Avez-vous déjà rêvé de laisser un *robot trader* à votre place jour et nuit, que vous dormiez, travailliez ou profitiez de votre temps libre, sans être freiné par les émotions qui influencent trop souvent nos décisions ? Malheureusement, beaucoup se laissent décourager par la complexité technique nécessaire à la création de tels outils, ce que l’on appelle dans le jargon les **bots de trading**. Pourtant, il existe aujourd’hui une solution **no-code** permettant de franchir cette étape sans écrire la moindre ligne de code, grâce à une interface très intuitive : **BullTrading**.

Dans cet article, nous allons vous montrer comment cette plateforme peut vous aider à concevoir, tester et déployer une stratégie performante, même si vous ne maîtrisez aucun langage informatique. Nous verrons également comment optimiser vos indicateurs pour affiner vos positions, suivre vos performances en direct et même monétiser vos propres robots auprès d’autres utilisateurs. Que vous soyez néophyte ou trader expérimenté, vous apprendrez à exploiter **BullTrading** pour multiplier vos opportunités et booster votre rentabilité, tout en gagnant du temps et en limitant votre stress !

**BullTrading, c’est par ici :** [https://platform.bulltrading.io/register?referrer=cryptorobot](https://platform.bulltrading.io/register?referrer=cryptorobot). Ce lien vous offrira **1000 BLT gratuitement** pour lancer vos premiers bots sans frais !

## Pourquoi Utiliser un Robot de Trading No-Code pour les Cryptomonnaies ?

### Réduire l’Impact des Émotions grâce à l’Automatisation de BullTrading

Commençons par une question fondamentale : *pourquoi s’adonner au **trading automatisé** plutôt qu’au trading manuel ?* 

Car les émotions sont souvent l’un des pires ennemis des traders. La peur de perdre ou l’avidité de gains rapides altèrent nos décisions et nous poussent à dévier de notre plan initial. L’influence de notre environnement — amplifiée par les réseaux sociaux, YouTube ou le bouche-à-oreille — peut nous inciter à agir impulsivement, souvent à contresens de nos objectifs.

Avec un **robot de trading**, ces biais psychologiques disparaissent : vous définissez des règles claires pour l’ouverture, la fermeture et la taille des positions, généralement basées sur des analyses mathématiques et des indicateurs comme les prix ou les volumes. Une fois ces règles établies, le robot exécute les opérations de manière **mécanique** et **impartiale**.

Mieux encore, grâce à l’approche **no-code** de BullTrading, vous n’avez pas besoin de compétences en programmation ou en mathématiques avancées pour automatiser vos stratégies. L’interface intuitive permet de paramétrer toutes vos règles via un **système de blocs à glisser-déposer**. Vous pouvez ensuite tester vos réglages sur différentes cryptomonnaies et périodes historiques, optimiser vos paramètres, puis connecter le bot à votre compte de trading. Une fois configuré, le robot fonctionne de manière autonome, sans intervention humaine et sans influence émotionnelle.

![image.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_c004dbc7bd.png)

### Trader 24h/24 sur le Marché Crypto : Exploitez un Bot BullTrading pour Maximiser vos Performances

Les cryptomonnaies se négocient en continu, 24h/24 et 7j/7, contrairement aux marchés traditionnels. Grâce à **BullTrading**, votre bot exécute automatiquement les ordres, même lorsque vous dormez. Vous n’avez plus besoin de surveiller le marché en permanence, ni de craindre de manquer une occasion profitable. Ce *trading ininterrompu* vous permet de saisir chaque opportunité, à toute heure du jour ou de la nuit, sur un marché global en constante évolution.

Le **trading automatisé** décuple également vos capacités. Un seul bot peut suivre plusieurs paires de cryptomonnaies, appliquer différentes stratégies et passer des ordres instantanément. Fini le stress de jongler entre divers écrans ! Vous gagnez un temps précieux pour élaborer de nouvelles approches ou simplement profiter de votre quotidien. Avec **BullTrading**, vous combinez réactivité, efficacité et tranquillité d’esprit pour *maximiser vos performances*.

## Les Fonctionnalités Clés de BullTrading pour Créer Vos Bots Crypto

### Éditeur No-Code (Drag-and-Drop) : Concevez Vos Robots de Trading Sans Programmer

L’une des grandes forces de **BullTrading** est son éditeur **no-code**, mais aussi son approche très intuitive par blocs et liens :

![image 1.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_1_d16c410fa9.png)

Au lieu d’écrire des lignes de programmation, vous assemblez des **blocs préconfigurés** :

- *Start* pour initialiser votre bot,
- *Indicateur* pour ajouter par exemple un RSI ou une moyenne mobile,
- *Allocation* pour préciser combien de capital mobiliser ou vendre.

Ainsi, en quelques clics, vous définissez vos règles d’entrée et de sortie sans aucune complexité technique. Une multitude d’indicateurs sont disponibles, et vous pouvez également configurer des **take profit**, des **stop loss** et des temps d’attente.

Pour un débutant, ce système de **glisser-déposer** accélère l’apprentissage et la mise en place de stratégies. Plus besoin de maîtriser un langage de programmation comme Python ou JavaScript : tout se fait de manière visuelle et intuitive. Cette approche diminue grandement la barrière à l’entrée, tout en offrant un réel gain de temps.

### Backtesting et Optimisation : Tester et Affiner Vos Stratégies de Trading Crypto

BullTrading propose un module de **backtesting** complet : vous pouvez tester vos idées sur différentes périodes historiques pour évaluer la **rentabilité** de votre robot dans le passé. Vous obtenez également des indicateurs de **risque** (drawdown, *Sharpe Ratio*, etc.). L’interface résume les résultats sous forme de graphiques et de statistiques, ce qui vous permet de valider ou d’écarter une configuration en quelques instants.

![image 2.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_2_3815e77538.png)

Attention, les **performances passées ne présagent en rien des performances futures**. Obtenir une stratégie très rentable en backtest ne garantit pas qu’elle le sera à l’avenir. Le marché futur sera différent. Cependant, tester sur des données passées reste indispensable pour identifier si la stratégie a déjà prouvé sa pertinence dans divers contextes. Cela vous aide aussi à construire une stratégie plus robuste, adaptée à divers types de marché.

BullTrading inclut également une **fonction d’optimisation** qui vous aide à peaufiner vos réglages (périodes, seuils, etc.) en testant automatiquement différentes combinaisons de paramètres. Vous identifiez ainsi la configuration la plus performante sur vos données historiques.

Prenez cependant garde à l’**overfitting** (sur-apprentissage) : il est important de vérifier que vos résultats ne sont pas trop spécifiques à certaines conditions passées. Testez votre stratégie sur plusieurs actifs et périodes distinctes. Cette approche vous permet de repérer des paramètres plus robustes, susceptibles de mieux s’adapter au futur.

### Marketplace et Location de Stratégies : Générer des Revenus Passifs

BullTrading propose une **Marketplace** où chacun peut **publier son robot**. Vous pouvez choisir d’en faire une stratégie publique, libre d’accès, ou de la **louer** à d’autres utilisateurs. Vous fixez alors un pourcentage de frais ou un tarif mensuel, ce qui peut constituer une **source de revenus passifs** si votre bot s’avère performant. C’est une relation gagnant-gagnant : les traders en quête de stratégies profitables vous suivent et génèrent des gains, tandis que vous touchez une commission.

![image 3.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_3_b28dd33d00.png)

**N’oubliez pas** qu’avec notre lien d’inscription BullTrading : [https://platform.bulltrading.io/register?referrer=cryptorobot](https://platform.bulltrading.io/register?referrer=cryptorobot). Vous obtiendrez **1000 BLT gratuits**, de quoi lancer vos premiers bots sans frais !

## Créer Votre Premier Robot de Trading Crypto sur BullTrading

### Paramétrage de la Stratégie de Trading (Crossover RSI) : Les Étapes Clés

Pour illustrer la simplicité de **BullTrading**, prenons un exemple concret : la création d’un bot basé sur l’indicateur **RSI (Relative Strength Index)**. Nous allons définir un **crossover** :

- **Achat (entry)** lorsque le RSI franchit un certain seuil à la hausse (exemple : 70).
- **Vente (exit)** lorsqu’il repasse en dessous de ce même seuil.

Dans l’éditeur BullTrading, il suffit de glisser-déposer ces blocs :

- **Start** pour lancer la stratégie.
- **RSI** pour configurer la période et le seuil d’« overbought ».
- **Allocation** pour préciser le pourcentage de votre capital à allouer.

En quelques minutes, vous avez un bot simple, qui peut être efficace sur un marché clairement orienté. Pour un tutoriel détaillé en vidéo (backtest, optimisation et mise en production), consultez la ressource ci-dessous :

[https://www.youtube.com/watch?v=PCdG6XZHq3Y&t=2s&ab_channel=CryptoRobot](https://www.youtube.com/watch?v=PCdG6XZHq3Y&t=2s&ab_channel=CryptoRobot)

### Configuration de Base (API, Sécurité) : Connecter Vos Comptes Crypto

Une fois votre stratégie configurée et optimisée, la première étape pour activer votre bot consiste à **lier vos clés API** du compte de l’exchange sur lequel vous souhaitez trader. Nous vous recommandons de créer un **sous-compte** dédié à vos activités sur BullTrading afin de séparer clairement vos différentes opérations.

BullTrading prend en charge les principaux exchanges crypto (Binance, Bybit, Bitget, KuCoin, en version **Spot** et **Futures**). Après avoir généré vos clés API, copiez-les dans la section *API Keys* de BullTrading. Il est également conseillé d’activer l’**IP Whitelisting** pour restreindre l’accès à vos clés aux seules adresses officielles de BullTrading. Ainsi, seules les requêtes en provenance de la plateforme peuvent interagir avec votre capital. Une fois cette étape validée, votre compte est prêt à recevoir des bots qui tradent automatiquement pour vous.

### Mise en Production de Votre Bot de Trading et Suivi des Performances

Pour lancer un bot, vous devez d’abord **publier** la stratégie que vous avez créée :

![image 4.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_4_f4eb32e409.png)

Lors de la publication, vous avez deux choix :

- *À louer* : rendre la stratégie aussi accessible aux autres utilisateurs.
- *Pour usage personnel* : la réserver uniquement à vous-même.

![image 5.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_5_9a0c4ff361.png)

Configurez ensuite la paire de trading et la **timeframe** souhaitée.

Une fois la stratégie publiée, vous la retrouvez dans l’onglet **Bots**, avec éventuellement d’autres stratégies publiées par la communauté. Sélectionnez votre bot, cliquez sur **Lancer**, puis renseignez :

- la paire souhaitée,
- l’exchange à utiliser,
- le montant que vous souhaitez allouer.

![image 6.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_6_ac22acd75d.png)

Une fois votre bot actif, vous suivez ses performances et tous ses trades dans l’onglet **Portefeuille**.

## Aller Plus Loin sur BullTrading avec Vos Stratégies et Cryptos

Nous avons vu les fonctionnalités les plus accessibles. Sachez que BullTrading propose également plusieurs outils avancés pour améliorer encore vos performances.

### Ajouter Vos Indicateurs via PineScript : Personnaliser Votre Robot de Trading

Si vous souhaitez inclure un indicateur personnel ou intégrer un script existant de TradingView, BullTrading vous permet **d’importer du code PineScript**. Vous pouvez ainsi créer votre propre bibliothèque d’indicateurs favoris et, si ces derniers s’avèrent particulièrement performants, les **monétiser** auprès d’autres utilisateurs. Dans ce cas, vous les mettez à disposition sur la **Marketplace** sous forme de service payant.

### Développer des Plugins en JavaScript : Analyser et Optimiser en Profondeur

Pour les utilisateurs avancés ou ceux qui souhaitent aller plus loin, BullTrading propose un système de **plugins**. Vous pouvez créer de nouveaux modules pour intégrer des graphiques personnalisés, des tableaux de bord de performance ou des algorithmes d’optimisation avancés. Le tout en **JavaScript**. Grâce à l’aide de l’IA (ex. ChatGPT), même un développeur débutant peut s’essayer à la création de ces plugins!

### Découvrir le BLT : Staking, Avantages et Économie du Token BullTrading

BullTrading dispose d’un **token interne** appelé **BLT**, utilisé pour certaines transactions et certains services (indicateurs premium, plugins payants, exécution de plusieurs bots, etc.). Vous pouvez :

- **Staker** du BLT pour bénéficier d’avantages (réductions de frais, accès à des services exclusifs).
- Soutenir le projet et participer à la croissance de la plateforme.
- Échanger ce token sur le DEX [Raydium](https://raydium.io/swap/?inputMint=Es9vMFrzaCERmJfrF4H2FYD4KCoNkY11McCe8BenwNYB&outputMint=6imoUsL9ZPLU3vwNoUQfVo4dA6zeSyjNMLuDSKLvf4LP).

### Choisir Votre Plan Tarifaire sur BullTrading: Free, Silver, Gold ou Ultimate

BullTrading propose plusieurs formules adaptées à tous les profils, du simple curieux au trader chevronné. Notez que **tous les plans** sont en paiement **à vie**, pas un abonnement mensuel :

- **Plan Gratuit (Basic)**
    - Jusqu’à 3 stratégies actives en même temps.
    - Accès aux fonctions de backtesting et à l’éditeur no-code.
    - Optimisations limitées et part de revenus de location restreinte (35 % vous revient).
- **Silver**
    - Limite d’optimisation augmentée (plus de combinaisons testées).
    - Réduction des frais sur la location (vous conservez une part plus élevée de vos gains).
    - Idéal pour ceux qui souhaitent louer leurs premières stratégies.
- **Gold & Ultimate**
    - Pensés pour les traders avancés qui veulent multiplier les bots ou les stratégies.
    - 100 % des revenus de location vous reviennent (contre 35 % sur le plan gratuit).
    - Outils de reporting plus poussés et nombre illimité d’optimisations.
    - Support prioritaire et fonctionnalités exclusives.

![image 7.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_7_f10e02be6a.png)

## Conclusion : Lancez Vos Robots de Trading Crypto No-Code sur BullTrading

En résumé, **BullTrading** s’impose comme une solution puissante pour tous ceux qui souhaitent **créer**, **optimiser** et **déployer** des bots de trading **sans coder**. Vous pouvez démarrer avec une stratégie simple, puis explorer des configurations plus élaborées, personnaliser vos indicateurs, développer des plugins ou même **louer** vos meilleures stratégies pour générer un revenu passif.

Quel que soit votre niveau, BullTrading vous permet de **professionnaliser votre approche du trading** automatisé et de profiter pleinement d’un marché crypto qui, lui, ne s’arrête jamais.

Vous souhaitez créer vos propres bots de trading ? **Inscrivez-vous dès maintenant** via notre lien spécial : [https://platform.bulltrading.io/register?referrer=cryptorobot](https://platform.bulltrading.io/register?referrer=cryptorobot), et recevez **1000 BLT offerts**

pour tester vos premières stratégies sans frais, tout en soutenant notre travail. Un grand merci et bonne chance dans vos trades !

Découvrez BullTrading, la plateforme no-code pour créer et optimiser vos bots de trading crypto. Apprenez à concevoir, tester et déployer vos stratégies sans coder !

large_intro.png

medium_intro.png

small_intro.png

thumbnail_intro.png

intro.png

Comment Créer un Robot de Trading Sans Code Facilement

Que vous fassiez du trading manuel ou que vous utilisiez des bots de trading, un défi se pose rapidement : **comment suivre précisément vos performances** et obtenir facilement des insights de vos activités. Des questions telles que :

- Quelle stratégie génère un PnL positif ?
- Quelles cryptomonnaies ont conduit à des gains ?
- Lesquelles devrais-je abandonner ?
- Les positions **longs** et **shorts** ajoutent-elles réellement de la valeur à mon portefeuille ?

Doivent avoir des réponses précises. Bien sûr, il existe des outils payants, mais aujourd'hui, nous allons vous montrer comment utiliser votre propre **outil gratuit et efficace** que nous avons mis en open source, que vous pouvez utiliser et améliorer à votre guise. Par exemple, en seulement **trois clics**, vous pouvez obtenir un graphique de votre PnL comme celui ci-dessous, et bien plus encore.

**Remarque :** Ce que nous allons faire aujourd'hui est également un modèle que vous pourriez utiliser pour créer votre propre outil de déclaration fiscale, car nous allons utiliser les mêmes routes que les services de déclaration fiscale en ligne payants utilisent pour effectuer les calculs pour vous !

## Analysez la performance de votre trading crypto gratuitement avec Python

### Utilisez les Tax Endpoints pour analyser votre portefeuille de trading en Python

Cette solution se résume à un **“petit” Jupyter Notebook Python** que nous avons développé pour **Bitget** et le marché des futures pour le moment. C'est une base que vous pouvez utiliser pour le rendre compatible avec d'autres marchés ou plateformes d'échange de cryptomonnaies. Vous le trouverez en open source [ici](https://github.com/CryptoRobotFr/Backtest-Tools-V2/blob/main/analytics/other/analyse_pnl_bitget.ipynb).

Aujourd'hui, nous n'entrerons pas dans les détails du code et de ses calculs, mais nous illustrerons principalement ce qu'il peut produire. Mieux encore, nous utiliserons un compte où nous avons testé un bot de trading comme exemple pour mener une analyse de performance avec ce code. Nous garderons sa configuration pour la dernière partie de cet article. Cette configuration est très simple, et une fois cela fait, exécuter le code revient simplement à **un clic** !

### Comprenez et exploitez les données du Tax Endpoint pour votre analyse crypto

La première étape pour comprendre ce que ce code peut faire—et éventuellement pour l'utiliser pour vos propres analyses ou même l'améliorer—est de comprendre les données qu'il traite.

Le code accède automatiquement à ce qu'on appelle le **Tax Endpoint**, une URL où les données du compte que vous avez choisi d'analyser sont stockées. Cette sélection se fait en créant des clés API pour le compte (nous couvrons ces étapes dans la dernière partie). Ainsi, les données sont très spécifiques aux informations nécessaires pour la déclaration fiscale.

