Un service pensé pour les agents conversationnels
Une nouvelle offre baptisée TickerDB vient d'être présentée sur la plateforme Hacker News. Il s'agit d'une interface de programmation (API) qui fournit un contexte de marché précalculé, spécialement conçu pour être utilisé par des agents d'intelligence artificielle – notamment les grands modèles de langage (LLM). L'objectif affiché est de remplacer les données brutes de type OHLCV (ouverture, plus haut, plus bas, clôture, volume) par des indications catégorielles structurées, plus lisibles par une machine et moins gourmandes en tokens.
Le service se positionne comme une alternative aux flux de données financières classiques. Au lieu de transmettre de longues séries temporelles de prix que le modèle doit lui-même interpréter, TickerDB livre des analyses déjà interprétées : direction de tendance (« uptrend », « strong_uptrend »), zone de momentum (RSI, MACD), détection de divergence, rareté d'une condition en percentile, zone de valorisation fondamentale, consensus des analystes, etc.
Des réponses en langage catégoriel
La syntaxe des réponses utilise un vocabulaire que les LLM emploient couramment pour raisonner sur les marchés : « oversold », « deeply_overvalued », « aligned_bullish ». Selon les concepteurs du service, ce format permet à l'agent de comprendre immédiatement le contexte sans avoir à effectuer de calculs d'indicateurs techniques.
Le traitement est effectué après la clôture des marchés, et les résultats sont mis en cache. L'API garantit ainsi une latence quasi nulle à la requête. Le jeu de données couvre cinq années d'historique, avec un champ catégoriel disponible pour chaque jour et chaque actif.
Les fonctionnalités principales
TickerDB propose plusieurs points d'accès. L'endpoint « /v1/summary « fournit un résumé complet d'un actif (action ou crypto-monnaie). La fonction « /v1/search « permet de filtrer l'ensemble des actifs selon des critères tels que le momentum, la zone de valorisation ou la rareté d'une condition.
Le service intègre également un système de suivi de liste de surveillance (watchlist). L'endpoint « /v1/watchlist/changes « génère un diff structuré quotidien : pour chaque actif suivi, seuls les champs ayant changé sont retournés, avec les valeurs précédente et actuelle. Cela évite à l'agent de traiter des snapshots entiers. Une fonction de webhook permet de recevoir ces changements en mode push.
Parmi les cas d'usage mis en avant figurent la surveillance de portefeuille, les alertes quotidiennes automatisées, la recherche de valeurs repérées comme survendues ou en forte tendance, et l'analyse de précédents historiques : interroger la base pour savoir quand une configuration est apparue pour la dernière fois et ce qui s'est produit ensuite.
Multi-source et multi-plateforme
L'API agrège en une seule réponse des données techniques, fondamentales et de consensus d'analystes, évitant ainsi le recours à plusieurs fournisseurs. Le service peut être interrogé directement par HTTP, via des SDK disponibles en Python, Node.js, Go, ou encore via le protocole MCP (Model Context Protocol) – ce qui permet de connecter directement un assistant comme Claude aux outils TickerDB.
Une interface « playground « est accessible pour tester les endpoints sans abonnement. L'inscription est requise pour obtenir une clé d'API ; un accès gratuit est proposé sans demande de carte bancaire, selon la page de présentation.
Implications pour l'écosystème des agents financiers
En proposant un contexte de marché pré-analysé, TickerDB répond à une difficulté pratique des développeurs d'agents LLM : le coût en tokens et l'incohérence de raisonnement lorsqu'il s'agit de manipuler des séries de prix brutes. Le format catégoriel vise à standardiser l'information transmise au modèle, afin d'obtenir des réponses plus fiables et plus rapides.
La plateforme ne précise pas pour l'instant le nombre d'actifs couverts ni la fréquence exacte de mise à jour pour les crypto-monnaies. Aucune information n'est donnée non plus sur les volumes de requêtes traités ou les tarifs des formules payantes. Ces éléments figurent dans une page de tarifs et une FAQ distinctes.
Cette initiative s'inscrit dans une tendance plus large de développement d'outils spécialisés pour les agents d'IA, où la qualité et la structure des données d'entrée deviennent un facteur clé de la performance des modèles.
