trader-ml/src/db/models.py

"""
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}>"