Toluwalope AkinkunmiChargement…

Je griffonne…

000
Aller au contenu
← Tous les projets

12 / Lab

Stock Bot

Un agent planifié qui parcourt chaque jour la bourse nigériane, vérifie l'historique récent des cours, demande à un LLM d'évaluer chaque baisse et m'envoie un court rapport sur Telegram.

Entreprise
Lab
Rôle
Conception et ingénierie
Période
févr. 2026 – Aujourd'huiEn développement
Liens
Privé / interne
Stack
PythonAWS LambdaEventBridgeDynamoDBGemini APITelegram Bot APIGitHub Actions
12

Stock Bot

Un analyste IA pour la bourse nigériane

PythonAWS LambdaEventBridgeDynamoDB

Captures d'écran bientôt

Ce que j'ai construit

  • 01Un collecteur parallèle des plus fortes baisses quotidiennes de la NGX
  • 02Cinq jours d'historique des cours dans DynamoDB pour confirmer une vraie baisse
  • 03Une étape d'analyse par LLM avec un prompt structuré par entreprise
  • 04Des rapports Telegram quotidiens avec les meilleurs choix
  • 05Déploiement continu sur AWS Lambda avec GitHub Actions

Le système

Une exécution quotidienne, du planning au rapport

Une exécution quotidienne, du planning au rapportPlanification quotidienne → Scanner; Scanner ↔ Données de marché; Scanner ↔ Historique des cours; Scanner ↔ Analyste IA; Scanner → Rapport quotidienPlanification quotidienneEventBridgeScannerAWS LambdaDonnées de marchéNGXHistorique des coursDynamoDBAnalyste IAGeminiRapport quotidienTelegramdéclenchebaisses du jourcontrôle 5 joursanalysemeilleurs choix

Décisions clés

  1. 01

    Du serverless planifié

    La tâche tourne quelques minutes par jour. Une Lambda planifiée ne coûte presque rien et ne demande aucun serveur à entretenir.

  2. 02

    Filtrer d'abord, réfléchir ensuite

    Du code bon marché réduit la liste, et le LLM ne voit que les quelques titres qui méritent un examen. Cela réduit à la fois la latence et le coût.

  3. 03

    Se passer des dépendances lourdes

    Remplacer pandas par un parseur HTML léger a rendu le paquet Lambda assez petit pour être déployé sans couches spéciales.

01

Le problème

Repérer les bonnes baisses sur la NGX, c'est vérifier des dizaines de titres chaque jour et lire l'histoire derrière chaque chute. Je voulais automatiser la partie fastidieuse et résumer la part de jugement.

02

La démarche

Une fonction Lambda s'exécute chaque jour via EventBridge. Elle récupère les plus fortes baisses du jour, pour n'examiner que celles-ci, les compare à cinq jours de cours stockés dans DynamoDB et envoie les candidats à Gemini pour une courte analyse. Les meilleurs choix arrivent sur Telegram, et GitHub Actions déploie à chaque push.

03

Le résultat

En cours. La collecte, l'analyse et les rapports Telegram fonctionnent en local ; le déploiement Lambda est en voie de finalisation.

04

Ce que j'en retiens

Filtrer avant de dépenser des jetons ou des requêtes. Partir des baisses du jour plutôt que de tous les titres a réduit le travail à une fraction.

Projet suivantTrendHubUn hub pour newsletters, podcasts et blogs