Un robot d'analyse boursier. Sept dimensions de signaux, 174 actifs scannés chaque jour, un brief envoyé sur Telegram chaque soir. Après six mois de mesures rigoureuses, il a rendu son verdict : ne pas l'écouter. Ce n'est pas un échec de projet. C'est le résultat le plus honnête qu'il pouvait produire. Camilo, marketeur digital en Valais, débutant complet en placement, se pose une question simple au début de l'année : une intelligence artificielle peut-elle vraiment battre le marché ? Plutôt que de chercher la réponse dans un forum ou une pub, il construit un outil pour la mesurer lui-même — avec 100 CHF investis chaque semaine sur un compte Revolut, en argent réel. Pas un pari. Une expérience.
Sept dimensions, 174 actifs, un brief chaque soir
Le robot analyse 174 actifs sur sept dimensions de signaux et plusieurs horizons temporels (multi-timeframe). Chaque soir à 22h30, il envoie un brief sur Telegram avec ses observations du jour. Un système de paper trading — des positions simulées, sans argent réel — lui permet de tester ses propres décisions sans rien risquer. Le tout tourne seul, tous les jours, surveillé par 141 tests qui vérifient que rien ne casse en silence, avec un rattrapage automatique le matin si le pipeline de la veille a échoué.
C'est la machine. Elle a pris quelques mois à construire. Ce n'est pas elle, le sujet.
Le tribunal : trois verdicts chiffrés
Un signal qui a l'air convaincant sur le papier ne prouve rien. Alors plutôt que de faire confiance à ses propres résultats, le robot est équipé pour s'auto-juger : validation en walk-forward (jamais d'information du futur dans le passé), validation sur des actifs et des périodes tenus à l'écart de la mise au point (out-of-sample), comparaison systématique avec la stratégie la plus simple qui existe — acheter et garder (buy & hold) — frais réels déduits à chaque fois.
Trois mesures indépendantes, menées à des moments différents, convergent vers la même conclusion.
Premier verdict : sur les sept dimensions de signaux d'origine, 0 actif sur 12 testés bat le buy & hold. Taux de réussite groupé : 39 %.
Deuxième verdict : le candidat le plus prometteur — une stratégie momentum sur plusieurs actifs (cross-sectional) — est soumis à un stress-test sur 12 scénarios. Il n'en tient que 2. Rejeté.
Troisième verdict, le plus fin : une calibration empirique du score composite, menée en juillet 2026 sur cinq ans de données et 12 actifs, horizon de 20 jours. Le tableau parle de lui-même :
| Tranche de score | Taux de réussite | Échantillon |
|---|---|---|
| 0,0 – 0,2 | 50 % | 11 013 observations |
| 0,2 – 0,4 | 47 % | 2 522 observations |
| 0,4 – 0,6 | 53 % (non concluant) | 17 observations |
| ≥ 0,6 | — | 0 observation en 5 ans |
Un score de 0,0 à 0,2 réussit une fois sur deux. Un score de 0,4 à 0,6 aussi — mais sur 17 cas, impossible d'en tirer une conclusion. Et personne n'a jamais vu un score supérieur à 0,6 en cinq ans de marché. Le signal ne dit rien de plus qu'une pièce lancée en l'air.
Conséquence directe : la colonne du dashboard qui s'appelait « Confiance » est renommée « Force », avec un avertissement affiché en clair. Et l'argent réel — les 100 CHF hebdomadaires — part sur du buy & hold en versements programmés (DCA), pas sur les signaux du robot. Le trading actif, lui, reste entièrement en paper trading : zéro franc réel engagé.
Concrètement, ce portefeuille réel tient aujourd'hui en trois lignes : 0,322 action GOOGL, environ 100 CHF de EQQB, un VWCE à venir. Bilan à date : environ -2 %. Rien d'impressionnant — et c'est précisément le point. Ce n'est pas une performance qu'on affiche, c'est une discipline qu'on documente.
L'affaire CRWD : -71,8 % qui n'existaient pas
Le 2 juillet, l'action CRWD fait un split 4 pour 1 dans le portefeuille paper. Le système ne le détecte pas. Le lendemain, le dashboard affiche une perte de -71,8 % sur la position. Un chiffre qui fait froid dans le dos — jusqu'à ce qu'on vérifie : la position est en réalité gagnante, autour de +13 %.
