docs: mise à jour complète de la documentation (état réel 2026-03-08)

- PROJECT_STATUS.md : réécriture complète — phases 1-4b terminées à 100%,
  routes API exhaustives, fixes critiques documentés, à-faire priorisé
- STRATEGY_GUIDE.md : ajout section ML-Driven Strategy avec features,
  labels, usage API et paramètres de configuration
- AI_FRAMEWORK.md : ajout section ML-Driven + tableau statut implémentation,
  différenciation HMM/Optuna/MLStrategy
- ARCHITECTURE.md : ajout structure réelle du code avec les nouveaux fichiers
  ml_strategy_model.py, features/, ml_driven/ annotés [NOUVEAU]

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>

docs/AI_FRAMEWORK.md

@@ -773,25 +773,75 @@ AI_METRICS = {
 
 ---
 
-## 🚀 Prochaines Étapes
+## Statut d'Implémentation (2026-03-08)
 
-### Phase 1 : Implémentation de Base
-- [ ] Optimisation Optuna basique
-- [ ] Regime detection HMM
-- [ ] Kelly Criterion adaptatif
-- [ ] Walk-forward validation
+| Composant | Statut | Fichier |
+|---|---|---|
+| Optimisation Optuna | ✅ Terminé | `src/ml/parameter_optimizer.py` |
+| Regime detection HMM | ✅ Terminé | `src/ml/regime_detector.py` |
+| Kelly Criterion adaptatif | ✅ Terminé | `src/ml/position_sizing.py` |
+| Walk-forward validation | ✅ Terminé | `src/ml/walk_forward.py` |
+| Feature Engineering | ✅ Terminé | `src/ml/feature_engineering.py` |
+| ML-Driven Strategy | ✅ Terminé | voir section ci-dessous |
+| A/B testing automatique | ⚪ Planifié | — |
+| Reinforcement Learning | ⚪ Planifié | — |
+| Sentiment Analysis | ⚪ Planifié | — |
 
-### Phase 2 : Fonctionnalités Avancées
-- [ ] A/B testing automatique
-- [ ] Reinforcement Learning sizing
-- [ ] Parameter drift detection
-- [ ] SHAP explainability
+---
 
-### Phase 3 : Production
-- [ ] Monitoring temps réel
-- [ ] Alertes dégradation
-- [ ] Auto-retraining pipeline
-- [ ] Audit trail complet
+## ML-Driven Strategy — Apprentissage des Patterns Humains (2026-03-08)
+
+### Concept
+
+La **MLDrivenStrategy** est une couche d'IA supplémentaire qui apprend à reproduire
+les décisions de trading basées sur des indicateurs techniques classiques.
+
+Plutôt que de coder des règles manuellement ("si RSI < 30 ET prix proche support →
+acheter"), on laisse XGBoost/LightGBM découvrir ces combinaisons automatiquement
+depuis des milliers de barres historiques.
+
+### Architecture
+
+```
+OHLCV historique
+    ↓
+TechnicalFeatureBuilder     ← RSI, MACD, BB, S/R, Pivots, Chandeliers, EMAs...
+    ↓
+LabelGenerator              ← Forward simulation : TP/SL atteint ? → LONG/SHORT/NEUTRAL
+    ↓
+XGBoost / LightGBM          ← Entraînement supervisé + walk-forward 3 folds
+    ↓
+MLStrategyModel (joblib)    ← Sauvegardé dans models/ml_strategy/
+    ↓
+MLDrivenStrategy.analyze()  ← Signal + confidence score → RiskManager
+```
+
+### Différence avec les autres composants ML
+
+| Composant | Rôle |
+|---|---|
+| `RegimeDetector (HMM)` | Détecte le régime global (trend/range/volatile) |
+| `MLEngine` | Adapte les paramètres des stratégies selon le régime |
+| `ParameterOptimizer (Optuna)` | Optimise les hyperparamètres des stratégies existantes |
+| **`MLStrategyModel` (nouveau)** | **Apprend directement les signaux depuis les features TA** |
+
+### Fichiers
+- `src/ml/features/technical_features.py` — TechnicalFeatureBuilder
+- `src/ml/features/label_generator.py` — LabelGenerator
+- `src/ml/ml_strategy_model.py` — MLStrategyModel
+- `src/strategies/ml_driven/ml_strategy.py` — MLDrivenStrategy
+
+Documentation détaillée : [docs/ML_STRATEGY_GUIDE.md](ML_STRATEGY_GUIDE.md)
+
+---
+
+## Prochaines Étapes
+
+- [ ] Tester MLDrivenStrategy sur EURUSD/1h (POST /trading/train)
+- [ ] Comparer performances vs ScalpingStrategy en backtest
+- [ ] Sentiment Analysis — `src/data/sentiment_service.py` (Alpha Vantage News + FinBERT)
+- [ ] Persistance HMM — sauvegarder modèle pour éviter re-training à chaque /ml/status
+- [ ] IG Markets connector (Phase 5)
 
 ---