**Notez** que les informations que nous récupérons du **Tax Endpoint** ne sont pas limitées dans le temps : vous pouvez remonter jusqu'à la création de votre compte. Cependant, le type d'informations est limité. Si vous voulez plus de détails pratiques sur ce endpoint, consultez la documentation de Bitget : [Get Future Account Record](https://www.bitget.com/api-doc/common/tax/Get-Future-Account-Record).

En résumé, nous n'obtenons pas d'informations sur l'état des positions à intervalles réguliers ni les détails des ordres—donc pas d'informations sur les stop loss, take profit, etc. Ces données sont simplement l'enregistrement de tous les mouvements/événements sur le compte. Cela se résume à un tableau de données comme celui-ci :

![image 1.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_1_70968af2fc.png)

Chaque ligne correspond à un événement caractérisé par :

- **id** : l'identifiant de l'événement
- **symbol** : présent uniquement lorsque c'est pertinent pour le type d'événement
- **marginCoin** : la devise dans laquelle la colonne **“amount”** est exprimée
- **futureTaxType** : indique le type d'événement (ouverture/fermeture de position, transfert, frais de financement…)
- **amount** : le montant impliqué dans l'événement, exprimé en unités de **“marginCoin”**
- **fee** : les frais de trading
- **ts** : la date de l'événement au format timestamp

Le défi du code utilisant ces données est donc de **reconstruire toutes les métriques importantes** à partir de celles-ci.

Une des premières choses que le code vous permet de faire est de séparer clairement toutes les informations de trading via l'appel `records_manager.trades`, qui afficherait quelque chose comme ceci :

![image 2.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_2_e73f0aa632.png)


Tandis que le reste des informations, de type gestion de compte, est extrait grâce à `records_manager.extra_records`. Vous obtiendrez quelque chose comme ceci :

![image 3.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_3_d5c813d7c7.png)

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

### Analysez la performance globale de votre compte de trading crypto avec Python

Prenons un exemple pour illustrer une analyse approfondie que ce code vous permet de réaliser. Nous avons utilisé le compte où nous avons testé différentes configurations de notre bot sur la **stratégie Envelope**. Les résultats ne sont donc pas nécessairement cohérents dans le temps, mais c'est un bon support pour vous montrer les possibilités du code.

Il s'agit d'un bot de trading entièrement automatisé que nous avons développé. La stratégie sous-jacente est une stratégie de retour à la moyenne visant à capturer les anomalies de volatilité en définissant des niveaux d'entrée et de sortie en utilisant des enveloppes autour d'une moyenne de prix à court terme. Tout cela est open source et gratuit. Si vous êtes intéressé pour en savoir plus, [voici](https://crypto-robot.com/blog/envelope-trading-strategy) l'article où vous trouverez toutes les ressources sur ce bot (vidéos, code, etc.).

Probablement la première chose que nous voulons savoir en un clic est la **performance globale** du compte en quelques chiffres. La méthode `records_manager.print_global_analysis()` s'en charge et nous donne :

![image 4.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_4_f64d5ddf39.png)

Cette méthode calcule quelques métriques générales importantes :

- Le plus important : le PnL total (somme des gains et pertes)
- Le nombre de trades total
- Le win rate (ratio de trade gagnant/perdant)
- Mais aussi d’autres métriques souvent sous estimé comme les frais (Fees et Funding Fees)

Il est toujours judicieux de savoir sur combien de trades l'analyse est basée ; trop peu implique généralement que toute statistique sur la performance d'une stratégie n'est pas représentative de son comportement général. Aucune analyse ne peut omettre un calcul du **taux de réussite**. Vous ne devriez pas être surpris dans notre exemple de trouver le taux de réussite très élevé caractéristique de la **stratégie Envelope**. En effet, avec ce type de stratégie—chasser les corrections rapides de volatilité—il est nécessaire d'avoir un taux de réussite très élevé pour que la stratégie soit réussie. Nous visons généralement toujours plus de **70 %**.

Un avantage précieux de cette analyse est qu'elle fournit également une évaluation de la performance des deux types de positions indépendamment pour des insights supplémentaires. Dans notre exemple, nous pouvons voir qu'en moyenne, avec les configurations testées pour ce bot, les **shorts** sont principalement perdants : **PnL négatif** et taux de réussite trop bas. On pourrait alors conclure qu'il est préférable d'empêcher le bot de prendre des shorts ou peut-être revoir la configuration des paramètres pour ces positions.

La performance globale reste attractive et pourrait probablement être optimisée grâce à cette amélioration.

### Visualisez vos performances de trading avec des graphiques PnL en Python

Après un bref aperçu des statistiques, **les graphiques parlent toujours plus fort**. Voir l'évolution de notre capital et le PnL généré par les trades est essentiel pour une analyse rapide. Pour cela, la méthode `records_manager.plot_over_time(metric="PnL", show_transfers=True)` est idéale. Le paramètre `metric` peut être changé en `Pnl Pct` et `Capital` pour sélectionner chaque graphique. Pour notre compte, nous avons obtenu :

![image 5.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_5_1d60ec6932.png)

![image 6.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_6_98d788d57c.png)

![image 7.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_7_f965938f06.png)

Nous avons ajouté une option pour visualiser où les **transferts de fonds** ont eu lieu, afin d'éviter de confondre les variations dues aux retraits ou dépôts avec les gains/pertes générés par les trades.

Ces courbes sont assez typiques de la stratégie Envelope, où malgré la diversification du bot sur une vingtaine de cryptos, les gains ne sont pas réguliers mais présentent plutôt des augmentations soudaines. C'est une conséquence des corrélations entre cryptos, qui affectent même les anomalies de volatilité. Notez que la période analysée était assez calme sur le marché des cryptos—évoluant sans beaucoup d'activité—ce qui explique les longues périodes horizontales où aucun trade n'a eu lieu.

### Analysez la performance de chaque paire de cryptomonnaies pour optimiser vos stratégies

Ce type de graphique et de statistiques informe sur le comportement du **portefeuille global**, mais il peut être pertinent d'avoir une analyse plus détaillée de la performance de chaque **coin** tradé.

Pour évaluer si les métriques sont fiables, il est important de savoir sur **combien de trades** elles sont calculées. Un simple `records_manager.plot_per_pair(metric="Trades")` permet cela :

![image 8.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_8_64385a0243.png)

Nous constatons que de nombreuses cryptomonnaies ont eu **trop peu de trades** pour porter un jugement précis sur leur performance. Cependant, parmi celles qui ont beaucoup de trades, nous pouvons voir dans le **PnL** ci-dessous, obtenu avec `records_manager.plot_per_pair(metric="Pnl")`, que **FETUSDT** a très bien performé. Il serait probablement judicieux de conserver ses paramètres ou même d'augmenter le capital qui lui est alloué. À l'inverse, **PENDLEUSDT**, compte tenu de son nombre de trades, a vraiment sous-performé. Cela pourrait indiquer que nous devrions modifier ses paramètres ou l'exclure de la stratégie. Nous pouvons également noter **SOLUSDT**, qui semble prometteur.

![image 9.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_9_50bbbc027a.png)

Pour optimiser notre utilisation du capital, il est également utile de vérifier le **taux de réussite** spécifique à chaque crypto. Pour celles ayant suffisamment de trades pour être évaluées, un taux de réussite plus bas peut être suspect. S'il est bien en dessous de celui observé lors de la conception de la stratégie—par exemple, lors du backtesting et de l'optimisation—cela peut signaler un **surapprentissage**. Les paramètres de la stratégie pour cette cryptomonnaie ont bien fonctionné dans le passé, trop bien ; ils étaient trop ajustés aux données historiques et ne s'adaptent pas aux nouvelles conditions du marché.

![image 10.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_10_73abe60f3d.png)

Cette analyse peut être approfondie avec la méthode `records_manager.plot_per_trade_type(metric="Win Rate", results="ADAUSDT")`, qui génère des graphiques de la métrique choisie pour les résultats sélectionnés, soit un symbole de paire soit `global`. Par exemple, dans le graphique ci-dessous, nous voyons que le taux de réussite de **TIAUSDT** était excellent pour les longs mais terrible pour les shorts. Autrement dit, le faible taux de réussite initialement repéré sur le graphique par paire est probablement dû au fait que les **shorts sabotaient la performance des longs**. Cela suggère que la stratégie n'est peut-être pas très efficace pour les shorts, ou que les paramètres qui fonctionnent bien pour les longs ne conviennent pas aux shorts.

![tiausdt.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/tiausdt_1cd37ec69a.png)

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

## Comment configurez cet outil gratuit d'analyse de performance trading

Si vous êtes arrivé jusqu'ici, vous souhaitez probablement savoir comment configurer ce code pour vous-même. C'est assez simple. Il se présente sous la forme d'un **Jupyter Notebook**. Vous pouvez l'exécuter avec l'IDE gratuit **VSCode**. Si vous avez besoin d'aide pour l'installer et pour le langage Python, vous pouvez suivre notre [tutoriel](https://crypto-robot.com/formations/python-finance/0).

La première cellule du Jupyter Notebook contient tous les **imports**, **fonctions** et **classes** que nous avons développés pour le code. Vous n'avez rien à modifier ici ; il suffit de l'exécuter.

### Configurez votre clé API Bitget et préparez votre compte pour l'analyse en Python

Passons ensuite à la cellule importante qui contient la configuration du compte que vous souhaitez analyser. Voici son contenu :

```python
api_setup = {
    "apiKey": "",
    "secret": "",
    "password": "",
}
portefolio_start_date = "2024-03-01"
records_manager = RecordsManager(api_setup, portefolio_start_date)
```

Dans `api_setup`, insérez les informations de votre clé API (`apiKey`, `secret`, `password`) du compte sur lequel vous voulez effectuer l'analyse. Comme nous avons seulement besoin de **lire** les informations de notre compte, la clé ne nécessite que les permissions de **lecture**. Nous n'accéderons qu'au **Tax Endpoint**, qui est l'URL de notre compte contenant les informations importantes pour la fiscalité (PnL, etc.). Cochez simplement l'option **search** dans taxation, comme indiqué dans la capture d'écran ci-dessous :

![image 11.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_11_5d09a06613.png)

Un autre paramètre important à définir est `portefolio_start_date`. Il doit s'agir de la date la plus ancienne à laquelle vous avez commencé à avoir de l'activité sur le compte. Il est crucial de ne pas la fixer à une date ultérieure, sinon le code ne téléchargera pas les enregistrements les plus anciens. Cela entraînerait des reconstructions incorrectes du capital dans le temps et du PnL. En effet, certains trades ou transferts manqueraient, et le capital final reconstruit différerait du capital réel sur votre compte.

### Personnalisez la période d'analyse pour une évaluation précise de vos performances de trading

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

Une fois que vous avez configuré la clé API dans le Jupyter Notebook, un seul clic sur **“Exécuter tout”** vous permet d'exécuter tout le code, comme illustré ci-dessous.

![image 12.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_12_7f849fe111.png)

Bien que `portefolio_start_date` doive être défini à la date la plus ancienne du portefeuille (sinon le code ne produira pas de résultats corrects), nous souhaitons pouvoir choisir une période d'analyse spécifique. En effet, vous pourriez vouloir utiliser les résultats pour des rapports mensuels, hebdomadaires ou annuels.

Pour cela, c'est dans l'appel à la fonction d'analyse que la date peut être spécifiée, comme ceci :

```python
records_manager.analyse()  # analyser la période complète
# records_manager.analyse(start_date="2024-07-01")  # analyser à partir d'une date spécifique
# records_manager.analyse(start_date="2024-07-01", end_date="2024-11-10")  # analyser une période spécifique
```

Vous pouvez commenter ou décommenter la ligne que vous souhaitez exécuter.

À partir de là, tout se déroule automatiquement. Le reste des cellules contient toutes les méthodes que nous avons évoquées lors de notre analyse de performance précédente. Ainsi, un clic sur **“Exécuter tout”** les exécutera automatiquement. Bien sûr, n'hésitez pas à organiser les cellules et les graphiques selon vos besoins pour produire votre analyse.

Vous disposez désormais de cet **outil puissant** pour analyser efficacement vos activités et obtenir des insights approfondis afin d'optimiser davantage vos stratégies. Nous vous souhaitons le meilleur dans vos entreprises de trading !

Analysez vos performances crypto gratuitement avec un Jupyter Notebook Python et un Tax Endpoint. Suivez votre portefeuille, visualisez votre PnL et optimisez vos stratégies avec cet outil open source.

medium_image.png

small_image.png

thumbnail_image.png

image.png

Optimisez vos stratégies de trading : analysez le PnL et les métriques de performance avec Python

Hyperliquid a fait le buzz grâce à son airdrop géant, l’un des plus grands jamais réalisés, d’une valeur de **1,6 million de dollars en HYPE** ! Vous vous demandez peut-être pourquoi et comment ont-ils réussi cela ? Nous aussi ! 

Nous avons exploré cette plateforme et avons compris les raisons de son succès. **Hyperliquid** est très bien conçue, simple, conviviale et propose une **API** parfaitement adaptée au *trading algorithmique*. Toutes les fonctionnalités de trading manuel souhaitables y sont présentes. Ajoutez à cela le principal avantage des DEX : vous tradez directement avec les fonds présents sur votre **wallet**, sans intermédiaire. De plus, Hyperliquid offre des frais de trading très alléchants. Vous avez là une « petite usine à gaz » qui plaira à de nombreux algotraders.

Ceci étant dit, entrons dans le concret et laissez-nous vous guider sur la manière de trader de façon algorithmique sur Hyperliquid, avec un petit jupyter notebook Python open source à l’appui (vous le trouverez [ici](https://github.com/CryptoRobotFr/General-code-trading-bot/blob/main/tuto_hyperliquid.ipynb)). Si vous souhaitez voir notre vidéo expliquant, étape par étape, **comment créer votre premier trading bot** sur Hyperliquid, la voici ci-dessous.

<MDX_YT videoId="8XbLghf0KLg"/>

## Démarrage sur Hyperliquid : Création de Compte et Configuration Initiale

### Se Connecter à Hyperliquid : Via Wallet ou Email

Vous trouverez le site officiel de **“Hyperliquid” et un bonus de rédéuction de frais** ici : [https://app.hyperliquid.xyz/join/CRYPTOROBOT](https://app.hyperliquid.xyz/join/CRYPTOROBOT).

Pour pouvoir trader, la première étape est de lier votre compte à des fonds. Deux choix s’offrent à vous :

- **Lier directement un wallet**
- **Configurer votre compte avec une adresse e-mail**

Voyons rapidement la marche à suivre dans les deux cas.

1. Cliquez sur **“Connect”** afin d’ouvrir le panneau (2).
2. Vous verrez ensuite les choix qui s’offrent à vous : l’option e-mail, des wallets déjà préconfigurés (WalletConnect, OKX, Coinbase) et un champ libre pour un autre wallet éventuel.
3. Si vous avez une extension de wallet dans votre navigateur, comme **Metamask**, vous aurez ce choix en deuxième position dans le panneau (2). Cliquez dessus. Une notification sera alors envoyée à votre extension de wallet. Rendez-vous sur l’extension, acceptez la connexion et suivez les étapes d’acceptation pour finaliser la liaison.

![image 1.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_1_a30afba305.png)

Si vous n’avez pas d’extension de wallet connectée dans votre navigateur, le panneau (2) ressemblera à ceci, avec un “default wallet” à la place :

![wallet_default.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/wallet_default_afc4b2227f.png)

Si vous choisissez la voie de l’e-mail, vous devrez renseigner un code de vérification envoyé par mail. Ensuite, pour déposer des coins sur votre compte, c’est très simple : cliquez sur le bouton **“Deposit”** en haut à droite (1 sur le screenshot ci-dessous).

![image 2.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_2_799b72b519.png)

En (2), vous voyez l’adresse sur laquelle déposer. Notez bien que, pour l’instant, **uniquement des USDC sur le réseau Arbitrum One** sont pris en charge. Si vous faites un transfert, veillez à sélectionner le bon réseau, sinon vos coins s’évaporeront dans l’**ether** (jeu de mots voulu !). Une fois le dépôt effectué, vous verrez votre solde apparaître dans vos balances en (3).

### Naviguer dans l’Interface de Trading Crypto sur Hyperliquid

Avec vos coins en place, vous pouvez commencer à trader. Comme le montre l’image ci-dessous, l’interface est très similaire à celle d’un **CEX** :

- (1) Une grande variété de marchés et de coins est disponible.
- (2) Vous pouvez placer vos ordres de la même manière que sur un exchange centralisé.

![image 3.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_3_32402d2d41.png)

Vous disposez d’une panoplie riche d’ordres :

- Ordres **limite** ou **marché**
- Ordres avec **stop loss** et **take profit**
- Ordres plus complexes : stop limit, stop market, TWAP, Scale, option reduce only
- Choix du mode de marge et du levier pour le marché futures, etc.

Mais arrêtons-nous ici pour le trading manuel. Notre objectif est d’explorer le **trading algorithmique**. Nous verrons donc comment placer ce type d’ordres, obtenir des informations sur les marchés et les positions, le tout en Python.

## Obtenir des Clés API et S'Authentifier avec Hyperliquid en Python

### Générer vos Clés API Wallet sur Hyperliquid

La première étape pour réaliser du trading via un code est de créer des **clés API**. Celles-ci autoriseront votre code à placer des ordres pour vous. L’un des grands avantages d’Hyperliquid est que les clés API sont des **“API Wallets”** (ou “agent wallets”). Vous n’avez donc jamais besoin de renseigner les codes d’accès de votre wallet externe. De plus, ces clés API peuvent placer des ordres, mais jamais effectuer de transferts, offrant une sécurité supplémentaire.

Pour créer cela sur Hyperliquid :

- Rendez-vous dans la rubrique **“More”** (1 dans le screenshot ci-dessous).
- Donnez un nom à votre clé, générez son adresse (3) puis autorisez-la en cliquant sur (4).

![image 4.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_4_040fe23630.png)

Après avoir cliqué sur **“Authorize”**, une fenêtre s’ouvrira.

