L’IA peut vous aider à trader, mais ce que je veux vraiment savoir, c’est : Pourquoi cette position a-t-elle été ouverte ? La stratégie peut-elle être backtestée ? Et si le jugement s’avère erroné, peut-on retracer les raisons ? Après avoir consulté les documents du projet @Travix_fi, je pense que cette direction mérite attention. Travix se définit comme un Agentic Omnibroker : une plateforme chainée qui intègre le trading multi-actifs, l’analyse d’événements et l’exécution de stratégies IA. Selon l’équipe, le projet a levé un financement de graine soutenu par Amber Group et avance actuellement vers le mainnet. Leur choix d’actifs est particulièrement intéressant : ils ciblent principalement les ressources informatiques et les marchés d’Asie de l’Est. Des actifs liés à la puissance de calcul — comme les H100, la mémoire et l’électricité — ainsi que des actions semi-conductrices au Japon et en Corée du Sud, font partie de leur offre. L’objectif est de permettre aux utilisateurs de gérer des positions multi-actifs sous un même système de garantie, en utilisant des contrats perpétuels 24/7 pour exprimer des opinions ou se couvrir contre les risques. Si vous suivez l’industrie de l’IA, cette approche est facile à comprendre : l’approvisionnement en puces et le coût de la puissance de calcul affectent différentes entreprises de la chaîne de valeur. Regrouper ces actifs permet d’organiser des trades autour d’un même jugement. Mais avoir des actifs ne suffit pas : il faut aussi comprendre comment les informations les influencent. Le Financial World Model de Travix tente de suivre les évolutions des probabilités d’événements, en combinant des données prospectives comme les marchés prédictifs, pour analyser la transmission de ces impacts aux actifs spécifiques. Selon la conception du produit, les résultats incluront les changements de probabilité, les sources des données, ainsi que le niveau de confiance et les facteurs de risque associés à l’impact sur les actifs — permettant ainsi à l’utilisateur de vérifier les fondements de son jugement. Le Trusted Agent, quant à lui, transforme ces informations en stratégies backtestables, que la couche d’exécution appliquera selon des règles claires, en conservant la raison d’entrée, les conditions d’invalidation du jugement et un historique complet des exécutions. C’est ce point qui me semble crucial. Il est facile pour une IA de fournir une raison haussière ; mais la transformer en règle, la tester sur des données historiques, et la réviser après le trade — c’est seulement ainsi qu’on peut évaluer sérieusement son utilité. Les order books sont déjà ouverts, tandis que le trading IA et le trading par chaîne causale sont encore en phase bêta. La date du mainnet sera annoncée officiellement. Pour l’instant, il vaut mieux suivre l’évolution du produit, puis se concentrer sur la qualité des backtests et des enregistrements d’exécution. Pour ceux intéressés par l’IA × trading et les actifs liés à la puissance de calcul : suivez @Travix_fi.