CoinQuant Introduces une Infrastructure de Trading pour l'Économie des Agents

TheNewsCryptoPublié le 2026-05-26Dernière mise à jour le 2026-05-26

Résumé

CoinQuant, une plateforme de trading sans code alimentée par IA, élargit ses services pour devenir une architecture unifiée d'intelligence de trading, conçue pour les traders humains et les agents IA autonomes. Avec plus de 15 000 utilisateurs, la plateforme répond au besoin d'infrastructure structurée dans l'économie émergente des agents, où l'activité financière autonome s'accélère. L'initiative introduit une "couche de confiance" qui s'interpose entre l'intention de trading et le déploiement en direct du capital. Aucune stratégie, humaine ou autonome, n'est exécutée sans validation préalable via des backtests, des analyses de risque et une optimisation des paramètres intégrés au flux de travail. Le moteur central de CoinQuant combine du backtest de niveau institutionnel, des données de marché structurées, une optimisation par IA et un système propriétaire "Domain Expert". Les traders humains utilisent une interface en langage naturel, tandis que les agents IA se connectent via des API pour valider des stratégies à grande échelle. Cette expansion ouvre deux vecteurs de croissance : servir la base existante de traders et multiplier la valeur via la validation programmatique pour les agents autonomes. Toute stratégie testée contribue à une couche d'intelligence agrégée et anonymisée. Prochainement, CoinQuant lancera une couche d'automatisation d'exécution sur HyperLiquid et lève actuellement 3 millions de dollars en financement d'amorçage pour développer ses produits et s...

L'économie des agents est en train de remodeler les marchés financiers. Les frameworks d'agents open source accélèrent l'activité financière autonome, les agents d'IA exécutant de plus en plus des trades, gérant des portefeuilles et interagissant directement avec les plateformes d'échange. Pourtant, l'infrastructure financière soutenant cette transition n'a pas évolué au même rythme.

CoinQuant, la plateforme de trading no-code alimentée par l'IA qui a attiré plus de 15 000 utilisateurs depuis son lancement, annonce aujourd'hui son expansion en une architecture unifiée d'intelligence de trading conçue à la fois pour les traders humains et les agents d'IA autonomes.

« Le trading autonome n'est plus théorique. Il se produit déjà. La phase suivante nécessite une validation structurée, une gestion disciplinée des risques et une infrastructure d'intelligence. C'est ce que CoinQuant propose », a déclaré Maan Ftouni, Fondateur et PDG de CoinQuant.

La couche de confiance pour les agents d'IA autonomes

Alors que les agents d'IA se connectent de plus en plus directement aux échanges et aux portefeuilles, beaucoup s'appuient sur des API brutes sans backtesting structuré, analyse des risques ou pipelines de données validés. CoinQuant introduit une couche d'intelligence structurée entre l'intention de trading et le déploiement de capital en direct.

Aucune stratégie n'est mise en ligne sans validation, qu'elle soit construite par un humain ou générée de manière autonome. Le backtesting, les métriques de risque et l'optimisation des paramètres sont intégrés directement dans le flux de travail, garantissant que le capital n'est déployé qu'après une évaluation systématique.

D'une plateforme no-code à une architecture d'intelligence de trading

L'expansion de CoinQuant reflète l'évolution de son moteur central. Au centre de la plateforme se trouve un système d'intelligence unifié combinant du backtest de qualité institutionnelle, des données de marché structurées provenant de fournisseurs comme Kaiko et Financial Modeling Prep, une optimisation alimentée par l'IA et le système propriétaire Domain Expert de CoinQuant.

Les traders humains interagissent via une interface en langage naturel qui leur permet de décrire, tester, optimiser et déployer des stratégies sans écrire de code. Les agents d'IA se connectent de manière programmatique via des intégrations API et MCP pour valider des stratégies et accéder à des données structurées à grande échelle.

L'interface n'est que la surface. Le moteur d'intelligence en dessous est le produit.

Un moteur, deux vecteurs de croissance

Cette expansion représente une extension naturelle du modèle économique de CoinQuant. La base croissante de plus de 15 000 traders de la plateforme valide la correspondance produit-marché et génère une intelligence de stratégie structurée. L'interface agent multiplie cette valeur grâce à une validation programmatique à haut volume et des flux de travail d'automatisation.

Chaque stratégie construite, testée et déployée contribue à une couche d'intelligence agrégée et anonymisée, créant un ensemble de données propriétaire cartographiant l'intention de trading vers la logique, les métriques de validation et les résultats de performance dans différentes conditions de marché.

