L'offensive de CoinQuant en matière de trading par agent montre la voie à suivre pour les infrastructures cryptographiques

L'expression “ économie des agents ” peut sembler abstraite tant qu'elle ne touche pas à l'argent. Dans le domaine des cryptomonnaies, ce moment approche à grands pas. Les agents IA ne sont plus seulement considérés comme des assistants capables de résumer des recherches, de rédiger du contenu ou d'automatiser des tâches routinières. Ils commencent à interagir avec des portefeuilles, des plateformes d'échange, des API et des systèmes de trading.

Cela change la donne en matière d'infrastructure. Si un IA Si un agent est capable d'étudier un marché, d'élaborer une stratégie, de la tester et, à terme, d'exécuter des transactions, la question n'est plus seulement de savoir si le modèle est intelligent. La question est de savoir si le système environnant est capable de contrôler ce que l'agent est autorisé à faire.

CoinQuant se positionne directement sur ce créneau. L’entreprise, qui se décrit comme une plateforme de trading « no-code » alimentée par l’IA, a annoncé son expansion vers une architecture unifiée d’intelligence de trading conçue à la fois pour les traders humains et les agents IA autonomes. Selon ses communications publiques, la plateforme permet aux utilisateurs de créer, tester et automatiser des stratégies de trading à l’aide du langage naturel, avec des fonctionnalités de backtesting, d’évaluation des stratégies et de partage collaboratif intégrées au flux de travail. CoinQuant indique également avoir attiré plus de 15 000 utilisateurs depuis son lancement.

C'est là l'aspect le plus intéressant. CoinQuant ne se contente pas de commercialiser un énième robot de trading. L'entreprise cherche à créer une interface entre l'intention humaine, la stratégie générée par une machine et l'exécution automatisée.

Que cela s'avère réellement utile dépendra des mesures de contrôle des risques.

L'économie des agents a besoin de bien plus que de l'autonomie

Les agents d'intelligence artificielle sont souvent décrits en termes d'autonomie : ils peuvent agir, prendre des décisions, effectuer des transactions et se coordonner avec d'autres systèmes. Sur les marchés financiers, l'autonomie ne suffit pas. Un agent de trading autonome a besoin de limites.

Un trader humain peut se laisser influencer par ses émotions, faire preuve d'impatience ou manquer de cohérence, mais son activité est généralement soumise à des contrôles bien définis : limites de compte, règles de conformité, paramètres de risque, autorisations d'exécution et contrôle de supervision. Si des agents commencent à effectuer directement des opérations de trading, des contrôles similaires doivent être mis en place sous une forme lisible par machine.

Cela signifie que la prochaine couche de l'infrastructure de trading doit répondre à des questions pratiques. À quels marchés l'agent peut-il accéder ? Quel montant de capital peut-il mobiliser ? Peut-il recourir à l'effet de levier ? Peut-il effectuer des transactions en continu ? Qui valide la stratégie avant sa mise en œuvre ? L'agent peut-il modifier ses propres paramètres ? Que se passe-t-il si la stratégie se comporte différemment des résultats du backtest ? Peut-on l'arrêter instantanément ?

Ces questions sont importantes car l'exécution automatisée transforme une mauvaise idée en un risque concret plus rapidement qu'un être humain ne peut normalement réagir. Une stratégie peu solide, rédigée en anglais courant, peut sembler inoffensive lorsqu'elle se trouve dans une interface de backtesting. Elle devient toutefois un risque d'un autre ordre dès lors qu'elle est en mesure de passer des ordres.

C'est pourquoi la validation pourrait bien devenir aussi importante que l'automatisation.

Le backtesting est utile, mais il ne constitue pas une preuve

Le positionnement « sans code » de CoinQuant présente un intérêt commercial certain. Il réduit les obstacles pour les traders qui ont des idées mais ne disposent pas des compétences techniques nécessaires pour coder leurs stratégies. Il suffit de décrire la stratégie, de la tester sur des données historiques, de l’affiner à l’aide de l’IA et de la préparer pour son exécution. Pour les traders particuliers et les petites équipes, ce processus est facile à comprendre.

