WeatherBot apprend désormais de ses propres erreurs — le moteur d'intelligence auto-améliorant
La plupart des bots de trading sont statiques. Ils exécutent aujourd'hui la même logique qu'au premier jour. S'ils font un mauvais trade, ils referont volontiers exactement le même mauvais trade demain. Nous avons décidé que ce n'était pas assez bon.
À partir d'aujourd'hui, WeatherBot dispose d'un moteur d'auto-amélioration — un système de cinq modules interconnectés qui suivent, analysent et apprennent continuellement de chaque trade effectué par le bot. Le bot devient littéralement plus intelligent au fil du temps, adaptant sa stratégie en fonction des résultats réels, et pas seulement de modèles théoriques.
Voici exactement comment chaque module fonctionne :
1. Suivi des résultats de transactions & calculateur de taux de réussite
Chaque trade qui se ferme — par stop-loss, objectif de profit ou résolution du marché — est enregistré de manière permanente avec son contexte complet : la question du marché, prix d'entrée, prix de sortie, quelle ville, quelle date, quel mode de trading était actif, ce que les modèles de prévision ont prédit et le P&L final.
À partir de ces données, le moteur calcule des taux de réussite en temps réel ventilés par ville, mode de trading, fourchette du prix d'entrée, et time period. Après seulement quelques jours de trading, des schémas émergent. Peut-être que le bot gagne 85% des trades à Londres mais seulement 45% à Séoul. Peut-être qu'il excelle sur des entrées sous 15¢ mais mal au-dessus de 40¢. Ce ne sont pas des intuitions — ce sont des chiffres concrets issus de vrais trades, alimentant directement la prochaine décision de Claude.
2. Boucle de rétroaction post-résolution — suivi de la précision du modèle
C'est de la science météorologique pure. Après la résolution de chaque marché, le moteur enregistre ce que chaque modèle météo a prédit par rapport à ce qui s'est réellement passé. Au fil du temps, cela construit une base de données de précision du modèle par ville.
Le résultat ? Après 30 jours de données, le bot pourrait savoir qu'« ECMWF tourne systématiquement à 0,8°C de trop pour Séoul en mars » ou « GFS est à 1,2°C de trop froid pour Miami en été ». Ces biais systématiques sont intégrés automatiquement dans le calcul du consensus. Aucun autre bot de trading météo n'a cela — la plupart traitent tous les modèles à égalité, indépendamment de leur historique pour une ville et une saison spécifiques.
3. Claude juge ses propres transactions — analyse post-mortem par l'IA
C'est le module le plus puissant. Toutes les 30 minutes, le bot examine ses trades perdants récents et renvoie chacun à Claude avec une simple question : « Qu'est-ce qui n'a pas marché ? »
Claude examine le trade a posteriori — les données de prévision disponibles, le prix d'entrée, le résultat réel — et rédige un post-mortem concis : quelle était l'erreur et une règle actionnable pour l'éviter à l'avenir. Ces leçons s'accumulent dans un « playbook » injecté à chaque future requête IA.
Après 100 trades, Claude a essentiellement écrit son propre manuel de trading basé sur l'expérience réelle. Exemples de leçons observées en test :
- « Évitez BUY_YES au-dessus de 30¢ sur les villes asiatiques — le marché est généralement déjà efficient à ce prix »
- « Quand GFS et ECMWF divergent de plus de 2°C, toujours SKIP — l'incertitude est trop élevée »
- « Les températures à Séoul sont systématiquement inférieures au consensus des modèles en mars — appliquez une correction de -1°C »
4. Calibration de la confiance de l'IA
Lorsque Claude dit qu'un trade a une confiance "VERY_HIGH", à quelle fréquence gagne-t-il réellement ? Ce module suit la réponse avec précision. Le niveau de confiance de chaque trade est enregistré aux côtés de son résultat, construisant une table de calibration :
HIGH : 58,1% de taux de réussite réel (36/62 transactions)
MEDIUM : 41,2% de taux de réussite réel (14/34 transactions)
LOW : 25,0% de taux de réussite réel (3/12 transactions)
Ces données sont injectées directement dans le prompt de Claude. Si Claude voit que ses appels VERY_HIGH ne gagnent que 60% du temps, il devient naturellement plus sélectif — réservant VERY_HIGH aux résultats vraiment certains. La confiance de l'IA devient réellement significative au lieu d'arbitraire, ce qui améliore directement le dimensionnement des trades (puisque des mises plus grandes sont placées sur des niveaux de confiance plus élevés).
5. Contexte de performance glissant — reconnaissance de motifs
Chaque analyse IA reçoit désormais un résumé glissant de performance sur 7 jours indiquant :
- Bilan global gains/pertes et P&L net
- Villes les plus performantes (où le bot gagne régulièrement)
- Villes les moins performantes (où trader avec prudence ou éviter)
- Taux de victoire par plage de prix d'entrée (<15¢, 15-40¢, >40¢)
Claude ajuste naturellement son comportement en fonction de ce contexte. Si les trades de Londres sont sur une série de 9 victoires, il se penche plus agressivement vers les opportunités londoniennes. Si Séoul a été un perdant constant, il relève la barre avant de recommander des trades à Séoul. La stratégie du bot évolue quotidiennement en fonction de ce qui fonctionne réellement.
L'effet cumulé
Ces cinq modules ne fonctionnent pas isolément — ils se cumulent. Les résultats des trades alimentent les données de calibration. Les données de calibration ajustent les niveaux de confiance. Les niveaux de confiance ajustés modifient le dimensionnement des positions. Les post-mortems génèrent des leçons. Les leçons évitent les erreurs répétées. Le suivi des biais du modèle corrige les prévisions. De meilleures prévisions améliorent les taux de victoire. De meilleurs taux de victoire se cumulent en plus de profits. Le bot qui tourne pendant 30 jours est fondamentalement plus intelligent que celui qui tourne pendant 3 jours. C'est la fonctionnalité la plus importante de WeatherBot — et elle est désormais en service.