« Le même moteur qui alimente le premier backtest d'un trader peut valider des centaines de stratégies pour des systèmes autonomes en parallèle. Nous construisons une seule fondation d'intelligence pour les humains et les agents d'IA », a ajouté Ftouni.

La couche d'automatisation à venir

CoinQuant se prépare à lancer sa couche d'exécution automatisée des stratégies sur HyperLiquid en tant que deuxième flux de revenus majeur.

La couche d'automatisation permettra aux stratégies validées de passer de manière transparente du backtest au déploiement en direct au sein du même cadre d'intelligence.

Lever 3 millions de dollars pour passer à l'échelle

CoinQuant lève actuellement un financement Seed de 3 millions de dollars pour soutenir le développement produit, la mise à l'échelle de l'infrastructure et l'expansion mondiale. L'entreprise développe également HYDRA, une architecture multi-agent hiérarchique conçue pour la recherche avancée, la modélisation des risques et l'optimisation des stratégies.

Avec plus de 15 000 utilisateurs validant la demande pour une intelligence de trading structurée, CoinQuant vise à devenir l'épine dorsale de l'intelligence du trading algorithmique à l'ère financière pilotée par les agents.

À propos de CoinQuant

CoinQuant est une plateforme de trading IA qui permet aux traders et aux agents d'IA de construire, valider, optimiser et automatiser des stratégies de trading en utilisant le langage naturel. Basée à Dubaï, CoinQuant s'intègre avec les principales plateformes d'échange et fournisseurs de données institutionnels pour offrir une infrastructure de trading de qualité professionnelle à une communauté mondiale.

  • Site Webhttps://coinquant.ai
  • Xhttps://x.com/CoinQuantX
  • Discordhttps://discord.gg/StNxg33z
  • Instagramhttps://www.instagram.com/coinquant.ai/
  • TikTokhttps://www.tiktok.com/@coinquant.ai
  • LinkedInhttps://www.linkedin.com/company/coinquant

Contact presse :

Avertissement : TheNewsCrypto n'approuve aucun contenu de cette page. Le contenu décrit dans ce communiqué de presse ne représente aucun conseil en investissement. TheNewsCrypto recommande à ses lecteurs de prendre des décisions basées sur leurs propres recherches. TheNewsCrypto n'est pas responsable des dommages ou pertes liés au contenu, aux produits ou services indiqués dans ce communiqué de presse.

TagsCoinQuantCommuniqué de presse

Questions liées

QQuel est l'objectif principal de l'expansion annoncée par CoinQuant ?

AL'objectif principal de l'expansion de CoinQuant est de devenir une architecture d'intelligence de trading unifiée, conçue pour servir à la fois les traders humains et les agents d'IA autonomes dans l'économie des agents.

QQuel problème spécifique CoinQuant cherche-t-il à résoudre pour les agents d'IA dans le trading ?

ACoinQuant cherche à résoudre le manque d'infrastructure structurée pour les agents d'IA, qui se connectent souvent directement aux bourses via des API brutes sans couche de validation, d'analyse des risques ou de pipelines de données vérifiés.

QComment les traders humains interagissent-ils avec la plateforme CoinQuant ?

ALes traders humains interagissent avec la plateforme CoinQuant via une interface en langage naturel qui leur permet de décrire, tester, optimiser et déployer des stratégies de trading sans avoir à écrire de code.

QQuelle est la prochaine étape majeure dans le développement de CoinQuant mentionnée dans l'article ?

ALa prochaine étape majeure mentionnée est le lancement de la couche d'exécution automatisée des stratégies sur HyperLiquid, qui constituera la deuxième source de revenus principale de l'entreprise.

QQuel est le montant et l'objectif de la levée de fonds en cours pour CoinQuant ?

ACoinQuant lève actuellement 3 millions de dollars dans un tour de financement de type Seed pour soutenir le développement de produits, la mise à l'échelle des infrastructures et l'expansion mondiale.

Lectures associées

Alibaba « met en rayon », ByteDance « s’entraîne »

