On a longtemps eu l'habitude de voir les robots de trading comme de simples listes de règles rigides : « si le prix croise la moyenne mobile, alors achète ». Mais en 2026, les règles du jeu ont changé. Le « trading algorithmique » classique a laissé place à l'Agentic Trading (trading agentique).
Dans cet article, on va décortiquer comment fonctionnent ces systèmes où l'IA ne se contente plus de « conseiller », mais vit carrément sur le marché : elle déniche la liquidité, débat avec elle-même sur les risques et s'adapte aux news plus vite que vous n'avez le temps de rafraîchir votre feed.
1. L'Agentic Trading, c'est quoi au juste ?
Imaginez qu'au lieu d'un seul bot de trading, vous ayez tout un hedge fund virtuel à votre service. À l'intérieur, il y a un analyste, un gestionnaire de risques et un trader exécutant.
- Le trading algo classique : C'est un train sur des rails. S'il y a un obstacle sur la voie (une news imprévue), il fonce dedans parce que « c'est écrit comme ça dans le code ».
- L'Agentic Trading : C'est une voiture autonome. Elle connaît la destination, mais décide elle-même comment contourner un bouchon, où faire le plein et quand lever le pied à cause de la météo.
La différence majeure, c'est le « Raisonnement » (Reasoning). Une IA agentique (utilisant des modèles comme GPT-5.4, Claude 4.6 ou Gemini 3.1) est capable d'interpréter le contexte. Si une news tombe sur le hack d'un protocole, l'agent ne voit pas juste une chute de prix ; il en comprend la cause et peut fermer préventivement ses positions sur tout l'écosystème, et pas seulement sur un seul jeton.
2. Architecture du système : Multi-Agent Systems (MAS)
Les systèmes modernes reposent sur le principe de multi-agenticité. Un seul « cerveau » est trop sujet aux hallucinations, donc on répartit les tâches entre des agents spécialisés.
Voici à quoi ressemble une équipe type :
| Rôle de l'agent | Fonction | Outils |
|---|---|---|
| Analyst (Analyste) | Collecte les données et repère les patterns. | Parsing Twitter/X, Glassnode, terminaux Bloomberg. |
| Strategy Developer | Teste des hypothèses à la volée. | Moteurs de backtesting, sandboxes Python. |
| Risk Manager | Pose son veto sur les trades risqués. | Calcul de VaR (Value at Risk), contrôle du levier, suivi des corrélations. |
| Execution Agent | Cherche le meilleur prix et la liquidité. | Smart Order Routers, RPC protégés MEV, agrégateurs DEX. |
3. En pratique : Recherche de liquidité et trading "Intent-based"
L'un des sujets les plus brûlants de 2026, c'est le trading centré sur l'intention (Intent-centric). L'agent n'envoie plus directement une transaction sur la blockchain. Il formule une « intention » (Intent).
Exemple : « Je veux acheter 100 ETH pour max 350 000 USDC, avec un slippage inférieur à 0,1%, le tout avec une protection contre les bots MEV. »
L'agent d'exécution cherche alors des « solvers » — d'autres IA ou algos qui sont en compète pour exécuter cette demande au meilleur prix pour vous.
Le petit détail qui change tout : La liquidité JIT
Les agents avancés jouent maintenant les fournisseurs de liquidité Just-In-Time (JIT). Si l'agent voit un gros ordre dans le mempool, il peut, le temps d'une transaction, ajouter de la liquidité sur une plage très serrée (Uniswap v3/v4), empocher la commission de l'échange et retirer ses fonds direct après. Tout ça se fait en totale autonomie au sein d'un même bloc.
4. Exemple concret : Code d'un agent simple en Python
Pour créer un agent aujourd'hui, on utilise souvent des frameworks comme LangChain ou CrewAI. Voici un exemple conceptuel de la logique d'un agent qui check le sentiment du marché avant de cliquer.
import openai
from trading_library import ExchangeAPI
# Logique simplifiée de l'Agent Analyste
def agent_decision_logic(ticker):
# 1. On récupère les dernières news via un outil de recherche
news_summary = search_tool.get_latest_news(f"impact prix {ticker}")
# 2. L'IA analyse le contexte
prompt = f"Sur la base de ces news : {news_summary}. Est-ce pertinent d'ouvrir un long sur {ticker} ? Réponds brièvement : OUI ou NON avec la raison."
response = openai.ChatCompletion.create(
model="gpt-5-turbo", # Le modèle standard en 2026
messages=[{"role": "user", "content": prompt}]
)
decision = response.choices[0].message.content
return decision
# 3. Exécution avec validation du "Risk Manager"
if "OUI" in agent_decision_logic("BTC"):
if risk_manager.check_exposure(current_balance):
ExchangeAPI.place_order("BTC", side="buy")
5. Les risques : Quand l'IA devient son propre ennemi
Malgré sa puissance, le trading agentique amène de nouvelles menaces :
- Hallucinations de calcul : L'IA peut se planter d'une virgule dans le calcul de la taille d'une position. C'est pourquoi en 2026, la norme est aux « Hard-coded Guardrails » — des limites codées en dur que l'IA ne peut pas modifier elle-même.
- Prompt Injection : Des hackers peuvent essayer de manipuler les agents en publiant de fausses news truffées de mots-clés spécifiques pour « forcer » l'IA à faire des trades débiles.
- Pannes en cascade : Si des milliers d'agents utilisent le même modèle (comme GPT-5.4), leur réaction simultanée à un événement peut provoquer un krach éclair (Flash Crash).
