trader-ml/docs/PROJECT_STATUS.md

État d'Avancement du Projet — Trading AI Secure

Dernière mise à jour : 2026-03-10 Version : 0.6.0-beta Statut Global : 🟡 En Développement Actif

---

Vue d'Ensemble

Phase	Statut	Progression
Phase 1 : Architecture & Infrastructure	✅ Terminé	100%
Phase 2 : IA Adaptative	✅ Terminé	100%
Phase 3 : Stratégies & Backtesting	✅ Terminé	100%
Phase 4 : Interface & Dashboard	✅ Terminé	100%
Phase 4b : ML-Driven Strategy	✅ Terminé	100%
Phase 4c : CNN + Ensemble	✅ Terminé	100%
Phase 4d : RL (PPO)	⚪ Planifié	0%
Phase 5 : IG Markets (Live)	⚪ Planifié	0%

---

Phase 1 — Architecture & Infrastructure ✅

Docker (8 services)

Container	Port	Statut
trading-api	8100	✅ Opérationnel
trading-ml	8200	✅ Opérationnel
trading-dashboard	8501	✅ Opérationnel
trading-jupyter	8888	✅ Opérationnel
trading-grafana	3100	✅ Opérationnel
trading-db (TimescaleDB)	interne	✅ Opérationnel
trading-redis	interne	✅ Opérationnel
trading-prometheus	interne	✅ Opérationnel

Modules Core

Module	Fichier	Statut
ConfigLoader	src/utils/config_loader.py	✅ Env vars + YAML + Docker overrides
Logger	src/utils/logger.py	✅
RiskManager (Singleton)	src/core/risk_manager.py	✅ VaR/CVaR/circuit breakers/Telegram
NotificationService	src/core/notifications.py	✅ Telegram + Email
StrategyEngine	src/core/strategy_engine.py	✅
DataService	src/data/data_service.py	✅ Yahoo Finance + Alpha Vantage
SQLAlchemy models	src/db/models.py	✅ Trade, OHLCVData, BacktestResult, MLModelMeta

---

Phase 2 — IA Adaptative ✅

Composant	Fichier	Statut	Notes
MLEngine	src/ml/ml_engine.py	✅	Intégré à StrategyEngine
RegimeDetector (HMM)	src/ml/regime_detector.py	✅	3 régimes : trend/range/volatile
FeatureEngineering	src/ml/feature_engineering.py	✅	50+ features
ParameterOptimizer (Optuna)	src/ml/parameter_optimizer.py	✅	TPE Sampler + MedianPruner, walk-forward
WalkForwardAnalyzer	src/ml/walk_forward.py	✅	Out-of-sample validation
PositionSizing (Kelly)	src/ml/position_sizing.py	✅

Optuna Optimizer — résultats sur EURUSD/1h (50 trials)

• best_sharpe = -0.378 (scalping légèrement perdant sur ce timeframe)
• Best params : bb_period=30, rsi_period=16, risk_per_trade=0.003

---

Phase 3 — Stratégies & Backtesting ✅

Stratégies Implémentées

Stratégie	Fichier	Timeframe	Statut
ScalpingStrategy	src/strategies/scalping/	1h	✅ Win rate ~39% (EURUSD)
IntradayStrategy	src/strategies/intraday/	4h	✅
SwingStrategy	src/strategies/swing/	1d	✅
MLDrivenStrategy	src/strategies/ml_driven/	Configurable	✅ Nouveau (Phase 4b)

Backtesting

Composant	Statut	Notes
BacktestEngine	✅	DataService réel + fallback synthétique
WalkForwardAnalyzer	✅	Vrai out-of-sample
MetricsCalculator	✅	Sharpe, Drawdown, Win Rate, Profit Factor
PaperTradingEngine	✅	Boucle async avec asyncio.create_task

Fixes critiques (sessions debug)

• yfinance>=1.0.0 (v0.2.32 était cassé, erreur HTTP 429)
• max_position_size=5.0 (forex : notional value >> capital, ancien 0.05 rejetait tous les trades)
• scalping_strategy.py : volume_ratio=2.0 si forex, MACD momentum (pas zero-crossing), risk_per_trade=0.005
• scalping_strategy.py : TP changé de 3×ATR → 4×ATR → R:R=2:1, breakeven ~34% (win rate actuel ~39% → rentable)
• Optuna : objective retourne vrai Sharpe (pénalité -999 seulement si < 5 trades)

---

Phase 4 — Interface & Dashboard ✅

Composant	Fichier	Statut
Dashboard Streamlit (5 onglets)	src/ui/dashboard.py	✅
Page Live Trading	src/ui/pages/live_trading.py	✅
Page ML Monitor	src/ui/pages/ml_monitor.py	✅
Page Analytics (Monte Carlo)	src/ui/pages/analytics.py	✅
API Client httpx	src/ui/api_client.py	✅

---

Phase 4b — ML-Driven Strategy ✅ (2026-03-08)

Nouvelle stratégie qui apprend à trader comme un humain à partir de features TA classiques. Voir docs/ML_STRATEGY_GUIDE.md pour la documentation complète.

