En 2026, l'analyse blockchain n'est plus la chasse gardée des data scientists. Avec l'émergence de modèles LLM (Large Language Models) avancés, capables d'interpréter du code et de traiter d'énormes volumes de données structurées, les traders disposent désormais d'un outil surpuissant. Cependant, la différence entre une « hallucination » du modèle et un signal alpha précieux réside dans une compétence clé : le Prompt Engineering.
Dans cet article, nous allons voir comment transformer une IA en un véritable analyste de données, capable non pas de « deviner », mais d'interpréter les événements on-chain avec une précision mathématique.
1. Changement de paradigme : de la « question » à l'« instruction »
L'erreur classique des traders est de poser des questions trop vagues (par exemple : « Que se passe-t-il sur l'Ethereum ? »). Pour l'analyse on-chain, c'est inutile. Les modèles n'ont pas d'accès direct aux nœuds (nodes) en temps réel ; ils interprètent les données que vous leur fournissez via des outils API ou des fichiers importés.
La règle d'or : Votre prompt doit contenir un Rôle, un Contexte, une Tâche et des Contraintes.
Mauvais exemple :
« Regarde les transactions de cette adresse [0x...] et dis-moi si c'est une baleine ou non. »
Exemple professionnel :
« Tu es un expert en analyse forensique de blockchain sur les réseaux EVM. Ta tâche est d'analyser l'extraction CSV des transactions du portefeuille [0x...]. Groupe les transferts par protocole (Lending, DEX, Bridges). Calcule le temps de rétention moyen des actifs avant la vente. Si le volume des transactions dépasse 1000 ETH au cours des 30 derniers jours, classe-le comme 'Institutional Whale'. Génère un rapport sous forme de tableau. »
2. Utilisation de la chaîne de pensée (Chain-of-Thought)
Les données on-chain sont souvent complexes (par exemple, des swaps sophistiqués via des agrégateurs comme 1inch). Pour éviter que le modèle ne commette des erreurs de calcul, utilisez la méthode Chain-of-Thought : forcez-le à raisonner étape par étape.
Exemple de structure de requête :
- Étape 1 : Isole toutes les transactions entrantes pour le jeton $XYZ.
- Étape 2 : Filtre les transferts provenant des plateformes d'échange centralisées (CEX).
- Étape 3 : Calcule le prix d'achat moyen en te basant sur les données de prix au moment de la transaction (si fournies).
- Étape 4 : Compare le solde actuel avec la somme de tous les achats.
3. Cas pratique : Analyse des Hooks Uniswap v4 et de la liquidité
Avec la sortie d'Uniswap v4, l'analyse de la liquidité s'est complexifiée en raison des "hooks" personnalisés. Un utilisateur lambda ne comprendra pas le code d'un hook, mais un LLM peut le décompiler et expliquer sa logique.
Prompt pour l'analyse d'un smart contract de hook :
« Analyse ce code Solidity de hook pour Uniswap v4. Détermine s'il contient une logique limitant le retrait de liquidité (LPs) ou instaurant des frais dynamiques qui pourraient nuire au trader. Explique les facteurs de risque en termes simples et indique les lignes de code spécifiques qui sont suspectes. »
4. Tableau : Opérateurs et variables pour des requêtes efficaces
L'utilisation d'opérateurs spécifiques dans vos prompts permet de canaliser l'attention du modèle.
| Opérateur/Technique | Pourquoi l'utiliser | Exemple |
|---|---|---|
| Few-Shot Prompting | Donner au modèle 2 ou 3 exemples d'analyse correcte. | « Voici un exemple d'analyse : [Exemple]. Maintenant, analyse ceci : [Données]. » |
| Délimiteurs | Séparer clairement les données des instructions. | Utilisez ### ou """ pour encadrer les blocs de code ou le JSON. |
| Injection de contraintes | Éliminer le bruit inutile. | « Ignore les transactions d'un volume inférieur à 0,1 ETH. » |
| Formatage de sortie | Obtenir des données prêtes à être importées. | « Affiche le résultat strictement au format JSON pour une intégration dans un script Python. » |
5. Travail avec le code : automatisation via Python
La meilleure façon pour un trader d'utiliser un LLM est de lui demander d'écrire des scripts de collecte de données via les bibliothèques web3.py ou des API (Dune, Glassnode, Etherscan).
Requête pour la création d'un parseur :
« Écris un script Python qui utilise la bibliothèque requests pour récupérer les 100 dernières transactions du jeton [Contract_Address] via l'API Etherscan. Le script doit filtrer les transactions où l'expéditeur est un contrat (swap) et ne sauvegarder que celles dont le volume dépasse 50 000 $. Ajoute une gestion des erreurs pour les limites de l'API. »
L'astuce méconnue : le « Reverse-Prompting »
Si vous voyez un rapport d'analyse on-chain de qualité sur Twitter ou Substack, copiez son texte dans l'IA et demandez-lui :
« Analyse ce rapport. Rédige le prompt idéal qui te permettrait de générer exactement la même analyse approfondie à partir de données brutes à l'avenir. »
Cela vous permettra de constituer votre propre bibliothèque de « prompts dorés ».
