FoldAlpha – valider des stratégies d’investissement avec l’IA et recevoir des alertes automatiques, en langage naturel

L’investissement avec l’IA, ça intéresse tout le monde, non ?

Sur X ou Threads, on voit énormément de posts de personnes qui partagent leurs expériences d’investissement avec l’IA. Si on demande à un coding agent de le faire, il peut même générer une stratégie d’investissement en un clic et la tester. Au début, j’imagine que la plupart commencent par demander à l’IA de choisir des actions.

Mais cette approche a une limite structurelle. L’investissement fondé sur le jugement de l’IA est difficile à valider scientifiquement. Comme l’IA a déjà appris à partir des données passées, lui demander « choisis des actions à partir des actualités de mars 2020 » n’a pas vraiment de sens — elle connaît déjà le résultat. Au final, il ne reste qu’à la faire tourner en live et à suivre les performances réelles, sans véritable moyen d’estimer le rendement à l’avance.

Une fois qu’on comprend cela, on se tourne naturellement vers une approche quant — screening basé sur des facteurs, backtests pilotés par les données. Si l’on veut systématiser sérieusement son investissement, je pense que c’est la voie la plus orthodoxe.

Mais les données sont plus compliquées qu’on ne le pense

Pour faire de l’investissement quantitatif, il faut des données. Pour que les backtests aient du sens, il faut disposer de plus de 10 ans de données sur le marché coréen : cours journaliers, états financiers et flux d’investisseurs. Bien sûr, un coding agent peut aussi s’occuper de la collecte. Mais récupérer ces données gratuitement et de façon ponctuelle a vite ses limites. Entre les restrictions d’appels API, la cohérence des données, ou encore le traitement des sociétés radiées, cela demande plus de travail qu’on ne l’imagine.

Et si l’on veut en plus relier tout cela à un moteur de backtest, des tâches planifiées exécutées chaque jour, des alertes, puis plus tard du trading automatisé, la liste des choses à faire devient assez longue.

C’est pour cela que j’ai préparé tout cet environnement à l’avance et que j’en ai fait FoldAlpha, pour qu’il soit facile à utiliser en langage naturel.

Voici ce qu’on peut faire

• Backtest en langage naturel : si vous définissez une stratégie en langage naturel, comme « rééquilibrage trimestriel avec des actions dont le PBR est inférieur ou égal à 0,5 et la marge opérationnelle supérieure ou égale à 10 % », l’agent la convertit en SQL et lance un backtest sur 10 ans. Le CAGR, le MDD, le Sharpe Ratio et même la surperformance par rapport au KOSPI sont calculés automatiquement.
• Tâches planifiées + alertes Telegram : si vous enregistrez une condition comme « chaque matin à 9 h, analyse les actions susceptibles de fortement monter », l’exécution se fait automatiquement chaque jour et le résultat est envoyé sur Telegram.
• Questions-réponses sur les données financières : vous pouvez interroger et analyser en langage naturel les états financiers, les cours et les flux d’investisseurs.

J’utilise moi-même ces données pour investir réellement sur les marchés coréen et américain, en sélectionnant des titres et en rééquilibrant chaque mois ou chaque trimestre. Je ne dirais pas que les performances sont extraordinaires, mais je pense que c’est la méthode la plus logique et la plus objective à la portée d’un particulier.

L’investissement sur recommandation de l’IA est bien sûr possible aussi

Actualités, résultats financiers, « bénéficiaires de la chaîne de valeur HBM », « valeurs profitant des droits de douane de Trump » — autour de moi, presque tout le monde investit de cette manière.

Là aussi, c’est évidemment possible. Si vous créez une tâche planifiée du type « chaque jour, analyse les actions du jour susceptibles de fortement monter à partir des actualités », l’agent recherche et analyse les actualités en temps réel, fait des recommandations quotidiennes, puis peut suivre si ces titres ont réellement monté le lendemain. Je fais actuellement tourner ce scénario en live pour accumuler des résultats.

Pour l’instant, je compte d’abord observer un peu plus longtemps les résultats des recommandations en live, puis passer à l’étape suivante : connecter le tout au trading automatisé. La configuration initiale est un peu complexe avec l’API de Korea Investment & Securities, mais une fois la clé enregistrée, le passage des ordres lui-même ne devrait pas être très difficile.

Même pour une stratégie d’investissement fondée sur les actualités, si l’on veut une approche scientifique, il faut construire une archive de news ; et collecter rétroactivement les actualités historiques semble être un défi difficile même pour Bloomberg. C’est un sujet que je veux résoudre sur le long terme.

Comment je l’ai construit

Évidemment, je l’ai construit en vibe coding. J’utilise de façon variée Claude Code, Codex et Cursor. Mais tout faire en vibe coding ne se résume pas à un « clic ». En particulier, il a fallu aller assez loin sur la partie runtime de l’agent LLM — notamment la construction du harness.

Au départ, l’agent généré par le vibe coding reposait sur un pipeline complexe avec un intent classifier et 9 outils ; la latence était élevée et l’architecture ne passait pas bien à l’échelle. Après avoir analysé l’architecture de coding agents récemment publiés comme Claude Code et Codex CLI, je l’ai entièrement repensé en une structure légère en single-loop, dans laquelle le LLM décide directement à chaque étape ; le résultat a été une latence réduite de plus de moitié. J’ai rédigé ce processus sous forme de rapport technique et publié le code du runtime en open source.

Stack technique :

• Frontend : Next.js (Vercel)
• Backend : Fastify (Node.js)
• Runtime d’agent LLM : Python, implémentation maison — pattern d’agent single-loop
• Base de données boursières : Oracle Autonomous DB (10 ans de données journalières, financières et de flux du marché coréen)
• Données utilisateur : Supabase (PostgreSQL)
• Recherche d’actualités : Brave Search API
• LLM : Gemini / GPT / Claude (BYOK — l’utilisateur utilise sa propre clé API)

Infrastructure : tout en free tier

• Vercel : hébergement du frontend
• Supabase : base de données utilisateur + authentification
• Oracle ADB : base de données boursières (Always Free)
• Oracle Cloud : 1 instance VM — j’y fais tourner à la fois les serveurs de production et de développement
• Cloudflare : domaine + CDN

Le seul coût est l’achat du nom de domaine. La production et le développement tournent sur une seule instance, simplement séparés par des ports.

Liens

• Service : https://app.foldalpha.com/about
• Runtime de l’agent (open source) : https://github.com/sbyoun/finllm-agent
• Rapport technique sur le runtime de l’agent : https://github.com/sbyoun/finllm-agent/…

Les retours sont les bienvenus.