Statistique Tensorflow

Zeus_TensorFlow_1h.py

@@ -79,6 +79,8 @@ from sklearn.preprocessing import MinMaxScaler
 from tensorflow.keras.models import Sequential
 from tensorflow.keras.layers import LSTM, Dense
 from tensorflow.keras.optimizers import Adam
+from sklearn.metrics import mean_absolute_error, mean_squared_error
+
 
 os.environ["CUDA_VISIBLE_DEVICES"] = "-1"    # désactive complètement le GPU
 os.environ["TF_XLA_FLAGS"] = "--tf_xla_enable_xla_devices=false"
@@ -120,6 +122,8 @@ class Zeus_TensorFlow_1h(IStrategy):
     future_steps = 12
     y_no_scale = False
     epochs = 120
+    scaler_X = None
+    scaler_y = None
 
     path = f"user_data/plots/"
 
@@ -1011,7 +1015,7 @@ class Zeus_TensorFlow_1h(IStrategy):
     def populate_buy_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
         dataframe.loc[
             (
-                (dataframe['lstm_pred'] > dataframe['mid'])
+                qtpylib.crossed_above(dataframe['lstm_pred'], dataframe['mid'])
             ), ['enter_long', 'enter_tag']] = (1, f"future")
 
         dataframe['test'] = np.where(dataframe['enter_long'] == 1, dataframe['close'] * 1.01, np.nan)
@@ -1025,7 +1029,7 @@ class Zeus_TensorFlow_1h(IStrategy):
 
         # dataframe.loc[
         #     (
-        #         (dataframe['lstm_pred'] < 0) & (dataframe['hapercent'] < 0)
+        #         qtpylib.crossed_below(dataframe['lstm_pred'], dataframe['mid'])
         #     ), ['exit_long', 'exit_tag']] = (1, f"sma60_future")
 
         # dataframe.loc[
@@ -1223,7 +1227,7 @@ class Zeus_TensorFlow_1h(IStrategy):
         # factors = [1, 1.2, 1.3, 1.4]
         if self.pairs[pair]['count_of_buys'] == 0:
             factor = 1 #65 / min(65, last_candle['rsi_1d'])
-            if last_candle['open'] < last_candle['sma5'] and last_candle['mid_smooth_12_deriv1'] > 0:
+            if last_candle['min_max_60'] > 0.04:
                 factor = 2
 
             adjusted_stake_amount = max(base_stake_amount / 5, base_stake_amount * factor)
@@ -1739,33 +1743,39 @@ class Zeus_TensorFlow_1h(IStrategy):
 
         # 7) Sauvegarde
         self.model.save(f"{self.path}/lstm_model.keras")
-        # joblib.dump(self.scaler_X, f"{self.path}/lstm_scaler_X.pkl")
+        joblib.dump(self.scaler_X, f"{self.path}/lstm_scaler_X.pkl")
-        # joblib.dump(self.scaler_y, f"{self.path}/lstm_scaler_y.pkl")
+        joblib.dump(self.scaler_y, f"{self.path}/lstm_scaler_y.pkl")
 
     def tensorFlowPrepareDataFrame(self, dataframe, future_steps, lookback):
         target = self.indicator_target
+
         # 1) Détecter NaN / Inf et nettoyer
         feature_columns = self.model_indicators  # [col for col in dataframe.columns if col != target]
         df = dataframe.copy()
         df.replace([np.inf, -np.inf], np.nan, inplace=True)
         df.dropna(subset=feature_columns + [target], inplace=True)
+
         # 2) Séparer features et cible
         X_values = df[feature_columns].values
         y_values = df[target].values.reshape(-1, 1)
+
         # 3) Gestion colonnes constantes (éviter division par zéro)
         for i in range(X_values.shape[1]):
             if X_values[:, i].max() == X_values[:, i].min():
                 X_values[:, i] = 0.0
         if y_values.max() == y_values.min():
             y_values[:] = 0.0
+
         # 4) Normalisation
-        self.scaler_X = MinMaxScaler()
+        if self.scaler_X is None:
+            self.scaler_X = MinMaxScaler()
         X_scaled = self.scaler_X.fit_transform(X_values)
 
         if self.y_no_scale:
             y_scaled = y_values
         else:
-            self.scaler_y = MinMaxScaler()
+            if self.scaler_y is None:
+                self.scaler_y = MinMaxScaler()
             y_scaled = self.scaler_y.fit_transform(y_values)
 
         # 5) Création des fenêtres glissantes
@@ -1791,8 +1801,8 @@ class Zeus_TensorFlow_1h(IStrategy):
         # charger le modèle si pas déjà chargé
         if self.model is None:
             self.model = load_model(f"{self.path}/lstm_model.keras", compile=False)
-            # self.scaler_X = joblib.load(f"{self.path}/lstm_scaler_X.pkl")
+            self.scaler_X = joblib.load(f"{self.path}/lstm_scaler_X.pkl")
-            # self.scaler_y = joblib.load(f"{self.path}/lstm_scaler_y.pkl")
+            self.scaler_y = joblib.load(f"{self.path}/lstm_scaler_y.pkl")
 