6. Conseils pour ceux qui veulent se lancer
- Ne faites pas confiance aux « boîtes noires » : Si vous utilisez un agent tout fait, vérifiez qu'il a un module de Self-Reflection. C'est un agent qui, après chaque trade, rédige un rapport : « Pourquoi j'ai fait ça et qu'est-ce qui a merdé ».
- Utilisez l'EIP-7702 (pour la Crypto) : En 2026, c'est le standard pour déléguer en toute sécurité des droits de signature à un agent sans lui filer vos clés privées.
- L'approche hybride : Commencez en mode « Copilot » — l'IA prépare le plan de trade et l'argumentation, et c'est vous qui appuyez sur le bouton « Exécuter ».
7. Mathématiques de la liquidité JIT : comment les agents « s'incrustent » dans les transactions
Plus haut, on a parlé de la liquidité Just-In-Time (JIT). Pour l'utilisateur lambda, ça ressemble à de la magie noire, mais pour un système agentique, c'est de l'arithmétique pure. Dans l'architecture Uniswap v4, les agents utilisent des « hooks » (crochets) pour sniffer les transactions entrantes en temps réel.
La formule de profit de l'agent
Avant de décider d'injecter de la liquidité, l'agent calcule cette condition en un claquement de doigts :
$$P_{net} = (V_{trade} \times fee) - (Gas_{in} + Gas_{out}) - IL_{expected}$$
Où :
- Vtrade : Le volume de la transaction d'un tiers que l'on « sert ».
- fee : Le pourcentage de commission de la pool (ex: 0,05 % ou 0,3 %).
- Gasin/out : Le coût du gaz pour ajouter et retirer instantanément la liquidité.
- ILexpected : La perte impermanente (Impermanent Loss) prévue pendant le temps passé dans le bloc.
Le petit tips de pro : Les agents modernes passent par des Flashbundles. Ils packagent les transactions de sorte que leur liquidité apparaisse pile avant le trade de l'utilisateur et disparaisse pile après. Ça neutralise le risque qu'un autre bot ne vienne sniper leur prix ou utiliser leur capital.
8. LLM locaux pour le trading : pourquoi le cloud est un vrai danger
En 2026, les systèmes agentiques pro lâchent les API d'OpenAI ou d'Anthropic. Il y a deux raisons majeures : la Latency (latence) et la Privacy (confidentialité).
- La latence : Le temps que votre requête fasse l'aller-retour jusqu'aux serveurs aux States, le marché a déjà bougé dix fois. Un modèle local type Llama 4 ou DeepSeek-V3, tournant sur un serveur maison avec de grosses GPU, crache une décision en quelques millisecondes.
- La confidentialité : En envoyant vos stratégies et vos prompts dans le cloud, vous êtes littéralement en train d'entraîner le modèle d'un concurrent avec votre propre alpha. Vous donnez votre avantage gratuitement.
Le setup recommandé pour un agent local :
- Hardware : Minimum 2x RTX 5090 (pour faire tourner des modèles de 70B+ paramètres avec une quantification 4-bit).
- Software : vLLM ou Ollama couplés à la bibliothèque Python ccxt pour discuter avec les exchanges.
- Modèles : Des FinLLM spécialisés, ré-entraînés sur des logs de carnets d'ordres (orderbooks).
9. Contrôle des risques avancé : l'Agent-Arbitre
Le détail le moins connu, mais le plus efficace, c'est l'utilisation d'un Agent-Arbitre. C'est une instance d'IA indépendante dont le seul job est de jouer l'avocat du diable et de "griller" les décisions de l'agent de trading principal.
Exemple de dialogue interne au système :
- Agent de Trading : « Je vois un pump sur le memecoin $XYZ, on achète pour 5 % du wallet ! »
- Agent-Arbitre : « Refusé. La hausse est provoquée par un seul wallet, 90 % de la liquidité de la pool appartient au dev. Ça pue le Rug Pull. Regarde le code du smart contract : il y a une fonction mint. »
- Agent de Trading : « Reçu, j'annule. Je repasse en mode recherche d'arbitrage entre CEX et DEX. »
10. Plan d'action pour passer au mode agentique
Si vous voulez passer du trading manuel à un système d'agents, suivez ce plan de route :
- Définir la « voix » : Écrivez un System Prompt ultra détaillé pour votre agent. Ne décrivez pas seulement QUOI acheter, mais QUI il est (ex: « Tu es un trader conservateur qui privilégie la préservation du capital aux gains explosifs »).
- Paramétrer les outils (Tools) : L'agent ne doit pas juste « tchatter ». Donnez-lui accès à des fonctions API : get_price(), get_social_sentiment(), execute_swap().
- Le bac à sable (Paper Trading) : Faites tourner l'agent sur un compte démo. En 2026, les agents apprennent de leurs erreurs via le mécanisme RAG (Retrieval-Augmented Generation), en stockant les trades foireux dans une base de données vectorielle pour ne pas les répéter.
- Installer le « Kill Switch » : Ayez toujours un script physique ou logiciel qui, en une commande, coupe toutes les positions et désactive les clés API si l'IA commence à faire n'importe quoi.
11. L'avenir : Autonomous On-chain Entities
On se dirige vers un monde où les agents de trading seront de véritables « personnalités numériques ». Ils auront leurs propres wallets, leur réputation sur des réseaux comme EigenLayer, et même leur propre existence juridique dans certaines juridictions. Ils ne feront pas que trader : ils voteront activement dans la Gouvernance pour lober des changements favorables à leur portfolio.
En résumé :
L'Agentic Trading n'est pas là pour remplacer le trader, mais pour le transformer en véritable chef d'orchestre. Le gagnant n'est plus celui qui a le meilleur « flair », mais celui qui a construit l'écosystème d'agents autonomes le plus performant et le plus sécurisé.
