| name | trading-action-layer |
| description | Couche d'action déterministe et garde-fous de production pour le trading algorithmique — sizing par le risque (1 %/trade), calibration des contrats par classe d'actif, disjoncteur drawdown dur (4 %/jour), et pièges de traçage statique JAX (jit/vmap) pour le moteur décisionnel. |
| category | mlops |
Couche d'Action & Garde-fous de Production (Trading)
Présentation
Ce skill couvre la couche finale, déterministe et non soumise à l'IA, entre
la sortie d'un moteur décisionnel (CEM, ES, GA) et l'envoi d'un ordre réel :
le sizing par le risque, la calibration des contrats, le disjoncteur dur, et
les pièges JAX du moteur. Complète rl-trading-debugging (qui couvre
l'entraînement RL/ES, pas la couche d'exécution production).
Sizing par le risque (1 %/trade) — leçons validées en exécution
-
fraction = |signal|, pas clip(signal) — un planificateur CEM non
entraîné sort des actions dans [-1, 1] avec signes aléatoires.
clip(signal, 0, 1) met ~50 % des signaux à 0 → lots nuls. La
magnitude porte la conviction : fraction = clip(abs(signal), 0, 1).
-
lot_souhaite = lot_max_risque × fraction, JAMAIS
borne_lot_max × fraction — sinon le lot n'est pas ancré au risque réel.
-
Refus si lot_max_risque < lot_min — un stop très serré peut rendre le
lot max < lot_min. Ne PAS forcer lot_min (le risque dépasserait le seuil) :
REFUSER l'ordre. Le respect du risque prime sur la taille minimale.
-
Test d'or du sizer : perte_au_SL = lot × taille_contrat × distance_SL doit être ≈ risque_cible (1 % equity). Vérifier en exécution
réelle, pas seulement en théorie.
Calibration taille_contrat par classe d'actif
Bug silencieux critique : taille_contrat forex (100 000) appliqué à
XAUUSD (100 oz) → risque surestimé ×1000 → tous les lots à 0.00.
Calibration correcte :
- Forex (EURUSD, GBPUSD) :
100 000
- Métaux au comptant (XAUUSD) :
100 (oz)
- Indices au comptant (US30, US500) : souvent
1
- Crypto (BTCUSD) :
1
Règle : la taille de contrat fait partie de la spec symbole (comme le
spread ou le levier). La sortir d'un dictionnaire par symbole
(SPECS[symbol]['contract']), JAMAIS une constante globale unique. Logger
lot_max_autorise : s'il est systématiquement < lot_min sur un SL
raisonnable, le contrat est faux.
Disjoncteur drawdown dur (garde-fou hors IA)
- Seuil 4 %/jour, perte latente + réalisée cumulée.
- Coupure de TOUTES les positions + suspension des ordres jusqu'à
réarmement manuel (opération humaine, hors portée de l'IA).
- Journal JSONL des événements + pénalité fitness maximale pour la lignée
fautive.
- Vérifié AVANT tout calcul de signal dans la boucle d'orchestration.
- Rollover automatique des compteurs au changement de jour.
Pièges de traçage statique JAX (jit/vmap)
Trois erreurs récurrentes — valeurs qui DOIVENT être statiques mais tracées :
-
jnp.arange(n) / shapes dynamiques — n doit être un entier Python
statique. Erreur : ConcretizationTypeError: traced array int32[].
Fix : capturer n en closure, ou static_argnums.
-
Slicing avec borne tracée — x[-k:] avec k tracé. Erreur :
IndexError: Slice entries must be static integers. Fix : static_argnums.
-
in_axes de vmap ≠ nb d'arguments — in_axes=(0, None, None) sur
fonction à 2 args. Erreur : ValueError: len(in_axes)=3, len(args)=2.
Fix : regrouper les args non-mappés en tuple/closure.
Règle générale : tout ce qui pilote une structure de contrôle Python
(bornes de slice, tailles de tableaux, compteurs range) ou une forme de
tenseur doit être statique sous jit. Tout ce qui est donnée (tenseurs, clés
PRNG) peut être tracé.
Benchmarks validés (RTX 3090, jax 0.11, TD-MPC2 + arène 64 agents)
- Pont DLPack PyTorch→JAX : 0.34 ms
- CEM 5 000 trajectoires : 7.4 ms
- Arène 64 agents (512 pas de marché) : 54 ms
- Évolution génétique jittée : 1.8 ms
Validation sur données réelles
Le pipeline complet (JEPA → DLPack → CEM → arène) a été validé sur données
MT5 réelles (XAUUSD M15, 50k barres) : perte JEPA auto-supervisée qui
diminue (0.16 → 0.10 en 30 steps), latents sans collapse, fitness d'arène
finie. Format CSV MT5 : time,open,high,low,close,tick_volume,spread, real_volume — OHLCV = colonnes open/high/low/close/tick_volume.
Skills liés
rl-trading-debugging : entraînement RL/ES/GA (amont de cette couche).scripts/verify-sizer.py : vérification réutilisable de la calibration
du sizer (perte au SL ≈ risque cible par classe d'actif).