             X_seq, y_seq = self.tensorFlowPrepareDataFrame(dataframe, future_steps, lookback)
 
@@ -1827,4 +1837,100 @@ class Zeus_TensorFlow_1h(IStrategy):
         end = start + len(y_pred)
         # preds[start:end] = y_pred[:end - start]
         preds[start:start + len(y_pred)] = y_pred
+
+        # Décaler le dataframe pour ne garder que les lignes avec prédictions
+        y_true = dataframe[self.indicator_target][start:]
+        mae, rmse, mape, hit_ratio = self.reliability_report(y_true, y_pred)
+
+        # 6) Graphiques
+        # 4) Prédictions avec MC Dropout
+        self.plot_lstm_predictions(dataframe, preds)
+        self.plot_error_histogram(y_true, y_pred)
+
+        # 7) Rapport texte
+        rapport = self.generate_text_report(mae, rmse, mape, hit_ratio, self.future_steps)
+        print(rapport)
+
         return preds
+
+    def generate_text_report(self, mae, rmse, mape, hit_ratio, n):
+        txt = f"""
+            Fiabilité du modèle à horizon {n} bougies
+            -----------------------------------------
+            MAE:  {mae:.4f}
+            RMSE: {rmse:.4f}
+            MAPE: {mape:.2f} %
+            
+            Hit-ratio (direction): {hit_ratio*100:.2f} %
+            
+            Interprétation :
+            - MAE faible = bonne précision absolue.
+            - MAPE faible = bonne précision relative au prix.
+            - Hit-ratio > 55% = exploitable pour un système de trading directionnel.
+            - 50% ≈ hasard.
+            """
+        return txt
+
+    def plot_lstm_predictions(self, dataframe, preds):
+        """
+        Génère un graphique des prédictions LSTM vs la vraie valeur de l'indicateur.
+
+        Args:
+            dataframe: pd.DataFrame contenant l'indicateur cible.
+            preds: liste ou np.array des prédictions, alignée sur le dataframe
+                   avec des NaN en début à cause du lookback.
+        """
+        # Convertir preds en np.array
+        preds_array = np.array(preds)
+
+        # Récupérer la vraie valeur de l'indicateur
+        y_true = dataframe[self.indicator_target].values
+
+        # Masque pour ne garder que les positions avec prédiction
+        mask_valid = ~np.isnan(preds_array)
+        y_true_valid = y_true[mask_valid]
+        y_pred_valid = preds_array[mask_valid]
+
+        # Créer le graphique
+        plt.figure(figsize=(15, 5))
+        plt.plot(y_true_valid, label="Vraie valeur", color="blue")
+        plt.plot(y_pred_valid, label="Prédiction LSTM", color="orange")
+        plt.title(f"Prédictions LSTM vs vrai {self.indicator_target}")
+        plt.xlabel("Index")
+        plt.ylabel(self.indicator_target)
+        plt.legend()
+        plt.grid(True)
+        plt.savefig(f"{self.path}/Prédictions LSTM vs vrai {self.indicator_target}.png")
+        plt.close()
+
+    def plot_error_histogram(self, y_true, y_pred):
+        errors = y_pred - y_true
+        plt.figure(figsize=(8,5))
+        plt.hist(errors, bins=30)
+        plt.title("Distribution des erreurs de prédiction")
+        # plt.show()
+        plt.savefig(f"{self.path}/Distribution des erreurs de prédiction.png")
+        plt.close()
+
+    def reliability_report(self, y_true, y_pred):
+        # moyenne des différences absolues entre les valeurs prédites et les valeurs réelles
+        # | Métrique  | Ce qu’elle mesure       | Sensibilité                  |
+        # | --------- | ----------------------- | ---------------------------- |
+        # | MAE       | Écart moyen absolu      | Moyenne des erreurs          |
+        # | RMSE      | Écart quadratique moyen | Sensible aux grosses erreurs |
+        # | MAPE      | % d’erreur moyenne      | Interprétation facile        |
+        # | Hit ratio | Direction correcte      | Pour trading / signaux       |
+
+        mae = mean_absolute_error(y_true, y_pred)
+        rmse = np.sqrt(mean_squared_error(y_true, y_pred))
+        mape = np.mean(np.abs((y_true - y_pred) / y_true)) * 100
+
+        # hit-ratio directionnel
+        real_dir = np.sign(np.diff(y_true))
+        pred_dir = np.sign(np.diff(y_pred))
+        hit_ratio = (real_dir == pred_dir).mean()
+
+        return mae, rmse, mape, hit_ratio
+
+
+