Aller au contenu

Ce que nous écrirons ici

2 min de lecture

Un blog vide est honnête. Voici ce que nous prévoyons — plongées techniques sur la sémantique Pine, le transpileur et les backtests à parité — et pourquoi nous préférons attendre le bon texte plutôt que publier dans la précipitation.

Les chiffres de cet article ont été mesurés le 7 mai 2026 et sont conservés tels quels. Pour les résultats actuels, consultez notre protocole de mesure de la parité.

Au moment où nous avons écrit ces lignes, ce blog était vide, et c’était voulu.

En mai 2026, l’équipe PineForge avait le nez dans le moteur : 162 stratégies dans la campagne de parité, dont 158 en parité stricte trade pour trade, et un codegen alors proposé sous forme d’API hébergée gratuite. Le site marketing est sorti en premier. Les articles sont venus ensuite.

Ce qui arrive

Quelques billets d’ingénierie sont dans les tuyaux. Nous préférons publier chacun avec de vrais artefacts (des CSV reproductibles, des traces côte à côte, du code qui tourne) plutôt que de publier du vent. Voici la feuille de route, dans les grandes lignes :

  • L’architecture du transpileur. Comment le lexer, le parser et l’analyseur de Pine v6 alimentent le codegen C++, pourquoi nous avons choisi la compilation AOT plutôt qu’un interpréteur, et où s’arrête le transpileur et commence le runtime Apache-2.0.

  • La parité comme discipline d’ingénierie. Ce qu’il faut réellement pour obtenir un accord trade pour trade avec TradingView. L’infrastructure (campagne en CI, harnais de comparaison), la conception du corpus, et la méthode que nous suivons quand deux moteurs divergent d’exactement une barre.

  • Les stratégies en binaires compilés. La thèse de la marketplace (prévue, sans date) : pourquoi un .so assorti de bornes de licence définies par le vendeur est un meilleur modèle de distribution qu’un flux de signaux encodé en JSON, et comment le runtime vérifierait les licences sans contacter un serveur à chaque backtest.

  • Optuna + walk-forward, intégrés. Prévu, sans date. Pourquoi l’optimiseur prendrait une fonction objectif en lambda Python plutôt qu’un curseur de fitness réglé dans l’interface, et comment la validation hors échantillon serait intégrée à chaque optimisation.

En attendant

Si vous préférez ne pas attendre et utiliser le moteur dès maintenant :

Nous compléterons cette liste à mesure que les billets paraîtront. Pas de newsletter envahissante : quand un sujet méritera votre attention, nous vous l’enverrons une seule fois.