Le choix, à ce moment-là, n'est pas anodin. On pourrait laisser courir, corriger discrètement, ou simplement ignorer un bug sur un compte en papier — personne ne le saurait. À la place, une détection automatique des splits est ajoutée au système, et les données historiques sont recalculées et recréditées rétroactivement (+133,02 $). L'erreur reste documentée dans l'historique, pas effacée.
Quand ta machine affiche -71,8 % et que la vérité est +13 %, la question n'est pas « comment réparer le chiffre » mais « combien d'autres chiffres regardons-nous sans les vérifier ».
La machine qui refuse de crier victoire
Ce qui suit est la partie la plus intéressante. Une fois le bug corrigé, le compte paper qui a servi à explorer les signaux se retrouve, sur la période, devant son propre benchmark — environ 1 024 $ contre 973 $ au 10 juillet. De quoi être tenté de crier victoire.
Le système, lui, refuse. Cinq semaines de données, ce n'est rien statistiquement — les seuils de signification sont codés en dur, et ils ne sont pas atteints. Pas de conclusion tirée d'un échantillon trop petit, même quand ce petit échantillon est favorable.
Le même principe se retrouve sur le compte satellite dédié au Bitcoin : 1 000 $ de cash, et aucun achat depuis plus de cinq semaines. Le robot attend son signal plutôt que de trader pour le plaisir de trader.
Le robot n'est donc pas devenu inutile. Il est devenu ce qu'il aurait toujours dû être : un coach de discipline anti-FOMO, un labo d'apprentissage sans argent réel, un garde-fou qui refuse de se mentir — même quand la vérité l'arrangerait.
La méthode : séparer celui qui produit de celui qui juge
Un mot sur la façon dont ce système a été construit, parce qu'elle applique la même logique que le robot applique au marché.
Le développement suit un cycle à deux intelligences : un modèle fort (Claude Fable) audite le code et rédige un cahier des charges précis ; un modèle rapide (Claude Sonnet) exécute ce cahier des charges ; puis le résultat est vérifié — par les 141 tests d'abord, par un nouvel audit ensuite. Le 11 juillet 2026, ce cycle a produit sept commits en une session, chacun vérifié avant le suivant.
Le principe est le même partout : celui qui produit n'est jamais le seul à se juger. Le robot ne croit pas ses propres signaux tant qu'un backtest indépendant ne les a pas validés. Le code ne se déploie pas tant qu'un autre regard ne l'a pas relu. C'est moins spectaculaire qu'une démo d'IA qui promet tout. C'est aussi ce qui fait qu'on peut s'y fier.
Mesurer avant de promettre
OSOM Labs construit des systèmes qui mesurent avant de promettre. Ce projet en est un exemple poussé à l'extrême : un robot dont l'honnêteté est câblée dans le code plutôt que promise dans une brochure — jusqu'au pied de page de son brief quotidien, qui rappelle chaque soir que ses signaux sont éducatifs, edge non prouvé.
Dans un marché où chacun vend « l'IA qui prédit », celle-ci a eu le droit de dire « je ne sais pas » — et tout est documenté. Un objectif n'est jamais une garantie. Ici, la mesure tourne chaque soir à 22h30 ; ce n'est pas un slogan.
Cadre de lecture
Ce récit décrit un projet personnel et éducatif. Rien ici ne constitue un conseil en investissement. Les chiffres présentés décrivent un système en test, sur un portefeuille limité ; ils ne sont ni représentatifs ni reproductibles.
Ce qu'il faut retenir
Trois mesures indépendantes convergent : les signaux du robot ne battent pas le buy & hold (0/12, 2/12, ~50 % de réussite — pile ou face).
Quand la calibration a prouvé que la colonne « Confiance » ne mesurait rien, elle a été renommée « Force » — le dashboard dit ce qu'il sait, pas ce qui rassure.
Un bug affichait -71,8 % sur une position gagnante de +13 % (split CRWD non géré) : les données ont été corrigées et l'erreur documentée, pas effacée.
La machine la plus utile n'est pas celle qui prédit — c'est celle qui vous empêche de vous mentir.