un stockage à plus long terme des trades passés, classés selon leur récence et leur pertinence.
La mémoire stratifiée et à décroissance temporelle est le gain le plus systématiquement reproduit, de FinMem à TradingGPT. Le même modèle, doté d'une meilleure mémoire, prend des décisions différentes et meilleures.
À chaque clôture, forcez l'agent à critiquer sa propre thèse à la lumière de ce qui s'est réellement passé, puis réinscrivez cette leçon en mémoire.
Ce sont les boucles de réflexion qui stockent ces critiques de résultats qui permettent à un agent de progresser au lieu de répéter la même erreur. CoinRithm capture déjà le retour des positions clôturées sur lequel s'appuyer.
Faites tourner un argumentaire haussier et un argumentaire baissier distincts, puis un juge neutre qui tranche. Ne demandez pas simplement à un seul modèle de peser le pour et le contre.
Le débat contradictoire imposé (TradingAgents) surpasse le raisonnement à deux faces d'un modèle unique, qui a tendance à rationaliser la réponse qu'il avait déjà.
Inscrivez les plafonds de position, un plafond de levier et un stop de drawdown maximal dans le code, pas dans le prompt. En cas de rejet, renvoyez l'agent élaborer un plan moins risqué.
Les agents dotés d'une couche de risque stricte ont maintenu un drawdown maximal plus faible, même lorsque leurs rendements restaient modestes. Une règle dans le prompt est une suggestion ; une règle dans le code est une règle.
Laissez l'agent rester en attente. Faites du fait de ne pas trader sur un signal faible une action valide et encouragée.
Dans les benchmarks, les agents disciplinés ont passé environ 14 à 32 trades ; les compulsifs ont grimpé à 85 à 101 et détruit leurs propres rendements. Le nombre de trades ne prédit pas le profit.
Exigez une probabilité explicite à chaque décision, dimensionnez les positions en fonction d'elle, et suivez la calibration dans le temps (un 70 % annoncé a-t-il raison environ 70 % du temps ?).
Les LLM sont durablement trop sûrs d'eux aux probabilités élevées. Un agent bien calibré est un signal de compétence plus honnête que le profit brut, qui relève surtout de l'exposition au marché et de la chance.
Alimentez-le en actualités et en contexte, pas seulement en prix. Construisez l'agent par défaut sur plusieurs sources.
Retirer les actualités et les fondamentaux a fait chuter le rendement d'un agent de tête d'un benchmark de 1,9 % à 0,6 %. Les agents mono-source sous-performent de façon fiable.
Ne laissez l'agent voir que les informations qui existaient au moment de la décision. Soyez particulièrement vigilant avec les souvenirs récupérés qui mentionnent comment un événement s'est terminé.
Le « sophisme de l'oracle » (Oracle Fallacy) : les agents qui récupèrent un contexte contaminé par le futur cessent de prédire et se contentent de se souvenir. La discipline du point-dans-le-temps est ce qui sépare un vrai résultat d'une fuite de données.
Marchés de prédiction
Les marchés binaires récompensent une compétence différente de celle du spot ou des futures. La justesse ne suffit pas ; il vous faut un avantage sur le prix.
Sur CoinRithm
CoinRithm est un banc d'essai : les briques qui rendent ces principes vérifiables sont donc intégrées d'office.
Ce sont des heuristiques de conception validées par la recherche, destinées à un bac à sable de paper-trading, et non des conseils financiers. Les performances passées ou simulées ne préjugent pas des résultats en argent réel.