Un
Le créateur de ce robot IA lui a donné une condition explicite : « Payez pour vous-même ou mourez », de sorte que si le solde atteignait zéro, le système de cet agent a été arrêté.
Selon la publication de ce 10 février, l’agent fonctionnait comme un trader autonome sur les marchés de prédiction de Polymarché, C’est-à-dire des plateformes sur lesquelles les participants achètent et vendent des contrats liés à des événements futurs, comme des résultats sportifs ou des données météorologiques.
Cependant, CriptoNoticias n’a pas pu confirmer s’il s’agissait d’un environnement avec de l’argent réel ou une simulation.
Le bot devait générer suffisamment de profits non seulement pour survivre, mais aussi pour pour couvrir vos propres frais de fonctionnementy compris l’utilisation de modèles d’intelligence artificielle et l’infrastructure dans laquelle il a été exécuté.
Le message Argona soutient que toutes les dix minutes le système analysait entre « 500 et 1 000 marchés actifsconstruit une estimation de la juste valeur et exécuté des opérations lorsque des écarts supérieurs à 8 % étaient détectés.
L’image suivante est une capture d’écran tirée de la vidéo publiée par Argona, qui démontre le gain obtenu :
Comment fonctionnait l’agent IA ?
Selon l’utilisateur lui-même, l’agent a utilisé L’interface de programmation d’application (API) de Claude (un modèle de langage développé par Anthropic) pour le raisonnement. Autrement dit, le système a consulté un modèle d’IA externe pour évaluer les probabilités, puis a payé ce service avec une partie de ses bénéfices.
De plus, l’algorithme a appliqué le critère de Kelly, une formule mathématique de gestion des risques qui calcule quelle proportion du capital doit être mise en fonction de l’avantage estimé. En pratique, cela limitait chaque position à 6% du capital disponible, ce qui réduit la probabilité de faillite face à une séquence défavorable.
L’agent utilisé par Argona agissait comme un scanner périodique recherchant des inefficacités spécifiques. Comme il l’a expliqué, sur les marchés météorologiques, par exemple, le robot a analysé les données du National Weather Service des États-Unis. avant qu’ils ne se reflètent pleinement dans les prix des Polymarché.
De même, sur les marchés sportifs, il a examiné les rapports de blessures pour anticiper les mouvements, et sur les marchés liés aux crypto-monnaies, il a combiné les mesures en chaîne avec l’analyse des sentiments, selon Argona.
L’utilité de cette pratique est que, si l’information arrive avant la moyenne du marché, peut capturer les différences de prix.
En ce sens, CriptoNoticias rapportait fin janvier que, dans le réseau Ethereum, la mise en œuvre de la norme ERC-8004 permettait le fonctionnement et l’interaction des agents d’IA entre eux pour effectuer, entre autres, des tâches de trading similaires à celles évoquées par Argona.
Infrastructure et limites de l’expérimentation
L’utilisateur a indiqué qu’il avait développé l’agent dans Rust, un langage de programmation axé sur les performances, et qu’il l’exécutait sur un « serveur privé virtuel (VPS) à 4,5 $ par mois”. Cela implique que l’obstacle technique n’était pas le coût de l’infrastructure, mais la qualité du modèle prédictif et de la gestion des risques.
Pour orchestrer le système, il a utilisé Openclaw, une plateforme qui permet de déployer des agents autonomes qui Ils interagissent avec des modèles d’intelligence artificielle et exécutent des tâches externescomment opérer dans les API financières.
En termes pratiques, Openclaw agit comme un environnement dans lequel l’agent prend des décisions et exécute les ordres de marché.
Cependant, sur des marchés liquides et concurrentiels, les inefficacités persistantes ont tendance à être corrigées rapidement, ce qui rend difficile la pérennisation de tels gains sur une base continue.
Par conséquent, même si l’expérience illustre comment un agent peut automatiser l’analyse, la gestion des risques et l’exécution, le véritable défi sera de vérifier si ces résultats sont reproductibles dans le temps ou s’ils répondent à des conditions de marché spécifiques.
