Copy Trading Hyperliquid (DEX crypto) : méthode, dashboard & premiers résultats

Le temps où seuls quelques pros sortaient régulièrement gagnants et où seuls les plus fortunés pouvaient “embaucher” des traders pour faire mûrir leur capital est-il révolu ? Avec l’essor des cryptos et des DEX, le copy trading s’est massivement démocratisé. C’est une bonne nouvelle… à double tranchant : aujourd’hui, n’importe qui peut copier n’importe qui, et ça peut faire très mal!

Si l’on n’est pas trader pro mais qu’on veut exposer une partie de son capital à des stratégies potentiellement rentables sans effort quotidien, le “skill” ne consiste plus à “trader mieux que le marché”, mais à sélectionner rigoureusement les bons traders. Quels critères simples, concrets, réplicables permettent de bâtir un portefeuille qui croît continuellement ?

Depuis quelques semaines, nous faisons tourner un test en conditions réelles (dry-run) sur Hyperliquid, DEX phare du moment. Voici le rapport.

Tutoriel copy trading Hyperliquid : copier ~150 meilleurs traders (code Python, dashboard en direct)

Nous avons développé :

• un petit code Python pour copier les adresses sélectionnées sur Hyperliquid et placer les ordres en dry-run ;
• un dashboard public pour suivre en direct les signaux et la stratégie : https://hl-dashboard.crypto-robot.com/

La vidéo ci-dessous présente tout pas à pas (sélection, API, sizing, exécution). Ci-dessous, on se concentre sur les choix méthodologiques qui font la différence — de comment choisir les traders à comment agréger leurs positions intelligemment, avant d’ouvrir sur les résultats après quelques semaines.

👉 Si jamais Hyperliquid est une plateforme qui vous intéresse, le lien CryptoRobot pour créer un compte vous donnera –4 % de frais à vie : https://app.hyperliquid.xyz/join/CRYPTOROBOT

Sélectionner des traders à copier de façon robuste (CoinGlass → API Hyperliquid)

Beaucoup seraient tentés de se fier au PnL total et de suivre l’adresse la plus impressionnante. Mauvaise idée, selon nous : afficher +30 M$ n’empêche pas d’encaisser –100 M$ quelques semaines plus tard. Le montant brut dit peu de la discipline, de la gestion du risque et de la répétabilité.

À l’inverse, un trader avec « seulement » 700 k$ de PnL mais une courbe régulière et un drawdown limité peut s’avérer bien plus sain à copier. (Voir la vidéo pour les courbes.)

Étape 1 — CoinGlass & sélection initiale (Money Printers, Smart Money, Arbitrage Pro, Retail Grinder)

Plutôt que de ratisser 200 000+ wallets, on part des groupes CoinGlass (Money Printers, Smart Money, Arbitrage Pro, Retail Grinder). On scrape ces listes pour bâtir une base candidates de qualité, pas de quantité.

Étape 2 — API Hyperliquid : équité, PnL, positions (fenêtre 30 jours)

Pour chaque adresse candidate, on récupère via l’API (ex. perpMonths sur 30 jours) : équité quotidienne, PnL, positions, etc. On respecte un débit raisonnable (~2 req/s) pour rester dans les clous.

Étape 3 — Filtres quantitatifs : Sharpe Ratio, Maximum Drawdown, bon sens

On calcule des métriques simples et robustes :

• Sharpe (rendement/volatilité), retenu entre 1,5 et 5.
  • < 1 : peu convaincant ;
• Max Drawdown (DD < 50 %), seuil large, mais sinon on ne retient que trop peu de candidats.

5 sur 1 mois : red flag “trop beaux”, souvent prise de risque déraisonnable / coup de chance.

Étape 4 — Net Exposure Hyperliquid sans sur-levier

Plutôt que d’imiter des tailles brutes (biaisées par les taille de portefeuille differente, levier), on ramène chaque position à % du portefeuille.

Ex. un wallet de 1 M$ long +10 % BTC ⇒ Net Exposure BTC = +10 %.

On cappe individuellement à ±100 % pour ne pas surpondérer les kamikazes du levier.

On agrège ensuite, par crypto (BTC/ETH/SOL/HYPE), la moyenne des Net Exposures des ~150 traders : c’est notre signal collectif à répliquer.

