Accueil › Guides › Bot trading ML transparent

Bot trading transparent : comprendre le machine learning sans boîte noire

Guide cornerstone · Mis à jour le 26 avril 2026 · Lecture estimée 18 min

Un bot de trading transparent, c'est un bot qui justifie chaque décision avec des facteurs identifiables, des probabilités calibrées et un journal auditable. Si vous ne pouvez pas répondre à la question « pourquoi ce trade et pas un autre ? » à partir des sorties du bot, vous n'avez pas un bot transparent — vous avez une boîte noire dans laquelle vous avez mis votre capital.

Ce guide explique en détail ce qui sépare un système ML transparent d'un système opaque, comment fonctionnent les trois modèles utilisés par Sextant Bot, ce que veut dire « probabilité calibrée », pourquoi le régime de marché est mesuré séparément, et comment lire concrètement un rapport de décision. L'objectif : vous donner les clés pour évaluer n'importe quel bot ML que vous croisez, y compris le nôtre.

Vous trouverez tout au long de cette page des liens vers des articles d'approfondissement (calibration isotonique, ATR sizing, drift detection, etc.) ainsi qu'un lien vers /numbers, la page de transparence radicale où nous publions les chiffres réels du bot.

1. Boîte noire vs bot transparent : la vraie différence

La majorité des bots de trading vendus sur Telegram, Discord ou en abonnement SaaS sont opaques. Ils annoncent un « algorithme propriétaire » et une « confiance » exprimée en pourcentage, mais aucune des affirmations n'est vérifiable. Vous ne savez ni quels signaux entrent, ni comment ils sont pondérés, ni si la confiance affichée correspond à une probabilité réelle.

Un bot transparent expose, pour chaque décision : la liste des facteurs utilisés, leur valeur instantanée, le score qu'ils ont produit, le résultat des filtres de risque, et la décision finale. La confiance affichée est calibrée — c'est-à-dire qu'elle correspond à la fréquence empirique de réussite observée historiquement sur des situations similaires, pas à un nombre que le modèle « ressent ».

2. Les trois cerveaux ML qui votent

Sextant Bot fait voter trois modèles distincts à chaque opportunité de trade. Ce design n'est pas cosmétique : il réduit la sensibilité aux biais d'un seul algorithme et permet d'identifier les situations « consensus fort » des situations « modèles divisés », qui méritent un comportement différent.

Random Forest

Modèle d'arbres de décision agrégés. Capture bien les interactions non linéaires entre indicateurs (RSI, EMA cross, volume relatif). Robuste face au bruit, sensible aux changements de régime — d'où l'intérêt de coupler avec un modèle de régime indépendant.

Histogram Gradient Boosting

Variante optimisée du gradient boosting. Bonne convergence sur des datasets de taille moyenne et tolère bien les valeurs manquantes. Sert souvent de « second avis » sur les setups que Random Forest valide en marge.

XGBoost

L'incontournable du machine learning structuré. Souvent le plus précis individuellement mais aussi le plus enclin au sur-apprentissage si la cross-validation n'est pas stricte. Utilisé en complément, jamais seul.

La règle de vote n'est pas la majorité simple : chaque modèle produit une probabilité calibrée, et la décision finale dépend à la fois de la moyenne pondérée et du désaccord (variance) entre modèles.

3. La calibration probabiliste, pierre angulaire

« 70 % de confiance » ne veut rien dire si le modèle n'est pas calibré. Sur 100 trades où un modèle non calibré crie « 70 % », vous pourriez n'observer que 50 % de réussite — ou 85 %. Le chiffre ne correspond à aucune réalité statistique.

Une calibration isotonique consiste à apprendre, sur un ensemble de validation, la fonction qui mappe les probabilités prédites brutes vers les probabilités empiriques observées. Après calibration, quand le modèle dit 70 %, vous pouvez vérifier dans l'historique que ~70 % des situations similaires ont effectivement abouti à un trade gagnant.