- Indiquez le nombre de jours de validité (1), 180 étant le maximum.
- Copiez la **clé privée du wallet** (2), indispensable pour votre code.

![image 5.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_5_ab1f9fa9c1.png)
 
### S’Authentifier avec le DEX Hyperliquid en Python (ccxt)

Une autre bonne nouvelle : Hyperliquid est supporté par la librairie **ccxt**. Celle-ci regroupe les API de centaines d’exchanges sous une même structure. Plus besoin de gérer chaque particularité d’exchange ou de vous soucier du cryptage de signature, ccxt s’en charge.

La première étape consiste à configurer l’authentification avec la clé API que nous venons de créer, dans la première cellule du Jupyter Notebook. Avec CCXT, cela se fait simplement après son importation :

```python
import ccxt

dex = ccxt.hyperliquid({
    "walletAddress": "", # /!\ Adresse publique de votre compte
    "privateKey": "",    # Clé privée de la clé API
})
```

Il y a une subtilité importante ici. Dans **“walletAddress”**, il ne faut **pas** donner l’**“API Wallet Address”** de la clé API que nous venons de créer, mais bien l’**adresse publique de votre compte/wallet**. Vous pouvez la trouver en haut à droite de la page web en cliquant sur votre compte/adresse. Vous pouvez facilement la copier grâce au bouton copie (1).

![image 6.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_6_db5909b184.png)

Pour la **"privateKey"**, vous devez renseigner la clé privée de l’API Wallet que vous venez de créer. Une fois cela fait, vous pouvez exécuter la cellule.

Pour vérifier que les informations saisies sont correctes, exécutez la cellule suivante qui contient la méthode `fetch_balance`. Cela permettra de confirmer l'absence d'erreur et d'afficher les fonds disponibles dans votre wallet, comme illustré ci-dessous :

```python
dex.fetch_balance()
```

Ce qui affichera:

```json
{'info': {'marginSummary': {'accountValue': '19.913163',
   'totalNtlPos': '0.0',
   'totalRawUsd': '19.913163',
   'totalMarginUsed': '0.0'},
  'crossMarginSummary': {'accountValue': '19.913163',
   'totalNtlPos': '0.0',
   'totalRawUsd': '19.913163',
   'totalMarginUsed': '0.0'},
  'crossMaintenanceMarginUsed': '0.0',
  'withdrawable': '19.913163',
  'assetPositions': [],
  'time': '1733403498591'},
 'USDC': {'total': 19.913163, 'free': 19.913163, 'used': 0.0},
 'timestamp': 1733403498591,
 'datetime': '2024-12-05T12:58:18.591Z',
 'free': {'USDC': 19.913163},
 'used': {'USDC': 0.0},
 'total': {'USDC': 19.913163}}d
```

Nous avions déposé 20 USDC pour ce tutoriel, nous les retrouvons donc (moins les frais de transfert).

## Trader des Cryptomonnaies sur le DEX Hyperliquid en Python

### Placer des Ordres au Marché en Python sur Hyperliquid DEX

Nous sommes maintenant prêts à placer des ordres. Rien de tel qu’un **ordre au marché** pour commencer ! Avec **ccxt**, c’est très simple : on utilise la méthode `create_order`, comme ceci :

```python
symbol = "ETH/USDC:USDC"
market_type = "market"
side = "buy"
amount = 0.01
price = dex.load_markets()["ETH/USDC:USDC"]["info"]["midPx"]

dex.create_order(symbol, market_type, side, amount, price=price)
```

Nous avons au préalable défini les caractéristiques de notre ordre :

- **Symbole :** ici `ETH/USDC:USDC`, signifiant la paire ETH/USDC sur le marché futures.
- **Type :** `market` (ordre au marché).
- **Side :** `buy` (achat).
- **Quantité :** 0,01 ETH.
- **Prix :** obtenu via le “midPx” (moyenne entre le meilleur bid et ask).

**Particularité d’Hyperliquid :** même pour un ordre au marché, il faut renseigner un *prix*. Si on ne le fait pas, on obtient une erreur indiquant :

“ArgumentsRequired: hyperliquid market orders require price to calculate the max slippage price. Default slippage can be set in options (default is 5%).”

C’est une sécurité pour éviter qu’un ordre market ne s’exécute trop loin du prix souhaité.

Nous utilisons donc une estimation du prix au moment du placement de l’ordre, en demandant le “mid price” de l’ETH à Hyperliquid. Cela se fait grâce à la méthode `load_markets()` de ccxt qui récupère toutes les informations caractérisant chaque marché sur la plateforme. Une fois le `create_order` exécuté, nous obtenons une réponse sous forme de JSON, ci-dessous, contenant toutes les informations de l’ordre. 

```json
{'info': {'filled': {'totalSz': '0.01',
   'avgPx': '3564.6',
   'oid': '52344575851'}},
 'id': '52344575851',
 'clientOrderId': None,
 'timestamp': None,
 'datetime': None,
 'lastTradeTimestamp': None,
 'lastUpdateTimestamp': None,
 'symbol': None,
 'type': None,
 'timeInForce': None,
 'postOnly': None,
 'reduceOnly': None,
 'side': None,
 'price': None,
 'triggerPrice': None,
 'amount': 0.01,
 'cost': None,
 'average': 3564.6,
 'filled': None,
 'remaining': None,
 'status': None,
 'fee': None,
 'trades': [],
 'fees': [],
 'stopPrice': None,
 'takeProfitPrice': None,
 'stopLossPrice': None}
```

Comme c’était une **ouverture de position “long” sur un marché futures**, on retrouve cette position sur la page web, sous le graphique.

![image 8.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_8_ac63811994.png)

### Récupérer les Informations sur les Positions Ouvertes en Python

Une fois une ou plusieurs positions ouvertes, il est très utile de pouvoir obtenir leurs caractéristiques : taille, sens (long/short), prix de liquidation, PnL latent, marge initiale, etc.

Pour cela, utilisez la méthode `fetch_positions` de ccxt :

```json
symbols = ["ETH/USDC:USDC"]
dex.fetch_positions(symbols)
```

Le paramètre de la fonction est une liste contenant les symboles pour lesquels vous souhaitez récupérer les informations des positions. Pour notre exemple, la réponse obtenue est la suivante :

```json
[{'info': {'type': 'oneWay',
   'position': {'coin': 'ETH',
    'szi': '0.01',
    'leverage': {'type': 'isolated', 'value': '2', 'rawUsd': '-19.675763'},
    'entryPx': '3932.4',
    'positionValue': '39.21',
    'unrealizedPnl': '-0.114',
    'returnOnEquity': '-0.00579799',
    'liquidationPx': '1987.45080808',
    'marginUsed': '19.534237',
    'maxLeverage': '50',
    'cumFunding': {'allTime': '0.0',
     'sinceOpen': '0.0',
     'sinceChange': '0.0'}}},
  'id': None,
  'symbol': 'ETH/USDC:USDC',
  'timestamp': None,
  'datetime': None,
  'isolated': True,
  'hedged': None,
  'side': 'long',
  'contracts': 0.01,
  'contractSize': 1.0,
  'entryPrice': 3932.4,
  'markPrice': None,
  'notional': 39.21,
  'leverage': 2.0,
  'collateral': 19.534237,
  'initialMargin': 19.534237,
  'maintenanceMargin': None,
  'initialMarginPercentage': None,
  'maintenanceMarginPercentage': None,
  'unrealizedPnl': -0.114,
  'liquidationPrice': 1987.45080808,
  'marginMode': 'isolated',
  'percentage': 0.5835907488989714}]
```

### Clôturer une Position en Python sur Hyperliquid

Une autre raison pour laquelle la récupération des informations de position est utile : **clore une position**. Si nous souhaitons fermer la totalité d’une position longue, il est judicieux d’obtenir sa taille totale grâce à `fetch_positions`.

```python
symbol = "ETH/USDC:USDC"
market_type = "market"
side = "sell"
amount = dex.fetch_positions([symbol])[0]["contracts"]
price = dex.load_markets()["ETH/USDC:USDC"]["info"]["midPx"]

dex.create_order(symbol, market_type, side, amount, price=price, params={"reduceOnly":True})
```

Ici, comme nous fermons un long, nous ouvrons un ordre inverse (side = "sell"). Très important : nous ajoutons le paramètre `"reduceOnly": True` pour indiquer qu’il s’agit d’une fermeture de position existante, et non de l’ouverture d’une nouvelle. Notez que le montant à clôturer est récupéré grâce à `fetch_positions` (via `"contracts"`).

Si vous souhaitez bénéficier de **réductions sur les frais de trading** avec Hyperliquid, vous pouvez créer un compte via ce lien [https://app.hyperliquid.xyz/join/CRYPTOROBOT](https://app.hyperliquid.xyz/join/CRYPTOROBOT).

### Placer un Ordre Limite en Python sur Hyperliquid

Passons maintenant à un **ordre limite**. Le principe reste le même, il suffit d’adapter le type d’ordre :

```python
symbol = "ETH/USDC:USDC"
market_type = "limit"
side = "buy"
amount = 0.01
price = 3300

order = dex.create_order(symbol, market_type, side, amount, price=price)
print(order)
```

Nous stockons l’ordre dans la variable `order` pour accéder à ses informations, par exemple son `id`. Tant que le prix du marché n’atteint pas le niveau défini (3300 USDC/ETH dans cet exemple), l’ordre reste “open” et vous pouvez le voir dans la rubrique “open orders” sous le graphique.

Tant que le prix de la cryptomonnaie n’atteint pas celui spécifié dans l’ordre limite, l’ordre reste en attente. Vous le trouverez dans la section **“Open Orders”**, située sous le graphique, comme illustré dans la capture d’écran ci-dessous.

![image 9.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_9_5c0acdf5b4.png)

### Annuler des Ordres en Python sur Hyperliquid

Une autre raison pour laquelle nous avons stocké les informations de l’ordre dans la variable `order` est de pouvoir facilement récupérer l’ID de l’ordre, un élément indispensable pour identifier et gérer cet ordre. Par exemple, si nous souhaitons l’annuler, cela peut être fait simplement avec la méthode `cancel_order` de CCXT, comme illustré ci-dessous :

```python
symbol = "ETH/USDC:USDC"
order_id = order["id"]

dex.cancel_order(order_id, symbol)
```

## Techniques Avancées de Trading sur le DEX Hyperliquid en Python

### Modifier le Levier et le Mode de Marge sur Hyperliquid via Python

Avant d’ouvrir une position, il est important de définir correctement le levier et le mode de marge pour ajuster l’exposition et le risque. Les configurations par défaut ne correspondent pas nécessairement à vos besoins.

Sur Hyperliquid, vous avez le choix entre deux modes :

- **Isolated** : limite la marge à la position en cours.
- **Cross** : utilise la totalité de vos fonds disponibles pour soutenir vos positions ouvertes.

En outre, vous pouvez spécifier la valeur du levier souhaité.

Pour ajuster ces paramètres via CCXT, utilisez la méthode `set_margin_mode`, comme montré ci-dessous :

```python
symbol = "ETH/USDC:USDC"
margin_mode = "isolated"  # peut être "cross" si vous le souhaitez
leverage = 2              # exemple : levier x2

dex.set_margin_mode(margin_mode, symbol, params={"leverage": leverage})
```

Une fois défini, ce paramètre s’appliquera aux positions futures ouvertes sur **ce symbole**. 

### Placer des Ordres Take Profit et Stop Loss en Python sur Hyperliquid

Après avoir ouvert une position, il est parfois souhaitable, selon la stratégie de trading que vous avez en tête, de placer des ordres de **Take Profit** (prendre profit) et de **Stop Loss** (arrêt des pertes) afin de gérer vos risques et sécuriser vos gains.

Dans ce cas, on utilise encore la méthode `create_order`. Si notre position était un long, un take profit est une sortie, donc nous configurons `side="sell"`. Le `price` devient obsolète pour ce type d’ordre, mais nous devons tout de même le renseigner, sinon une erreur sera générée. Concernant la taille, si l’on souhaite faire un *take profit partiel*, on peut renseigner un `"amount"` plus petit que la taille de la position ouverte. Pour un *take profit total*, nous pouvons utiliser l’astuce de prendre directement la taille de la position grâce à la méthode `fetch_positions`.

Enfin, le prix auquel le take profit doit se déclencher est renseigné dans les paramètres spéciaux de la méthode, avec l’entrée `"takeProfitPrice"`. Notez que, comme nous l’avons vu précédemment, nous prenons soin de renseigner `“reduceOnly”: True` pour bien configurer une fermeture de position.

En résumé, en Python, cela donne :

```python
symbol = "ETH/USDC:USDC"
market_type = "market"
side = "sell"
price = dex.load_markets()["ETH/USDC:USDC"]["info"]["midPx"]

# amount = dex.fetch_positions([symbol])[0]["contracts"]
amount = 0.05
tp_price = 4500

dex.create_order(symbol, market_type, side, amount, price=price, params={"takeProfitPrice": tp_price, "reduceOnly": True})
```

Pour ce qui est du **stop loss**, c’est identique, sauf que le prix du stop loss doit être communiqué avec l’entrée `"stopLossPrice"`, comme ceci :

```python
symbol = "ETH/USDC:USDC"
market_type = "market"
side = "sell"
price = dex.load_markets()["ETH/USDC:USDC"]["info"]["midPx"]

amount = dex.fetch_positions([symbol])[0]["contracts"]
sl_price = 3500

order = dex.create_order(symbol, market_type, side, amount, price=price, params={"stopLossPrice": sl_price, "reduceOnly": True})
```

### Placer des Ordres Stop Market en Python sur Hyperliquid

L’ordre du type “stop market” n’est pas seulement utilisé pour configurer des stop loss ou take profit. Il peut aussi être employé pour **entrer en position**, par exemple pour « attraper » des breakouts. Par exemple, entrer en long uniquement si le prix a atteint un niveau de prix supérieur.

Pour placer un tel ordre, il suffit de renseigner un `stopPrice` dans les paramètres spéciaux de `create_order`, comme ceci :

```python
symbol = "ETH/USDC:USDC"
market_type = "market"
side = "buy"
price = dex.load_markets()["ETH/USDC:USDC"]["info"]["midPx"]
amount = 0.05
stop_price = 4200

dex.create_order(symbol, market_type, side, amount, price=price, params={"stopPrice": stop_price})
```

Voilà, nous avons fait un tour complet de ce qu’il est possible de faire en Python avec **ccxt** sur Hyperliquid. Vous disposez désormais de suffisamment d’outils pour automatiser facilement votre trading sur cette plateforme, placer différents types d’ordres, ajuster votre levier et votre marge, ou encore sécuriser vos positions avec des stop loss et take profit. N'oubliez pas que si vous souhaitez bénéficier de **réductions sur les frais de trading** avec Hyperliquid, vous pouvez créer un compte via ce lien [https://app.hyperliquid.xyz/join/CRYPTOROBOT](https://app.hyperliquid.xyz/join/CRYPTOROBOT).

**Bon trading algorithmique !**

Découvrez comment configurer et automatiser votre trading algorithmique sur le DEX Hyperliquid à l’aide de Python et ccxt.

large_image.png

Trading Algorithmique sur le DEX Hyperliquid en Python  : Guide Complet

Chaque jour, de nouvelles **idées de trading** émergent. Cependant, les tester, les coder et les backtester peut sembler chronophage. Grâce à notre **processus automatisé**, vous pouvez désormais transformer vos idées en **bots de trading en direct** en un clin d'œil.

Ce processus se divise en trois étapes majeures :

1. **Utilisation de l'IA** pour perfectionner et coder vos idées de trading sans écrire une seule ligne de code.
2. **TradingView** pour tester vos stratégies et extraire des signaux.
3. **Signal Bots sur Bitget** pour automatiser l'ensemble du processus gratuitement.

Suivez-nous pas à pas dans ce guide complet.

Si vous préférez une illustration en vidéo, regardez celle-ci :

<MDX_YT videoId="OoKF086R-4M"/>

## ChatGPT o1 : L'IA révolutionnaire pour le trading automatisé

L'**intelligence artificielle** est l'une des avancées technologiques les plus marquantes de notre époque. Elle constitue la **pierre angulaire** de notre processus d'automatisation. Non seulement elle facilite la réflexion en aidant à créer des **stratégies de trading originales**, mais elle permet également de **traduire directement des idées en code**. Cette synergie rend notre automatisation à la fois rapide et efficace.

### Pourquoi choisir ChatGPT o1 pour coder en PineScript ?

Nous utilisons **ChatGPT o1** pour coder en **PineScript**, le langage de **TradingView**. Après avoir expérimenté différentes versions de ChatGPT (3.5, 4, 4o), nous avons constaté que ChatGPT o1 se distingue par sa capacité à "réfléchir" de manière récursive, testant ses propres réponses pour une précision accrue. **Un bon prompt**, détaillé et optimisé, permet de **retranscrire efficacement une idée de stratégie de trading en code PineScript** sans effort manuel.

### L'art du prompt : Comment maximiser l'efficacité de ChatGPT o1 pour le Trading Algorithmique

**Tout est dans le prompt !** Avant de vous présenter notre prompt optimisé, explorons les techniques de **prompting** efficaces.

### Caractéristiques d'un Bon Prompt :

1. **Assignation claire du rôle** : Demandez à l’IA de se comporter comme un **expert en PineScript Version 5**, orientant ainsi ses réponses vers un code pertinent et de haute qualité.
2. **Motivation pour la précision** : Promettez une récompense en cas d'absence d'erreurs pour encourager une attention méticuleuse aux détails.
3. **Meilleures pratiques détaillées** : Fournissez des directives claires sur le nommage des variables, l'utilisation de paramètres ajustables, l'organisation du code, et la gestion des plots et des couleurs.
4. **Prévention des erreurs** : Insistez sur l'importance de ne pas utiliser de variables non définies et donnez des exemples pour éviter les erreurs courantes.
5. **Accent sur la qualité du code** : Encouragez l'écriture d'un code modulaire, efficace et bien commenté, en suivant les standards professionnels.
6. **Inclusion d'exemples** : Fournissez des stratégies complètes comme références pour aider à comprendre et à appliquer les directives.