Étape 5 — Sizing & exécution Hyperliquid

• Portefeuille de référence découpé en 4 poches (BTC/ETH/SOL/HYPE).
• Levier max X4 (au-delà, les risques explosent).
• Rééquilibrage toutes les 10 min via cron sur notre serveur, seulement si l’écart > 10 % entre notre position et la position “théorique” issue du signal collectif. Le but n’est pas d’enrichir les exchange avec plein de frais de trading, mais rebalancer notre exposition lorsqu’il y a eu des changements significatifs !
• On écrit tout en CSV, on trace les ordres, et on alimente un dashboard public.

Résultat : un système simple, audible, piloté au risque, qui imite un consensus de traders disciplinés plutôt que la loterie d’un seul gros PnL.

Étape 6 — Pas de faux backtest : dry-run temps réel & biais du survivant (copy trading Hyperliquid)

Comme la sélection des traders est faite a posteriori (sur le dernier mois), backtester ce même mois serait malhonnête: on sait déjà qu’ils ont performé (biais du survivant).

On lance donc un dry-run temps réel, ou les ordres sont donc répertoriés sur un capital théorique, avec équité de départ 1 000 $, et on laisse vivre la stratégie (équité + courbe disponibles sur le dashboard).

👉 Résultats : https://hl-dashboard.crypto-robot.com/ (page Copy Strategy).

👉 Code : https://github.com/CryptoRobotFr/HyperLiquid-Copy-Strategy).

Depuis la vidéo : évolution des positions & de l’équité (BTC, ETH, SOL, HYPE)

Même Les positions sont ajustées régulièrement, mais l’exposition agrégée ne change pas drastiquement. Depuis ~15 jours, on retrouve le même schéma de base : short BTC et longs sur ETH, SOL et HYPE (le token Hyperliquid).

La courbe d’équité n’a pas bougé de façon marquée non plus : elle varie de quelques pourcents. Pour situer, le BTC est monté doucement d’environ 113 k à 117 k, avant de rechuter rapidement vers 112 k la deuxième semaine. À surveiller de près : la baisse récente et la volatilité de notre portefeuille reflètent-elles simplement ce mouvement du sous-jacent, ou bien les traders sélectionnés commencent-ils à montrer des signes d’essoufflement ?

Ce que ça nous apprend déjà

• Le consensus des “bons” ne vire pas de bord au moindre bruit : cohérence et discipline.
• Les ajustements réguliers (toutes les 10 min si > 10 % d’écart) lissent les micro-variations sans tomber dans le “sur-trading”.

Signaux de pivot à surveiller (Net Exposure moyen, dispersion inter-cryptos, levier agrégé)

À surveiller surtout :

1. Un déplacement brutal de la moyenne de Net Exposure (ex. BTC passe d’un short légèrement négatif à neutre/positif).
2. Un écart extrême entre cryptos (ex. consensus très long SOL mais neutre/short ETH).
3. Une hausse soudaine du levier agrégé (même si chacun est capé individuellement, si beaucoup s’avancent, le signal collectif “pousse”).

Si le marché décroche : réaction de la stratégie de copy trading Hyperliquid

C’est là que le dashboard est précieux : on verra si les traders s’adaptent vite (rotation, couverture, réduction de risque) ou s’ils s’entêtent. La stratégie, elle, répliquera mécaniquement la moyenne — à voir si cela se traduit par des ajustements significatifs de nos expositions.

Routine de mise à jour & R&D (hebdo/mensuelle) : sélection dynamique, “inverser les pires” (B-book)

Rappel clef : nous avons choisi les meilleurs du dernier mois selon des critères simples (Sharpe 1,5–5, DD < 50 %, cap d’exposition). Cette liste ne doit pas être gravée dans le marbre.

À mettre en place : une routine de mise à jour, hebdomadaire ou mensuelle selon ton confort :

1. Recalculer les métriques sur une fenêtre glissante de 30 jours.
2. Ajouter les nouveaux entrants qui passent le filtre ; retirer ceux qui se dégradent (Sharpe < 1,5, DD qui dérape, comportement “casino”).
3. Mettre à jour la liste d’adresses et redéployer (dashboard + stratégie).

Et pourquoi ne pas sélectionner aussi les pires traders… pour inverser leurs décisions ?

Cela pourrait être super fun ! Par contre, comme évoqué en fin de vidéo, cette approche “B-book” pose une question clé : définir un filtre négatif robuste — c’est-à-dire distinguer algorithmiquement des pertes répétées et stables d’un simple gros coup de malchance.

À vos traders et vos dashboards !