eva-trading-pipeline

name	eva-trading-pipeline
description	Pipeline E.V.A (JEPA PyTorch GPU0 -> DLPack -> arène génétique JAX GPU1) pour trading évolutif sur données MT5 réelles. Patterns validés sur The Hive : simulation mark-to-market, trades discrets, backtest holdout, calibration contrat, pré-entraînement JEPA, promotion multi-critères.

Pipeline E.V.A — Trading Évolutif JEPA + Arène JAX

Présentation

Leçons validées en exécution réelle (The Hive, 2× RTX 3090, XAUUSD M15 50k barres) sur le pipeline E.V.A : encodeur JEPA temporel (PyTorch GPU 0) → pont DLPack zéro-copie → arène génétique JAX (64 agents vmap/jit, GPU 1) → garde-fous production (sanitizer risque 1%, disjoncteur 4%/jour). Couvre les pièges critiques qui font la différence entre un squelette qui tourne et un agent qui généralise.

Pattern #1 : Artefact de levier composé (fitness explosive)

Symptôme : En entraînant l'arène sur latents réels, la fitness explose à des valeurs absurdes (net_profit +3308% sur 512 barres, sortino 13829). Les "champions" records sont des exploits statistiques, pas des stratégies.

Cause racine : rendement par barre calculé depuis le prix d'entrée FIGÉ : retour = position × (prix/prix_entree − 1). Avec position tanh±1 constante et drift de prix, le retour se COMPOSE de façon explosive — levier non borné.

Solution : mark-to-market barre-à-barre. Le rendement utilise le prix de la barre PRÉCÉDENTE :

prix_precedent = etat.prix_entree  # mémorisé à chaque pas
rendement_prix = (prix - prix_precedent) / prix_precedent
retour_net = position * rendement_prix - cout
# puis prix_entree = prix (mark-to-market)

Initialiser prix_entree = prix_seq[0] (premier prix du segment), JAMAIS 1.0 — sinon le premier rendement est (prix_0/1.0 − 1) = +200 000%.

Vérification : sur drift monotonique +30%, net_profit max population ≪ 100% (volatilité barre-à-barre), pas +3308%.

Pattern #2 : Position embedding trop court pour le pré-calcul

Symptôme : ValueError: Séquence 4096 > position embedding 512 en encodant tout l'historique en une passe.

Solution : chunker à la longueur du position embedding (512), concaténer les latents. Ne jamais dépasser la borne du position embedding.

Pattern #3 : Trades discrets (promotion multi-critères Pattern #15)

Symptôme : l'arène simule une position CONTINUE mark-to-market → win_rate / profit_factor / nb_trades = 0 dans le registry. La promotion ne peut utiliser que fitness+DD, pas les critères complets (WR>55%, PF>1.3,

30 trades).

Solution : détecter la fermeture d'un trade par CHANGEMENT DE SIGNE de position (ou passage à zéro), accumuler le P&L du trade :

changement_signe = (position != 0) & (signal != 0) & (sign(signal) != sign(position))
retour_neutre = (position != 0) & (signal == 0)
trade_ferme = changement_signe | retour_neutre
nb_trades += trade_ferme
trades_gagnants += trade_ferme & (pnl_trade > 0)
profit_factor = profit_brut / max(perte_brute, eps)

Étendre l'état de simulation (nb_trades, trades_gagnants, profit_brut, perte_brute, pnl_trade_courant) et le résultat (win_rate, profit_factor, nb_trades).

Pattern #4 : Backtest holdout — le seul juge de la généralisation

Règle d'or : toute arène entraînée sur 80% de l'historique DOIT être évaluée sur le holdout 20%. La fitness train SEULE ne prédit PAS la généralisation.

Observé (E.V.A, XAUUSD M15) : champion train fitness 2.08 → holdout −8.14% (dd 13.7%) = surapprentissage ; champion train fitness 0.83 → holdout +8.15% (pf 1.32) = généralise.