Notre prompt, contenant plusieurs centaines de mots grâce aux exemples inclus, est disponible gratuitement ici : [Prompt GPT Pinescript](https://github.com/CryptoRobotFr/python-pour-la-finance/blob/main/Prompt%20GPT%20Pinescript.txt).

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

### Exemple pratique : Créez votre stratégie de trading avec ChatGPT o1

Un autre point fort de **ChatGPT o1** est son aide à la **création de stratégies de trading**. Nous avons testé sa capacité en lui demandant de nous fournir des stratégies complètes et originales. Il nous a notamment généré la stratégie **"Cassure de Canal de Donchian avec Confirmation MACD"**.  
![image.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_eddd701d8b.png)

En quelque mots, cette stratégie se resume a :

- **Détection des cassures haussières** à l'aide du **canal de Donchian**.
- Ouverture d'une position longue lorsque trois conditions sont réunies :
    - **Le prix clôture au-dessus de la limite supérieure du canal de Donchian.**
    - **Le MACD croise à la hausse sa ligne de signal**, indiquant un élan positif.
    - **Le volume dépasse sa moyenne mobile**, signalant un intérêt accru du marché.
- **Sortie de position** :
    - Lorsque le **MACD croise à la baisse sa ligne de signal**.

En appliquant notre *prompt*, nous avons transformé cette stratégie en code **PineScript**. Vous pouvez trouver le code PineScript ici : [Stratégie sur TradingView](https://fr.tradingview.com/script/7QfN2IjT/).

Les **résultats** de backtest **sont encourageants** avec des **courbes de gains assez régulières** pour **plusieurs cryptomonnaies**. Sur la paire **BTC/USDT** en **timeframe de 2 heures**, nous avons **obtenu** que la stratégie **aurait généré** un **profit de 108%** avec un **drawdown de 20%** sur **94 positions**. En appliquant la même stratégie sur **ETH/USDT**, les **performances auraient été** de presque **180% de profit** avec un **drawdown de 16%**. Le **screenshot** des **résultats de backtest** un peu **plus haut** **correspond** à cela.

Nous utiliserons cet exemple pour poursuivre notre processus d’automatisation.

## Automatiser Votre Stratégie de Trading avec les Signal Bots de Bitget

Vous souhaitez **transformer une stratégie TradingView en un bot opérationnel** rapidement ? Les **Signal Bots** de Bitget sont la solution idéale. En quelques clics et quelques copier-coller, vous pouvez automatiser votre stratégie sur votre plateforme d’échange.

### Étape 1 : Configurer un Signal Bot sur Bitget

Avec **Bitget**, vous pouvez utiliser votre stratégie TradingView sans intermédiaire supplémentaire pour automatiser vos stratégies de manière simple et directe. Si vous n'avez pas encore de compte Bitget, vous pouvez utiliser notre **lien d'affiliation** [Bitget - CryptoRobotYT](https://partner.bitget.com/bg/CryptoRobotYT) pour bénéficier d'une réduction de **5% sur vos frais de trading à vie et jusqu’à 8000$ à l’inscription** !

La première étape est de mettre en place un **Signal Bot**. Rendez-vous donc sur votre compte Bitget. Ensuite, comme illustré dans le screenshot ci-dessous, dans l’onglet **Bots (1)**, section **Advanced (2)**, il faut descendre un peu (3) pour pouvoir cliquer sur "**Futures Signal Bot**".

![image 1.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_1_70040feae3.png)

De là, nous pouvons créer un Signal Bot en cliquant sur "**Create Signals**" dans le panneau à droite de la fenêtre (1 sur le screenshot ci-dessous). Vous devez lui donner un nom (2) et éventuellement une description si vous le souhaitez (3).

![signalbot.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/signalbot_06bb942d47.png)

Enfin, nous avons accès (et pouvons copier) au **webhook** (4), l’URL vers laquelle les signaux générés par notre stratégie, via les alertes sur TradingView, seront envoyés à notre Signal Bot, ainsi que le message de configuration pour les alertes TradingView. Gardons donc notre fenêtre avec le Signal Bot ouverte et ouvrons en une autre avec TradingView.

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

### Étape 2 : Configurer les alertes dans TradingView

Nous reprenons donc notre strategie “Cassure de Canal de Donchian avec Confirmation MACD”. Sur trading view il est important de configurer le capital initial que l’on va utiliser. Comme illustré dans le screenshot ci-dessous, cela se fait en 4 étapes :

1. Une fois la stratégie chargée sur le graphique, cliquez sur la roue de configuration (1).
2. Sélectionnez l'onglet "**Properties**" (2).
3. Entrez votre **capital initial** (3). **300 USDT** est la limite minimum pour utiliser le Signal Bot de Bitget, celui que nous utiliserons aujourd’hui.
4. Cliquez sur **OK** (4).

![image 2.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_2_07cad7292a.png)

Maintenant, il faut configurer les alertes. Pour cela :

1. Cliquez sur "**Alert**" (1 dans le screenshot ci-dessous).
2. Assurez vous que la **condition** soit notre stratégie (2).
3. Donnez un nom à cette alerte (3).
4. Dans la section "**Message**" (4), remplacez le texte par le message donné dans notre configuration du Signal Bot ("**Step 3: Associate the signal**"). Ce message se trouve juste en dessous du webhook.

![image 3.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_3_44a16e0733.png)

Ensuite, rendez-vous dans l'onglet **Notifications** (5) :

1. Sélectionnez **Webhook URL** (6).
2. Copiez l’URL qui se trouve dans la page de configuration du Signal Bot ("**Step 3: Associate the signal**") et collez-la ici (7).
3. Validez et mettez cette alerte en route (8).

![image(2).png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_2_6ea67b4a7e.png)

### Étape 3 : Lancer votre Signal Bot sur Bitget

Nous avons maintenant bien configuré les éléments du Signal Bot et nos alertes TradingView. Nous pouvons cliquer sur "**Create Signals**" en bas de la fenêtre de configuration du Signal Bot. Une fois ceci fait, cette partie droite de la page deviendra comme ceci, où nous pouvons cliquer sur **Use** pour activer notre Signal Bot.

![image 4.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_4_91f6e635ed.png)

Et la fenêtre deviendra comme ceci :

![image 5.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_5_1986907461.png)

Il faut alors :

1. Ajouter la **paire** sur laquelle le bot tradera (1).
2. Vérifier que "**Follow after the strategy script closes the positions**" est coché (2).
3. Entrer la **margin** (3), les fonds que l’on attribue au bot, **300 USDT** étant le minimum.
4. Choisir le **levier** (4). Faites attention, par défaut il est souvent à 5.
5. Cliquer sur **Create** (5) et confirmer pour le lancer !

Vous le trouverez maintenant en dessous du graphique, où vous pouvez voir son évolution, retirer des fonds, ou encore le supprimer.

![image 6.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_6_bdc71dbd05.png)

Et voilà, **le tour est joué** comme on dit !

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

## Conclusion

Prenons un moment pour réfléchir. Cette approche n’est **pas une solution miracle** pour devenir un trader à succès instantanément. Le trading reste une discipline exigeante et compétitive. Toutefois, elle offre des **avantages significatifs** :

- **Efficacité accrue** dans la création et le test de stratégies grâce à **ChatGPT o1**.
- **Automatisation rapide** avec **TradingView** et **Signal Bots de Bitget**.
- **Itérations rapides**, permettant une progression plus rapide que celle de nombreux autres traders.

En combinant ces outils puissants, vous disposez d’une **clé essentielle pour réussir** dans le trading algorithmique.

Transformez vos idées de trading en bots automatisés avec ChatGPT o1, TradingView et Bitget. Suivez notre guide étape par étape pour coder, tester et déployer vos stratégies en toute simplicité.

large_chatgpt_tv_bitget.jpg

medium_chatgpt_tv_bitget.jpg

small_chatgpt_tv_bitget.jpg

thumbnail_chatgpt_tv_bitget.jpg

chatgpt_tv_bitget.jpg

Créez et automatisez vos stratégies de trading grâce à ChatGPT o1, Trading View et les Signal Bots

Le copy trading est une pratique à la mode, surtout dans le domaine des cryptomonnaies. Un moyen très simple de réaliser des **profits rapidement** ? Trois petits clics et vous profitez de l'expertise de traders hors pair ? Ou bien un piège marketing qui a beaucoup plus de chances de vous faire **perdre de l'argent** qu'autre chose ?

Dans cet article, nous vous proposons de décrypter tout cela en détail. Non seulement avec des mots, mais surtout par **une analyse critique** et détaillée des résultats de traders disponibles en copy trading. Le but est de vous armer avec les outils nécessaires pour pouvoir conduire votre propre analyse et déterminer si certains traders valent le coup d'être copiés ou non.

## Qu’est-ce que le Copy Trading et Quels sont ses Risques ?

### Le Copy Trading en Crypto : Un Aperçu

Le copy trading permet aux investisseurs de **reproduire automatiquement** les stratégies et positions de traders dits "expérimentés". En d’autres termes, lorsque le trader que vous suivez ouvre ou ferme une position, la même opération est effectuée sur votre compte. Cela offre une opportunité aux investisseurs de tirer profit des compétences (supposées) des traders suivis.

### Le Copy Trading sur les Plateformes d'Échange Crypto

Sur de nombreuses plateformes d'échange de cryptomonnaies, le copy trading est une fonctionnalité intégrée. Par exemple, des plateformes centralisées comme Bitget proposent une liste de traders pour le copy trading. Ces traders sont souvent classés selon leur performance, mesurée par des indicateurs tels que le **retour sur investissement** (ROI), le taux de réussite des trades, ou encore le nombre de followers. Vous pouvez alors sélectionner un trader à suivre en fonction de ces critères, comme illustré dans l’image ci-dessous.

![1.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/1_216daa4e3e.png)

### Le Copy Trading en Cryptomonnaie : Mises en Garde et Pièges

Le copy trading peut sembler être une méthode très simple pour générer rapidement des profits importants. Mais attention à ce type de réflexion, car en réalité, la situation n'est pas aussi idéale et comporte de nombreux risques et pièges :

- **Performances trompeuses** : Certains traders affichent des rendements spectaculaires sur de courtes périodes, avec des pourcentages à quatre ou cinq chiffres. Cependant, ces rendements impressionnants sont souvent dus à des stratégies à haut risque, absolument pas viables sur le long terme.
- **Manque d’historique** : Un trader avec seulement quelques jours ou semaines d’historique de trading n’a pas encore prouvé sa capacité à performer durablement. Il est difficile de juger de la compétence d’un trader sans au moins 3 à 6 mois de données fiables.
- **Taux de réussite irréalistes** : Un taux de réussite proche de > 90 % doit susciter la méfiance. Aucun trader professionnel ne peut maintenir un tel taux de succès sur le long terme. Cela peut indiquer l’utilisation de stratégies risquées, comme la martingale, où des pertes potentielles sont cachées par des rachats successifs, jusqu’à ce qu’une perte majeure survienne avec des conséquences dramatiques (liquidation de compte).
- **Utilisation excessive de levier** : Certains traders utilisent des leviers très élevés (par exemple, x50), augmentant considérablement les risques de liquidation et de pertes importantes, à la fois pour eux et pour ceux qui les suivent.

C’est pourquoi nous pensons qu’il est important de prendre le temps d'examiner en détail les statistiques et performances des traders avant de les suivre. Une analyse minutieuse permet de repérer rapidement les “red flags” ("signaux d'alarme") que nous venons de mentionner. C’est que nous allons faire maintenant, mais pour en savoir plus sur l'analyse des traders en copy trading, n'hésitez pas à consulter notre vidéo YouTube ci-dessous :

<MDX_YT videoId="vVx-QloxkAA"/>

## Comment Trouver des Traders Fiables en Copy Trading Crypto

Après avoir exploré les pièges du copy trading et mis en lumière les caractéristiques des traders à ne surtout pas suivre, il est important de souligner qu’il existe également des traders compétents qui proposent du copy trading et qui méritent potentiellement que l’on leur fasse confiance avec une partie de notre capital. La question à laquelle nous devons tenter de répondre est donc : **comment identifier de tels traders parmi tant d'autres ?**

### Un Code en Python pour Analyser les Copy Traders Crypto

Pour faire une analyse détaillée, rien de tel qu’un peu de programmation. Comme nous avons l’habitude de faire, nous avons développé un petit code en Python disponible gratuitement ici : [https://github.com/CryptoRobotFr/Backtest-Tools-V2/blob/main/analytics/copy-trading.ipynb](https://github.com/CryptoRobotFr/Backtest-Tools-V2/blob/main/analytics/copy-trading.ipynb). 

Si vous êtes intéressé, sachez que ce code utilise l’API (Interface de Programmation d'Applications) de Bitget où il récupère les données détaillées sur tous les traders disponibles en copy trading sur Bitget, telles que :

- **Historique des trades** : Pour examiner les positions prises, les gains et les pertes.
- **Statistiques détaillées** : Taux de réussite, drawdown, retour sur investissement, etc.
- **Comportements de trading** : Fréquence des trades, utilisation des leviers, types d'actifs tradés.

Le but maintenant n’est pas de rentrer davantage dans les détails de ce code, mais de voir les critères qu’il utilise pour classifier les copy traders et les résultats que nous obtenons.

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

### Critères pour Analyser les Copy Traders Crypto

Le code, dans un premier temps, filtre tous les traders sur la plateforme et exclut ceux qui présentent les caractéristiques suivantes :

- **Durée d'inscription trop courte (< 90 jours)** : Pour s’assurer que le trader a un historique suffisant pour que ses statistiques aient un minimum de sens.
- **Nombre de trades trop faible (< 50)** : Un nombre limité de trades ne permet pas d'évaluer correctement les performances d'un trader.
- **Taux de réussite suspect (> 90 %)** : Pour éviter les traders qui ont recours à des stratégies non fiables sur le long terme, comme la martingale.
- **Drawdown trop faible (< 5 %)** : Un drawdown anormalement bas peut indiquer une stratégie risquée qui ne tiendra probablement pas sur le long terme. Un trader expérimenté traverse inévitablement des périodes de drawdown, c'est une composante normale de l'activité. Ne pas en avoir du tout est suspect.

Ces seuils sont ceux qui nous semblent pertinents, mais vous pouvez tout à fait les ajuster dans le code pour mener vos propres analyses. 

Au moment de notre analyse, nous avons trouvé que **1 043 traders** respectaient ces conditions.

### Le Classement des Meilleurs Copy Traders Crypto

Ensuite, le code classe les traders sélectionnés en se basant sur les meilleures performances (ROI) et les meilleurs drawdowns. Voici un aperçu des 10 premiers au moment de notre analyse :

![2.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/2_3759c406c8.png)

Grâce à cela, nous pouvons identifier des traders potentiellement intéressants et les sélectionner pour mener une analyse plus poussée grâce à notre code.

## Analyse Détaillée des Traders en Copy Trading de Crypto

### Le #1 “Rich Bugatti”

Nous pouvons récupérer l’historique de ses trades ; en général, l’API rend disponible jusqu'à un an d’historique, ce qui donne **1 914 trades** pour ce trader.

![image.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_dbb8767e94.png)

**Attention**, nous voyons ici un premier red flag : l'utilisation d'un **levier x50**, ce qui suggère une possible stratégie martingale. Poursuivons notre analyse et regardons une autre métrique très importante : l'évolution des PnL cumulatifs (gains et pertes cumulés) en fonction du temps.

![image 1.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_1_a16c8a0244.png)

Nous sommes face à une courbe inquiétante avec de grandes marches d'escalier, espacées ou non par des périodes de multiples petits trades. Une analyse plus détaillée montre que ce trader ouvre des dizaines de trades en même temps, ce qui est **très dangereux en termes d'exposition** et génère ces fluctuations brutales pour le meilleur et pour le pire. Au final, si nous comparons le PnL de départ et d’arrivée, ce trader n’a pas généré de profits ; sa stratégie n’est pas robuste du tout.

Regardons d'autres métriques, comme le PnL moyen par paire ou par type (long/short) :

![image 2.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_2_e5c9d05e98.png)

![image 3.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_3_cef474661e.png)

Cela nous indique que ce trader a été plus performant sur ETH que sur BTC et que ce sont ses positions long qui ont été profitables plutôt que les positions short. Notez que ceci est une **caractéristique fréquente dans le trading de cryptos** ou d'indices, qui sont des actifs haussiers. Il est donc statistiquement plus probable de faire des gains en **long** qu’en **short**, et on prend plus de risques en entrant en **short**.

Regardons un dernier graphique riche en informations : celui du PnL des trades en fonction de leur durée.

![image 4.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_4_f2b065c411.png)

La distribution obtenue est très bizarre. On constate qu’un seul trade a généré la majorité des profits; hormis celui-ci, tous les trades sont alignés avec un PnL proche de zéro. Une bonne partie de ses trades perdants sont clôturés autour de 8 jours. Il y a une **très faible corrélation entre le temps en position et le PnL**, ce qui n’est pas logique. Le trader ne semble pas tirer parti des tendances du marché ou de ses corrections, mais plutôt placer des trades de façon aléatoire. Ce manque de structure PnL/temps est un autre "red flag".

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

### Le #10 “Didi Random”

Un rapide coup d’œil à son profil nous indique que, malgré une performance négative sur les derniers 30 jours de **–14,51 %** :

- **Historique solide** : Inscrit depuis **682 jours**, offrant un historique suffisant pour évaluer sa performance sur le long terme.
- **Performance totale positive** : Une performance globale de **+146 %**, indiquant une croissance régulière.
- **Taux de réussite réaliste** : Un taux de réussite de **79 %**, crédible et révélateur d'une bonne gestion du risque.
- **Utilisation de leviers modérés** : Il utilise un **levier x2**, témoignant d'une approche prudente et maîtrisée du risque.
- **Style de trading cohérent** : Il privilégie le **trading de tendance**, en maintenant ses positions gagnantes plus longtemps et en coupant rapidement ses pertes.

