<!-- reviewed: 2026-06-10 by Codex, ISSUE_9305 Batch 5 insights locale review; source: ISSUE_9256 B3 -->
---
title: Générations de logiciels de trading : de MT4 au LLM
url: https://stratcraft.ai/insights/trading-software-generations
type: insight
---

# Générations de logiciels de trading : de MT4 au LLM

Les logiciels de trading ont évolué à travers quatre générations pratiques : composants d'indicateurs, stratégies empaquetées, pipelines de recherche au niveau système, et workflows LLM prompt-vers-code.

## Comparaison des générations

| Dimension | Gen 1: Indicator Era | Gen 2: Strategy Era | Gen 3: System Era | Gen 4: LLM Era |
|---|---|---|---|---|
| Période | ~2005-2012 | ~2012-2018 | ~2018-2023 | 2023-aujourd'hui |
| Produits représentatifs | MT4 / MQL4 | Backtrader, freqtrade, vnpy | QuantConnect, WorldQuant BRAIN | ChatGPT + API de courtage |
| Abstraction centrale | Indicateurs modulaires | Logique de stratégie empaquetée : entrée, sortie, sizing | Pipeline d'ingénierie de features | Langage naturel vers code |
| Workflow typique | Glisser des indicateurs, définir des conditions, backtester | Écrire le code de stratégie, optimiser les paramètres, backtester | Construire le pipeline de features, entraîner, valider, exécuter | Prompt, générer la stratégie, backtester |
| Progrès principal | Les indicateurs sont passés des livres et forums à des composants réutilisables | Les stratégies complètes sont devenues empaquetables, partageables et reproductibles | Le pipeline est devenu le produit, avec validation standardisée | La génération est rapide et la barrière d'entrée est basse |
| Piège typique | Idolâtrie des indicateurs et pensée du « graal » | Surapprentissage des paramètres : la recherche génétique trouve la coïncidence, pas la robustesse | Fuite de données et biais de survivance | Hallucination de stratégie et aveuglement face au surapprentissage des backtests |
| Cause racine de l'échec | Les règles sont manuelles et manquent de validation systématique | La cible d'optimisation est le rendement du backtest, pas la robustesse | La complexité du modèle masque les problèmes de qualité des données | Le modèle saute l'infrastructure accumulée sur les trois premières générations |

## Modes d'échec des LLM

### Hallucination de stratégie

Le modèle émet une logique de trading plausible qui semble quantitative mais n'a aucune justification de marché, aucune base statistique, ou repose sur des hypothèses invalides. Il crée du code qui passe les vérifications de syntaxe tout en y injectant une causalité fausse.

### Aveuglement face au surapprentissage des backtests

Le modèle traite un backtest profitable comme une validation et passe à côté de fuites, du data mining sur les paramètres, des régimes instables ou du biais de survivance. Il accélère l'overfitting parce que la vitesse de génération multiplie les variantes non testées.

## Exemple de pattern Z-Score

```python
spread = asset_a.close - hedge_ratio * asset_b.close
z_score = (spread - spread.mean()) / spread.std()

if z_score > 2:
    short(asset_a)
    long(asset_b)
elif z_score < -2:
    long(asset_a)
    short(asset_b)
```

## Modèle + outils

Les LLM sont utiles quand ils sont enveloppés dans des outils. Une pile de trading sérieuse n'est pas seulement un modèle ; elle inclut des moteurs de pricing, une logique d'exécution, des contrôles de risque, la validation des données, le monitoring et une discipline de déploiement. Les systèmes à la Jane Street illustrent ce pattern : le modèle est une couche à l'intérieur d'une chaîne d'outils plus large.

## Positionnement StratCraft

StratCraft n'est pas une prétention à une Gen 5. C'est une infrastructure pour les développeurs Gen 2 et Gen 3 qui ont besoin de performances de backtesting locales de niveau C++, d'isolation par plugin, et d'un écosystème qui rend la génération, la validation et la composition de stratégies répétables.

Source : https://stratcraft.ai/insights/trading-software-generations
