Que fait réellement un bot de trading crypto utilisant l’IA ?

Publié le : 12 November 2026 | Mis à jour le : 12 November 2026

Au 7 November 2026, trois outils d’automatisation crypto décrivent trois choses différentes sous le terme « IA » dans leur propre documentation.

• Le centre d’aide de Cryptohopper indique que son « A.I. signifie : Algorithmic Intelligence ». Il décrit un système qui note les stratégies que vous fournissez selon la fréquence à laquelle leurs signaux passés ont atteint un objectif de profit.
• 3Commas indique qu’il « ne fournit pas de conseils de trading ni de signaux d’IA » et connecte plutôt des outils d’IA externes à ses bots.
• Le module open source FreqAI de Freqtrade entraîne des modèles tels que LightGBM et XGBoost et les réentraîne selon un calendrier défini.

Aucune de ces descriptions, à elle seule, ne vous dit si le bot gagne de l’argent.

Que peut signifier « IA » dans un bot de trading crypto ?

Ces mécanismes coexistent souvent dans un même produit. La sélection et l’optimisation sont des formes d’apprentissage statistique au sens large. Qualifier un système de moteur de notation plutôt que de modèle prédictif ne tranche pas la question de son appartenance à l’IA, et aucune de ces descriptions n’établit sa rentabilité.

La question utile est : qu’est-ce qui est appris, à partir de quelles données, et comment cela est-il vérifié sur des données jamais vues ?

Je distinguerais aussi l’assistant du processus de trading. Un LLM peut aider à produire une stratégie sans être le modèle qui génère ses signaux de marché. De même, une stratégie peut utiliser des paramètres sélectionnés par backtest tout en exécutant des règles explicites.

Que disent les documents des plateformes elles-mêmes ?

Le tableau recense les mécanismes documentés et les questions que ces descriptions laissent ouvertes. Ce n’est pas un classement. La documentation peut expliquer ce qu’une fonctionnalité est censée faire sans dévoiler son implémentation côté serveur ni établir ses performances.

Toutes les citations de fournisseurs ci-dessus ont été revérifiées sur les pages en ligne ou archivées le 2026-11-12.

Une information non divulguée reste une question ouverte. Ce n’est pas la preuve qu’un fournisseur n’utilise aucun apprentissage automatique, ni une raison de supposer l’existence d’un modèle non divulgué.

Pourquoi un bon backtest ne peut-il pas prouver qu’un bot IA fonctionne ?

Mes expériences simplifiées ont utilisé les données horaires publiques du marché spot de Binance pour BTCUSDT et ETHUSDT, du 2022-01-01 au 2026-10-31. Elles illustrent des problèmes d’évaluation dans mes propres modèles et simulateurs, pas dans le système d’un fournisseur. Un biais d’anticipation introduit délibérément a fait afficher une exactitude de 84.6% à un test défectueux ; l’AUC du modèle walk-forward était de 0.51, avec des intervalles englobant le hasard. Ce dernier test n’isolait pas l’effet du réentraînement.

La tâche de prédiction utilisait des bougies horaires rééchantillonnées en barres de 4 heures et une cible binaire : « hausse » signifiait que le rendement logarithmique des 24 heures suivantes, soit les 6 barres suivantes, était supérieur à zéro ; zéro était classé comme « baisse ». Les entrées étaient les rendements historiques, la volatilité, le RSI, un écart entre moyennes mobiles exponentielles et un z-score du volume, calculés à partir des informations disponibles à la clôture de la barre ; une probabilité prédite supérieure à 0.5 signifiait « hausse ».

Comment un biais d’anticipation a fait afficher une exactitude de 85% à un test

Une moyenne mobile centrée sur 13 barres, ajoutée délibérément, utilisait 6 barres futures, laissant fuiter des informations futures dans la régression logistique malgré une séparation chronologique entre entraînement et test.

L’exactitude de 84.6% et l’AUC de 0.93 obtenues sont ce qu’affiche un test défectueux, pas la preuve d’une capacité prédictive ; sans cette variable, l’exactitude du même modèle était d’environ 50%.

Pourquoi les séparations aléatoires entre entraînement et test gonflent les résultats

Les barres voisines partagent la majeure partie de leur fenêtre d’étiquetage de 24 heures : les observations sont donc dépendantes, quelle que soit la séparation ; par ailleurs, le mélange aléatoire place des voisins immédiats dans les données d’entraînement, laissant fuiter des résultats de test chevauchants par leurs étiquettes, et permet aussi l’entraînement sur des données ultérieures.