Utilisons maintenant les atouts de la programmation pour pousser l’analyse plus loin. Nous avons pu récupérer **242 trades:**  

![image 5.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_5_524ef7906e.png)

et sa courbe de PnL cumulatif est beaucoup plus prometteuse:

![image 6.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_6_0b293e2111.png)

Nous observons une **courbe en hausse**, voire parabolique, probablement grâce au réinvestissement regulier de ses profits. Elle présente des périodes de drawdowns, ce qui est normal, mais ces périodes ne durent pas longtemps, ce qui est bon signe.

En termes de PnL par paire, sur le graphique ci-dessous on remarque que ce trader trade un grand nombre de cryptomonnaies, dont certaines semblent systématiquement générer des pertes.

![image 7.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_7_8ce3219d0c.png)

De même, la différence entre PnL **long** et **short** ci-dessous est symptomatique du trading de tendance.

![image 8.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_8_06969e7080.png)

Enfin, analysons le graphique du PnL des trades en fonction de leur durée :

![image 9.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_9_c0ee6a38d5.png)

Ici, on observe la signature du trading de tendance : les trades perdants durent généralement peu de temps, alors que les trades gagnants restent en position beaucoup plus longtemps pour capturer un **maximum de profit** avant que la tendance ne s'inverse.

Au final, que l'on trouve ces performances et cette gestion du risque satisfaisantes ou non, cela reste une question personnelle. Cela dit, il est évident que le profil et les résultats de Didi Random reflètent bien plus ceux d'un **"vrai" trader**, qui fait croître son capital progressivement, en s'adaptant aux aléas du marché. À l'inverse, des résultats trop parfaits, comme ceux de Rich Bugatti, révèlent souvent des signaux d'alerte avec une analyse plus poussée.

Il peut être judicieux de réévaluer régulièrement les traders que vous suivez avec ce genre d’analyse. Les marchés évoluent, et un trader performant aujourd'hui peut ne pas l'être demain. Il est donc important de vérifier si ces traders résistent aux périodes de turbulences et aux conditions de marché défavorables. Tout cela vous permettra d'**optimiser vos investissements**.

Vous disposez désormais d’un cadre d’analyse et d’un code pour faire vos propres évaluations. Les critères que nous avons partagés sont ceux que nous jugeons pertinents, mais chacun a des préférences différentes. Il vous revient donc d’adapter cela à votre style d'investissement et à ce avec quoi vous vous sentez le plus à l’aise. Nous espérons que cet article vous aura aidé à mieux comprendre les pièges et les risques du copy trading, et vous offrira des pistes pour faire des **choix plus éclairés**.

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

Découvrez le copy trading sur les plateformes d’échange crypto, les pièges à éviter, et comment choisir des traders fiables en s’appuyant sur des outils d’analyse adaptés.

large_intro.jpg

medium_intro.jpg

small_intro.jpg

thumbnail_intro.jpg

intro.jpg

Le Guide sur le Copy Trading : Réalités, Pièges et Outils d’Analyse pour Trouver des Traders Fiables

## TRIX Strategy, une stratégie de trading basée sur les tendances

Dans cet article, je vais vous présenter notre nouvelle stratégie de trading TRIX qui repose sur le suivi des tendances du marché. Contrairement à d'autres stratégies qui cherchent à capter la volatilité, la stratégie TRIX exploite les mouvements directionnels forts des cryptomonnaies.

Les ressources sont les suivantes :

- [Code TradingView](https://fr.tradingview.com/script/KKRFkFTu/)
- [Code Backtest Python](https://github.com/CryptoRobotFr/Backtest-Tools-V2)
- [Code Installation Live Bitmart](https://github.com/CryptoRobotFr/Live-Tools-V2)

L’automatisation est disponible via la plateforme de trading Bitmart. Si vous n'avez pas encore de compte Bitmart, vous pouvez en créer un en utilisant notre lien d'affiliation pour profiter de bonus spéciaux et de frais réduits. Cliquez sur le bandeau ci-dessous pour vous inscrire maintenant et profiter de réduction de frais de -15% à vie.

<EXCHANGE_CARD image_name="bitmart_fr_1" link="https://bitmart.com/invite/CryptoRobot2/en-US"/>

## Explication de la Stratégie TRIX

Sur notre chaîne YouTube CryptoRobot, nous vous avons présenté de nombreuses stratégies de trading. La plupart de ces stratégies sont conçues pour capter les tendances du marché, et la stratégie TRIX ne fait pas exception. Ce qui la distingue, c'est son utilisation d'un indicateur unique, le TRIX, et d'une méthodologie rigoureuse pour entrer et sortir des positions.

Le TRIX est une triple moyenne exponentielle des prix, qui permet de lisser les fluctuations et de détecter les tendances sous-jacentes. Pour renforcer la pertinence de cette moyenne, nous utilisons également une courbe d'évolution qui mesure le changement relatif de cette triple moyenne. Enfin, une ligne signal est créée en calculant une moyenne simple du TRIX, servant de référence pour les décisions de trading.

## Les indicateurs de la stratégie TRIX

La stratégie TRIX se concentre sur un seul indicateur principal : le TRIX, qui est la moyenne de la moyenne de la moyenne exponentielle des prix. Cette méthode de calcul permet de filtrer les bruits du marché et de se concentrer sur les tendances importantes. Pour optimiser les points d'entrée et de sortie, une ligne signal, basée sur une moyenne simple du TRIX, est utilisée.

Pour filtrer les signaux et améliorer les chances de succès, la stratégie ne prend que des positions longues lorsqu'un actif se trouve au-dessus de sa moyenne mobile long terme, par exemple, celle de 500 périodes. Ce filtre supplémentaire assure que la stratégie ne se positionne que lorsque le marché est favorable à une tendance haussière.

Nous avons choisi de ne faire que des trades en long pour cette stratégie, car les cryptomonnaies, en général, ont montré une tendance haussière sur le long terme. Cela maximise les chances de succès tout en minimisant les risques de pertes sur des retournements de tendance inattendus.

![trix exemple 1.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/trix_exemple_1_90aa67cf79.png)

### Les Paramètres de la Stratégie TRIX

Les paramètres de la stratégie TRIX sont conçus pour optimiser la détection des tendances sur des cryptomonnaies en timeframes de 1h, 2h, et 4h. Voici les réglages utilisés pour le BTC en 4h :

- **Moyenne Mobile Long Terme (Long MA)** : Cette moyenne mobile sert de filtre pour les tendances de fond. Nous utilisons une **EMA (Exponential Moving Average)** de 600 périodes, qui réagit plus rapidement aux changements de prix tout en fournissant une vue d'ensemble sur la direction du marché à long terme.
- **TRIX** : Le TRIX est une triple moyenne exponentielle, configurée ici avec une longueur de 21 périodes, ce qui le rend assez réactif pour capter les mouvements intermédiaires. L'EMA est également choisie pour le TRIX afin d'accentuer sa sensibilité aux fluctuations de prix.
- **Ligne Signal du TRIX** : La ligne signal est une **SMA (Simple Moving Average)** de 9 périodes appliquée au TRIX. Cette moyenne simple agit comme un déclencheur de signal pour les entrées et les sorties en position, fournissant un repère clair pour les décisions de trading.

Ces paramètres sont réglés pour maximiser les performances en capturant les tendances tout en filtrant les signaux potentiellement erronés, notamment en s'assurant que les positions ne sont prises que dans la direction dominante du marché.

![tv parameters trix.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/tv_parameters_trix_fcd8e4a7ac.png)

## Les règles de la stratégie TRIX

Avec un indicateur principal et un filtre basé sur la moyenne mobile long terme, la stratégie TRIX est à la fois simple et efficace.

**Ouvrir un LONG (parier à la hausse) :**

1. Le TRIX croise la ligne signal à la hausse.
2. Le prix de l'actif est au-dessus de la moyenne mobile long terme (par exemple, 500 périodes).

**Fermer un LONG :**

1. Le TRIX croise la ligne signal à la baisse.
2. Le prix retombe en dessous de la moyenne mobile long terme.

Cette stratégie fonctionne particulièrement bien sur des timeframes de 1h, 2h et 4h, ce qui permet de capturer des mouvements significatifs tout en évitant les signaux trop courts qui pourraient générer des faux positifs.

### Les résultats de la Stratégie TRIX

Avant de plonger dans les résultats, rappelons que les performances passées ne garantissent pas les performances futures. L'avantage d'avoir une stratégie avec des règles claires est que nous pouvons la tester rigoureusement sur des données historiques pour évaluer son potentiel.

Nous avons effectué des backtests sur des cryptomonnaies populaires comme le Bitcoin (BTC) et l'Ethereum (ETH), en utilisant des timeframes de 1h, 2h et 4h. Les résultats montrent une performance solide, avec un bon ratio de trades gagnants et une gestion du risque efficace grâce au filtre de la moyenne mobile long terme.

**Bitcoin (BTC) :**

- Timeframe : 4h
- Capital initial : 1 000 USD
- Gains nets : 5300 USD soit +530% sur une période de 4 ans
- Win rate : 48%
- Drawdown maximum : -24%

![trix perf btc 4h.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/trix_perf_btc_4h_d5720cbf8a.png)

**Ethereum (ETH) :**

- Timeframe : 2h
- Capital initial : 1 000 USD
- Gains nets : 11 904 USD soit +1 190% sur une période de 4 ans
- Win rate : 43%
- Drawdown maximum : -29%

![trix perf eth 2h.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/trix_perf_eth_2h_81e51259e0.png)

Ces résultats démontrent la robustesse de la stratégie TRIX, en particulier sur des actifs avec une forte tendance haussière comme les cryptomonnaies.

## Conclusion sur la stratégie de trading TRIX

La stratégie TRIX offre une nouvelle perspective sur le trading de tendance en utilisant un indicateur unique et puissant. En filtrant les positions avec une moyenne mobile long terme, elle parvient à minimiser les risques tout en capturant des mouvements significatifs du marché. C'est une stratégie idéale pour ceux qui cherchent à automatiser leur trading sur les cryptomonnaies tout en se concentrant sur les tendances haussières.

Cet article n’a pas pour but de fournir des conseils financiers, mais plutôt d'exposer une stratégie ayant montré des résultats historiques solides. Cependant, comme toujours, les performances passées ne présagent en rien des résultats futurs.

Nous espérons que cet article vous a plu et que vous avez apprécié la stratégie TRIX. Si vous avez des questions, n'hésitez pas à nous contacter via nos réseaux sociaux. Pour ceux qui souhaitent implémenter cette stratégie, nous vous invitons à rejoindre notre plateforme partenaire Bitmart via le lien ci-dessous.

<EXCHANGE_CARD image_name="bitmart_fr_1" link="https://bitmart.com/invite/CryptoRobot2/en-US"/>

La stratégie TRIX est une stratégie de trading de suivi de tendance qui peut être complètement automatisée. Découvrez comment elle fonctionne et comment l'installer sur la plateforme Bitmart.

large_trix image.jpg

medium_trix image.jpg

small_trix image.jpg

thumbnail_trix image.jpg

trix image.jpg

Stratégie de Trading Automatisée TRIX (Suivi de Tendance)

S'intéresser à l'investissement révèle rapidement l'**immense variété d'actifs modernes disponibles**, ce qui peut être déroutant. Même avec une idée précise des actifs dans lesquels investir, la question demeure : comment répartir notre capital entre ces actifs de manière optimale ? En d'autres termes, comment **construire un portefeuille financier équilibré**, répondant à nos attentes en termes de gains et de tolérance au risque ?

Pour répondre à cette question primordiale, des méthodes quantitatives ont été développées. En se basant sur les performances passées des actifs, elles analysent et optimisent la répartition des actifs dans un portefeuille. Ces méthodes peuvent viser à **maximiser les rendements tout en minimisant le risque**, ou tenter de les équilibrer pour répondre au mieux à nos attentes. Aujourd'hui, nous vous présentons quelques-unes des méthodes les plus pertinentes : des techniques traditionnelles éprouvées et des approches modernes basées sur l'intelligence artificielle et le clustering.

Si vous souhaitez visionner comment nous avons traité ce sujet en vidéo, vous la trouverez ci-dessous.

<MDX_YT videoId="w0iIvS19dyg"/>

## Sélection et Optimisation des Actifs pour un Portefeuille Financier Diversifié

### Meilleurs Actifs Financiers pour un Portefeuille Diversifié

La première étape dans la création et l’**optimisation d’un portefeuille financier** est la sélection d’actifs. Il est crucial de comprendre que l'optimisation de portefeuille ne consiste pas à investir dans des actifs de manière aléatoire ou à rechercher systématiquement ceux qui ont le mieux performé les dernières années. Les performances passées ne garantissent jamais les performances futures.

Pour ces raisons, il est préférable de **sélectionner des actifs diversifiés** qui nous intéressent, en lesquels nous avons confiance ou que nous voyons un potentiel futur. Ensuite, nous appliquons des méthodes d'optimisation pour déterminer les pourcentages à investir dans chaque actif afin de satisfaire nos attentes en termes de risque et de performance. Voici les actifs que nous avons sélectionnés :

**Cryptomonnaies:** 

Les cryptomonnaies sont des actifs récents mais essentiels pour un portefeuille moderne, à condition qu’elles soient proportionnées à leur nature volatile. Nous sélectionnons des cryptomonnaies majeures :

- **Bitcoin (BTC):** La première et la plus connue des cryptomonnaies.
- **Ethereum (ETH):** Une plateforme décentralisée permettant la création de contrats intelligents.
- **Ripple (XRP):** Conçu pour les paiements et les transferts de fonds internationaux.
- **Cardano (ADA):** Une plateforme de blockchain pour les contrats intelligents, axée sur la sécurité et la scalabilité.
- **Dogecoin (DOGE):** Une cryptomonnaie initialement créée comme une blague, mais qui a gagné en popularité.

**ETFs:** 

Les ETFs (Exchange-Traded Funds) sont indispensables dans un portefeuille diversifié. Ils regroupent un panier d’actions classées par secteur ou localité et offrent une exposition à différents marchés. Nous avons choisi :

- **SP 500 (SPY):** Représente les 500 plus grandes entreprises américaines cotées en bourse.
- **MSCI World (VWRD.L):** Inclut des actions de grandes et moyennes entreprises de 23 pays développés.
- **CAC 40:** Regroupe les 40 plus grandes entreprises françaises cotées.
- **DAX 40:** Comprend les 40 plus grandes entreprises allemandes.
- **Nikkei 225:** Index des 225 plus grandes entreprises japonaises.
- **World Ex-US:** Inclut des actions internationales en excluant les États-Unis.
- **Emerging Markets:** Représente des entreprises situées dans des marchés émergents comme l'Inde, la Chine et le Brésil.
- **High Dividend:** Regroupe des actions avec des rendements de dividendes élevés.
- **Real Estate:** Comprend des actions du secteur immobilier, telles que les REITs (Real Estate Investment Trusts).

**Métaux Précieux:** 

Les métaux précieux sont des actifs de refuge. Ils préservent la valeur en période de volatilité du marché ou de forte inflation. Nous sélectionnons :

- **Gold:** Représente l'or, une valeur refuge traditionnelle.
- **Silver:** Représente l'argent, également utilisé comme valeur refuge et dans l'industrie.

**Obligations:** 

Les obligations sont des actifs peu volatils qui offrent une source de revenu fixe et réduisent le risque global du portefeuille. Nous choisissons :

- **US Bond:** Représente un panier d'obligations américaines.
- **World Bond:** Inclut des obligations du monde entier, à l'exception des États-Unis.
- **US Treasury:** Représente les obligations d'État américaines à long terme.

Pour plus de détails sur les différents types d’actifs modernes et la diversification, vous pouvez consulter notre [article](https://crypto-robot.com/blog/diversification-actifs).

### Comment Optimiser un Portefeuille Financier

Comment se déroule l’optimisation de portefeuille en pratique? Tout d’abord, ce ne sont pas des calculs que l’on fait à la main, mais bien **algorithmiquement**. Tous les calculs et les graphiques que nous allons discuter ont été réalisés par notre code Python, disponible en open source [ici](https://github.com/CryptoRobotFr/Backtest-Tools-V2/blob/main/analytics/riskfolio.ipynb). Vous pouvez l'utiliser facilement pour faire votre propre analyse avec vos choix d’actifs. Pour comprendre son utilisation, nous vous invitons à visionner cette [vidéo](https://www.youtube.com/watch?v=w0iIvS19dyg&ab_channel=CryptoRobot). Ce code utilise Yahoo Finance pour télécharger les données historiques des actifs, et pour effectuer les calculs d’optimisation, une librairie très puissante : [Riskfolio](https://riskfolio-lib.readthedocs.io/en/latest/).

L'optimisation de portefeuille commence par la collecte des **données historiques** des prix des actifs. Ces données sont fondamentales pour calculer les rendements passés, donc l’évolution du prix d’une période à une autre. Nous considérons des rendements journaliers, et les volatilités (risques) passées, mais surtout les corrélations entre les différents actifs. Cet aspect est central pour l’optimisation d’un portefeuille.

### Avantages du Clustering IA et Visualisation des Actifs Financiers

![tree.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/tree_2ac1eff83c.png)

Avec l’IA, et notamment la **méthode de clustering** (apprentissage non supervisé), il est possible de visualiser la nature de ces actifs très simplement. Par exemple, sans décrire à un seul moment à l'algorithme ce que les actifs représentent réellement, il a été capable de les regrouper par type, simplement en analysant les rendements, la volatilité et les corrélations des actifs. Vous pouvez le voir dans le graphique ci-dessous, chaque actif a été regroupé parfaitement avec une région et couleur attribuée à chaque classe d’actifs.

Vous pouvez aussi demander à cet algorithme d’illustrer les **corrélations entre les actifs** sous forme de “heatmap”. Vous pouvez ainsi voir comment les actifs se corrèlent entre eux et notamment comment les actifs de la même classe se regroupent entre eux et forment ces carrés de forte corrélation dans le graphique ci-dessous. Sur les bords, vous pouvez observer les dendogrammes, qui sont les arbres de regroupement d’actifs que la méthode de clustering a générés pour réaliser sa représentation en groupes d’actifs.

