AI-setupGen · juillet 2025
Une IA qui invente et éprouve des stratégies de trading
Un framework d'algorithmes génétiques qui génère des stratégies de trading complètes, les fait évoluer et les valide contre le surapprentissage.
Des stratégies qui brillent sur l'historique et s'effondrent en réel, faute d'être éprouvées.
Des stratégies générées, sélectionnées sur plusieurs régimes de marché et validées sur des milliers de scénarios simulés.
Et si une IA pouvait non seulement imaginer de nouvelles stratégies de trading, mais aussi les faire évoluer et les éprouver dans des marchés chaotiques ? J’ai conçu AI-setupGen, un framework d’optimisation génétique en Python, pour découvrir, faire évoluer et valider des stratégies de manière autonome.
Un algorithme génétique qui comprend ce qu’il manipule
Chaque individu de la population est une stratégie complète, décrite par ses gènes.
- Sélection par rang : la probabilité de reproduction dépend du classement, pour éviter qu’une stratégie vedette n’écrase trop vite la diversité.
- Croisement sémantique : les parents échangent des blocs logiques cohérents, comme toute la méthode de sortie ou toute la logique d’entrée.
- Mutation contrainte : les mutations respectent les règles et les plages de valeurs, ce qui évite les stratégies absurdes et accélère la convergence.
Une évaluation sur plusieurs objectifs
Une stratégie rentable n’est pas forcément une bonne stratégie. Un algorithme non supervisé classe d’abord les périodes en régimes de marché. Chaque stratégie est ensuite évaluée dans chaque régime, sur des comptes virtuels isolés, avec des pénalités pour les profils de risque médiocres. Le score final pondère ces résultats pour équilibrer spécialisation et polyvalence.
Un test de résistance au chaos
Le grand piège du trading algorithmique est le surapprentissage. Les stratégies prometteuses sont validées hors échantillon, puis testées sur des dizaines de jeux de données synthétiques, obtenus en mélangeant les variations de prix réelles. Leur tenue sur ces scénarios donne un score de robustesse, combiné à la performance historique. Seules les stratégies qui survivent sont retenues.
Une ingénierie de performance
- Architecture modulaire, avec une configuration centralisée pour expérimenter vite.
- Parallélisation de l’évaluation sur tous les cœurs du processeur.
- Calcul vectorisé avec Pandas et NumPy, et compilation à la volée avec Numba pour le code critique.
- Coûts de transaction modélisés de façon réaliste.
Les quatre briques du générateur : l’algorithme génétique, l’évaluation multi-objectifs, le test de résistance et l’ingénierie Python.
Ce que j’en retiens
L’IA évolutionnaire permet d’explorer un espace de recherche bruité et complexe, à condition de mesurer la robustesse autant que la performance.