CTF Capital

Où ils en étaient

CTF Capital est un fonds d’investissement crypto qui opère des stratégies de trading algorithmique. Ils avaient une solide équipe de recherche quantitative : des profils qui maîtrisaient les modèles financiers, la génération de signaux, la méthode Triple Barrier. Mais tout vivait dans des notebooks. Il n’existait rien qui puisse ingérer des données Binance en temps réel, calculer des features, générer des prédictions et alimenter un bot de trading à l’échelle production. L’écart entre « le modèle fonctionne dans mon notebook » et « le modèle trade de l’argent réel » était considérable.

Ce que nous avons constaté

Le problème n’était pas un modèle. C’était l’absence totale de cycle de vie ML. Pas de suivi d’expériences, pas de versioning de modèles, pas de détection de dérive. Une dépendance propriétaire (mlfinlab) créait un verrouillage fournisseur sur les algorithmes fondamentaux. Et le système devait fonctionner en deux modes simultanés : batch (agrégations OHLC quotidiennes depuis Binance, stockées en Delta Lake) et temps réel (prédictions en streaming alimentant un bot de trading actif).

Ce que nous avons construit

Un pipeline de prédiction en temps réel : OHLC → Features → Filtrage → Prédiction → Dimensionnement des positions → Stratégie. Plus de 20 features financières : RSI sur 5 périodes, Ultimate Oscillator en 3 configurations, Chande Momentum Oscillator, estimateurs de volatilité Parkinson et Corwin-Shultz, moyennes mobiles EWMA. Pipeline ML complet sur SageMaker (prétraitement, optimisation, évaluation, entraînement, déploiement et monitoring), entièrement automatisé. MLflow pour le suivi d’expériences. Migration de mlfinlab vers une bibliothèque interne (ctf-lab) pour éliminer le verrouillage fournisseur. Plus de 12 services AWS orchestrés : S3, SageMaker, EC2, ECS, ECR, SNS, SQS, Lambda, RDS, DynamoDB, CloudWatch, Airflow. Stack de monitoring sur Grafana : dérive de qualité, dérive de features, dérive d’importance, alertes Slack et déclencheurs de réentraînement automatique.

Ce qu’ils peuvent faire maintenant

Développement et déploiement des modèles 8 fois plus rapides. Backtesting de qualité production avec des métriques concrètes : Sharpe Ratio, Sortino Ratio, MaxDrawDown, Total Profit. La plateforme fonctionne de manière autonome : le monitoring détecte les dégradations, déclenche le réentraînement et alerte via Slack. Zéro verrouillage fournisseur : CTF possède chaque ligne de code, y compris les algorithmes fondamentaux. L’infrastructure que nous avons construite a contribué à rendre CTF éligible à l’acquisition par Borderless.

Pourquoi ils sont restés

28 mois. Le plus long engagement de deployr. Cela a commencé par du pur ML engineering et s’est étendu au monitoring, à l’observabilité et à l’intégration de nouvelles sources de données. Il n’y a pas eu un seul contrat long. Des périmètres successifs se sont empilés parce que nous avons gagné leur confiance avec du code fonctionnel, pas des présentations PowerPoint.