![correlations.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/correlations_5afbc25468.png)

## Optimisation Classique de Portefeuille Financier et Théorie de Markowitz

Maintenant que nous avons correctement choisi nos actifs et compris leur nature, entrons dans le vif du sujet. Comment trouver les proportions de chacun pour créer le portefeuille qui **nous satisfait le plus en termes de risques/rendement** ? Pour répondre à cela, nous allons explorer plusieurs méthodes qui mettent en avant des choix différents pour créer le portefeuille, explorant ainsi un bon panel de possibilités.

### Portefeuille Optimal avec le Sharpe Ratio et la Théorie de Markowitz

Le **Sharpe Ratio** est une métrique pour quantifier le rapport rendements/risque très utilisée en finance. Plus le Sharpe Ratio est élevé, meilleur est le rendement ajusté au risque du portefeuille. L'optimisation du portefeuille en utilisant le Sharpe Ratio est une méthode classique (sans IA) et basée sur la théorie moderne du portefeuille de Markowitz. Cette théorie est historiquement le fondement de l’optimisation de portefeuille financier.

En exécutant notre code pour obtenir le portefeuille avec le meilleur Sharpe Ratio, nous obtenons la distribution ci-dessous.

![sharpe_distribution.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/sharpe_distribution_065d27f3a6.png)

Vous pouvez ainsi voir que la plus grosse partie est prise par l’or avec 36.7%. C’est en effet un actif très stable qui vient faire contrepoids aux autres actifs du portefeuille plus risqués. En opposition, les cryptomonnaies amènent beaucoup de rendement, mais au vu de leur volatilité, leur proportion est très faible. Les autres actifs majeurs sont deux ETF et le World Bond (obligations).

En comparant la contribution de chaque actif au risque total du portefeuille, on se rend compte que cette petite fraction de DOGE contribue beaucoup au risque à cause de la forte volatilité de l’actif, environ 4.5% (voir graphique ci-dessous). Alors que les grosses proportions de gold ou SP500 contribuent chacune à environ 2.5%.

![contribution_sharpe.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/contribution_sharpe_398a22e6d1.png)

Notez aussi que cette optimisation a sélectionné seulement une **partie très réduite de nos actifs** de départ, l'algorithme a jugé que ceux-ci étaient plus avantageux en termes de risque/rendement par rapport à leurs homologues qui sous-performent. Ces derniers sont considérés à un pourcentage quasi nul, tous regroupés dans la rubrique “others”.

### Frontière Efficiente pour des Portefeuilles Financiers Optimaux

Cependant, avec ce portefeuille en main, nous savons qu’il a le meilleur Sharpe Ratio. Mais si nous souhaitons choisir des portefeuilles avec plus ou moins de rendement selon notre tolérance au risque, comment faire?

Nous pouvons utiliser le concept de **frontière efficiente** introduit par Markowitz. Nous générons aléatoirement des centaines de portefeuilles et, pour un risque donné, nous sélectionnons celui qui offre le meilleur rendement, c’est le portefeuille optimal. Le graphique ci-dessous illustre cette courbe des portefeuilles optimaux en fonction du risque. L’étoile symbolise notre portefeuille précédent obtenu en maximisant le Sharpe Ratio.

![efficient_frontier.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/efficient_frontier_58897018c1.png)

Pour en savoir plus sur les méthodes d'optimisation classique et la théorie de Markowitz, consultez notre [article](https://crypto-robot.com/blog/portefeuille-optimisation-methodes) détaillé sur le sujet.

## Optimisation de Portefeuille Financier avec l’Intelligence Artificielle

### Optimisation par Parité de Risque Hiérarchique (HRP) : Une Approche IA pour les Actifs Financiers

La **Parité de Risque Hiérarchique** est une méthode d'optimisation de portefeuille qui utilise le clustering hiérarchique pour trouver les distributions optimales d’actifs dans un portefeuille financier. C’est une méthode d’IA particulièrement efficace pour gérer des actifs avec de fortes corrélations et volatilité, comme les actifs en bourses et les cryptomonnaies, souvent moins bien pris en compte par des méthodes plus classiques (plus de détails [ici](https://crypto-robot.com/blog/portefeuille-optimisation-methodes)).

Un algorithme de Parité de Risque Hiérarchique commence par mesurer à quel point les mouvements de prix de différents actifs se ressemblent, en utilisant leurs corrélations. Ensuite, il regroupe les actifs qui se comportent de manière similaire. Le risque est réparti de manière égale entre ces groupes, puis entre les actifs à l'intérieur de chaque groupe. Enfin, les poids des actifs dans le portefeuille sont calculés en tenant compte de cette structure hiérarchique et de la répartition du risque.

En effectuant l’optimisation avec cette méthode sur nos actifs grâce à notre code, nous obtenons désormais un portefeuille, comme le montre le graphique ci-dessous, qui donne cette fois une part non négligeable à bien plus de nos actifs.

![hpr_distribution.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/hpr_distribution_3678b57606.png)

Conceptuellement, l’algorithme a cherché les proportions de chaque actif telles que chaque actif contribue de manière égale au risque total du portefeuille et que tous les actifs soient présents dans le portefeuille. Ainsi, si nous regardons la contribution au risque ci-dessous, nous voyons que dans notre cas, les proportions de chaque actif sont telles qu'ils contribuent tous à 0.4% au risque total du portefeuille.

![hpr_contributions.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/hpr_contributions_061d6fad53.png)

De façon logique, avec cette méthode, nous observons que les actifs qui se retrouvent en plus grande proportion sont effectivement les plus stables, tels que les obligations. **Plus l’actif est volatile, plus sa proportion est faible**.

### Méthode Nested Clustered Optimization pour un Portefeuille Financier Optimal

Vous vous demandez peut-être ce qu'il en est si l'on souhaite allier les processus de clustering que nous avons vus avec une optimisation sur le Sharpe Ratio. La Nested Clustered Optimization est justement une **méthode hybride** qui fait exactement cela. Voici ce que cela donne pour notre portefeuille :

![nco_distribution.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/nco_distribution_4d174724d7.png)

Sans surprise, ce sont des proportions qui ressemblent au premier portefeuille que nous avons présenté, obtenu par la maximisation du Sharpe Ratio. Mais ici, nous voyons que les contributions majeures (>10%) sont moindres au total. L’algorithme a davantage tiré profit des **rendements des cryptomonnaies**. La même analyse se reflète dans la contribution des actifs au risque illustrée ci-dessous. On peut noter aussi que maintenant les contributions sont légèrement plus équilibrées qu’avec la maximisation du Sharpe Ratio simple.

![nco_contribution.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/nco_contribution_87a91d3b10.png)

### Performances Portefeuille Financier Optimisé et Stratégies de Trading

Pour conclure, il est légitime de se demander quelles auraient été les performances d’un tel portefeuille. En d'autres termes, si nous avions acheté ces actifs en respectant ces proportions il y a quelques années, quelles auraient été les **performances au cours du temps** et combien aurions-nous fait en profits aujourd’hui. Voici un graphique qui résume cela.

![nco_performances.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/nco_performances_5067db2c0e.png)

Vous pouvez observer que sur les six dernières années, ce portefeuille aurait généré une performance de +125%, passant de 100% à 225%. Le drawdown, ou perte maximale en valeur, a été légèrement supérieur à 20%, et survient durant la période du crash du COVID.

Ce type d’évolution de performance est **remarquable pour un portefeuille d’investissement passif**, sans méthode de trading appliquée ni rebalancing d’actifs. Le faible drawdown de 20% pendant des périodes de crise démontre l'efficacité de cette approche dans la protection du capital, tout en offrant une croissance substantielle sur le long terme. La composition du portefeuille, incluant une proportion significative d'or et une allocation diversifiée entre actions, obligations et cryptomonnaies, a permis de tirer parti des performances positives de ces actifs tout en minimisant l'impact des fluctuations négatives.

Enfin, nous voulons mentionner que l’utilisation de ce type de méthode d’optimisation **ne se limite pas aux portefeuilles d’investissement**. En effet, si vous utilisez des stratégies de trading ou des bots de trading, vous vous demandez certainement souvent combien de fonds de votre capital total vous devriez attribuer à tel ou tel actif ou cryptomonnaie et pour telle ou telle stratégie. Vous pouvez utiliser ces méthodes dans ce contexte en remplaçant les prix historiques des actifs par les performances passées d’un actif activement tradé avec une stratégie (backtest). Ces méthodes d’optimisation vous donneront une indication de la manière de répartir vos fonds selon vos critères.

Optimisez votre portefeuille financier avec des stratégies basées sur la théorie de Markowitz et l'intelligence artificielle. Découvrez comment diversifier vos actifs, maximiser les rendements et minimiser les risques.

large_nco_distribution.png

medium_nco_distribution.png

small_nco_distribution.png

thumbnail_nco_distribution.png

nco_distribution.png

Optimiser Votre Portefeuille Financier en 2024 : ETF, Actions, Cryptomonnaies, Obligations et Métaux Précieux

Dans le trading, les graphiques regroupant les données par unité de temps sont couramment utilisés. Mais saviez-vous qu'il existe des méthodes potentiellement **plus pertinentes pour améliorer vos stratégies de trading** ? Explorons ensemble cette alternative qui transformera votre façon d’analyser les marchés.

Tout d’abord, voici quelques ressources gratuites que nous avons développées dans notre exploration de cette thématique qui pourront vous être utiles :

- **Le code en langage de programmation Python** : [https://github.com/CryptoRobotFr/Backtest-Tools-V2/blob/main/analytics/ohlcv_resempler.ipynb](https://github.com/CryptoRobotFr/Backtest-Tools-V2/blob/main/analytics/ohlcv_resempler.ipynb)
- **Notre vidéo** : Si vous préférez nous voir et nous entendre parler de ce sujet, voici notre vidéo :

<MDX_YT videoId="uL3KJ7vBWCw"/>

## Les Bougies Temporelles OHLC et leurs Alternatives pour le Trading

### Pourquoi Utilisons-Nous des Bougies Temporelles en Trading ?

Vous êtes-vous déjà demandé pourquoi, en trading, les données sont regroupées par unités de temps pour créer des bougies ? Par exemple, les graphiques regroupent souvent les données par heure ou par jour. Cette méthode est généralement utilisée pour **sa simplicité et sa familiarité** avec notre perception du temps basée sur le calendrier. Chaque bougie représente une période de temps spécifique avec des informations sur les prix d'ouverture, de clôture, le plus bas et le plus haut (open, high, low, close). 

Vous pouvez voir un exemple ci-dessous d’un graphique en daily (une bougie correspond au prix journalier en dollars du Bitcoin). Les bougies vertes nous indiquent que le prix a augmenté pendant cette journée, tandis que les bougies rouges montrent qu'il a diminué. Les mèches des bougies indiquent les minimums et maximums que le prix a atteints pendant la journée correspondante.

![daily_btc.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/daily_btc_f5bc919ffb.png)

Cependant, cette méthode de représentation en bougie temporelle n'est **pas sans inconvénients**. Elle accorde le même poids à des périodes avec des volumes de trading très différents. Par exemple, une journée avec peu d'activité de trading et une autre avec une activité intense peuvent paraître similaires en termes de représentation graphique, ce qui peut induire en erreur les traders sur la volatilité réelle du marché.

### Alternatives aux Bougies Temporelles en Trading : Les Bougies Basées sur les Transactions, la Volatilite ou le Volume

Pour offrir une vision différente du marché, potentiellement plus pertinente pour comprendre les mouvements et les forces intrinsèques à son évolution, on peut regrouper les données par nombre de transactions, par volatilité ou par volume de trading.

*Bougies Basées sur le Nombre de Transactions*

Une méthode consisterai à regrouper les données par nombre de transactions. Par exemple, une bougie pourrait être créée toutes les 2000 transactions. Chaque bougie représente ainsi un nombre égal de transactions, permettant une analyse homogène du comportement des traders. Les périodes de forte activité produiront plus de bougies, offrant une **vue plus granulaire** des mouvements du marché.

*Bougies Basées sur la Volatilité*

Regrouper les données par volatilité signifie créer une nouvelle bougie chaque fois qu'il y a un changement de prix significatif, par exemple, de 5%. Cette méthode se concentre sur les mouvements de prix importants, en ignorant les fluctuations mineures. Les petites variations de prix affecteront peu la formation de nouvelles bougies, ce qui rend l'**analyse des tendances et des retournements du marché plus claire**.

*Bougies Basées sur le Volume de Trading*

Une autre méthode consiste à regrouper les données par volume de trading, chaque bougie représentant un volume constant de transactions, par exemple, 10 millions de dollars. Cela permet d'obtenir une représentation graphique où chaque bougie indique **une activité de marché caractéristique de l’actif**, le choix du volume par bougie, indépendamment du temps nécessaire pour atteindre ce volume.

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

### Avantages des Bougies de Volume Constant pour le Trading

Les bougies à volume constant offrent plusieurs avantages que nous pouvons résumer ainsi :

- **Réflexion plus précise de l'activité du marché :** Les périodes de forte activité (hauts volumes) sont mieux représentées, car chaque bougie contient le même volume de transactions.

- **Réduction des bruits de marché :** Les périodes de faible activité sont condensées, réduisant les bougies non significatives qui peuvent fausser l'analyse.

- **Amélioration des indicateurs techniques :** Les indicateurs basés sur le volume peuvent devenir plus pertinents, car ils sont calculés sur des unités de volume constant.

Nous allons maintenant explorer cette méthode de bougies à volume constant plus en détail. Nous la mettrons en pratique en comparant ses performances possibles avec une stratégie de trading utilisant des bougies temporelles standard.

## Comment Transformer les Données OHLCV en Bougies de Volume Constant pour une Meilleure Analyse de Marché

### Principe et Code pour Transformer les Données OHLCV en Bougies de Volume Constant

Pour transformer les données OHLCV (open, high, low, close, volume) en bougies de volume constant, c’est assez simple. D’abord, il faut télécharger les données OHLCV sur une timeframe la plus basse possible, en 1 minute par exemple. Ensuite, de façon algorithmique, partant de la bougie la plus ancienne, on accumule toutes les bougies d’une minute jusqu'à atteindre un volume total échangé d’un certain nombre. Dans ce paquet, on trouve le low et le high, tandis que l’open de la première bougie en minute est de facto l’open de notre bougie de volume constant, et son close correspond au close de la dernière bougie en minute du paquet. On répète ensuite ce processus itérativement jusqu'à avoir parcouru toutes les bougies.

Vous pouvez trouver gratuitement ici l’algorithme en Python que nous avons développé pour faire cela : [https://github.com/CryptoRobotFr/Backtest-Tools-V2/blob/main/analytics/ohlcv_resempler.ipynb](https://github.com/CryptoRobotFr/Backtest-Tools-V2/blob/main/analytics/ohlcv_resempler.ipynb).

### Differences entre Données OHLCV en Bougies de Temps ou de Volume Constant

![ex_standard_candles.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/ex_standard_candles_c83bb85e13.png)

![ex_volume_candles.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/ex_volume_candles_d4066e1e2c.png)

Si l’on prend comme exemple les données de Binance pour le Bitcoin contre l'USDT, récupérées minute par minute depuis 2017, et que l’on choisit de regrouper les bougies en volumes moyens d’environ 3000 USDT, cela donne le cours représenté dans la deuxième figure ci-dessus. Alors que pour la même période approximativement, les bougies représentées en tranches d’une heure correspondent à la première figure ci-dessus.

Vous pouvez effectivement vérifier que le volume est constant sur le graphique en bougies regroupées par volume. Aussi, ceci implique que l’**échelle de temps n’est plus linéaire**. Cela offre une représentation plus précise de l'activité du marché. En somme, vous pouvez observer que pendant les périodes de forte activité, les bougies se forment plus rapidement, reflétant la hausse de la volatilité et du volume des transactions. En revanche, durant les périodes calmes, les bougies se forment plus lentement.

## Performances Stratégies de Trading: Bougies Temporelles vs Bougies de Volume Constant

### Stratégies de Trading avec les Bandes de Bollinger: Tendance et Retour à la Moyenne

Pour comparer l'efficacité des bougies de volume constant par rapport aux bougies temporelles, prenons un exemple de chaque type principal de stratégie de trading : stratégie de tendance et stratégie de retour à la moyenne. Si vous avez besoin d’en apprendre plus sur les spécificités de chacun de ces types de stratégies, nous avons dédié un article dessus : [https://crypto-robot.com/blog/guide-type-strategie](https://crypto-robot.com/blog/guide-type-strategie).

Pour construire un exemple de chaque type, utilisons un indicateur versatile et très utilisé dans le trading, les bandes de Bollinger. Vous pouvez les voir représentées sur le chart ci-dessous.

![bollinger_bands.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/bollinger_bands_e7b6296a55.png)

Pour rester simple, nous considérerons :

1. **Stratégie de Tendance** : Achat lorsque le prix dépasse la bande supérieure et vente lorsque le prix repasse sous la moyenne.
2. **Stratégie de Retour à la Moyenne** : Achat quand le prix tombe sous la bande inférieure, et vente selon un stop-loss ou un take-profit prédéfinis.

Grâce à notre code en Python, effectuons maintenant un backtest pour chaque stratégie sur chaque type de données : le cours du Bitcoin contre l’USDT en bougies temporelles et le cours du Bitcoin contre l’USDT en bougies en volume constant de 3000 USDT. Discutons maitnenant des résultats.

### Résultats de la Stratégie de Tendance : Bougies de Volume Constant vs Bougies Temporelles

En appliquant la stratégie de tendance aux bougies temporelles classiques (heure par heure), le capital initial de 1000 dollars atteint 1900 dollars à la fin du backtest, ce qui représente une performance de 91 %. Le backtest montre un drawdown très large de 67 %. En revanche, avec les bougies de volume constant, le capital grimpe à 5400 dollars, soit une performance de 442 %, avec un drawdown similaire.