Mais le backtesting a toujours présenté une faiblesse dangereuse : il peut donner l'impression qu'une stratégie est meilleure qu'elle ne l'est en réalité.

Un modèle peut présenter un surajustement par rapport aux données historiques. Les frais et le slippage peuvent être sous-estimés. La liquidité peut ne pas refléter la réalité. Les conditions de marché peuvent évoluer. Une stratégie qui a fait ses preuves sur un marché tendant peut s'avérer inefficace sur un marché haussier. Une stratégie liée aux cryptomonnaies qui semble performante pendant un cycle haussier peut s'effondrer lorsque la volatilité, les taux de financement ou les conditions de liquidité changent.

C'est pourquoi toute plateforme reposant sur des stratégies de trading générées par l'IA doit faire preuve de prudence dans la manière dont elle présente ses résultats. Un backtest doit être considéré comme un outil de diagnostic, et non comme une promesse. Il permet de déterminer si une stratégie aurait fonctionné dans certaines conditions historiques hypothétiques. Il ne permet toutefois pas de prouver que cette même stratégie fonctionnera sur les marchés réels.

Une infrastructure de trading digne de confiance ne se contentera donc pas de fournir aux utilisateurs un simple chiffre de performance. Elle devra également présenter les baisses de valeur, l'exposition, le volume d'activité, les hypothèses relatives aux coûts de transaction, le rendement ajusté au risque, la sensibilité aux conditions de marché et les conséquences d'une mise à l'épreuve de la stratégie.

Pour les agents autonomes, cela revêt une importance encore plus grande. Si un agent est capable de créer ou de modifier des stratégies, la couche de validation doit être plus stricte, et non moins stricte.

La cryptomonnaie est un terrain d'essai naturel

Le marché des cryptomonnaies devrait être l'un des premiers à adopter une infrastructure de trading automatisée, car il présente déjà plusieurs caractéristiques qui rendent l'automatisation particulièrement intéressante.

Les marchés fonctionnent 24 heures sur 24. Les actifs sont nativement numériques. Les API sont largement disponibles. Les données sur la chaîne peuvent être lues par programmation. Les portefeuilles peuvent interagir avec les contrats intelligents. Les bourses décentralisées, les plateformes de contrats à terme perpétuels et les protocoles de liquidité créent tous des environnements dans lesquels les logiciels peuvent agir directement.

Cela ne rend pas la cryptographie plus sûre pour les agents. Cela la rend simplement plus accessible.

Un compte de courtage classique s'inscrit dans une structure de marché réglementée, avec des intermédiaires, des règles de règlement, des contrôles des comptes et des obligations de conformité. L'univers des cryptomonnaies peut être plus ouvert et plus fragmenté. Un utilisateur peut interagir avec des bourses centralisées, des bourses décentralisées, des portefeuilles, des ponts, des plateformes de produits dérivés et des protocoles sur la chaîne. Chacun de ces éléments comporte des risques différents.

C'est pourquoi l'économie des agents dans le domaine des cryptomonnaies a besoin d'une infrastructure capable de gérer les autorisations, la surveillance et la traçabilité. Un système autonome capable d'effectuer des transactions sur la chaîne devrait laisser une trace claire de ce qu'il a fait, des raisons pour lesquelles il l'a fait et des autorisations qu'il a utilisées. Sans cela, le trading par agents devient une « boîte noire » liée au capital.

Des recherches récentes sur ce qu'on appelle le « Web4 » ou « économie des agents » ont abouti à une conclusion similaire. Les agents autonomes sont de plus en plus capables de gérer des portefeuilles, d'effectuer des transactions sur la chaîne et d'effectuer des paiements de machine à machine, mais l'infrastructure relative à l'identité, à l'autorisation et à l'interopérabilité reste encore peu développée.