Composant	Fichier	Statut
TechnicalFeatureBuilder (~50 features)	src/ml/features/technical_features.py	✅
LabelGenerator (forward simulation)	src/ml/features/label_generator.py	✅ fix bug SHORT (2026-03-08)
MLStrategyModel (XGBoost/LightGBM)	src/ml/ml_strategy_model.py	✅
MLDrivenStrategy (hérite BaseStrategy)	src/strategies/ml_driven/ml_strategy.py	✅
Route POST /trading/train	src/api/routers/trading.py	✅
Route GET /trading/train/{job_id}	src/api/routers/trading.py	✅
Route GET /trading/ml-models	src/api/routers/trading.py	✅
Route GET /trading/ml-models/{s}/{tf}/importance	src/api/routers/trading.py	✅
Documentation	docs/ML_STRATEGY_GUIDE.md	✅

---

Phase 4c — CNN + Ensemble ✅ (2026-03-10)

CNN 1D sur séquences brutes OHLCV + combinaison pondérée avec XGBoost. Voir docs/CNN_ENSEMBLE_PLAN.md pour l'architecture complète.

Composant	Fichier	Statut
PyTorch 2.10 dans requirements	docker/requirements/api.txt	✅ Installé
CandlestickEncoder (normalisation séquences)	src/ml/cnn/candlestick_encoder.py	✅
CNNModel (1D Conv PyTorch)	src/ml/cnn/cnn_model.py	✅
CNNStrategyModel (train/predict/save/load)	src/ml/cnn/cnn_strategy_model.py	✅
CNNDrivenStrategy (hérite BaseStrategy)	src/strategies/cnn_driven/cnn_strategy.py	✅
Routes API CNN (POST /train-cnn, GET /cnn-models)	src/api/routers/trading.py	✅
EnsembleModel (XGBoost + CNN pondérés)	src/ml/ensemble/ensemble_model.py	✅
EnsembleStrategy (hérite BaseStrategy)	src/strategies/ensemble/ensemble_strategy.py	✅
Routes API Ensemble (POST /configure, GET /status)	src/api/routers/trading.py	✅
Entraînement XGBoost validé (EURUSD/1h)	—	✅ wf_prec=21.7%
Entraînement CNN validé (EURUSD/1h)	—	✅ wf_prec=32.7%
Backtest comparatif (Scalping vs XGBoost vs CNN vs Ensemble)	—	⏸️ À faire

Résultats comparatifs des modèles (EURUSD/1h, 2 ans, ~12k barres)

Modèle	WF Accuracy	WF Precision	Labels (L/S/N)
XGBoost (features TA)	33.6%	21.7%	3992/3943/4338 ✅ équilibré
CNN 1D (séquences OHLCV)	31.9%	32.7%	3971/3936/4303 ✅ équilibré
Ensemble (XGB+CNN 0.40/0.60)	—	—	Non encore testé

Observation : CNN > XGBoost sur la précision directionnelle (32.7% vs 21.7%). Les deux modèles sont complémentaires pour l'ensemble.

Bugs corrigés (2026-03-10 — session agents)

• trading.py : _get_data_service() inexistant → instanciation directe DataService
• trading.py : logger non défini dans except handler → ajout import logging
• trading.py : period string mal converti → period_map identique à _run_optimize_task
• strategy_engine.py : ml_driven non supporté dans load_strategy() → cas ajouté
• docker/requirements/api.txt : dépendances ML (scikit-learn, xgboost, lightgbm) manquantes dans trading-api
• ml_strategy_model.py : labels [-1,0,1] → encodage +1 pour XGBoost ≥ 2.x

---

Phase 4d — RL (Planifié, après 4c validée)

Agent RL (PPO via gymnasium) intégré à l'ensemble comme troisième signal. Voir docs/CNN_ENSEMBLE_PLAN.md section Phase 4d.

---

Routes API — État Complet

Méthode	Route	Statut
GET	/health	✅
GET	/ready	✅
GET	/trading/risk/status	✅
POST	/trading/risk/emergency-stop	✅
POST	/trading/risk/resume	✅
GET	/trading/positions	✅
GET	/trading/signals	✅ Redis
GET	/trading/trades	✅ DB
GET	/trading/ml/status	✅ HMM
POST	/trading/backtest	✅ async
GET	/trading/backtest/{job_id}	✅
POST	/trading/optimize	✅ Optuna async
GET	/trading/optimize/{job_id}	✅
GET	/trading/paper/status	✅
POST	/trading/paper/start	✅
POST	/trading/paper/stop	✅
POST	/trading/train	✅ ML-Driven async
GET	/trading/train/{job_id}	✅
GET	/trading/ml-models	✅
GET	/trading/ml-models/{symbol}/{timeframe}/importance	✅

---

Phase 5 — IG Markets ⚪ (Planifié)

Prérequis : 30 jours de paper trading validé avec Sharpe ≥ 1.5 et Max DD ≤ 10% Référence : docs/IG_INTEGRATION.md

---

À Faire (par priorité)

1. Tester MLDrivenStrategy — lancer POST /trading/train sur EURUSD/1h, évaluer wf_accuracy, comparer en backtest vs scalping
2. Améliorer stratégie scalping — win rate ~39% (légèrement sous seuil). Option : TP=4×ATR (R:R=2:1, breakeven à 34%)
3. Persistance ML state — sauvegarder modèle HMM pour éviter re-training à chaque /ml/status
4. PaperTradingEngine.run() — compléter les TODOs de la boucle live
5. Sentiment Analysis — src/data/sentiment_service.py (Alpha Vantage News + FinBERT)
6. IG Markets connector — Phase 5, après 30 jours paper trading validé

---

Dépôt Git

• Gitea : http://192.168.1.100:3000/tika/trader-ml.git
• Branche principale : master

Légende

• ✅ Terminé
• 🟡 En cours
• ⚪ Planifié