Cette propriété est essentielle pour deux raisons. D'abord parce que sans elle, aucune comparaison cohérente entre seuils de confiance n'est possible. Ensuite parce qu'elle conditionne le sizing : si vous dimensionnez vos positions en fonction d'une probabilité, cette probabilité doit être réelle, pas symbolique.

4. Le régime de marché, mesuré séparément

Un trade qui paraît excellent en régime haussier devient médiocre en régime risqué. Sextant Bot classe le marché dans l'un de trois états (haussier, neutre, risqué) à l'aide d'un modèle LightGBM entraîné sur deux indicateurs principaux : la largeur des bandes de Bollinger (volatilité contractée vs étendue) et l'ADX (force de tendance).

Ce classement n'est pas un gadget. Il pilote concrètement plusieurs comportements : seuils de confiance relevés en régime risqué, taille de position réduite, stop-loss et take-profit ajustés, voire suspension totale d'entrée pendant les fenêtres post-événements macro (FOMC, halving, etc.).

Pour comprendre comment le régime impacte vos décisions personnelles, voir aussi le guide Régime de marché en trading.

5. Les cinq garde-fous vérifiés à chaque ordre

Même quand les trois modèles s'accordent et que la confiance calibrée est élevée, cinq filtres de risque doivent passer pour qu'un ordre soit envoyé :

1. Filtre régime : le régime courant doit autoriser ce type d'entrée. En régime risqué, les seuils sont relevés.
2. Filtre corrélation : si la nouvelle paire est corrélée à plus de 0,75 avec une position déjà ouverte, l'entrée est refusée pour éviter de doubler l'exposition au même mouvement.
3. Filtre drawdown journalier : si la perte cumulée du jour atteint le seuil configuré (10 % par défaut), aucun nouvel ordre n'est envoyé.
4. Filtre spread : si l'écart bid/ask dépasse le maximum autorisé pour la paire, l'entrée est refusée — le marché n'est pas assez liquide à cet instant.
5. Circuit breaker : après N pertes consécutives (5 par défaut), le bot suspend toute nouvelle entrée jusqu'à reprise manuelle ou réinitialisation programmée.

Un trade refusé est aussi documenté qu'un trade pris. Vous voyez, pour chaque opportunité écartée, lequel des cinq filtres a déclenché le refus.

6. Le journal de décision : ce qui doit y figurer

Le journal de décision, c'est l'audit trail. Chaque décision (prise ou refusée) y génère une entrée structurée. Pour qu'il soit réellement utile, il doit contenir au minimum :

• Horodatage précis et identifiant unique de décision.
• Paire concernée, prix instantané, spread, volume relatif.
• Régime de marché au moment de l'évaluation.
• Sortie de chaque modèle ML (probabilité calibrée + features clés).
• Résultat de chacun des cinq filtres (passé, refusé, raison).
• Décision finale (entrée, refus, attente) et taille de position le cas échéant.
• Lien vers le résultat du trade quand il est clos.

Sans ces éléments, parler de « bot transparent » est un abus de langage. Les chiffres réels que produit ce journal côté Sextant sont publiés sur /numbers.

7. Comment évaluer un bot ML que vous découvrez

Quand un compte vous propose son bot, posez ces questions dans cet ordre. Si une réponse manque ou reste évasive, le bot n'est pas transparent — peu importe la beauté de ses captures :

1. Quels modèles sont utilisés et pourquoi ces choix ?
2. La probabilité affichée est-elle calibrée, et avec quelle méthode ?
3. Le régime de marché est-il modélisé indépendamment ?
4. Quels filtres de risque sont appliqués avant chaque ordre ?
5. Les trades refusés sont-ils journalisés et accessibles à l'utilisateur ?
6. Quel est le drawdown maximum observé sur la période publiée ?
7. Les chiffres publiés sont-ils ceux d'un compte live, d'un paper, ou d'un backtest ?

Pour aller plus loin sur les arnaques courantes, voyez le guide anti-arnaque. Pour un primer général sur le quant accessible, lisez Le quant pour débutants.