Communitygithub.com

Degenapetrader/EVClaw

Compétence de trading pour exécuter des trades en direct sur Lighter (perpètes crypto) et Hyperliquid (actions HIP3). À utiliser lorsque l'utilisateur parle de trading, de positions, de signaux, d'exécution de trades, de mode agent en direct, de fichiers de cycle ou de gestion des opérations EVClaw.

Qu'est-ce que EVClaw ?

EVClaw Trading Skill est une compétence spécialisée conçue pour les agents IA (tels que Claude Code, Cursor ou Codex) afin d'exécuter des stratégies de trading automatisées sur les plateformes Lighter (perpètes crypto) et Hyperliquid (actions HIP3). Elle fonctionne en mode « agent en direct », où un cycle de trading est déclenché, un contexte est construit, puis l'agent principal (gpt-5.2) valide les opportunités et propose des actions. Un sous-agent OpenClaw exécute ensuite ces propositions de manière autonome. La compétence utilise des signaux de trading pondérés par un système de conviction, des mécanismes de risque dynamiques (taille des positions, limites d'exposition) et des sorties basées sur la décroissance des signaux. Elle prend en charge à la fois l'exécution manuelle via des commandes CLI (`/trade`, `/execute`) et les cycles entièrement automatisés via `/live-agent run/execute`. Elle inclut également un moteur d'apprentissage contextuel qui ajuste les tailles de position en fonction des performances historiques. Cette compétence est idéale pour les traders algorithmiques et les développeurs souhaitant déléguer des décisions de trading à un agent IA touten gardant un contrôle granulaire via des commandes et une configuration dédiée. Elle nécessite Python 3.10+ et des clés API pour Lighter et Hyperliquid.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add Degenapetrader/EVClaw

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Compétence de Trading EVClaw

Mode : Agent en direct (contexte → agent principal → exécution) Échanges : Lighter (perpètes crypto), Hyperliquid (actions HIP3)

Architecture

Déclencheur de Cycle → Fichier de Cycle + Contexte → Événement Système → Agent Principal (gpt-5.2)
   ↓               ↓                         ↓                 ↓
 tracker:8443   <runtime_dir>/evclaw_*  live_agent.py    Sélection du contexte JSON
                                                     ↓
                                     <runtime_dir>/evclaw_candidates_*.json
                                                      ↓
                            Agent Principal valide + enregistre les propositions
                                                      ↓
                       Agent OpenClaw exécute les propositions
                                                      ↓
                                    Exécuteur → HL et/ou Lighter

Voir references/architecture.md pour l'architecture détaillée du système.

Fonctionnalités Clés

  • Trading avec agent en direct (contexte → agent principal → exécution)
  • Gestion des cycles basée sur des instantanés + constructeur de contexte
  • Exécution par place de marché (aucune obligation qu'un symbole existe sur les deux échanges)
  • Dimensionnement dynamique + limites d'exposition via DynamicRiskManager
  • Sorties basées sur la décroissance comme logique de sortie principale
  • Filet de sécurité SL/TP optionnel (drapeau de configuration)
  • Limitation de débit par seau de jetons (40 req/60s)
  • Persistance atomique des positions pour la récupération après plantage
  • Réponse aux incidents pilotée par l'agent (flux de triage + correction)

Commandes

/live-agent run/execute

Flux de travail de l'agent principal (contexte → valider → enregistrer les propositions ; l'agent OpenClaw exécute en mode AGI uniquement).

# Enregistrer les propositions du cycle en attente le plus récent
python3 ${EVCLAW_ROOT}/live_agent.py run --from-pending

Exécuter à partir des candidats (validation manuelle d'abord) :

python3 ${EVCLAW_ROOT}/live_agent.py execute \
  --seq 12345 \
  --cycle-file ${EVCLAW_RUNTIME_DIR}/evclaw_cycle_12345.json \
  --candidates-file ${EVCLAW_RUNTIME_DIR}/evclaw_candidates_12345.json

cli execute --cycle-file <chemin> --symbol <symbole> --direction LONG|SHORT --size-usd <flottant>

Exécuter une décision à partir d'un fichier de cycle (exécution par appel).

Scission importante des commandes :

  • /execute <PLAN_ID> chase|limit -> exécution de plan de compétence auxiliaire (openclaw_skills/execute).
  • python3 ${EVCLAW_ROOT}/cli.py execute --cycle-file ... -> point d'entrée exécuteur bas niveau.