6. Technique avancée : SQL pour Dune Analytics
Beaucoup de traders utilisent Dune mais ne maîtrisent pas le SQL. L'IA peut servir de pont.
Prompt :
« Je dois trouver les 10 portefeuilles ayant le plus gros volume d'échange sur la paire PEPE/WETH sur Uniswap v3 au cours des 7 derniers jours. Écris une requête SQL pour Dune Analytics en utilisant la table dex.trades. Veille à exclure les bots d'arbitrage (transactions dans le même bloc avec un input/output identique). »
7. Suivi de la « Smart Money » (Smart Money Tracking)
L'une des stratégies les plus rentables consiste à suivre les portefeuilles qui affichent une rentabilité constante ou une activité d'initié. Les LLM peuvent aider à automatiser le processus de désanonymisation et d'évaluation de ces adresses.
Prompt pour le profilage d'un portefeuille :
« Analyse la liste des dernières transactions de l'adresse [0x...].
1. Identifie la source principale de financement (CEX, bridge ou autre adresse privée).
2. Détecte un pattern : cette adresse achète-t-elle des tokens à un stade précoce (avant le listing sur les grandes bourses) ?
3. Évalue le "Win Rate" (ratio transactions gagnantes/perdantes) si les données de prix d'entrée et de sortie sont fournies.
4. Conclue : cette adresse est-elle de la "Smart Money", un fonds de capital-risque (VC) ou un simple investisseur particulier ? »
8. Détection de manipulations : Wash Trading et Sandwich Attacks
Les données on-chain sont souvent polluées par du volume artificiel. Vous pouvez utiliser les LLM pour écrire une logique capable de reconnaître ces schémas.
Exemple de requête pour détecter le Wash Trading :
« Aide-moi à concevoir un algorithme en Python pour analyser les journaux d'événements (Event Logs) du smart contract d'un token. L'algorithme doit rechercher des transactions cycliques (Adresse A -> Adresse B -> Adresse C -> Adresse A) sur une période d'une heure. C'est un signe clair de manipulation de volume. Génère la structure de données permettant de stocker efficacement ces relations pour une visualisation en graphe. »
9. Prompt Engineering pour l'analyse de sentiment on-chain
Parfois, les « données » ne sont pas que des chiffres, mais aussi des descriptions textuelles de transactions (Input Data) ou des messages de gouvernance DAO.
Prompt pour l'analyse de l'activité des baleines (Whales) :
« Interprète l'alerte de transaction suivante : "Whale moved 50,000 ETH from cold wallet to Binance".
Contexte : Le marché actuel est en phase de consolidation près d'une forte résistance.
Mission : Évalue la probabilité d'une pression vendeuse sur une échelle de 1 à 10. Cite des analogies historiques où des mouvements similaires ont entraîné une correction de prix sous 24 heures. Réponds de manière concise, dans le style d'une note d'analyse Bloomberg. »
10. Tableau récapitulatif : Outils et intégration avec les LLM
Pour que les prompts soient efficaces, il faut savoir où puiser la « matière première ».
| Outil | Type de données | Usage avec un LLM |
|---|---|---|
| Etherscan / BscScan | Transactions brutes (Raw) | Copier le CSV ou générer des requêtes API. |
| Dune Analytics | Données SQL agrégées | Demander au LLM d'écrire ou d'optimiser des requêtes SQL. |
| Arkham Intelligence | Entités étiquetées | Utiliser les liens visuels pour décrire la structure du réseau dans un prompt. |
| DexScreener API | Prix et liquidité en temps réel | Demander au LLM d'écrire un script d'alerte sur une variation brutale de liquidité. |
11. Techniques avancées : Émulation de l'EVM via un prompt
Les modèles avancés (comme Gemini 1.5 Pro ou GPT-4) peuvent simuler « mentalement » l'exécution d'un code.
Prompt pour déboguer une transaction complexe :
« Je te fournis le code hexadécimal (Input Data) d'une transaction qui a échoué avec l'erreur "Execution Reverted". Agis comme si tu étais l'EVM. Décode ce hex étape par étape, identifie quelle fonction du smart contract a été appelée et à quel stade (vérification des conditions, transfert d'actifs, manque de gas) l'échec est survenu. Explique la cause en langage clair. »
12. Conseils pratiques de sécurité
Lorsqu'on travaille avec des LLM et des données on-chain, l'hygiène numérique est cruciale :
- Ne saisissez jamais vos clés privées ou vos phrases de récupération (seed phrases) dans un chat d'IA. Même pour demander « un script pour signer une transaction ».
- Vérifiez le code. Un LLM peut accidentellement (ou par hallucination) suggérer une bibliothèque vulnérable. Demandez toujours au modèle de commenter chaque ligne de code générée.
- Fenêtre de contexte. Si vous chargez une masse énorme de données, le modèle peut « oublier » le début des instructions. Répétez les consignes clés à la fin du prompt.
Conseil final pour les pros :
Créez-vous un « Prompt Système » (System Instruction). C'est un ensemble de règles permanentes qui s'appliqueront à toutes vos requêtes. Exemple : « Vérifie toujours si les adresses appartiennent à des bots MEV, calcule systématiquement le slippage et n'utilise jamais de jugements de valeur sans t'appuyer sur des chiffres. »
