Voici le cours écrit complet derrière le bot de trading Kalshi que j'exécute avec de l'argent réel, publié article par article sur Rebel Edge et désormais réuni en un seul endroit.

Cinq articles. Chaque couche du système. Code inclus.

Ce que couvre le cours

Article 1 : architecture
Pourquoi un seul modèle ne suffit pas. Le filtre de double confirmation qui rejette 91,9 % des signaux. Comment Chronos-T5-Small et LightGBM fonctionnent indépendamment et pourquoi ils doivent s'accorder avant qu'un trade ne soit déclenché. Dimensionnement des positions avec le critère de Kelly. La boucle de trading complète en 25 lignes de Python.

Article 2 : pipeline de données
Récupération de données OHLCV en direct de Binance avec ccxt (aucune clé d'API nécessaire). Ingénierie de 26 caractéristiques réparties en 8 catégories avec pandas-ta. Encodage temporel sinus/cosinus. Les 3 caractéristiques Kalshi injectées en direct qui relient le graphique Binance au marché prédictif. Schéma de journalisation SQLite à 14 colonnes.

Article 3 : entraînement des modèles
Mise en place de la classification binaire LightGBM. Pourquoi les résultats de trades clôturés reçoivent un poids d'échantillon ×3 à l'entraînement. Comment Chronos-T5-Small génère 100 prévisions probabilistes sur CPU, sans GPU. La boucle de réentraînement à double déclencheur : toutes les 6 heures à l'horloge et tous les 20 trades clôturés. Persistance Joblib pour que les redémarrages ne perdent pas le modèle. Validation par score de Brier et log loss avant la mise en service du nouveau modèle.

Article 4 : validation par paper trading
L'architecture à un seul indicateur qui rend le mode paper et le mode réel identiques. Cinq catégories de défaillances que le paper trading détecte et que le backtesting ne détectera jamais. Les cinq tables SQLite qui rendent possible l'analyse go/no-go, y compris la table skipped_signals que la plupart des développeurs omettent. Calcul d'intervalle de confiance sur 241 trades papier : ce que signifie réellement 51,5 % d'un point de vue statistique. Les trois conditions que le bot a dû remplir avant de passer en réel.

Article 5 : déployer, surveiller, discipline
Mise en place d'un VPS Hetzner CX22 à 3,79 €/mois. Le piège du PATH de cron qui fait échouer la plupart des premiers déploiements. Systemd comme couche de récupération après plantage (et non comme planificateur). Journaux rotatifs plafonnés à 50 Mo. Alertes de trades par Telegram. Logique de nouvelle tentative pour les appels d'API idempotents et non idempotents. Règles de trading écrites à l'avance et validées avant le premier trade réel, car la version de vous qui a écrit les règles avant toute perte est la seule qui mérite d'être écoutée.

À qui s'adresse-t-il

Aux développeurs Python qui veulent construire un vrai système de trading algorithmique sur une plateforme régulée par la CFTC : pas un backtest, pas une simulation, mais un bot qui tourne sur du capital réel avec de vraies données de marché, de vrais appels d'API et un vrai règlement. Vous devez être à l'aise avec Python. Une familiarité avec pandas et les notions de base du ML aide, mais n'est pas obligatoire : chaque concept est expliqué à partir des principes de base.

Résultats en direct du bot que ce cours construit

Portefeuille de $428 · +18,95 % depuis un solde initial de $360 · 132 trades réels · 55,3 % de réussite · contrats XRP à 79 %. Mis à jour en direct sur le tableau de bord Rebel Edge sur Substack.

Ceci n'est pas un conseil financier. Les performances passées ne garantissent pas les résultats futurs.