Lab / R&D · exécuteur de trading autonome (compte de démonstration)
OpenClaw Trader — un exécuteur de trading autonome, construit comme un système de production
LAB / R&D · compte de démonstration uniquement
Avertissement : OpenClaw Trader est un projet de recherche et développement à visée exclusivement pédagogique et technique, exploité sur compte de démonstration. Aucun résultat financier n'est communiqué, revendiqué ou promis. Rien sur cette page ne constitue un conseil en investissement. Le trading d'instruments financiers comporte un risque de perte substantiel et ne convient pas à tous les profils.
Contexte
OpenClaw Trader tourne sur un runtime d'agent open source et fonctionne exclusivement sur compte de démonstration. Il figure sur ce site pour une seule raison : il démontre, en conditions exigeantes, la même rigueur technique que les systèmes livrés aux clients — garde-fous en couches, code auditable, mesures publiées.
Problème
Les outils de copy-trading existants présentent deux défauts symétriques : soit ils font confiance au signal amont aveuglément — une entrée périmée suffit à mettre un compte en danger —, soit leur logique est enfermée dans une interface graphique impossible à auditer. Par ailleurs, la première version du pipeline, où un LLM interprétait chaque message, mettait de 30 à 118 secondes entre le signal et l'ordre : inutilisable sur des zones d'entrée qui expirent en quelques secondes.
Approche
Le principe appliqué à tous les systèmes DjbrAutomation : du déterministe partout où c'est possible, de l'IA seulement là où elle est nécessaire. Concrètement, un parser regex d'environ 200 lignes traite la voie rapide (formats de signaux connus), et un LLM n'intervient qu'en repli, sur les formulations inhabituelles. Chaque contrôle de sécurité est une branche Python lisible et auditable — pas une boîte noire.
Ce qui a été livré
- Chaîne d'exécution : un listener Telegram filtre les messages entrants (direction, entrée, stop-loss et take-profit obligatoires, tout le reste rejeté avant l'exécuteur), un parser extrait les paramètres, puis trois contrôles pré-trade bloquants s'exécutent avant tout ordre — validation de zone (ne pas courir après le prix), garde anti-take-profit-tardif, seuil minimal de risque/rendement. Le moindre échec court-circuite l'exécution avec une ligne « ABANDON » explicite.
- Volume verrouillé à 0,05 lot dans le code (toute autre valeur ramenée de force) et discipline TP1 : quand un signal porte plusieurs take-profits, seul le premier est honoré.
- Couche apprentissage nocturne : chaque trade clôturé reconstruit depuis l'historique MT5, un classifieur ré-entraîné sur un pipeline d'environ 46 indicateurs techniques, un auto-tuner réécrivant les seuils de risque sur une fenêtre glissante de 7 jours — sous limites dures et avec un delta maximal par nuit pour empêcher toute dérive.
- Trois tâches planifiées : rapport quotidien, contrôle de santé MT5 horaire, ré-entraînement nocturne.
Stack
- Python 3.10+
- MetaTrader 5
- Telethon (listener Telegram)
- OpenClaw (runtime d'agent)
- LLM en repli uniquement
- scikit-learn (ré-entraînement nocturne)
- Windows Task Scheduler
- 22 tests unitaires
- harnais de benchmark
Résultats observés
Le remplacement du pipeline LLM par la voie rapide regex a ramené la latence signal→ordre de 30–118 s à 0,84 s (latence divisée par 35 à 140×) ; le parsing lui-même passe de 25–100 s à environ 200 µs, et la consommation de tokens LLM par signal tombe d'environ 22 000 à zéro.
REPORT.md + bench.py · mesures reproductibles
22 tests unitaires et le harnais de benchmark qui produit ces chiffres font partie du projet.
22 tests unitaires · harnais de benchmark · mesures reproductibles
Ce qui reste humain
Le choix des canaux de signaux suivis, la définition des limites dures de risque que l'auto-tuner ne peut pas franchir, la supervision des rapports quotidiens — et surtout la décision de connecter un jour un compte réel, qui n'a pas été prise : la règle documentée du projet exige au préalable deux mois consécutifs concluants en démonstration.