Tika
8732acf3d0
docs: plan Phase 4c CNN+Ensemble + mise à jour PROJECT_STATUS
...
- Nouveau : docs/CNN_ENSEMBLE_PLAN.md — architecture complète CNN 1D + Ensemble pondéré + RL (Phase 4d)
- PROJECT_STATUS : Phase 4b marquée avec fix bug SHORT LabelGenerator
- PROJECT_STATUS : Phase 4c CNN+Ensemble et Phase 4d RL ajoutées
Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com >
2026-03-08 22:24:16 +00:00
Tika
daea333555
fix: LabelGenerator _classify_bar — simulation LONG/SHORT indépendante
...
Bug : quand le SL LONG était touché, la fonction retournait 0 (NEUTRAL)
immédiatement sans évaluer les conditions SHORT. Résultat : 0 labels SHORT
sur 12230 barres, modèle inutilisable pour signaux SHORT.
Fix : deux boucles indépendantes (LONG et SHORT) qui évaluent chacune
leur propre TP/SL. Si les deux gagnent, priorité au premier résolu.
Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com >
2026-03-08 22:22:27 +00:00
Tika
8f3b026f82
docs: mise à jour TP scalping 3×ATR → 4×ATR dans la documentation
...
Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com >
2026-03-08 21:45:47 +00:00
Tika
b3983d9ef8
fix: scalping TP 3×ATR → 4×ATR pour R:R=2:1 (breakeven ~34%)
...
Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com >
2026-03-08 21:44:42 +00:00
Tika
bf530215e0
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 >
2026-03-08 21:13:01 +00:00
Tika
cc05ddb7c4
feat: ML-Driven Strategy — apprentissage des patterns TA humains
...
Nouveau module complet pour entraîner un modèle XGBoost/LightGBM
qui apprend à détecter des opportunités depuis des indicateurs classiques :
RSI (divergences), MACD (crossovers), Bollinger (squeeze/rebond),
Supports/Résistances (pivots locaux), Points Pivots (classiques + Fibonacci),
patterns chandeliers (marteau, engulfing), alignement EMAs, volume.
Fichiers créés :
- src/ml/features/technical_features.py (~50 features TA)
- src/ml/features/label_generator.py (labels LONG/SHORT/NEUTRAL par forward simulation ATR)
- src/ml/ml_strategy_model.py (entraînement + walk-forward + sauvegarde joblib)
- src/strategies/ml_driven/ml_strategy.py (stratégie compatible StrategyEngine)
Routes API ajoutées :
- POST /trading/train (entraînement async)
- GET /trading/train/{job_id} (état du job)
- GET /trading/ml-models (liste modèles disponibles)
- GET /trading/ml-models/{symbol}/{tf}/importance (feature importance)
Documentation : docs/ML_STRATEGY_GUIDE.md
Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com >
2026-03-08 17:45:39 +00:00
Tika
da30ef19ed
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 >
2026-03-08 17:38:09 +00:00