Les partitions par blocs entraînent le modèle de part et d’autre de chaque bloc de test, avec une purge de 24h avant et un embargo de 48h après ; seul le test walk-forward s’entraîne donc strictement sur des données antérieures.

Cette comparaison sur un même échantillon mesure l’écart entre les méthodes de séparation sans distinguer la part due aux fuites par chevauchement des étiquettes de celle due à l’entraînement sur des observations ultérieures.

Le modèle walk-forward se distinguait-il du hasard ?

Ma régression logistique utilisait une fenêtre glissante de 365 jours, avec un nouvel ajustement tous les 30 jours pour produire 35 modèles ; ses intervalles d’AUC incluaient le niveau du hasard à 0.5, et son exactitude était inférieure à celle d’une prédiction « toujours en hausse ».

Cela évaluait une procédure walk-forward et n’isolait pas l’effet du réentraînement : il aurait fallu une comparaison avec un modèle figé ou un autre calendrier de réajustement aux mêmes dates, que je ne présente pas ici.

Un rendement logarithmique est le logarithme naturel de la valeur finale divisée par la valeur initiale. 0 signifie aucun changement, environ +0.69 signifie que la valeur a doublé, et environ −0.69 qu’elle a été divisée par deux. Ainsi, +0.59 n’est pas +59% et −0.91 n’est pas −91%. Le modèle prévoit la direction sur les 24 heures suivantes, mais cette illustration réévalue sa position à chaque barre de 4 heures : elle teste donc une politique de trading construite à partir de la prévision, pas l’horizon de prévision lui-même.

De combien le meilleur des 16 réglages de grid surestimait-il la semaine suivante ?

Mon propre simulateur de grid spot sélectionnait le réglage offrant le rendement le plus élevé parmi 16 combinaisons de largeur de plage et de nombre de niveaux sur les 7 jours précédents, puis mesurait son rendement sur les 7 jours suivants ; la plage provenait elle aussi de la semaine de sélection, ce qui rendait le résultat dans l’échantillon optimiste par construction.

L’écart moyen ci-dessous persistait avec l’autre hypothèse de trajectoire intrabougie, mais cela ne signifie pas que chaque semaine présentait un déficit. Les intervalles proviennent d’un bootstrap par blocs mobiles qui rééchantillonne des séquences de 12 semaines consécutives, préservant ainsi la dépendance entre semaines voisines.

Anny ne prend pas en charge les bots grid.

La stratégie la mieux notée reste-t-elle en tête ?

Mon sélecteur choisissait chaque semaine parmi cinq règles horaires selon leurs taux de réussite sur les 90 jours précédents, en ne retenant que les résultats entièrement observés ; une réussite signifiait atteindre au moins 2% au-dessus du cours de clôture du signal dans les 24 heures, puis le taux de réussite de la règle choisie sur les 28 jours suivants était comparé à la moyenne des cinq règles.

Une petite différence a été observée — BTC légèrement en dessous et ETH légèrement au-dessus de cette moyenne — mais aucun intervalle de confiance n’a été calculé pour la différence appariée, et les fenêtres d’évaluation se chevauchent.

Cela ne démontre ni une équivalence ni l’absence de valeur de la sélection, et les taux de réussite ne sont pas des profits : ce dispositif ne comportait ni stop, ni sortie, ni coûts.

Ces expériences couvrent des variables et des modèles simples, un ensemble limité d’actifs, une seule place de marché et une seule période. Le chevauchement des étiquettes réduit l’indépendance, l’exécution est simplifiée et les taux de réussite ne mesurent pas le profit. Ces tests montrent comment les choix d’évaluation modifient les résultats. Ils ne montrent pas que l’apprentissage automatique ne peut pas fonctionner en crypto et ne disent rien des modèles d’un fournisseur précis.

Quelles preuves demander à un fournisseur de bots IA ?

Utilisez la liste de vérification des preuves ci-dessous. La seule description d’un modèle ne tranche pas la question des performances ; un graphique de rendement seul ne tranche pas celle du mécanisme et de la procédure de test.

Considérez une question sans réponse comme non résolue. Demandez davantage de détails plutôt que d’inventer une explication du fonctionnement du système.

Un backtest reproductible peut néanmoins rester limité à ses actifs, à ses dates et à ses hypothèses d’exécution. Un intervalle d’incertitude peut décrire une mesure publiée sans résoudre tous les choix de recherche qui l’ont précédée.

Où se situe Anny Trade ?

Anny Trade utilise de grands modèles de langage pour Ask Anny, son assistant. Sa page publique Optimizer indique que les indicateurs, les backtests, la recherche de paramètres et la validation reposent sur du « code déterministe — aucun LLM dans cette boucle ». Les calculs de la CFO Anny Line et de l’Optimizer n’utilisent aucun LLM.

