| name | eva-jax-trading-pipeline |
| description | Pipeline de trading évolutif JEPA (PyTorch) → DLPack → JAX (arène génétique TD-MPC2) sur cluster dual-GPU. Pièges validés : mark-to-market barre-à-barre, fitness guidée par holdout anti-overfitting, sizing par classe d'actif, statiques JAX sous jit, in_axes vmap. |
| category | mlops |
Pipeline JEPA→JAX de Trading Évolutif (E.V.A)
Architecture validée sur The Hive (2× RTX 3090) : encodeur JEPA temporel
auto-supervisé (PyTorch, GPU 0) → pont DLPack zéro-copie → moteur JAX (GPU 1) :
planificateur TD-MPC2 (CEM 5 000 trajectoires) + arène génétique 64 agents
sous jax.vmap/jax.jit. Projet de référence : ~/jepa_eva
(github.com/JohnNuwan/jepa_eva).
Chaîne complète
train_jepa.py : pré-entraîner l'encodeur JEPA (perte 0.129→0.0087 sur
XAUUSD M15). Vérifier latents cohérents (cos fenêtres adjacentes > 0.9,
std > 0.05 = pas de collapse EMA).precompute_latents.py : latents de tout l'historique (50 000×128). Le
chunk est borné par le position embedding (512) — jamais au-delà.train_arena_generalisee.py : arène guidée par holdout (recommandé).backtest_validation.py / evaluer_multi_symbole.py : validation holdout
et cross-symboles.train_world_model.py : GRU supervisé transitions H_t→H_{t+1} pour CEM.
Pièges critiques validés (2026-07-19)
P1 — Backtest : composition du drift = artefact de levier infini
Retour calculé depuis le prix d'entrée (position × (prix/prix_entree − 1))
avec position maintenue → drift composé sans borne → +3308 % sur 512 barres,
sortino 13 829. Solution : mark-to-market barre-à-barre. Retour du pas =
position × (prix_t − prix_{t−1}) / prix_{t−1} ; prix_entree réassigné au
prix courant à CHAQUE pas (jamais figé). Initialiser prix_entree=prix_seq[0].
Test de capacité : sur drift +30 % monotonique, net_profit doit rester
<< 100 %.
P2 — Sélection sur fitness train → dérive surapprentissage
Sélectionner les parents sur fitness train seule → 1/40 champion qui
généralise, dérive après ~50 gens (holdout −13 %). Solution : score
d'évolution = fitness_train + λ × fitness_holdout (λ=1.0, holdout rafraîchi
sur toute la population toutes les 5 gens) + promotion conditionnelle
(sauvegarder le champion QUE si net_profit > 0 ET dd ≤ 5 % au holdout) +
sauvegarde des POIDS (npz) pas juste des métriques. Piège clé : le
meilleur champion holdout avait fitness_train faible (0.545) — la sélection
train seule l'aurait raté. Résultat : champion robuste 8/8 symboles.
P3 — Sizing : calibration taille_contrat par classe d'actif
taille_contrat=100_000 (forex) sur XAUUSD → risque 1000× surestimé → tous
les lots à 0. Calibrer : métaux spot 100 oz, forex 100 000, indices cash
selon broker, crypto 1. lot_max = (risque% × equity)/(distance_SL × taille_contrat). Ne JAMAIS appliquer lot_min avant le plafond de risque —
si lot_max < lot_min, REFUSER l'ordre. Fraction de risque = |signal| pour
actions CEM dans [-1,1] (sinon signaux négatifs → fraction 0).
P3b — Stop loss basé ATR, jamais fixe (validé par l'utilisateur)
Un SL fixe (ex. 5$ sur XAUUSD M15) est trop serré : le bruit stoppe prématurément
ET le lot devient artificiellement gros (lot = risque/(SL×contrat) → 2.0 lots).
Solution : SL = 2 × ATR(14) (volatilité réelle). Résultat : lots ~0.5-0.9
(raisonnables), SL ~16-33$ (non étouffé), risque 1% toujours exact. L'ATR doit
être recalculé à chaque tick sur la fenêtre courante. L'utilisateur surveille le
réalisme des lots — toujours vérifier le sizing sur la classe d'actif réelle.
P8 — Connecteur broker : interface abstraite + stub pour tests sans infra
Avant le live, définir ConnecteurBroker abstrait (connecter, tick_courant,
envoyer_ordre, fermer_position, equity, positions_ouvertes) implémenté par :
ConnecteurStub (broker simulé en mémoire : slippage ask/bid, P&L, positions —
testé) et ConnecteurMT5 (squelette ZMQ/EA pour VM Windows KVM, lève
NotImplementedError tant que l'ISO n'est pas là). Cela découple l'orchestrateur
du broker et permet des tests end-to-end complets sans VM. Branchement MT5 :
VM Windows 11 KVM → MT5 + EA ZMQ/JSON → ConnecteurMT5.
P4 — JAX sous jit : statiques pour slices et dimensions
jnp.arange(horizon), argsort()[-nb_elites:], jnp.split échouent sous
jit si les tailles sont tracées. Solution : capturer horizon, gamma,
nb_elites en closure statique OU static_argnums. Erreur typique :
"ConcretizationTypeError: Abstract tracer" / "Slice entries must be static".
P5 — vmap : in_axes doit correspondre aux args positionnels
vmap(f, in_axes=(0, None, None)) sur une fonction à 2 args →
"len(in_axes)=3, len(args)=2". Solution : closure à 2 args avec tuple de
données (prix, latents), in_axes=(0, None).
P6 — torch.nn.functional.pad sur tenseur 2D
pad(x, (0,0,h,0)) sur (B,T) padde la dernière dim, pas la temporelle →
"stack expects each tensor to be equal size". Solution :
pad(x.unsqueeze(-1), (0,0,h,0)).squeeze(-1).
P7 — except : ordre des sous-classes
torch.cuda.OutOfMemoryError hérite de RuntimeError — le placer APRÈS
rend la clause inaccessible (Pyright reportUnusedExcept). Toujours la
sous-classe d'abord.
CEM TD-MPC2 — perf validée (RTX 3090)
CEM 5 000 traj × 6 iters ≈ 7 ms ; arène 64 agents (512 pas) ≈ 54 ms ;
évolution génétique ≈ 2 ms. Le premier appel jit inclut la compilation XLA
(~2 s) — mesurer après warmup. CEM de planification vectorisé = GPU-friendly
(contrairement au backtest bar-par-barre, cf. Pattern #22 rl-trading-debugging).
Workflow git propre
Dépôt isolé par pipeline (jepa_eva séparé de ftmo_agent). Pousser via
credential helper store + ~/.git-credentials (chmod 600) — jamais de
token dans l'URL remote en clair (bloqué par le scanner, et fuite).
Commits en français, artefacts lourds régénérables (champions, checkpoints)
dans .gitignore.
Skills liés
rl-trading-debugging : 22 patterns RL/ES/GA pour trading (EVO-ARENA GA-règles).references/eva-arena-jax-architecture.md : détails session, commandes,
benchmarks et fichiers du pipeline E.V.A.
