Agentic Trading Hub
Une plateforme de trading quantitatif autonome où des agents IA sélectionnent les stratégies, gèrent le risque et exécutent les ordres sur Hyperliquid — avec 10 stratégies déterministes, un consensus multi-agents et une analyse de sentiment en temps réel.
Résultats clés
Stratégies de trading
10
Breakout, mean reversion, funding arbitrage, cascade de liquidation, régime d'entropie, et plus encore.
Agents IA
3 couches
Trade Planner, Analyst réviseur, et Consensus Engine multi-modèles avec vote pondéré.
Features calculées
50+
Features de tendance, volume, volatilité, funding, flux d'ordres et modèles stochastiques sur 5 timeframes.
Contrôles de risque
12 gates
Plafonds de notionnel, limites de levier, throttling de drawdown, fenêtres de cooldown, vérifications de slippage, et plus encore.
Le problème
Ce que ce projet devait résoudre
Le trading manuel est lent, émotionnel et inconsistant. La plupart des systèmes quantitatifs sont soit entièrement déterministes (manquant de contexte), soit entièrement pilotés par l'IA (risque d'hallucination). Agentic Trading Hub combine les deux : des signaux déterministes pour la précision, une supervision IA pour le contexte, et des gates de risque stricts pour la sécurité.
Agentic Trading Hub a été conçu pour automatiser l'intégralité du cycle de vie du trading : de l'ingestion de données de marché et l'ingénierie de features, en passant par la sélection de stratégies pilotée par l'IA, jusqu'à l'exécution gatée par le risque sur les perpétuels Hyperliquid. Le système combine des signaux quantitatifs déterministes avec une supervision LLM.
Le backend est un service asynchrone FastAPI avec PostgreSQL, Redis, Qdrant pour la mémoire vectorielle et Temporal pour l'orchestration durable des workflows. Le frontend est une console opérateur React 18 construite avec Vite, TanStack Query et Tailwind CSS. Dix stratégies de trading couvrent les breakouts, le mean reversion, le funding arbitrage, les cascades de liquidation et la détection de régimes d'entropie.
Ce qui distingue le système est son architecture IA multi-couches : un agent Trade Planner sélectionne les stratégies et dimensionne les positions, un agent Analyst révise les décisions pour les signaux de risque, et un Consensus Engine agrège les votes de plusieurs LLM avec un scoring pondéré par capacité. Toutes les décisions transitent par un moteur de risque strict et un contrôleur de sécurité avant d'atteindre le SDK Hyperliquid pour l'exécution.
Ce qui a changé
Les opérateurs disposent d'une plateforme unifiée où déploiement de stratégies, supervision IA, gestion du risque et exécution sur l'exchange fonctionnent comme un pipeline unique — avec une observabilité complète sur chaque décision, trade et métrique de P&L.
Pourquoi c'était difficile
Combiner des stratégies quantitatives déterministes avec des agents LLM non déterministes dans une boucle de trading sensible à la latence a nécessité une séparation rigoureuse des responsabilités : les signaux doivent être reproductibles, les ajustements IA doivent être bornés, et l'exécution doit être atomique avec réconciliation contre l'état en direct de l'exchange.
Contraintes
- L'exécution doit être atomique et réconciliable — les positions sur Hyperliquid doivent correspondre à l'état interne en permanence.
- Les coûts LLM doivent être plafonnés par déploiement avec des circuit breakers et des chaînes de fallback.
- Les signaux de stratégie doivent être déterministes et reproductibles — l'IA peut ajuster le dimensionnement mais ne peut jamais outrepasser la logique du signal.
Mon rôle
- Conception de l'architecture complète : pipeline d'orchestration, hiérarchie d'agents, moteur de risque, couche d'exécution.
- Construction de 10 stratégies de trading avec ingénierie de features multi-timeframe (50+ features).
- Implémentation du consensus multi-agents avec vote pondéré par capacité à travers OpenRouter, Mistral et Ollama.
