PandaAI parie que les agents LLM démocratisent la recherche quantitative ; 100 000 utilisateurs, trois tours de financement

PandaAI construit une infrastructure de recherche de trading native en IA destinée aux quants particuliers et professionnels chinois : Qube transforme une idée exprimée oralement en étapes de construction de facteurs et de backtest inspectables, EVO est un poste de travail quantitatif natif en IA, et un OS à venir orchestre plusieurs agents ; l'entreprise organise aussi des compétitions de facteurs et publie en open source QuantSkills.

Les LLM vont éroder les avantages de recherche des fonds quantitatifs, de sorte que les outils de recherche agentiques — extraction de facteurs, backtesting, orchestration A2A — peuvent devenir la nouvelle infrastructure quantitative.

Li Yuqi, né en 1999, a étudié l'ingénierie financière à Columbia, est devenu le plus jeune champion d'un concours de trading papier sur futures en conditions réelles, et s'est élevé au rang d'associé dans un fonds privé quantitatif gérant plus de 1 milliard de ¥. En 2024, il a conclu que l'avantage concurrentiel du secteur était en grande partie un « récit cognitif » bâti sur des données propriétaires, des canaux à faible latence et de grandes équipes de recherche — et que les grands modèles de langage éroderaient ce récit. En observant Cursor multiplier la vitesse de programmation sans rendre les utilisateurs meilleurs en recherche, il s'est convaincu que le goulot d'étranglement était le jugement, non les outils ; il est donc parti fonder PandaAI vers 2024 et construire une IA qui prend la recherche, et non les rendements, comme produit.

PandaAI a conçu une échelle de produits à trois niveaux : Qube pour les utilisateurs débutants (une phrase devient une récupération de données, une construction de facteurs et des backtests que les utilisateurs peuvent inspecter et réutiliser), EVO, que ses pairs appellent le « Claude Code du quantitatif », comme poste de travail natif en IA pour les professionnels, et OS, un environnement Agent-to-Agent à venir où plusieurs agents itèrent sur des facteurs et des portefeuilles selon des règles de risque fixées par l'humain. En dessous se trouve une pile à quatre couches : données de marché et macroéconomiques, un modèle CQ2 développé en interne plus des intégrations DeepSeek et Doubao, une couche d'ingénierie d'agents ADE/A2A, et des connexions de trading en direct — les desks futures étaient entièrement connectés et un client futures en production a été livré en juin 2026. Le même mois, PandaAI a publié en open source sa première bibliothèque QuantSkills et ses grappes d'agents, et a publié des articles de recherche (CQ2, A2A Self-Evolution, AlphaSchema). En août 2026, l'entreprise de plus de 70 personnes comptait plus de 100 000 utilisateurs, avait organisé trois compétitions de facteurs attirant plus de 30 000 participants, et avait bouclé des tours d'amorçage, d'ange et d'ange+ totalisant plusieurs dizaines de millions de RMB, les tours d'ange étant menés par L2F光源创业者基金 ; elle compte des courtiers, des sociétés de futures et des fonds parmi ses partenaires institutionnels.

Les avantages des fonds quantitatifs — données propriétaires, canaux à faible latence, équipes de cent personnes — sont exactement les actifs que les LLM banalisent le plus vite.

De meilleurs outils de programmation n'ont pas rendu les chercheurs meilleurs, ce qui a situé le véritable écart dans le jugement et le processus de recherche plutôt que dans l'exécution.

Une pile native en IA avec l'humain dans la boucle évite la catégorie arnaque de la « sélection d'actions par IA » autonome et correspond à ce que les régulateurs et les utilisateurs accepteront.

La publication en open source de QuantSkills transforme l'objection évidente (fuite des facteurs) en atout : les agents sont personnalisés, donc l'avantage concurrentiel se déplace vers le harnais d'orchestration.

Organiser des compétitions de facteurs et publier des articles convertit les utilisateurs particuliers sceptiques en contributeurs, en recrues potentielles et en cœur d'une nouvelle communauté méthodologique.

Dans un marché à somme nulle, vendez la capacité, pas les rendements : PandaAI publie ses facteurs en open source et parie que l'avantage concurrentiel réside dans le harnais d'agents — n'importe qui peut copier un facteur, pas une pile d'orchestration.

Au 2026-09-02, PandaAI est en activité : trois tours totalisant plusieurs dizaines de millions de RMB ont été bouclés en août 2026 (tours d'ange menés par L2F光源创业者基金), le client futures en production a été livré en juin 2026, QuantSkills a été publié en open source le même mois, avec plus de 100 000 utilisateurs, plus de 70 employés et des partenaires institutionnels. Li situe le trading par IA au début du niveau L3 sur cinq étapes, en route vers le L4 où les agents font la recherche et les humains conservent les décisions de risque ; la couche OS était encore à venir. Questions ouvertes : la confiance dans une catégorie liée aux arnaques, la qualité des agents face aux équipes professionnelles, et la manière dont les régulateurs traiteront les outils de trading autonomes à mesure qu'ils se développent.