C'est précisément dans ce créneau que des entreprises telles que CoinQuant tentent de se positionner.

Le trafiquant d'êtres humains ne disparaît pas

Une erreur courante dans le débat sur le trading basé sur l'IA consiste à supposer que les agents remplacent entièrement les traders humains. Dans la pratique, l'évolution la plus probable consiste à passer d'une exécution manuelle à un rôle de supervision.

Un trader peut définir l'idée. Le système peut aider à la traduire en une stratégie vérifiable. L'IA peut aider à optimiser les paramètres. La plateforme peut effectuer des backtests et évaluer les résultats. L'agent peut enfin exécuter les opérations dans les limites de risque définies.

Le rôle de l'humain intervient plus tôt et à un niveau plus élevé dans le processus. Au lieu de valider manuellement chaque transaction, le trader décide quelles stratégies méritent d'être mises en œuvre, quel capital leur allouer et à quel moment le système doit être suspendu ou modifié.

Cela peut s'avérer utile. Mais cela peut aussi créer un faux sentiment de distance par rapport à la responsabilité. Si la stratégie entraîne des pertes financières, il ne suffira pas de dire que c'est l'agent qui l'a mise en œuvre. C'est bien l'utilisateur qui a choisi le système, approuvé les paramètres et accepté le risque.

Pour les utilisateurs professionnels, cela peut être gérable. Pour les particuliers, le défi est plus grand. Les outils « no-code » peuvent donner l'impression que le trading sophistiqué est simple. Cette simplicité fait partie de leur attrait, mais elle peut également inciter les utilisateurs à mettre en œuvre des stratégies qu'ils ne comprennent pas entièrement.

Une plateforme performante doit être conçue pour parer à ce risque.

La couche de risque, c'est le produit

Le projet initial décrivait l'infrastructure de CoinQuant comme un moyen d'améliorer l'efficacité et d'optimiser les transactions. C'est vrai dans un sens large, mais ce n'est pas l'aspect le plus important.

Dans le trading agentique, le produit constitue la couche de risque.

La rapidité d'exécution est un argument de vente facile à mettre en avant. Les stratégies générées par l'IA sont faciles à présenter. La conception de stratégies en langage naturel est facile à comprendre. Le plus difficile, et ce qui a le plus de valeur, c'est de s'assurer que les agents opèrent dans des limites clairement définies.

Cela implique notamment des limites de position, des limites de perte, des règles d’accès au marché, des contrôles d’autorisation, des journaux d’audit, la validation des stratégies, la transparence des backtests et des procédures d’arrêt d’urgence. Cela peut également impliquer différents niveaux d’autonomie. Un débutant ne devrait pas disposer des mêmes privilèges de déploiement qu’un utilisateur professionnel ou une institution. Une stratégie disposant d’un capital limité ne devrait pas être soumise aux mêmes contrôles qu’une stratégie gérant un compte plus important.

Les stratégies partagées soulèvent également une question de gouvernance. Si une plateforme permet aux utilisateurs de publier, de copier ou de collaborer sur des stratégies, il faut que les modalités d’évaluation de ces stratégies soient clairement définies. Qui est responsable en cas d’échec d’une stratégie copiée ? Les chiffres de performance sont-ils en temps réel ou simulés ? Les conflits d’intérêts sont-ils divulgués ? Les créateurs de stratégies peuvent-ils tirer profit de leur adoption par d’autres ? Ces questions sont courantes dans le domaine du trading social, mais elles gagnent en complexité lorsque des agents d’IA sont impliqués.

Plus le système est autonome, plus la responsabilité doit être clairement définie.

HyperLiquid ouvre la voie à la prochaine étape

Plusieurs articles parus à la suite de cette annonce laissent entendre que CoinQuant serait en train de mettre au point une couche d'exécution automatisée des stratégies sur HyperLiquid. Si ce projet se concrétise, la plateforme se rapprocherait davantage d'une infrastructure de trading en temps réel, au lieu de se limiter à la création et au test de stratégies.

