FrictradeLearning.py Stoploss auto et gestion steps de mises adjust

tools/tensorFlow/Crash.py

@@ -445,6 +445,46 @@ class Crash:
 
         return selected_corr
 
+    def drawPredictions(self, df, indicators, y_proba, threshold=0.5):
+        """
+        Trace simultanément plusieurs indicateurs et la prédiction du modèle.
+
+        Parameters
+        ----------
+        df : pd.DataFrame
+            Dataframe avec les colonnes des indicateurs et la target.
+        indicators : list[str]
+            Liste des colonnes du dataframe à tracer.
+        y_proba : np.array
+            Probabilités prédites par le modèle (valeurs continues entre 0 et 1)
+        threshold : float
+            Seuil pour convertir probabilité en signal binaire
+        output_file : str
+            Fichier sur lequel sauvegarder le graphique
+        """
+        plt.figure(figsize=(18, 6))
+
+        # Tracer les indicateurs
+        for col in indicators:
+            plt.plot(df.index, df[col], label=col, alpha=0.7)
+
+        # Tracer la prédiction du modèle (probabilité)
+        plt.plot(df.index, y_proba, label="Prediction prob.", color="black", linestyle="--")
+
+        # Optionnel : signal binaire (1 si prob > threshold)
+        y_signal = (y_proba > threshold).astype(int)
+        plt.scatter(df.index, y_signal, color='red', marker='o', label='Signal > threshold', s=20)
+
+        plt.title("Indicateurs + prédiction MLP")
+        plt.xlabel("Date")
+        plt.ylabel("Valeur / Probabilité")
+        plt.legend()
+        plt.grid(True)
+        plt.tight_layout()
+        plt.savefig(f"{self.path}/indicators_vs_prediction.png")
+        plt.close()
+
+
     def drawSequentialGraphs(self, model, history, X_train_scaled, X_valid_scaled, y_train,
                              y_valid, thresholds=None, best_threshold=None
                              ):
@@ -556,6 +596,17 @@ class Crash:
         # plt.savefig(f"{self.path}/permutation_importance.png")
         # plt.close()
 
+        # Exemple : on choisit 3 indicateurs du dataframe
+        indicators = ['percent12']
+
+        # y_proba = model.predict(X_valid_scaled).ravel()
+        self.drawPredictions(
+            df=self.dataframe.iloc[-len(y_proba):],  # sélectionner la période correspondant à X_valid
+            indicators=indicators,
+            y_proba=y_proba,
+            threshold=0.5
+        )
+
         # =========================
         # 7️⃣ Sauvegarde seuil
         # =========================
@@ -567,7 +618,7 @@ class Crash:
             "best_f1": max(f1s)
         }
 
-    def optimize_sequential(self, X_train, y_train, X_valid, y_valid, n_trials=20):
+    def optimize_sequential(self, X_train, X_valid, y_train, y_valid , n_trials=20):
         def objective(trial):
             tf.keras.backend.clear_session()
 
@@ -835,7 +886,7 @@ class Crash:
         # df['target'] = df['target'].fillna(0).astype(int)
 
         # label : crash si -n% dans les p heures
-        self.calculateTarget(df)
+        self.initTarget(df)
 
         self.calculateCorrelation(df)
 
@@ -872,7 +923,7 @@ class Crash:
         assert len(X_train) == len(y_train)
         assert len(X_valid) == len(y_valid)
 
-        self.train_model, study = self.optimize_sequential(X_train, y_train, X_valid, y_valid, n_trials=50)
+        self.train_model, study = self.optimize_sequential(X_train, X_valid, y_train, y_valid, n_trials=50)
 
         self.analyseStudy(study)
 
@@ -939,7 +990,7 @@ class Crash:
         # plt.ylabel("Score")
         # plt.show()
 
-        self.analyze_model(pair, self.train_model, X_train, X_valid, y_train, y_valid)
+        self.analyze_model(self.train_model, X_train, X_valid, y_train, y_valid)
 
     def analyseImportances(self, selected_features, X_train, X_valid, y_valid):
         # Feature importance
@@ -1137,7 +1188,7 @@ class Crash:
 
         # FIN SHAP
 
-    def calculateTarget(self, df):
+    def initTarget(self, df):
         future = df['mid'].shift(-12)
         df['future_dd'] = (future - df['mid']) / df['mid']
         df['target'] = (df['future_dd'] > 0.003).astype(int)
@@ -1214,7 +1265,7 @@ class Crash:
 
         print("\n===== ✅ FIN DE L’INSPECTION =====")
 
-    def analyze_model(self, pair, model, X_train, X_valid, y_train, y_valid):
+    def analyze_model(self, model, X_train, X_valid, y_train, y_valid):
         """
         Analyse complète d'un modèle ML supervisé (classification binaire).
         Affiche performances, importance des features, matrices, seuils, etc.
@@ -1398,7 +1449,7 @@ class Crash:
         df = df.set_index('date')
 
         # Optionnel : ne garder qu’une plage temporelle
-        df = df["2025-01-01":"2025-07-14"]
+        df = df["2025-01-01":"2025-02-01"]
         df = df.reset_index('date')
 
         # Supprimer NaN