Durant la dernière semaine de mai, deux événements consécutifs dans l'industrie de l'IA ont révélé les stratégies divergentes des géants chinois Alibaba et ByteDance. Alibaba adopte une approche d'application immédiate et de monétisation. Son modèle Qwen est intégré à Taobao pour des fonctionnalités comme l'essayage virtuel et la comparaison de prix, visant à transformer l'expérience d'achat. L'entreprise se positionne comme l'infrastructure ("eau, électricité, gaz") et la "caisse enregistreuse" de l'ère IA, avec ses services cloud alimentant de nombreux modèles locaux. Cette stratégie, soutenue par des réorganisations internes et l'initiative "AI Credit", génère déjà des revenus, comme en témoigne la croissance de 40% des revenus cloud externes. Cependant, elle suppose que les capacités des modèles de base n'évolueront pas assez vite pour rendre ses applications obsolètes. ByteDance, via son département Seed, privilégie la recherche fondamentale à long terme. Son objectif est "d'explorer les limites de l'intelligence". Son modèle de génération vidéo Seedance 2.0, salué comme le plus performant au monde, et des publications académiques ambitieuses sur les "modèles du monde" illustrent cette voie. La société, qui n'est pas cotée en bourse, peut se permettre d'engager des dépenses d'investissement massives (jusqu'à 470 milliards de yuans en 2026 selon des rapports) et d'accorder à ses chercheurs le temps de publier sans pression commerciale immédiate. Mais cette approche "laboratoire Nobel" commence à être questionnée par des signes de commercialisation sur des produits comme Doubao. L'article suggère que cette divergence stratégique tient moins à une philosophie qu'à un statut : Alibaba, société cotée, est soumis à la pression des marchés pour montrer des retours rapides, tandis que ByteDance, privée, peut investir sur le très long terme. Le jour où ByteDance envisagera une introduction en bourse, la pérennité de sa stratégie de recherche pure sera véritablement mise à l'épreuve.

marsbitIl y a 1 h

Alibaba « met en rayon », ByteDance « s’entraîne »

marsbitIl y a 1 h

Trois ans plus tard : Retour sur mon jugement de 2023 concernant ChatGPT

Trois ans après ses prédictions sur ChatGPT en mars 2023, Wang Jianshuo revient sur ses vingt affirmations initiales, évaluées en mai 2026 par des agents IA. Sur les vingt points, la majorité des tendances de fond étaient correctes : l'essor du RAG comme architecture dominante pour l'injection de connaissances, le rôle central de l'interface utilisateur en langage naturel (LUI), l'émergence de protocoles pour un "réseau d'agents", et le rattrapage technologique rapide des modèles chinois. Des erreurs notables portent sur des chiffres précis, comme les 100 billions de paramètres supposés de GPT-4 (en réalité environ 1,8 billion) ou une estimation trop basse des coûts de formation des grands modèles. Certaines prévisions se sont révélées trop absolues ("l'IA ne fera jamais de mathématiques pures") ou ont négligé les disparités (aucune vague de chômage massif, mais un impact sévère sur les jeunes diplômés). L'analyse révèle que les intuitions sur les mécanismes et les directions se sont avérées bien plus fiables que les prédictions numériques ou temporelles, souvent trop optimistes à court terme. La prudence dans les formulations et la reconnaissance des incertitudes se sont montrées précieuses avec le recul. Ce bilan offre des leçons pour les futurs pronostics : privilégier les tendances aux chiffres, anticiper les effets distributifs et accepter que certaines questions demandent plus de trois ans pour être tranchées.

marsbitIl y a 9 h

Trois ans plus tard : Retour sur mon jugement de 2023 concernant ChatGPT

marsbitIl y a 9 h

Trois ans plus tard : un retour sur mes prédictions de 2023 concernant ChatGPT

Trois ans après ses prédictions sur le ChatGPT en mars 2023, Wang Jianshuo revient sur ses 20 affirmations initiales. Évaluées en mai 2026 par des agents IA, la plupart de ses intuitions sur les grandes tendances se sont révélées justes : le RAG est devenu l'architecture standard pour intégrer des connaissances, l'Interface Utilisateur en Langage Naturel (LUI) a créé un nouvel écosystème, et les modèles chinois ont presque rattrapé les leaders mondiaux. Des concepts comme les réseaux d'agents et la nature limitée du test de Turing se sont également matérialisés. Cependant, les prévisions quantitatives et les affirmations trop absolues ont souvent échoué. Le paramétrage supposé du GPT-4 (100T) était inexact, et les coûts de développement des modèles ont dépassé les estimations. Il a sous-estimé la vitesse de personnalisation des IA et l'impact distribué sur l'emploi des jeunes. La capture de valeur a surtout bénéficié à la couche matérielle (comme Nvidia), et non aux seules applications. Les leçons clés sont que les mécanismes et les directions sont plus fiables que les chiffres précis, que l'optimisme à court terme doit être tempéré, et que les nuances ("peut-être", "pour l'instant") rendent les prédictions plus robustes. Cette rétrospective souligne l'importance de distinguer les tendances confirmées des questions toujours ouvertes.

链捕手Il y a 11 h

Trois ans plus tard : un retour sur mes prédictions de 2023 concernant ChatGPT

链捕手Il y a 11 h

Trading

Spot
Futures
活动图片