C'est important, car le marché des produits dérivés cryptos n'est pas un environnement clément. Les contrats à terme perpétuels peuvent évoluer rapidement, l'effet de levier peut amplifier les pertes et les conditions de liquidité peuvent changer brusquement. Une stratégie qui semble maîtrisée lors d'un backtest peut se comporter de manière très différente lors d'une cascade de liquidations ou d'un pic soudain de volatilité.

C'est pourquoi l'exécution automatisée sur des plateformes telles qu'HyperLiquid nécessite la mise en place de garde-fous rigoureux. Les utilisateurs doivent comprendre ce qui se passe en cas de fluctuations extrêmes, savoir si le système est capable de réduire l'exposition, comment il gère les ordres non exécutés, s'il utilise l'effet de levier et sur quelles sources de données il s'appuie.

Ce n'est pas une raison pour écarter cette opportunité. L'exécution automatisée peut s'avérer utile si elle est rigoureusement contrôlée. Mais les exigences doivent être plus strictes lorsque le produit est mis sur les marchés réels.

Ce que représente CoinQuant

L'annonce de CoinQuant reflète une évolution plus générale dans le domaine des technologies financières. L'intelligence artificielle passe de l'analyse à l'action. La première phase des outils d'IA a permis aux utilisateurs de lire plus vite, d'écrire plus vite ou de générer des idées. La phase suivante consistera à mettre en place des systèmes capables de concrétiser ces idées au sein même de l'infrastructure financière.

C'est une mesure bien plus grave.

Dans le domaine du trading, la différence entre une suggestion et une exécution correspond à celle entre l'information et le capital exposé au risque. Dès lors qu'un système d'IA est capable de passer de “ cette stratégie semble prometteuse ” à “ cette transaction a été passée ”, l'infrastructure qui l'entoure doit être robuste.

CoinQuant cherche à se positionner à mi-chemin entre ces deux approches : élaboration de stratégies, tests, évaluation et, à terme, exécution pour le compte d'humains et d'agents. Si le produit fonctionne bien, il pourrait rendre le trading systématique plus accessible. Il pourrait également offrir aux développeurs d'agents un environnement plus structuré pour leurs activités financières.

Mais l'accessibilité n'est pas synonyme de sécurité. La plateforme sera évaluée en fonction de sa capacité à aider les utilisateurs à comprendre les risques, et pas seulement à automatiser plus rapidement leurs tâches.

Le sens de la marche

L'économie des agents devrait entraîner un développement des infrastructures de négociation, et non l'inverse. Les agents IA auront besoin de portefeuilles, d'autorisations, de flux de données, de plateformes d'exécution, de contrôles de conformité, de limites de risque et de moyens de justifier leurs actions. La cryptomonnaie constitue un environnement naturel pour cela, car elle est programmable et toujours ouverte, mais elle est également impitoyable.

Cela ouvre des perspectives pour les entreprises capables d'apporter davantage de rigueur au trading automatisé. Les gagnants ne seront pas simplement les plateformes dotées de l'interface d'IA la plus impressionnante. Ce seront celles qui intégreront la validation des stratégies, la maîtrise des risques et la traçabilité au cœur même de leur produit.

Il convient donc de suivre de près l'évolution de CoinQuant. Cela laisse entrevoir un avenir où les systèmes de trading ne seront plus conçus uniquement pour des humains appuyant sur des boutons, mais pour des agents opérant dans des limites financières bien définies.

Cet avenir pourrait être plus efficace. Il pourrait également s'avérer plus fragile si les contrôles sont insuffisants.

Pour les investisseurs et les traders, la leçon est claire : l'automatisation ne remplace pas le jugement humain. Un agent de trading peut mettre en œuvre une stratégie, mais il ne peut pas rendre sûre une stratégie inadaptée. La véritable valeur d'une infrastructure de trading automatisée dépendra de sa capacité à transformer l'autonomie en actions contrôlées, observables et justifiables.