Paramètres :

ParamètreTypeDéfautDescription
--cycle-filechaînerequisChemin vers le JSON du cycle provenant de cycle_trigger.py
--symbolchaînerequisSymbole de trading (ex. : ETH, xyz:NVDA)
--directionchaînerequisLONG ou SHORT
--size-usdflottantrequisTaille de la position en USD
--dry-rundrapeaufalseSimulation (aucun ordre réel)
python3 ${EVCLAW_ROOT}/cli.py execute \
  --cycle-file ${EVCLAW_RUNTIME_DIR}/evclaw_cycle_123.json \
  --symbol ETH --direction LONG --size-usd 500

/trade <symbole> <direction> <size_usd>

Exécuter une décision de trade manuelle.

python3 ${EVCLAW_ROOT}/cli.py trade <symbole> <direction> <size_usd>

/signals [symbole] [--min-z <flottant>] [--top <entier>]

Voir les signaux actionnables actuels provenant du tracker.

python3 ${EVCLAW_ROOT}/cli.py signals [symbole] [--min-z <flottant>] [--top <entier>]

/positions [--all] [--close <symbole>] [--export]

Voir et gérer les positions ouvertes.

python3 ${EVCLAW_ROOT}/cli.py positions [--all] [--close <symbole>] [--export]

Scripts Python

ScriptObjectifInvocation
main.pyBoucle d'analyse/rapport (sans exécution)python3 main.py
sse_consumer.pyClient SSE pour le flux du trackerpython3 sse_consumer.py
context_builder_v2.pyConstruire le contexte complet du cycle + opportunitésImporté par main
trading_brain.pyPrise de décision basée sur la convictionImporté par main
risk_manager.pyDimensionnement dynamique + sorties par décroissanceImporté par main
executor.pyExécution des ordresUtilisé par cli.py execute
learning_engine.pyApprentissage des poids des signauxpython3 learning_engine.py
cli.pyInterface en ligne de commandepython3 cli.py <commande>

Mode Analyse (Sans Exécution)

# Analyser un fichier de cycle sauvegardé
python3 ${EVCLAW_ROOT}/main.py --cycle-file ${EVCLAW_RUNTIME_DIR}/evclaw_cycle_123.json

# Avec configuration personnalisée
python3 ${EVCLAW_ROOT}/main.py --config custom.yaml --cycle-file ${EVCLAW_RUNTIME_DIR}/evclaw_cycle_123.json

# Analyse SSE en direct (rapports uniquement)
python3 ${EVCLAW_ROOT}/main.py

Tests

python3 ${EVCLAW_ROOT}/tests/test_trading_brain.py
python3 ${EVCLAW_ROOT}/tests/test_executor.py

Configuration

La configuration est chargée depuis skill.yaml. Paramètres clés :

  • config.mode_controller.mode : Mode de trading (conservative, balanced, aggressive)
  • config.brain : Seuils de conviction et poids
  • config.risk : Dimensionnement des positions et limites d'exposition
  • config.executor : SL/TP, paramètres de poursuite, configuration des limites SR

Voir references/configuration.md pour la référence complète de la configuration.

Routage des Symboles

MotifPlace de marchéExemple
xyz:<TICKER>Portefeuille HIP3 (actions HIP3)xyz:NVDA, xyz:TSLA
<SYMBOLE>Lighter (perpètes crypto)ETH, BTC, kPEPE

Les substitutions peuvent être configurées dans skill.yaml sous exchanges.router.overrides.

Agent en direct HIP3 : Les symboles HIP3 (xyz:) sont exclusifs au portefeuille HIP3. Si executor.hl_wallet_enabled: true, le mode en direct peut exécuter sur HIP3 sans nécessiter de disponibilité Lighter.

Logique de Décision

Score de Conviction

  • Chaque signal contribue à un score de conviction (0.0 - 1.0)
  • Les signaux sont pondérés (CVD/FADE/LIQ_PNL/WHALE/DEAD/OFM/HIP3_MAIN)
  • Les recommandations sont produites au-dessus du seuil de confiance du cerveau

Conditions de Veto

ConditionEffet
WHALE direction opposéeVETO le trade
CVD direction opposée avec z-score fortVETO le trade

Risque et Sorties

  • Dimensionnement dynamique du risque basé sur la conviction et l'exposition
  • Les sorties par décroissance sont primaires (déclencheur par retournement de signal)
  • Filet de sécurité SL/TP optionnel (executor.enable_sltp_backstop)

Voir references/signals.md pour les types de signaux et les scores.

