| name | hybrid-pytorch-jax-trading |
| description | Architecture hybride PyTorch (encodeur JEPA GPU 0) + JAX (planification TD-MPC2 + arène génétique GPU 1) pour le trading RL, reliées par DLPack zéro-copie. Pièges JAX sous jit/vmap, Time-JEPA temporel, et conformité qualité stricte (PEP 8/484, docstrings Google français, assertions de forme). |
| category | mlops |
Pipeline hybride PyTorch + JAX pour trading RL
Architecture validée sur The Hive (2× RTX 3090, torch 2.6+cu124, jax 0.11.0).
Code de référence : ~/ftmo_agent/eva/. Détails session :
references/eva-hybrid-architecture.md.
Quand utiliser cette architecture
- Encodeur lourd auto-supervisé (JEPA/Transformer) en PyTorch sur un GPU,
moteur décisionnel (world model + MPC + évolution) en JAX sur un autre GPU.
- Planification vectorisée (CEM : N trajectoires indépendantes depuis un état
commun) — parallélisable GPU, CONTRAIREMENT au backtest bar-par-barre
séquentiel (voir skill rl-trading-debugging Pattern #22 : CPU × 32 reste
l'optimum pour le backtest réel).
Pont DLPack PyTorch → JAX
tableau = jax.dlpack.from_dlpack(t.detach().contiguous().float())
tableau = jax.device_put(tableau, jax.devices("gpu")[-1])
Fonctionne CPU→JAX et cuda:0→JAX cuda:1. Toujours .detach() +
.contiguous() avant from_dlpack. Assertion post-transfert :
tableau.shape == tuple(t.shape).
Pièges JAX sous jit/vmap (validés par l'erreur)
jnp.arange(n) avec n tracé → ConcretizationTypeError. Les
hyperparamètres structurels (horizon, fenêtre) sont capturés en closure
statique (variables Python dans __init__), jamais en arguments
dynamiques. Pattern : wrapper défini dans __init__ capturant
horizon/gamma, puis jax.jit(jax.vmap(wrapper, in_axes=(None,None,0))).- CEM multi-itérations : boucle Python
for avec jax.random.split
(corps jitté via @partial(jax.jit, static_argnums=(0,))), pas de
lax.scan sur les itérations si la clé change.
- Dimensions perdues sous vmap population :
jax.vmap(f, in_axes=(0, None, None)) mappe l'axe population — dans f, écrire le code
agent-individuel en 1D (action[0], jnp.roll(hist) sans axis), vmap
ajoute l'axe 0.
- Population de Pytrees : UN Pytree dont chaque feuille a un axe
population en tête (via
jax.vmap(muter)(cles)), pas une liste de Pytrees.
Reconstruction : jax.tree.map(lambda *xs: jnp.stack(xs), *individus).
- Premier appel jit = compilation XLA lente (~2 s pour CEM 512 traj) —
mesurer les perfs après warmup.
Time-JEPA (JEPA pour séries financières 1D)
- Transformer 1D pré-norm, latent H=128 figé, SDPA = FlashAttention-2 auto.
- Masquage : bloc contigu ~20 % ancré dans la SECONDE moitié (futur) de la
séquence ; positions masquées = token moyen du contexte.
- Cible EMA : deepcopy +
requires_grad_(False), mise à jour
p.mul_(0.999).add_(p_online.detach(), alpha=0.001) sur paramètres ET
buffers.
- Perte : Smooth-L1 entre prédicteur(latents online) et latents cible EMA
(stop-grad) sur positions masquées uniquement.
- Prétraitement obligatoire : rendements multi-horizons + winsorisation
±5σ AVANT l'encodeur — les prix bruts non stationnaires font diverger l'EMA.
Pièges PyTorch spécifiques
- Padding temporel : sur
(B, T), F.pad(r, (0,0,h,0)) padde la DERNIÈRE
dimension. Pour le temps : F.pad(r.unsqueeze(-1), (0,0,h,0)).squeeze(-1).
- Collision d'attributs : ne jamais nommer un buffer
moyenne et une
méthode moyenne() — utiliser moyenne_courante etc.
Conformité qualité exigée par l'utilisateur
- PEP 8/484 : ruff 0 erreur, typage complet des signatures (Tensor/Array).
- Docstrings Google Style en FRANÇAIS (objectif, Args, Returns, Raises) :
pydocstyle --convention=google 0 violation. Docstring
__init__ AVANT
super().__init__().
- Assertions de forme à l'entrée des blocs critiques (ValueError/TypeError
ciblés, jamais try-except:pass).
- Vérification ad-hoc : script
/tmp/hermes-verify-*.py créé, exécuté,
supprimé — pas de suite verte permanente dans ce workspace.
Fitness et garde-fous (couche action)
- Fitness arène :
Sortino×2 − MaxDrawdown% + NetProfit% (Sortino = moyenne
retours / downside-deviation des retours négatifs).
- Sanitizer : lot = risque%×equity/(distance_SL×contrat), plafonné par marge
equity×levier/(prix×contrat) ; écrasement consigné.
- Disjoncteur : perte jour (latente+réalisée) ≥ 4 % → ferme tout, suspend
l'IA, pénalité fitness −1000, journal JSONL, réarmement manuel.
Liens
references/eva-hybrid-architecture.md : pipeline E.V.A complet, écarts
assumés, résultats de vérification.- Skill
rl-trading-debugging : Patterns #15, #21, #22 (backtest CPU,
validation multi-critères, GA stratégies-règles).
