Futures
Des centaines de contrats réglés en USDT ou en BTC
TradFi
Or
Une plateforme pour les actifs mondiaux
Options
Hot
Tradez des options classiques de style européen
Compte unifié
Maximiser l'efficacité de votre capital
Trading démo
Lancement Futures
Préparez-vous à trader des contrats futurs
Événements futures
Participez aux événements et gagnez
Trading démo
Utiliser des fonds virtuels pour faire l'expérience du trading sans risque
Lancer
CandyDrop
Collecte des candies pour obtenir des airdrops
Launchpool
Staking rapide, Gagnez de potentiels nouveaux jetons
HODLer Airdrop
Conservez des GT et recevez d'énormes airdrops gratuitement
Launchpad
Soyez les premiers à participer au prochain grand projet de jetons
Points Alpha
Tradez on-chain et gagnez des airdrops
Points Futures
Gagnez des points Futures et réclamez vos récompenses d’airdrop.
Investissement
Simple Earn
Gagner des intérêts avec des jetons inutilisés
Investissement automatique
Auto-invest régulier
Double investissement
Profitez de la volatilité du marché
Staking souple
Gagnez des récompenses grâce au staking flexible
Prêt Crypto
0 Fees
Mettre en gage un crypto pour en emprunter une autre
Centre de prêts
Centre de prêts intégré
Je suis en train d’étudier en profondeur la logique fondamentale des transformers. La compréhension la plus profonde que j’en retire est que ce que l’IA considère comme « correct » n’est en réalité qu’un approximateur de fonctions extrêmement puissant, une forme de modélisation statistique poussée à l’extrême. Sur cette base, je pense vraiment que certaines personnes qui utilisent les capacités actuelles des LLM pour faire de la quantification ou du trading en réel ne font rien d’autre que jouer à la loterie, une voie totalement erronée. Parce que le modèle LLM excelle à deviner des mots : c’est un modèle autoregressif, il ne peut produire que ce qui est statistiquement « correct ». C’est comme si vous lui demandiez « le Bitcoin va-t-il monter ? » ; le LLM ne se basera que sur la distribution des textes dans ses données d’entraînement, en assemblant mot par mot la réponse la plus courante dans l’histoire humaine. Et cela dépend du premier token qu’il génère : par exemple, les options possibles sont :
- Ça montera
- Ça ne montera pas
- Le marché est incertain
- D’abord monter, puis baisser
- ...
Le LLM, en se basant sur le premier token qu’il produit, continue à générer la suite en suivant cette piste, finissant par produire un long rapport qu’il ne sait pas si c’est vrai ou faux, mais qui paraît très professionnel. Cela dépend essentiellement du contexte qu’il trouve dans la recherche de correspondances. En revanche, un vrai modèle de quantification doit analyser le flux d’ordres du marché, utiliser diverses modélisations mathématiques, des multi-facteurs, etc. Les grands modèles de quantification et les grands modèles LLM, ce sont deux choses totalement différentes : le système de quantification n’utilise pas du tout de transformer. Peu importe que quelqu’un utilise un outil LLM pour faire du trading entièrement automatique, c’est du pur jeu de hasard. Tout dépend du contexte que l’on peut faire correspondre dans la recherche, et du premier token que le modèle génère. Que ce soit pour prédire le marché, faire du trading de contrats ou trader sur d’autres marchés comme les actions américaines, c’est la même chose. Les petits investisseurs ne croient pas trop aux histoires d’IA qui font du trading automatique à 100 %. Récemment, j’ai vu trop de cas où on branche une compétence à OpenClaw et on lui demande de faire du trading automatique, ce qui est absurde. Ce n’est pas que l’IA ne puisse pas faire du trading automatique ; comme le faisait Aster avec ses systèmes d’IA pour trader, la capacité sous-jacente ne repose pas sur le LLM lui-même. Ils utilisent simplement le LLM pour appeler un modèle de quantification, comme une couche supplémentaire. Le rôle du LLM dans ce cas se limite à prendre des décisions basées sur des données réelles, mais cela reste peu fiable.