trader-ml/docs/CNN_IMAGE_PLAN.md

Phase 4c-bis : CNN Image-Based — Analyse Visuelle de Graphiques

Date : 2026-03-10
Statut : 🟡 En développement
Prérequis : Phase 4c (CNN 1D + Ensemble) ✅

---

Concept

Contrairement au CNN 1D qui analyse des séquences numériques, le CNN image-based convertit les bougies OHLCV en vraies images de graphiques (rendu matplotlib), puis utilise un réseau de neurones de vision par ordinateur (Conv2D) pour reconnaître les patterns visuels — exactement comme un trader devant TradingView.

Ce que le modèle apprend sans qu'on le programme

• Bougies marteau, étoile filante, doji
• Double top, double bottom
• Rebonds sur support/résistance (zones de consolidation visibles)
• Momentum : grande bougie pleine après consolidation
• Divergences visibles (mouvement de prix vs volume en bas de l'image)

---

Architecture

OHLCV DataFrame (64 bougies)
         │
         ▼
 CandlestickImageRenderer
   - Rendu mplfinance (sans axes, sans texte)
   - Bougies vertes (hausse) / rouges (baisse)
   - Volume en bas (20% de l'image)
   - Image 128×128 pixels, RGB
   - Normalisation [0..1]
         │
         ▼
 CandlestickCNN (Conv2D — vision)
   Input : (batch, 3, 128, 128)
   
   Bloc 1 : Conv2d(3→32, 3×3) + BatchNorm + ReLU + MaxPool(2,2) → (32, 64, 64)
   Bloc 2 : Conv2d(32→64, 3×3) + BatchNorm + ReLU + MaxPool(2,2) → (64, 32, 32)
   Bloc 3 : Conv2d(64→128, 3×3) + BatchNorm + ReLU + MaxPool(2,2) → (128, 16, 16)
   Bloc 4 : Conv2d(128→256, 3×3) + BatchNorm + ReLU + AdaptiveAvgPool(1) → (256,)
   
   Classifieur :
   Linear(256→128) + Dropout(0.4) + ReLU
   Linear(128→3)   → softmax → [SHORT, NEUTRAL, LONG]
         │
         ▼
  Signal : 1 (LONG) / -1 (SHORT) / 0 (NEUTRAL)
  Confidence : max(P_LONG, P_SHORT)

---

Fichiers à créer

src/ml/cnn_image/

Fichier	Rôle
__init__.py	Export CNNImageStrategyModel
chart_renderer.py	CandlestickImageRenderer : encode(df, seq_len=64) → (N, 3, 128, 128)
cnn_image_model.py	CandlestickCNN(nn.Module) : Conv2D 4-blocs + Dense
cnn_image_strategy_model.py	CNNImageStrategyModel : même interface que MLStrategyModel

src/strategies/cnn_image_driven/

Fichier	Rôle
__init__.py	Export CNNImageDrivenStrategy
cnn_image_strategy.py	CNNImageDrivenStrategy(BaseStrategy), SL/TP ATR-based

docker/requirements/api.txt

• Ajouter mplfinance>=0.12.10b0
• Pillow>=10.0.0 (probablement déjà présent)
• Rebuild trading-api

src/api/routers/trading.py

• POST /trading/train-cnn-image
• GET /trading/train-cnn-image/{job_id}
• GET /trading/cnn-image-models

src/ml/ensemble/ensemble_model.py

• Ajouter attach_cnn_image(model) comme 3ème slot
• Mettre à jour DEFAULT_WEIGHTS = {xgboost: 0.30, cnn: 0.30, cnn_image: 0.40, rl: 0.00}
• Mettre à jour predict() pour inclure le 3ème modèle

---

CandlestickImageRenderer — Détails

class CandlestickImageRenderer:
    """
    Convertit des données OHLCV en images de graphiques en chandeliers.
    
    Paramètres d'image :
    - Taille : 128×128 pixels
    - Canaux : RGB (3)
    - Fond : noir (#0d1117)
    - Hausse : vert (#26a69a), Baisse : rouge (#ef5350)
    - Volume : dégradé alpha en bas (20% de l'image)
    - Pas d'axes, pas de labels, pas de titre
    """
    
    def encode(df, seq_len=64) -> np.ndarray:
        # Retourne (N, 3, 128, 128), float32, normalisé [0,1]
        # N = len(df) - seq_len + 1 fenêtres glissantes
        
    def encode_last(df, seq_len=64) -> np.ndarray:
        # Retourne (1, 3, 128, 128) — dernière fenêtre uniquement
        # Utilisé pour la prédiction en temps réel
        
    def _render_single(df_window) -> PIL.Image:
        # Rendu mplfinance en mémoire (BytesIO)
        # style custom : fond noir, pas d'axes
        # Retourne PIL.Image 128×128 RGB

---

CNNImageStrategyModel — Interface

Identique à MLStrategyModel et CNNStrategyModel :

model = CNNImageStrategyModel(symbol='EURUSD', timeframe='1h')
result = model.train(df_ohlcv)   # walk-forward 2 folds
signal = model.predict(df)       # {signal, confidence, probas, tradeable}
model.save()                     # models/cnn_image_strategy/EURUSD_1h.pt + .json
model.load(symbol, timeframe)    # chargement depuis disque
model.list_trained_models()      # liste des modèles disponibles
model.get_feature_importance()   # retourne [] (CNN = boîte noire)

Paramètres entraînement :

• seq_len : 64 bougies par image
• epochs : 50 max, early stopping patience=7
• batch_size : 32
• lr : 1e-3 (Adam)
• Labels : via LabelGenerator partagé (ATR-based, même que XGBoost et CNN 1D)

---

Intégration Ensemble

Après cette phase, l'EnsembleModel aura 3 composants :

Signal Ensemble = 
    0.30 × XGBoost(TA features)
  + 0.30 × CNN 1D(séquences OHLCV)
  + 0.40 × CNN Image(graphiques visuels)

Condition de trade :
  - Score pondéré ≥ min_confidence (défaut 0.55)
  - Au moins 2 modèles en accord sur la direction

---

TODOs

• chart_renderer.py — CandlestickImageRenderer avec mplfinance
• cnn_image_model.py — CandlestickCNN Conv2D 4-blocs
• cnn_image_strategy_model.py — train/predict/save/load
• cnn_image_strategy.py — CNNImageDrivenStrategy(BaseStrategy)
• trading.py — routes /train-cnn-image, /cnn-image-models
• ensemble_model.py — attach_cnn_image(), poids mis à jour
• requirements — mplfinance + rebuild Docker
• Entraînement validé sur EURUSD/1h
• Intégration EnsembleStrategy avec les 3 modèles

---

Phase 4d — RL (après validation CNN image)

Agent PPO (Proximal Policy Optimization) via gymnasium + stable-baselines3. Voir docs/CNN_ENSEMBLE_PLAN.md section Phase 4d.