Les bots d’Anny exécutent des règles explicites d’entrée et de sortie sur les comptes d’exchange que vous connectez, et Anny ne prend pas en charge les bots grid. Ces descriptions précisent où les modèles de langage sont utilisés ; elles n’établissent pas la rentabilité.

Explorez les backtests déterministes et la recherche de paramètres de l’Optimizer et appliquez-lui la même liste de vérification.

FAQ

Un bot de trading IA peut-il prédire les prix des cryptos ?

Un modèle entraîné peut estimer un résultat de marché défini, mais l’existence d’une prédiction n’établit pas une capacité prédictive utile. Ma tâche portait sur la direction à un horizon donné, pas sur un prix futur exact. Aucun modèle de cet article n’a démontré une capacité fiable à prédire la direction hors échantillon.

La notation des stratégies par taux de réussite relève-t-elle de l’apprentissage automatique ?

La sélection de stratégies fondée sur les performances peut relever de l’apprentissage statistique au sens large, car elle utilise les résultats historiques pour noter les stratégies disponibles. Cette étiquette ne vous dit pas si ces choix seront utiles par la suite. Un taux de réussite n’est pas une mesure de profit.

Utiliser un LLM signifie-t-il qu’un bot utilise l’apprentissage automatique pour trader ?

Un LLM peut écrire une stratégie ou appeler des outils de trading sans être un modèle de prédiction du marché. Demandez ce qu’il produit, à quels outils il peut accéder et comment l’exécution est contrôlée. Évaluez ensuite séparément la stratégie obtenue ; l’utilisation d’un modèle de langage ne suffit pas à établir des performances de trading.

Qu’est-ce que la validation walk-forward ?

L’évaluation walk-forward entraîne le modèle sur des données antérieures et le teste sur des données ultérieures, en avançant dans le temps. Ma procédure utilisait une fenêtre d’entraînement glissante et des réajustements répétés, avec une purge avant chaque bloc de test. Elle diffère des partitions par blocs qui entraînent le modèle de part et d’autre d’un bloc de test.

Puis-je vérifier moi-même l’IA d’un bot à code fermé ?

La documentation publique peut aider à identifier le mécanisme revendiqué sans éclaircir l’implémentation côté serveur. L’absence de divulgation n’est une preuve dans aucun sens. Mes expériences simplifiées n’examinent pas les systèmes à code fermé et ne peuvent pas établir ce que fait le modèle non divulgué d’un fournisseur.

Comment j’ai réalisé ces tests (méthodologie et limites).

Tous les résultats de cet article proviennent de simulations et de backtests sur des données historiques, pas de transactions réelles. Les résultats hypothétiques et simulés présentent des limites intrinsèques : ils sont construits rétrospectivement, ne reflètent pas une exécution réelle et ne prédisent pas les performances futures.

Le jeu de données décrit ci-dessus contenait 42,359 barres horaires par actif, avec une heure manquante du côté de l’exchange à 2023-03-24 13:00 UTC. Les sommes de contrôle mensuelles vérifiées par échantillonnage correspondaient à celles publiées par Binance. Les versions logicielles étaient numpy 2.5.4, pandas 3.1.1 et scikit-learn 1.9.1.

Les données s’arrêtent à 2026-10-31 23:00 UTC, et les résultats incomplets ont été traités comme suit.

• Tests de prédiction : les barres sans étiquette complète sur les 24 heures suivantes ont été supprimées ; la dernière barre de 4 heures étiquetée est donc celle du 2026-10-30 20:00 UTC. Le dernier des 35 blocs walk-forward commence le 2026-10-17.
• Grid : une décision n’était conservée que si 30 jours complets de données ultérieures existaient. Cela donne 195 décisions hebdomadaires, du 2023-01-02 au 2026-09-21.
• Sélecteur : il a pris 199 décisions hebdomadaires, du 2023-01-02 au 2026-10-19. Les trois dernières, à partir du 2026-10-05, ont des fenêtres de 28 jours raccourcies par la fin des données, et les signaux des dernières 24 heures sont comptés comme des échecs. Supprimer ces trois décisions laisse les petites différences dans le même sens (BTC 0.32 contre 0.34, ETH 0.47 contre 0.46).

La régression logistique utilisait des variables standardisées avec une régularisation C = 0.1. La comparaison des séparations utilisait une forêt aléatoire de 200 arbres avec une taille minimale de feuille de 5. Les entrées sans fuite couvraient les rendements sur 1, 3, 6, 18 et 42 barres ; la volatilité sur 18 et 42 barres ; RSI(14) ; l’écart entre les moyennes mobiles exponentielles sur 20 et 50 barres ; et un z-score du volume sur 42 barres.