Les drawdowns sont bien entendu trop élevés pour considérer cette stratégie comme viable, mais ce premier exercice montre que l’utilisation des bougies semble rendre l’**identification de tendance par la stratégie plus efficace**, ce qui se traduit par de meilleurs profits.

### Résultats de la Stratégie de Retour à la Moyenne : Bougies de Volume Constant vs Bougies Temporelles

Pour la stratégie de retour à la moyenne, les bougies temporelles conduisent à une perte, le capital initial de 1000 dollars tombant à 898 dollars (-10 %) avec un maximum drawdown d’environ -67 %. À contrario, en utilisant les bougies de volume constant, le capital double presque pour atteindre 1900 dollars (+95 %), et le maximum drawdown s’améliore nettement à 38 %.

Ici encore, on semble effectivement gagner en efficacité de la stratégie lorsque l’on applique des bougies de volume constant.

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

## Quel Graphique est Meilleur pour le Trading ? Bougies Temporelles ou Volume Constant ?

Il est important de noter que les résultats observés jusqu'à présent ne sont pas définitifs, mais plutôt une analyse préliminaire et simplifiée. Des tests supplémentaires, des optimisations sur plusieurs paramètres et une étude statistique approfondie sont nécessaires pour confirmer la supériorité des bougies de volume constant.

### Pourquoi les Bougies de Volume Constant sont-elles Potentiellement Meilleures ?

Essayons toutefois de résumer objectivement les avantages et limitations que les bougies à volume constant peuvent avoir par rapport aux bougies standard :

1. **Moins Utilisées par les Traders :**
Une des raisons pour lesquelles les bougies de volume constant peuvent montrer de meilleures performances est leur faible adoption parmi les traders. En effet, environ 99 % des traders utilisent des données regroupées par période. L'utilisation de données moins courantes peut offrir un avantage concurrentiel en permettant de capter des mouvements de marché moins visibles avec les graphiques traditionnels.

2. **Réduction du Bruit du Marché :**
Les bougies de volume constant peuvent offrir une meilleure représentation de l'activité réelle du marché, en particulier durant les périodes de forte volatilité. Par exemple, elles permettent de distinguer clairement les jours de faible activité de ceux de forte activité, ce qui n'est pas toujours évident avec les bougies temporelles.

### Limites des Bougies de Volume Constant dans le Trading

Cependant, cette méthode présente aussi des défis. Si vous êtes l'un des rares à utiliser ces données, cela peut compliquer votre capacité à prédire les mouvements de marché qui sont souvent influencés par le comportement collectif des traders utilisant des données temporelles. En trading, une grande partie de l'analyse repose sur l'interprétation des graphiques par une multitude de traders. Si vous travaillez avec des données que personne d'autre n'utilise, le marché peut devenir imprévisible et aléatoire.

En conclusion, il n'est pas possible d'affirmer de manière catégorique qu'il faut absolument utiliser les données regroupées par volume ou par unité de temps. Les bougies de volume constant montrent un potentiel intéressant, mais elles nécessitent des tests plus approfondis pour confirmer leur pertinence. 

À l'avenir, il serait judicieux de tester les deux méthodes lors de la création de stratégies de trading afin de déterminer laquelle offre les meilleurs résultats. L'utilisation simultanée des deux types de graphiques pourrait enrichir l'élaboration des stratégies et des bots de trading. En combinant les avantages des graphiques en temps constant et en volume constant, un bot de trading pourrait améliorer ses performances en prenant des décisions d'achat et de vente plus éclairées.

Découvrez comment les bougies de volume constant peuvent révolutionner vos stratégies de trading et offrir une analyse plus précise du marché. Accédez à notre guide complet avec des ressources gratuites en Python.

large_volume_resampler.jpg

medium_volume_resampler.jpg

small_volume_resampler.jpg

thumbnail_volume_resampler.jpg

volume_resampler.jpg

Optimisez vos Stratégies de Trading avec les Bougies Basées sur Volume

La gestion efficace des méthodes de sortie est cruciale pour réussir en trading. Cela comprend la **gestion des risques** et la protection contre les variations de prix qui pourraient compromettre votre stratégie. Parmi ces méthodes, le **trailing stop loss** est une option dynamique qui s'intègre dans ce cadre.

Ce dispositif peut être avantageux dans les marchés à forte tendance, où il peut surpasser la combinaison traditionnelle du stop loss et du take profit. Toutefois, dans les marchés volatils, il présente des limites : le trailing stop loss risque d'être activé prématurément en raison de pics de volatilité, et non en réponse à une réelle inversion de tendance.

Pour ajouter cet outil à votre arsenal de trading, voyons comment coder un trailing stop loss facilement en Pine Script. Nous explorerons deux méthodes : une méthode simple utilisant les fonctionnalités de base de TradingView, et une méthode plus versatile. Nous nous concentrerons uniquement sur le trailing stop loss dans cet article. Si vous souhaitez apprendre à coder un stop loss et un take profit en Pine Script, vous pouvez lire [cet article](https://crypto-robot.com/blog/tp-sl-pinescript).

## Comprendre et Utiliser Efficacement les Ordres Trailing Stop Loss (Stop Suiveurs)

Un ordre de trailing stop loss, tout comme un stop loss classique, est un **ordre de fermeture de position**. Cependant, il se distingue par sa capacité à s'ajuster dynamiquement en fonction des mouvements favorables du marché. Contrairement à un stop loss fixe, le trailing stop loss se déplace automatiquement avec les hausses de prix pour une position long ou avec les baisses pour une position short, tout en restant fixe si le prix évolue dans la direction opposée. 

En pratique, voici comment cela fonctionne :

1. **Définition de la Distance de Suivi** : Le trader spécifie une distance, généralement en pourcentage ou en points, par rapport au prix actuel.
2. **Ajustement Automatique** : Si le marché évolue favorablement, le trailing stop loss se réajuste pour maintenir la distance prédéfinie. En cas de baisse du prix (pour une position long), il reste au niveau atteint.
3. **Exécution de l'Ordre** : Si le marché atteint le niveau du trailing stop loss en évoluant défavorablement, l'ordre est déclenché, fermant ainsi la position.

Le prix d'exécution est donc dynamique. Les approches pour définir la distance de suivi incluent :

- **Pourcentage par rapport au prix d'entrée** : Par exemple, un trailing stop loss fixé à 5% sous le prix actuel pour une position long.
- **Indicateur de volatilité** : Utilisation de l'Average True Range (ATR) ou d'autres indicateurs pour déterminer la distance de suivi. Pour plus de détails sur l'ATR, rendez-vous [ici](https://crypto-robot.com/blog/atr-ratio-trading).

## Programmer un Trailing Stop Loss en Pine Script sur TradingView : Guide Complet

### Exemple de Stratégie de Trading Simple en Pine Script

Pour illustrer l’implémentation d’un ordre de trailing stop loss, reprenons l’exemple de la stratégie présentée dans notre article sur les ordres take profit et stop loss en Pine Script. Elle utilise des bandes de Bollinger pour ses règles d'entrée. Le code se trouve ci-dessous :

```python
//@version=5
strategy('TSL example', default_qty_type=strategy.percent_of_equity, default_qty_value=100, commission_type=strategy.commission.percent, commission_value=0.1, overlay=true)

// *** Indicator *** 
bb_length = input(20, title="BB Length")
bb_mult = input(2, title="BB Multiplier")

bb_stddev = ta.stdev(close, bb_length)
bb_average = ta.sma(close, bb_length)

bb_upper = bb_average + bb_mult * bb_stddev
bb_lower = bb_average - bb_mult * bb_stddev

// *** Signals ***
entry_long = ta.crossover(close, bb_upper)
entry_short = ta.crossunder(close, bb_lower)
```

Si vous souhaitez plus d’explications sur les éléments de ce code, consultez [l’article correspondant](https://crypto-robot.com/blog/tp-sl-pinescript).

### Coder un Trailing Stop Loss en Pine Script : Méthode Directe et Rapide

Il existe **deux façons** d’implémenter un trailing stop loss en Pine Script. La première méthode utilise les paramètres intégrés dans la fonction `strategy.exit()` de Pine Script, qui gère les sorties de position. L’autre est une implémentation légèrement plus complexe, mais beaucoup plus versatile, permettant notamment de fixer le niveau du trailing suivant des valeurs d’indicateurs et pas uniquement selon un écart de prix.

Examinons d'abord la première méthode. Elle est très directe lorsque l’on souhaite simplement établir le trailing stop loss selon un écart par rapport au prix de l’actif. Il est souvent pertinent d’exprimer cet **écart en pourcentage**. Par exemple, pour un écart de 5% par rapport au `close` du prix, cela donne en Pine Script :

```python
trail_percent = 0.05
tsl_offset  = close * trail_percent / syminfo.mintick
tsl_price = close
```

Ici, nous avons converti l'écart donné en pourcentage en ticks dans `tsl_offset`. C'est ce que la fonction `strategy.exit()` requiert ainsi que `tsl_price`. En résumé :

- `tsl_price` est le prix d’activation de l’ordre trailing stop loss. Ce n’est pas le prix d’exécution, celui-ci est déterminé automatiquement par TradingView selon le `tsl_offset`.
- `tsl_offset` correspond à l’écart par rapport au prix d’activation `tsl_price`.

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

Une fois ces paramètres correctement établis, nous pouvons ajouter les sorties comme suit :

```python
trail_percent = 0.05
tsl_offset  = close * trail_percent / syminfo.mintick
tsl_price = close

if entry_long and strategy.position_size == 0
    strategy.entry("Long", strategy.long)
    strategy.exit("Long", trail_price = tsl_price, trail_offset = tsl_offset , comment_trailing = "TSL Long")

if entry_short and strategy.position_size == 0
    strategy.entry("Short", strategy.short)
    strategy.exit("Short", trail_price = tsl_price, trail_offset = tsl_offset , comment_trailing = "TSL Short")
```

Nous avons aussi spécifié un tag `comment_trailing` qui sera affiché sur le graphique TradingView sur la bougie à laquelle le trailing stop loss est exécuté, comme ceci :

![comment_tsl.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/comment_tsl_21a8968331.png)

### Coder un Trailing Stop Loss en Pine Script : Méthode Avancée et Versatile

Si l’on souhaite fixer le prix d'exécution du trailing stop loss **selon un indicateur**, il faut être capable de mettre à jour continuellement l’ordre via `strategy.exit()`. Dans ce cas, il peut être plus facile de réaliser soi-même le calcul du niveau du trailing stop loss à chaque bougie.

Prenons comme exemple un trailing stop loss calculé selon un écart par rapport au `close`, tabulé sur la volatilité de l’actif. Choisissons donc d’utiliser l’indicateur ATR (pour plus d’informations sur cet indicateur et comment l’utiliser comme filtre de volatilité, consultez cet [article](https://crypto-robot.com/blog/atr-ratio-trading)).

D’abord, définissons nos entrées puisque les sorties seront gérées indépendamment en fonction de l'évolution du trailing :

```python
entry_long = ta.crossover(close, bb_upper)
entry_short = ta.crossunder(close, bb_lower)

if entry_long and strategy.position_size == 0
    strategy.entry("Long", strategy.long)
if entry_short and strategy.position_size == 0
    strategy.entry("Short", strategy.short)
```

Ensuite, calculons l’ATR et fixons que le niveau du trailing stop loss doit correspondre à un écart de 3 fois l’ATR par rapport au `close` du prix :

```python
atr_length = 14
atr = ta.atr(atr_length)
long_tsl = close - 3 * atr
short_tsl = close + 3 * atr
```

Maintenant, nous devons mettre en place la logique du trailing stop loss. Autrement dit, nous devons faire en sorte que le prix de l’ordre stop loss se mette à jour uniquement si le **prix évolue favorablement** pour notre position, en fonction du mouvement des prix et de l'indicateur. Sinon, le prix du stop loss doit rester identique à celui de la bougie précédente. Cela donne en Pine Script :

```python
long_stop_price = 0.0
long_stop_price := if strategy.position_size > 0
    math.max(long_tsl, long_stop_price[1])
else
    0

short_stop_price = 0.0
short_stop_price := if strategy.position_size < 0
    math.min(short_tsl, short_stop_price[1])
else
    999999
```

Notez que cette logique est implémentée grâce à la fonction `math.max` dans le cas d’une position long. Nous vérifions si la valeur de `long_tsl` est supérieure au prix du stop loss de la bougie précédente (`long_stop_price[1]`). Si c'est le cas, cela signifie que le prix a évolué favorablement. Si une position long est effectivement ouverte (`if strategy.position_size > 0`), alors `long_stop_price` prendra la valeur retournée par `math.max`, c'est-à-dire `long_tsl` dans ce cas. Si le prix a évolué défavorablement, `long_tsl` sera inférieur à `long_stop_price[1]`, et `math.max` retournera le prix du stop loss de la bougie précédente. La logique est inverse pour une position short.

Il nous reste à mettre en place la sortie via un stop loss :

```python
if strategy.position_size > 0
    strategy.exit(id='TSL Long', stop=long_stop_price)

if strategy.position_size < 0
    strategy.exit(id='TSL Short', stop=short_stop_price)
```

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

Ce qui sera automatiquement mis à jour à chaque bougie. Maintenant, ajoutons un plot du trailing stop loss, ce qui peut grandement aider pour étudier la stratégie en jeu et ses performances. Récapitulons le code complet :

```jsx
//@version=5
strategy('Versatile TSL Example', overlay=true, default_qty_value=100, commission_value=0.1, default_qty_type=strategy.percent_of_equity, commission_type=strategy.commission.percent)

// Indicators
bb_length = 20
bb_mult = 2
atr_length = 14

atr = ta.atr(atr_length)
bb_stddev = ta.stdev(close, bb_length)
bb_average = ta.sma(close, bb_length)
bb_upper = bb_average + bb_mult * bb_stddev
bb_lower = bb_average - bb_mult * bb_stddev

// Entries
entry_long = ta.crossover(close, bb_upper)
entry_short = ta.crossunder(close, bb_lower)

if entry_long and strategy.position_size == 0
    strategy.entry("Long", strategy.long)
if entry_short and strategy.position_size == 0
    strategy.entry("Short", strategy.short)

// Compute the trailing stop loss prices
long_tsl = close - 3 * atr
short_tsl = close + 3 * atr

// Check and update the stop loss depending on price movement
long_stop_price = 0.0
long_stop_price := if (strategy.position_size > 0)
    math.max(long_tsl, long_stop_price[1])
else
    0

short_stop_price = 0.0
short_stop_price := if (strategy.position_size < 0)
    math.min(short_tsl, short_stop_price[1])
else
    999999

// Exit orders
if strategy.position_size > 0
    strategy.exit(id='TSL Long', stop=long_stop_price)

if strategy.position_size < 0
    strategy.exit(id='TSL Short', stop=short_stop_price)

// Plots
plot(bb_upper, color=color.new(#ffb13b, 0), linewidth=2)
plot(bb_average, color=color.new(#b43bff, 0), linewidth=2)
plot(bb_lower, color=color.new(#ffb13b, 0), linewidth=2)
plot(series=strategy.position_size > 0 ? long_stop_price : na, color=color.rgb(49, 122, 241), style=plot.style_cross, linewidth=3)
plot(series=strategy.position_size < 0 ? short_stop_price : na, color=color.rgb(49, 122, 241), style=plot.style_cross, linewidth=3)
```

Pour conclure, il est important de noter que tout ceci était un exemple simple pour vous apprendre à coder un trailing stop loss en Pine Script. Pour qu’une stratégie soit viable et utilisable avec de l’argent réel, il faut beaucoup plus de tests et de validations. Gardez cela en tête. Cet article était éducatif et non un conseil en investissement. Nous espérons que cela vous a apporté les bases que vous cherchiez pour implémenter vos stratégies.

Nous souhaitons également vous mettre en garde contre une utilisation abusive du trailing stop loss. Bien qu'il s'agisse d'une méthode très populaire sur les réseaux sociaux et parmi les traders débutants, elle n'est pas une solution miracle. **L’efficacité du trailing stop loss est limitée**. Il peut fonctionner correctement lors de fortes tendances, mais génère souvent de nombreux faux signaux et mauvaises sorties lorsque le marché est en phase latérale. De plus, il implique un retard au niveau de la sortie, car il se déclenche uniquement lorsque le prix a déjà commencé à évoluer défavorablement. Dans de telles situations, il peut être plus efficace de configurer la sortie en utilisant des indicateurs plus adaptés à la stratégie en place.

Découvrez comment maîtriser les trailing stop loss en Pine Script sur TradingView. Apprenez à programmer ces ordres de stop suiveurs dynamiques avec des méthodes simples et avancées pour optimiser vos stratégies de trading et gérer efficacement les risques.

Comment Maîtriser les Trailing Stop Loss en Pine Script sur TradingView

Constituer un portefeuille optimal, maximisant les gains tout en minimisant les risques, est le Saint Graal de tout investisseur. La clé réside souvent dans la diversification : un portefeuille équilibré, où les performances des actifs se complètent. En période de mauvaise performance pour certains actifs, d'autres peuvent compenser, assurant ainsi une **croissance régulière du capital**.

Mais comment réaliser cela en pratique ? Comment inclure des actifs à fort potentiel comme les cryptomonnaies, qui, en raison de leur risque élevé et de leur forte corrélation, **défient l'idée même de diversification** ?

Une **approche analytique** est indispensable pour répondre à ces questions. Explorons ensemble les outils d'optimisation de portefeuille qui prennent en compte les actifs cotés en bourse, y compris les cryptomonnaies, et permettent de calculer la répartition optimale des actifs selon nos préférences de risque.

## Les Outils d’Optimisation De Portefeuille Financiers : Prérequis

La disponibilité de **données historiques** est cruciale pour pouvoir optimiser un portefeuille, car elles fournissent une base pour étudier les tendances, les corrélations et les niveaux de risque. Les cryptomonnaies et autres actifs cotés en bourse bénéficient de données historiques de prix détaillées, ce qui n’est souvent pas le cas pour d'autres classes d'actifs.

