Initial commit — Trading AI Secure project complet

Architecture Docker (8 services), FastAPI, TimescaleDB, Redis, Streamlit.
Stratégies : scalping, intraday, swing. MLEngine + RegimeDetector (HMM).
BacktestEngine + WalkForwardAnalyzer + Optuna optimizer.
Routes API complètes dont /optimize async.

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

src/db/models.py

@@ -0,0 +1,203 @@
+"""
+Modèles SQLAlchemy - Trading AI Secure.
+
+Tables :
+- Trade        : trades exécutés (ouverts + fermés)
+- OHLCVData    : données de marché OHLCV (hypertable TimescaleDB)
+- BacktestResult : résultats de backtesting
+- MLModelMeta  : métadonnées des modèles ML (date entraînement, métriques)
+- OptimizationRun : historique des runs Optuna
+
+TimescaleDB hypertable pour OHLCVData :
+    SELECT create_hypertable('ohlcv', 'timestamp', if_not_exists => TRUE);
+    (Exécuter une seule fois après création de la table)
+"""
+
+from datetime import datetime
+from typing import Optional
+
+from sqlalchemy import (
+    Boolean, Column, DateTime, Float, Index,
+    Integer, JSON, String, Text, UniqueConstraint,
+)
+from sqlalchemy.orm import DeclarativeBase
+
+
+class Base(DeclarativeBase):
+    pass
+
+
+# =============================================================================
+# TRADING
+# =============================================================================
+
+class Trade(Base):
+    """Trade exécuté (paper ou live)."""
+    __tablename__ = "trades"
+
+    id           = Column(Integer, primary_key=True, autoincrement=True)
+    symbol       = Column(String(20), nullable=False, index=True)
+    direction    = Column(String(5), nullable=False)      # LONG | SHORT
+    quantity     = Column(Float, nullable=False)
+    entry_price  = Column(Float, nullable=False)
+    exit_price   = Column(Float, nullable=True)
+    stop_loss    = Column(Float, nullable=False)
+    take_profit  = Column(Float, nullable=False)
+    strategy     = Column(String(50), nullable=False, index=True)
+    mode         = Column(String(10), nullable=False, default="paper")  # paper | live
+
+    entry_time   = Column(DateTime, nullable=False, default=datetime.utcnow)
+    exit_time    = Column(DateTime, nullable=True)
+
+    pnl          = Column(Float, nullable=True)
+    pnl_pct      = Column(Float, nullable=True)
+    risk_amount  = Column(Float, nullable=True)
+
+    status       = Column(String(10), nullable=False, default="open")   # open | closed
+    close_reason = Column(String(30), nullable=True)   # stop_loss | take_profit | manual | paper_end
+
+    # Référence broker (IG Markets deal ID)
+    deal_id      = Column(String(50), nullable=True, unique=True)
+
+    # Contexte ML
+    ml_confidence   = Column(Float, nullable=True)
+    market_regime   = Column(String(20), nullable=True)  # bull | bear | sideways | volatile
+
+    created_at   = Column(DateTime, default=datetime.utcnow)
+
+    __table_args__ = (
+        Index("ix_trades_entry_time", "entry_time"),
+    )
+
+    def __repr__(self) -> str:
+        return f"<Trade {self.direction} {self.symbol} @ {self.entry_price} [{self.status}]>"
+
+
+# =============================================================================
+# DONNÉES DE MARCHÉ
+# =============================================================================
+
+class OHLCVData(Base):
+    """
+    Données OHLCV (Open/High/Low/Close/Volume).
+
+    Optimisé pour TimescaleDB : créer l'hypertable manuellement après migration :
+        SELECT create_hypertable('ohlcv', 'timestamp', if_not_exists => TRUE);
+    """
+    __tablename__ = "ohlcv"
+
+    id        = Column(Integer, primary_key=True, autoincrement=True)
+    symbol    = Column(String(20), nullable=False)
+    timeframe = Column(String(5), nullable=False)   # 1m, 5m, 15m, 1h, 1d
+    timestamp = Column(DateTime, nullable=False)
+
+    open      = Column(Float, nullable=False)
+    high      = Column(Float, nullable=False)
+    low       = Column(Float, nullable=False)
+    close     = Column(Float, nullable=False)
+    volume    = Column(Float, nullable=True)
+
+    source    = Column(String(30), nullable=True)  # yahoo_finance | alpha_vantage | ig_markets