- Intégration du SDK Hyperliquid pour le placement d'ordres en direct, le suivi de positions et le flux d'ordres WebSocket.
- Construction de la console opérateur (React) pour la gestion des déploiements, le suivi des trades et l'analytique des agents.
Preuves
À quoi ressemble réellement le produit
Captures d'écran réelles du produit — chacune illustre un argument concret de clarté, de contrôle ou d'observabilité.
Centre de commandeCliquer pour agrandirTableau de bord opérateur
Vue d'ensemble en temps réel des déploiements, du P&L, des exécutions d'agents et de la santé du système sur une surface opérationnelle unique.
Conçu pour les opérateurs, pas pour les traders — chaque métrique sert une décision.
Moteur de déploiementCliquer pour agrandirDéploiements de stratégies
Configuration et déploiement de stratégies de trading avec venue, budget, planning et paramètres de risque.
Chaque déploiement est une unité isolée avec son propre budget, planning et profil de risque.
Catalogue de stratégiesCliquer pour agrandirStratégies de trading
10 stratégies déterministes avec paramètres configurables, conscience de régime et alignement multi-timeframe.
Les stratégies sont déterministes — l'IA ajuste le dimensionnement et le timing, jamais la logique du signal.
Observabilité IACliquer pour agrandirAnalytique des agents
Détail des décisions par agent, calibration de confiance, suivi des coûts et métriques d'accord du consensus.
Chaque invocation LLM est tracée : tokens, latence, coût et résultat de la décision.
Journal d'exécutionCliquer pour agrandirHistorique des trades
Cycle de vie complet du trade : intention → ordre → exécution → P&L avec labels de régime et attribution de stratégie.
La revue post-trade alimente le store de confiance pour la calibration future.
Décisions
Les compromis qui ont façonné le produit
Le travail le plus solide se révèle dans les choix faits sous pression, pas seulement dans l'interface finale.
Signaux déterministes + dimensionnement IA plutôt qu'agents entièrement autonomes
Défi
Les LLM hallucinent. Laisser l'IA générer des signaux de trading bruts introduit un risque imprévisible.
Décision
Les stratégies produisent des signaux déterministes. Les agents IA peuvent approuver, opposer un veto ou ajuster la taille de position (0.5x–2.0x) — mais jamais outrepasser la direction du signal ni la logique d'entrée.
Compromis
Limite la liberté de l'IA, mais garantit que chaque trade a une origine reproductible et auditable.
Consensus multi-agents plutôt que décisions mono-modèle
Défi
Tout LLM unique peut avoir des angles morts, une dérive de modèle ou une dégradation temporaire.
Décision
Un Consensus Engine agrège les votes de 2+ LLM avec un scoring pondéré par capacité (Claude Opus : 1.0, Haiku : 0.65, etc.). Les scores d'accord conditionnent la confiance d'exécution.
Compromis
Latence et coût plus élevés par décision, mais une évaluation du risque significativement plus robuste.
Workflows Temporal plutôt que simples tâches cron
Défi
Les pipelines de trading ont des dépendances multi-étapes avec des modes de défaillance à chaque phase.
Décision
Temporal fournit une orchestration durable de workflows avec retentatives automatiques, persistance d'état et visibilité sur chaque étape du pipeline d'évaluation.
Compromis
Ajoute de la complexité d'infrastructure, mais élimine les défaillances silencieuses et assure une auditabilité complète.
Architecture
Comment les données circulent dans le système
Snapshot de marché
Les mid-prices en direct, les taux de funding, les carnets d'ordres L2 et plus de 50 features sont calculés sur 5 timeframes (1h, 4h, journalier, hebdomadaire, mensuel) à partir de Hyperliquid et des actualités Finnhub.
→ Un contexte de marché complet et multi-timeframe prêt pour l'évaluation des stratégies.
Signal de stratégie
La stratégie déployée (ex. : breakout 4h, funding arbitrage) évalue le snapshot et produit un signal déterministe : action, confiance, notionnel souhaité et niveaux d'entrée/stop/TP.