Les intervalles d’AUC walk-forward utilisaient un bootstrap par blocs mobiles de 42 barres consécutives de 4 heures par bloc, 500 rééchantillonnages et les percentiles 2.5th–97.5th. L’illustration de trading captait le rendement des 4 heures suivantes à partir de la clôture de la barre du signal, sans latence. Son coût de 15 bps comprenait une hypothèse de frais de 10 bps et de slippage de 5 bps par changement de position.

Bien que la prévision vise la direction des 24 heures suivantes, cette politique de trading réexamine sa position à chaque barre de 4 heures. Ses rendements évaluent cette politique particulière, plutôt que la monétisation directe de l’horizon de prévision. Ni une AUC proche de 0.5 ni une exactitude inférieure à « toujours en hausse » ne suffisent à exclure des opportunités rentables : l’ampleur des gains et des pertes, les seuils et les performances conditionnelles comptent aussi.

Les configurations candidates de grid combinaient des largeurs de plage de 0.8×, 1.0×, 1.25× et 1.6× la demi-amplitude de la période passée avec 10, 25, 50 et 100 niveaux. Chaque exécution coûtait 0.05%, sans slippage. Chaque semaine repartait de zéro ; les cryptos non vendues étaient valorisées au cours de clôture final, sans frais de sortie. Les intervalles d’écart utilisent un bootstrap circulaire par blocs mobiles des 195 écarts hebdomadaires (blocs de 12 semaines, 10,000 rééchantillonnages, graine aléatoire fixe). Les écarts hebdomadaires présentaient une légère autocorrélation négative au décalage 1, et une règle automatique de longueur de bloc suggérait environ 11 semaines (BTC) et 16 semaines (ETH). Les intervalles pour des blocs de 2–16 semaines étaient similaires à ceux d’un bootstrap ordinaire, ou plus étroits.

Les règles du sélecteur utilisaient le RSI, le MACD, les bandes de Bollinger, un croisement d’EMA et une cassure du plus haut des 48 heures précédentes. Une règle devait avoir au moins 5 signaux dont les résultats étaient entièrement observés pour recevoir un score. Le chevauchement de ses fenêtres d’évaluation compte dans l’interprétation des petites différences observées.

Une seconde vérification interne par le bureau de recherche a réexécuté les quatre scripts d’origine et obtenu des fichiers de sortie identiques octet par octet. À 40 horodatages sur 40 sélectionnés aléatoirement, remplacer les données futures laissait les variables sans fuite inchangées ; la variable introduisant délibérément un biais d’anticipation a échoué à 40 vérifications sur 40, comme prévu. Il y avait 0 partition walk-forward avec un chevauchement d’étiquettes sur la période de test, et le standardiseur était ajusté uniquement sur les données d’entraînement au sein du pipeline.

Cette vérification étaye la reproductibilité et l’absence de fuites connues dans les pipelines sans fuite. Elle ne montre pas que les résultats se maintiendraient sur d’autres périodes, actifs ou places de marché, ou en conditions réelles, et elle n’élimine pas le biais de sélection lié à la recherche.

Les limites restent importantes : 2 actifs, 1 place de marché, une période et des modèles simples. Les étiquettes se chevauchent ; il n’y a ni slippage fondé sur le carnet d’ordres ni correction pour tests multiples au-delà de ce qui est indiqué. Le simulateur de grid utilise une trajectoire intrabougie à 4 points, dont dépendent les rendements absolus. Je n’ai testé le système réel d’aucun fournisseur, ni exécuté FreqAI, ni tradé en conditions réelles.

À lire également

• Qu’est-ce que la validation walk-forward ?
• Comment la CFO Anny Line interprète-t-elle les régimes de marché ?
• Comment connecter mon IA aux données du marché crypto en temps réel ?
• Documentation de Freqtrade sur lookahead-analysis

Tous les résultats de cet article proviennent de simulations et de backtests sur des données historiques, pas de transactions réelles. Les résultats hypothétiques et simulés présentent des limites intrinsèques : ils sont construits rétrospectivement, ne reflètent pas une exécution réelle et ne prédisent pas les performances futures.

Cet article est uniquement pédagogique — il ne constitue pas un conseil financier. Les performances passées ne préjugent pas des résultats futurs. Les crypto-actifs sont volatils et vous pouvez perdre la totalité de votre investissement. Anny Trade est une plateforme d’analyse, pas un conseiller en investissement enregistré.