+
+    __table_args__ = (
+        UniqueConstraint("symbol", "timeframe", "timestamp", name="uq_ohlcv"),
+        Index("ix_ohlcv_symbol_tf_ts", "symbol", "timeframe", "timestamp"),
+    )
+
+    def __repr__(self) -> str:
+        return f"<OHLCV {self.symbol} {self.timeframe} {self.timestamp} C={self.close}>"
+
+
+# =============================================================================
+# BACKTESTING
+# =============================================================================
+
+class BacktestResult(Base):
+    """Résultat d'un run de backtesting."""
+    __tablename__ = "backtest_results"
+
+    id              = Column(Integer, primary_key=True, autoincrement=True)
+    strategy        = Column(String(50), nullable=False)
+    symbol          = Column(String(20), nullable=False)
+    period          = Column(String(10), nullable=False)        # 6m | 1y | 2y
+    initial_capital = Column(Float, nullable=False)
+    final_capital   = Column(Float, nullable=False)
+
+    # Métriques de performance
+    total_return    = Column(Float, nullable=False)
+    sharpe_ratio    = Column(Float, nullable=False)
+    max_drawdown    = Column(Float, nullable=False)
+    win_rate        = Column(Float, nullable=False)
+    profit_factor   = Column(Float, nullable=False)
+    total_trades    = Column(Integer, nullable=False)
+    calmar_ratio    = Column(Float, nullable=True)
+    sortino_ratio   = Column(Float, nullable=True)
+
+    # Validation
+    is_valid        = Column(Boolean, default=False)     # Sharpe > 1.5, DD < 10%, etc.
+
+    # Paramètres utilisés
+    params          = Column(JSON, nullable=True)
+
+    created_at      = Column(DateTime, default=datetime.utcnow)
+
+    def __repr__(self) -> str:
+        return (
+            f"<BacktestResult {self.strategy}/{self.symbol} "
+            f"Sharpe={self.sharpe_ratio:.2f} DD={self.max_drawdown:.1%}>"
+        )
+
+
+# =============================================================================
+# MACHINE LEARNING
+# =============================================================================
+
+class MLModelMeta(Base):
+    """Métadonnées d'un modèle ML entraîné."""
+    __tablename__ = "ml_models"
+
+    id              = Column(Integer, primary_key=True, autoincrement=True)
+    model_name      = Column(String(50), nullable=False)   # xgboost | lightgbm | catboost | hmm_regime
+    strategy        = Column(String(50), nullable=True)
+    version         = Column(Integer, nullable=False, default=1)
+
+    # Métriques d'entraînement
+    train_sharpe    = Column(Float, nullable=True)
+    val_sharpe      = Column(Float, nullable=True)
+    train_accuracy  = Column(Float, nullable=True)
+    val_accuracy    = Column(Float, nullable=True)
+
+    # Paramètres
+    hyperparams     = Column(JSON, nullable=True)
+    feature_names   = Column(JSON, nullable=True)   # liste des features utilisées
+
+    # Chemin fichier modèle sérialisé
+    file_path       = Column(String(255), nullable=True)
+
+    trained_at      = Column(DateTime, default=datetime.utcnow)
+    is_active       = Column(Boolean, default=False)
+
+    __table_args__ = (
+        Index("ix_ml_models_name_version", "model_name", "version"),
+    )
+
+    def __repr__(self) -> str:
+        return f"<MLModelMeta {self.model_name} v{self.version} active={self.is_active}>"
+
+
+class OptimizationRun(Base):
+    """Historique des runs d'optimisation Optuna."""
+    __tablename__ = "optimization_runs"
+
+    id              = Column(Integer, primary_key=True, autoincrement=True)
+    strategy        = Column(String(50), nullable=False)
+    n_trials        = Column(Integer, nullable=False)
+    best_sharpe     = Column(Float, nullable=True)
+    best_params     = Column(JSON, nullable=True)
+    drift_detected  = Column(Boolean, default=False)
+    duration_secs   = Column(Float, nullable=True)
+    started_at      = Column(DateTime, default=datetime.utcnow)
+    completed_at    = Column(DateTime, nullable=True)
+
+    def __repr__(self) -> str:
+        return f"<OptimizationRun {self.strategy} trials={self.n_trials} sharpe={self.best_sharpe}>"