Nous allons donc considérer uniquement dans cet article des actifs **cotés en bourse** pour appliquer les méthodes d’optimisation de portefeuille. Si vous avez besoin de plus de détails sur la diversification de portefeuille et les actifs de la finance moderne, vous pouvez vous rendre sur notre [article](https://crypto-robot.com/blog/diversification-actifs) dédié.

## Simulations de Monte Carlo pour l’Optimisation de Portefeuille d’Investissement

Avec les **simulations de Monte Carlo**, nous entrons dans les méthodes dites "numériques" pour optimiser un portefeuille d’investissement. Cette méthode évalue les performances potentielles d'un portefeuille en utilisant des distributions aléatoires de rendements futurs basées sur des données historiques. Voici comment cela fonctionne en pratique :

1. **Génération de Scénarios Aléatoires** : En utilisant les rendements historiques des actifs, cette méthode génère des milliers de scénarios possibles pour les rendements futurs. Chaque scénario représente une trajectoire possible des prix des actifs dans le portefeuille.
2. **Calcul des Rendements de Portefeuille** : Pour chaque scénario, les rendements des actifs sont combinés selon les poids du portefeuille pour calculer le rendement total du portefeuille.
3. **Analyse Statistique des Résultats** : Les résultats de toutes les simulations sont analysés pour estimer les mesures de performance du portefeuille, telles que la moyenne des rendements, la variance, la valeur à risque (VaR), et l’espérance de perte. Cela permet d'évaluer la robustesse du portefeuille face aux incertitudes des marchés.
4. **Optimisation** : En fonction des résultats obtenus, les paramètres du portefeuille peuvent être ajustés pour améliorer sa performance. Par exemple, on peut modifier les poids des actifs pour maximiser le rendement moyen ou minimiser le risque (la volatilité).

Les Simulations de Monte Carlo peuvent être utilisées pour l'optimisation de portefeuilles d'investissement comprenant tout type d'actifs, qu'ils soient fortement corrélés, fortement volatils ou non, à condition que des données historiques fiables soient disponibles. Cependant, elle est numériquement intensive et nécessite beaucoup de ressources de calcul. C'est pourquoi nous allons nous concentrer davantage sur des méthodes statistiques dans la suite de cet article.

![plot_risques_rendements.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/plot_risques_rendements_6a3e095d25.png)

## Mean-Variance Optimization : Pondération des Actifs pour un Risque Choisi

### Comment Fonctionne la Mean-Variance Optimization

La **Mean-Variance Optimization** (optimisation par variance-moyenne) est une méthode dite “**quantitative**” utilisée pour trouver les proportions que doit avoir chaque actif d’un portefeuille d’investissement pour satisfaire un risque donné. Voici comment cela fonctionne en quelques mots :

1. **Calcul des Rendements Moyens** : On commence par estimer les rendements moyens attendus de chaque actif dans le portefeuille basé sur les performances historiques ou d'autres modèles de prévision.
2. **Estimation des Variances et Covariances** : La variance de chaque actif et la covariance entre chaque paire d'actifs sont calculées. La variance mesure la volatilité d'un actif, tandis que la covariance indique comment le prix de deux actifs se déplacent ensemble. Par exemple, une covariance positive signifie que les deux actifs ont tendance à évoluer dans la même direction.
3. **Résolution d'un Problème d'Optimisation** : L'objectif est de minimiser le risque (variance du portefeuille) pour un niveau de rendement attendu, ou de maximiser le rendement attendu pour un niveau de risque donné. Cela se fait en résolvant un problème d'optimisation dit “quadratique” en mathematiques. La solution fournit les poids optimaux (pourcentages d'allocation) pour chaque actif dans le portefeuille.

Étudions maintenant un exemple pour illustrer les résultats de cette méthode. Pour l’appliquer facilement à des portefeuilles d'actifs cotés en bourse, nous avons développé **un code très simple en Python**. Il utilise notamment Yahoo Finance pour télécharger les données historiques. Si cela vous intéresse, vous le trouverez [ici](https://github.com/CryptoRobotFr/Backtest-Tools-V2/blob/main/analytics/other/global_portfolio_opt.ipynb).

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

### Optimisation Mean-Variance : Portefeuille ETF Majeurs et Actions Tech

Pour déterminer les proportions optimales des actifs dans un portefeuille diversifié afin de minimiser le risque total du portefeuille, prenons l'exemple d'un portefeuille comprenant une dizaine d'actifs, incluant des ETF majeurs et des actions de grandes entreprises mondialement connues:

- **ETF “S&P 500”** : SPDR S&P 500 ETF Trust (symbole : SPY)
- **ETF “All-World”** : Vanguard FTSE All-World UCITS ETF (symbole : VWRD).
- **ETF “CAC 40”** : Amundi ETF CAC 40 (symbole : C40).
- **ETF “Top Entreprises Allemandes”** : iShares Core DAX UCITS ETF (symbole : EXS1.DE).
- **ETF “Top Entreprises Britanniques”** : iShares MSCI United Kingdom ETF (symbole : EWU).
- **ETF “Top Entreprises Japonaises”** : iShares MSCI Japan ETF (symbole : EWJ).
- **Actions Apple** : symbole AAPL.
- **Actions Tesla** : symbole TSLA.

Cette sélection couvre les marchés américains, européens, britanniques, et japonais, ainsi que des actions de deux grandes entreprises technologiques. En exécutant notre code avec ce choix, nous obtenons les proportions suivantes pour minimiser le risque du portefeuille, c’est-à-dire avec une **volatilité sur les rendements la plus faible possible**, réduisant ainsi les changements brusques dans ses performances au jour le jour :


`Poids optimaux pour chaque actif (Mean-Variance Optimization):`
\
`SPY: 0.00%`
\
`VWRD.L: 1.85%`
 \
`C40.PA: 48.90%` 
\
`EXS1.DE: 0.00%` 
\
`EWU: 0.00%` 
\
`EWJ: 0.91%` 
\
`AAPL: 0.00%` 
\
`TSLA: 48.34%` 

Vous pouvez constater que cette méthode exclut une bonne partie des actifs du portefeuille, car l'algorithme a jugé que certains actifs n'en valaient pas la peine en raison de leur volatilité. Cependant, il est surprenant de voir que TSLA se voit attribuer une proportion quasi équivalente à la moitié du portefeuille, alors que TSLA est plus volatile qu'un ETF "All World" tel que VWRD.L. De plus, l'autre moitié du portefeuille est presque entièrement constituée de C40.PA.

Cela montre que, dans une volonté de diversification, cette méthode est limitée. Dans cet exemple, nous souhaitions être exposés à tous ces actifs et cherchions une distribution des proportions de chaque actif qui aboutisse à un profil de risque raisonnable compte tenu de leur performance et volatilité passées. En d'autres termes, minimiser le risque de manière aveugle n'est pas toujours judicieux. Il est plus intéressant d'établir une échelle des portefeuilles possibles, couvrant une large plage de risques et de rendements, afin de trouver les poids optimaux pour le niveau de risque qui nous convient. C'est ce que nous allons explorer maintenant.

## Optimisation Quantitative de Portefeuille : La Méthode de l'Efficient Frontier

### Comprendre le Concept de l'Efficient Frontier

L'**Efficient Frontier** (frontière efficiente), introduite par Harry Markowitz, permet de déterminer le portefeuille optimal en termes de rendement attendu pour un niveau de risque donné. Le but est de répéter le processus d'optimisation pour différentes attentes de rendement.

En pratique, un grand nombre de combinaisons de poids de chaque actif sont générées aléatoirement pour modéliser de nombreux portefeuilles possibles. Grâce à cela, sur un graphique représentant le rendement en fonction du risque, il est possible de tracer une **courbe particulière** : la frontière efficiente. Chaque point sur cette frontière représente un portefeuille dit “optimal”. Les portefeuilles situés en dessous de la frontière sont sous-optimaux car ils offrent un rendement inférieur pour un risque donné.

### Exemple Pratique de l'Efficient Frontier

Illustrons et expliquons cela avec notre exemple de choix d'actifs précédent. Une exécution de notre code en Python (celui dont nous vous avons fourni le lien plus haut) nous donne les résultats ci-dessous :

![efficient_frontier.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/efficient_frontier_f3bb05b518.png)

La frontière efficiente est la courbe qui englobe la partie supérieure du nuage de points. Ici, nous avons choisi d’illustrer uniquement une partie. Les étoiles correspondent aux 30 portefeuilles qui donnent les meilleurs rendements versus risque, une mesure quantifiée par l’indicateur Sharpe Ratio.

Ensuite, grâce à ce graphique, une fois qu’on a sélectionné un point qui nous convient en termes de rendement et risque, nous pouvons obtenir les poids des actifs qui constituent ce portefeuille.

### Mise en Garde sur l'Efficient Frontier et les Actifs Corrélés

Cependant, avec l’Efficient Frontier, il faut également faire attention aux actifs considérés. La Mean-Variance Optimization (MVO) suppose que les rendements sont stationnaires, c'est-à-dire que leurs statistiques (moyennes et covariances) ne changent pas avec le temps. Elle repose aussi souvent implicitement sur l'idée que les rendements suivent une distribution normale.

Ces hypothèses ne sont pas toujours vérifiées, surtout pour les actifs cotés en bourse et encore moins pour les cryptomonnaies. Les rendements des cryptomonnaies sont souvent plus volatils, avec des distributions pouvant avoir de longues queues ou être asymétriques. Voyons donc maintenant une autre méthode quantitative qui permet de prendre correctement en compte ces particularités.

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

## Parité de Risque Hiérarchique : Optimisation pour les Actifs Financiers Modernes

### La Méthode Quantitative de Parité de Risque Hiérarchique (PRH) pour l'Optimisation de Portefeuille

La **Parité de Risque Hiérarchique** (Hierarchical Risk Parity) est une méthode d'optimisation de portefeuille qui utilise des techniques de **clustering hiérarchique** pour mieux gérer les corrélations instables et la volatilité élevée des actifs. Le clustering hiérarchique est une méthode de regroupement des actifs basée sur leurs similarités de comportement, formant une hiérarchie de clusters imbriqués. Voici comment HRP fonctionne en bref :

1. **Calcul des Matrices de Distance** : Une distance entre les actifs est calculée en fonction de leurs corrélations (une distance plus petite signifie que les actifs sont plus fortement corrélés). Cette distance quantifie la similitude des mouvements de prix entre deux actifs.
2. **Clustering Hiérarchique** : Les actifs sont regroupés en “clusters hiérarchiques” en utilisant des algorithmes de regroupement. Les actifs les plus similaires (ceux avec les distances les plus petites) sont regroupés en premier, puis des groupes de plus en plus larges sont formés.
3. **Répartition du Risque** : Une fois les clusters formés, PRH répartit le risque de manière égale entre les clusters, puis au sein de chaque cluster. Cela permet de répartir le risque de manière égale entre les groupes d'actifs, et ensuite au sein de chaque groupe.
4. **Calcul des Poids du Portefeuille** : Les poids des actifs dans le portefeuille sont déterminés en fonction de la structure hiérarchique et de la répartition du risque. Cette méthode permet de créer un portefeuille où le risque est mieux équilibré, même si les corrélations entre les actifs changent fréquemment.

Ainsi, la méthode PRH est idéale pour les portefeuilles incluant des cryptomonnaies. Elle permet de mieux gérer les fortes corrélations et la volatilité de ces actifs, offrant une stratégie d'optimisation **plus robuste et nuancée** pour les investisseurs en quête de diversification.

### Optimisation des Portefeuilles ETF, Actions et Cryptomonnaies avec la Parité de Risque Hiérarchique

![output.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/output_1672569dff.png)

Nous avons également développé un code très simple en Python qui permet d'effectuer ce type d’optimisation appliqué à tout choix de portefeuille d'actifs cotés en bourse. Nous l’avons ajouté à la suite de celui que nous utilisons jusqu'à présent, trouvez-le [ici](https://github.com/CryptoRobotFr/Backtest-Tools-V2/blob/main/analytics/other/global_portfolio_opt.ipynb). Nous avons notamment utilisé la librairie **`riskfolio-lib`** qui permet la réalisation des calculs selon l’algorithme de PRH (et plus encore, voir [Riskfolio-Lib Documentation](https://riskfolio-lib.readthedocs.io/en/latest/hcportfolio.html)).

Reprenons les actifs Actions et ETF de notre portefeuille précédent, pour simplifier nous garderons uniquement ceux optimisés comme non nuls par la mean-variance optimization, et rajoutons les deux cryptomonnaies les plus grandes en capitalisation boursière, le Bitcoin et l’Ether. En résumé, cela donne :

- **ETF “All-World”** : Vanguard FTSE All-World UCITS ETF (symbole : VWRD).
- **ETF “CAC 40”** : Amundi ETF CAC 40 (symbole : C40).
- **ETF “Top Entreprises Japonaises”** : iShares MSCI Japan ETF (symbole : EWJ).
- **Actions Tesla** : symbole TSLA.
- **Bitcoin**
- **Ethereum**

L’exécution pour obtenir les quantités de chaque actif qui minimisent au mieux le risque de ce portefeuille donne :

`Poids optimaux pour chaque actif en % :`
\
`BTC-USD  C40.PA  ETH-USD    EWJ  TSLA  VWRD.L`
\
`weights     2.94   34.22     1.65  27.05  2.08   32.05`

Les résultats semblent très pertinents. Nous voyons que les cryptomonnaies sont attribuées de très faibles proportions, seulement quelques pourcents. Ce n’est pas étonnant, ces actifs présentent une volatilité très large par rapport aux autres actifs et ainsi contribunt **plus fortement à la variance totale du portefeuille** et donc à son risque. Il en découle également que la proportion de BTC est légèrement plus grande que celle d'ETH, car BTC a historiquement offert plus de stabilité qu'ETH.

Il est également intéressant de noter que les proportions des autres actifs sont totalement changées par la méthode PRH. Les proportions les plus importantes sont attribuées aux actifs les plus robustes et moins volatiles, à savoir les ETF généralistes. La proportion de TSLA est reléguée au même niveau que les deux cryptomonnaies.

De manière générale, nous trouvons que la méthode PRH est **plus fiable et pertinente** quand des actifs cotés en bourse sont considérés. Des corrélations constantes et des distributions de rendements suivant une loi normale sont des hypothèses pas souvent réalistes pour ce genre d’actifs, que ce soit des ETF, des actions ou encore plus des cryptomonnaies. Ce qui signifie que la mean-variance optimization et l’Efficient Frontier ne sont pas le mieux adaptées pour l’optimisation de portefeuilles financier modernes.

Si vous souhaitez en savoir plus sur la méthode PRH et notamment sur des résultats d’optimisation de différents portefeuilles d’actifs modernes, généraux et variés, rendez-vous dans cet article. Gardez en tête que cet article est éducatif et ne constitue pas un conseil en investissement. Nous espérons que cela vous apportera de bonnes bases pour mieux comprendre l’optimisation de portefeuille et vous permettre de faire vos propres analyses.

Apprenez à optimiser votre portefeuille financier avec des méthodes telles que la Mean-Variance Optimization, l'Efficient Frontier et la Parité de Risque Hiérarchique. Équilibrez vos actifs, y compris les cryptomonnaies, pour maximiser les gains et minimiser les risques.

Optimisation de Portefeuille Financier : Méthodes pour Équilibrer Correctement ses Actifs

Découvrez comment backtester et installer votre propre Bot de Trading en Future sur Bitget.

I have given my self the task of creating a crypto trading bot from scratch. In this third and final episode, I present the steps to host and automatise the trading bot on a server.

Dernièrement

La Dernière Vidéo

Comment Créer un Robot de Trading Sans Code Facilement
Published on
26 janvier 2025

Optimisez vos stratégies de trading : analysez le PnL et les métriques de performance avec Python
Published on
13 décembre 2024

Trading Algorithmique sur le DEX Hyperliquid en Python : Guide Complet
Published on
9 décembre 2024

Créez et automatisez vos stratégies de trading grâce à ChatGPT o1, Trading View et les Signal Bots
Published on
26 novembre 2024

Le Guide sur le Copy Trading : Réalités, Pièges et Outils d’Analyse pour Trouver des Traders Fiables
Published on
30 septembre 2024

Stratégie de Trading Automatisée TRIX (Suivi de Tendance)
Published on
23 août 2024

Optimiser Votre Portefeuille Financier en 2024 : ETF, Actions, Cryptomonnaies, Obligations et Métaux Précieux
Published on
16 août 2024

Optimisez vos Stratégies de Trading avec les Bougies Basées sur Volume
Published on
20 juillet 2024

Comment Maîtriser les Trailing Stop Loss en Pine Script sur TradingView
Published on
3 juillet 2024

Optimisation de Portefeuille Financier : Méthodes pour Équilibrer Correctement ses Actifs
Published on
24 juin 2024

Dernièrement

La Dernière Vidéo

Comment Créer un Robot de Trading Sans Code FacilementPublished on26 janvier 2025

Optimisez vos stratégies de trading : analysez le PnL et les métriques de performance avec PythonPublished on13 décembre 2024

Trading Algorithmique sur le DEX Hyperliquid en Python : Guide CompletPublished on9 décembre 2024

Créez et automatisez vos stratégies de trading grâce à ChatGPT o1, Trading View et les Signal BotsPublished on26 novembre 2024

Le Guide sur le Copy Trading : Réalités, Pièges et Outils d’Analyse pour Trouver des Traders FiablesPublished on30 septembre 2024

Stratégie de Trading Automatisée TRIX (Suivi de Tendance)Published on23 août 2024

Optimiser Votre Portefeuille Financier en 2024 : ETF, Actions, Cryptomonnaies, Obligations et Métaux PrécieuxPublished on16 août 2024

Optimisez vos Stratégies de Trading avec les Bougies Basées sur VolumePublished on20 juillet 2024

Comment Maîtriser les Trailing Stop Loss en Pine Script sur TradingViewPublished on3 juillet 2024

Optimisation de Portefeuille Financier : Méthodes pour Équilibrer Correctement ses ActifsPublished on24 juin 2024