Apprentissage Contextuel

Le moteur d'apprentissage suit les taux de victoire par conditions de contexte et ajuste le dimensionnement en conséquence :

  • Lorsque suffisamment de données existent (≥10 trades par condition), le moteur d'apprentissage fournit un multiplicateur
  • Taux de victoire > 45 % → augmentation du dimensionnement (jusqu'à 1,5x)
  • Taux de victoire < 45 % → réduction du dimensionnement (jusqu'à 0,5x)

Caractéristiques du contexte suivies : trend_alignment, vol_regime, funding_alignment, smart_money, signal_strength.

Voir references/signals.md pour les détails des caractéristiques du contexte.

Sélection du Type d'Ordre

Type d'OrdreQuand l'Utiliser
CHASE LIMITConviction élevée (≥0,6), aligné sur la tendance, sensible au temps
LIMIT ORDERConviction plus faible (<0,6), contre-tendance, exécution patiente préférée

Gestion des Erreurs

ErreurGestion
Déconnexion SSEReconnexion avec backoff exponentiel (2s-30s)
Limite de débit (429)Attendre le rechargement du seau de jetons
Ordre rejetéJournaliser et abandonner (ne pas réessayer)
Échec placement SL/TPJournaliser avertissement, la position reste ouverte
Échec récupération positionUtiliser l'état en cache

Journalisation

Les journaux sont écrits sur stdout avec le format :

2026-01-25 12:00:00 [executor] INFO: Exécution LONG pour ETH

Niveaux de journal :

  • INFO : Exécution de trade, changements de position
  • WARNING : Limites de débit, échecs SL/TP
  • ERROR : Échecs d'ordres, erreurs d'échange

Fichiers Mémoire

L'état persistant est stocké dans memory/ :

FichierObjectif
signal_weights.yamlMultiplicateurs de confiance par signal
trade_journal.yamlHistorique des trades (roulement de 1000)
circuit_breaker.yamlPerte quotidienne, état de série de pertes
positions.yamlPositions actives
symbol_blacklist.yamlSymboles blacklistés
context_feature_stats.jsonTaux de victoire par condition de contexte
mistakes.jsonErreurs de trading classifiées

Voir references/memory-files.md pour les formats de fichiers.

Prérequis

Paquets Python

  • aiohttp>=3.9.0
  • pyyaml>=6.0
  • requests>=2.31.0
  • python-dotenv>=1.0.1
  • hyperliquid-python-sdk>=0.21.0
  • lighter-sdk (optionnel, installé depuis requirements-lighter.txt lorsque la place de marché Lighter est activée)

Dépendances Système

  • Python 3.10+
  • Variables d'environnement Lighter : LIGHTER_BASE_URL, LIGHTER_ACCOUNT_INDEX, LIGHTER_API_KEY_PRIVATE_KEY, LIGHTER_API_KEY_INDEX
  • Variables d'environnement Hyperliquid : HYPERLIQUID_ADDRESS (adresse principale du portefeuille), HYPERLIQUID_AGENT_PRIVATE_KEY (clé de signature déléguée ; pas la clé privée du portefeuille principal)
  • Hyperliquid optionnel : HYPERLIQUID_PRIVATE_NODE, EVCLAW_INCLUDE_WALLET_HIP3_FILLS
  • Contrôles des places de marché : EVCLAW_ENABLED_VENUES
  • Variable d'environnement Massive (signaux prédateurs HIP3) : MASSIVE_API_KEY
  • API du tracker (hébergées en externe via le tracker evplus) :
    • EVCLAW_TRACKER_BASE_URL
    • EVCLAW_TRACKER_HIP3_PREDATOR_URL
    • EVCLAW_TRACKER_HIP3_SYMBOLS_URL
    • EVCLAW_TRACKER_SYMBOL_URL_TEMPLATE
  • EVClaw OSS est réseau uniquement : toutes les données du tracker sont récupérées depuis tracker.evplus.ai
  • Tracker SSE exécuté sur tracker.evplus.ai:8443

Compétences Secondaires

EVClaw inclut des compétences secondaires dans openclaw_skills/ :

  • trade : Planificateur de trade manuel (/trade <SYMBOLE>)
  • execute : Exécuter les plans de trade stockés (/execute <PLAN_ID>)
  • hedge : Opérations de couverture de portefeuille
  • stats : Statistiques et rapports de trading
  • best3 : Affichage des 3 meilleures opportunités

Skills associés