→ Une proposition de trade reproductible et auditable sans dépendance à l'IA.
Revue IA et consensus
Le Trade Planner sélectionne les stratégies et dimensionne les positions. L'Analyst révise les signaux de risque et les inadéquations de régime. Le Consensus Engine agrège les votes multi-modèles avec pondération par capacité.
→ Un plan de trade ajusté par l'IA avec dimensionnement borné (0.5x–2.0x) et confiance par consensus.
Moteur de risque
Les gates stricts vérifient les plafonds de notionnel, les limites de levier, les plafonds de perte P&L journalière, les estimations de slippage à partir des carnets L2 et les fenêtres de cooldown. Le SafetyController applique le throttling de drawdown et le ciblage de volatilité.
→ Un verdict de risque — approuvé avec facteur d'échelle, ou rejeté avec motif.
Exécution et réconciliation
Les trades approuvés sont soumis à Hyperliquid via le SDK (ou simulés en mode paper). Une boucle de réconciliation vérifie les positions toutes les 5 minutes. La revue post-trade alimente la calibration de confiance.
→ Exécution atomique avec réconciliation continue de l'état contre l'exchange en direct.
Agentic Trading Hub utilise une architecture en couches : FastAPI sert l'API et orchestre les pipelines d'évaluation via des workflows durables Temporal. Les données de marché affluent depuis Hyperliquid REST/WebSocket et Finnhub vers un feature store avec plus de 50 features calculées. Les stratégies déterministes produisent des signaux qui transitent par une revue IA à 3 couches (Planner → Analyst → Consensus), puis par un moteur de risque à 12 gates, avant d'atteindre la couche d'exécution. PostgreSQL stocke tous les trades, déploiements et données de marché. Redis gère le cache et les stores de décisions. Qdrant fournit la mémoire sémantique pour le pattern matching de trades similaires. La console opérateur React offre une visibilité complète sur chaque étape.
Surfaces produit
Les interfaces qui portent l'expérience
Console opérateur
Centre de commande React pour la gestion des déploiements, le suivi des décisions des agents, la revue des trades et le monitoring de la santé système sur toutes les venues.
Déploiements de stratégies
Déployez l'une des 10 stratégies en mode paper, shadow ou live avec des budgets configurables, des plannings, des paramètres de risque et un ciblage de venue.
Pipeline d'agents IA
Architecture IA à trois couches : Trade Planner pour la sélection de stratégie, Analyst pour la revue de risque, et Consensus Engine pour le scoring d'accord multi-modèles.
Analyse de sentiment en direct
Ingestion d'actualités Finnhub avec scoring de pertinence sur les mots-clés crypto, déduplication des titres et intégration avec le planificateur IA pour un positionnement sensible au sentiment.
Exécution Hyperliquid
Intégration complète du SDK pour le placement d'ordres, l'annulation, le suivi de positions, les flux de mid-price, l'accès au carnet L2 et le flux d'ordres WebSocket — avec un simulateur paper trading pour le développement.
Gestion du risque
Moteur de risque à 12 gates avec garde-fous stricts (plafonds de notionnel, limites de levier) et contraintes souples (throttling de drawdown, ciblage de volatilité, dimensionnement dérivé de Kelly).
Historique et revue des trades
Suivi complet du cycle de vie du trade, de l'intention à l'exécution, avec revue post-trade, calibration de confiance et stockage en mémoire sémantique dans Qdrant pour le pattern matching.
10 stratégies de trading
Bibliothèque de stratégies déterministes couvrant breakout 4h, trend pullback, funding mean reversion, funding arbitrage, OU mean reversion, cascade de liquidation, régime d'entropie, et plus encore.
Stack technique
Construit avec
FastAPI
API Python asynchrone et orchestration
PostgreSQL
Trades, déploiements, données de marché
Redis
Cache, store de décisions, file de tâches
Framework
Data
UI
Web3
AI
Infra
Langages
PythonTypeScriptSQLCe que ce projet démontre