Méthode : sauvegarder les POIDS Pytree du champion (npz, pas seulement les métriques), recharger dans une arène à population 1, évaluer sur le holdout. Verdict : généralise si net_profit > 0 ET drawdown ≤ 5%.

Pattern #5 : Sanitizer — calibration contrat par classe d'actif

Symptôme : tous les lots calculés tombent à 0.00 alors que le risque 1% devrait autoriser plusieurs lots.

Cause : taille_contrat = 100_000 (forex) appliqué à XAUUSD. Pour l'or, 1 lot = 100 oz → risque 1000× surestimé → lot_max_risque ≈ 0 → tous les ordres refusés.

Solution : calibrer par classe d'actif (métaux 100 oz, forex 100 000, indices selon le contrat). Fraction de risque = |signal[1]| (le CEM produit des actions dans [-1,1], la magnitude porte la conviction), PAS clip(signal[1]) qui écrase les négatifs à 0.

Vérification : lot_max_risque(SL=5$, equity=100k, contrat=100) = 2.0 lots, perte au SL = 1000$ = exactement 1%.

Pattern #6 : Pré-entraînement JEPA — convergence saine

Référence validée : AdamW + cosine schedule + warmup 50, lr 3e-4, gradient clipping 1.0, EMA 0.999. Sur XAUUSD M15 (50k barres), 2000 steps, batch 32 : perte 0.129 → 0.0087 (~66 step/s sur RTX 3090). Latents cohérents (cos 0.991 fenêtres adjacentes, std 1.46 — pas de collapse).

Vérification anti-collapse : std latents > 0.05, similarité cosinus fenêtres adjacentes > 0.9. Si std < 0.01 → collapse (EMA cassé).

Pattern #7 : Orchestrateur production — robustesse

• Vérifier le disjoncteur AVANT tout calcul de signal (court-circuiter le tick).
• Ne pas émettre un ordre si lot < lot_min (après écrasement) — warning, pas d'ordre.
• Réordonner les except : torch.cuda.OutOfMemoryError AVANT RuntimeError (OOM est une sous-classe de RuntimeError → clause inatteignable sinon).
• Arrêt propre SIGINT/SIGTERM via handler qui bascule un flag actif.

Pattern #8 : Ablation world model — preuve de la valeur du GRU

Résultat (2026-07-21) : comparaison CEM avec GRU entraîné vs GRU aléatoire sur XAUUSD M15, 500 barres holdout :

Métrique	GRU entraîné	GRU aléatoire	Écart
PnL	+3.04%	-12.45%	+15.49%
Win rate	50%	25%	×2
Disjonctions (DD>4%)	63	467	-86%
Drawdown max	6.80%	13.58%	-50%

Conclusion : le world model GRU entraîné apporte une réelle valeur au CEM. Sans lui, le planificateur CEM dégénère en bruit — perte massive, disjonctions permanentes. Le GRU apprend une dynamique latente utilisable par la planification.

Commande ablation :

cd ~/jepa_eva && source ~/ftmo_agent/venv/bin/activate && PYTHONPATH=.
# Avec GRU entraîné
python3 backtest_endtoend.py --world_model checkpoints_wm/world_model_XAUUSD_m15.npz --nb_pas 500
# Avec GRU aléatoire
python3 backtest_endtoend.py --nb_pas 500

Environnement validé (The Hive)

• torch 2.6+cu124 (SDPA/FlashAttention-2 OK), jax 0.11.0 CUDA (2 devices).
• Données : 8 symboles MT5 × 5 timeframes, 50k barres m15, format time,open,high,low,close,tick_volume,spread,real_volume.
• DLPack zéro-copie cuda:0 → cuda:1 (~0.34 ms pour 64×128 après warmup).
• CEM 5000 trajectoires ~7.4 ms ; arène 64 agents (512 pas) ~54 ms ; évolution ~1.8 ms.

Références

• references/pipeline-eva-real-data.md : benchmarks, résultats d'entraînement, verdicts backtest holdout par champion, et extraits de code validés.