Intégration fonctions polynomiales

Zeus_8_3_2_B_4_2.py

@@ -506,6 +506,7 @@ class Zeus_8_3_2_B_4_2(IStrategy):
         ################### INFORMATIVE 1h
         informative = self.dp.get_pair_dataframe(pair=metadata['pair'], timeframe="1h")
         informative = self.calculateTendency(informative, 3)
+        informative = self.apply_regression_derivatives(informative, column='mid', window=50, degree=3)
         informative['volatility'] = talib.STDDEV(informative['close'], timeperiod=14) / informative['close']
         informative['atr'] = (talib.ATR(informative['high'], informative['low'], informative['close'], timeperiod=14)) / informative['close']
         informative['rsi'] = talib.RSI(informative['close'], length=7)
@@ -514,12 +515,14 @@ class Zeus_8_3_2_B_4_2(IStrategy):
 
         informative['sma5'] = talib.SMA(informative, timeperiod=5)
         informative['sma5_pct'] = 100 * (informative['sma5'] - informative['sma5'].shift(1)) / informative['sma5']
+
         dataframe = merge_informative_pair(dataframe, informative, self.timeframe, "1h", ffill=True)
 
         ################### INFORMATIVE 1d
         informative = self.dp.get_pair_dataframe(pair=metadata['pair'], timeframe="1d")
         informative = self.calculateTendency(informative, 3)
 
+        informative = self.apply_regression_derivatives(informative, column='mid', window=50, degree=3)
         informative['rsi'] = talib.RSI(informative['close'], length=7)
         informative['rsi_diff'] = informative['rsi'].diff()
         informative['rsi_diff_2'] = informative['rsi_diff'].diff()
@@ -546,6 +549,8 @@ class Zeus_8_3_2_B_4_2(IStrategy):
         informative['mid_min_max'] = min_14_days + (max_14_days - min_14_days) / 2
         informative['middle'] = informative['lowest_4'] + (informative['highest_4'] - informative['lowest_4']) / 2
         informative['mid_min_max_0.98'] = informative['mid_min_max'] * 0.98
+
+
         dataframe = merge_informative_pair(dataframe, informative, self.timeframe, "1d", ffill=True)
 
         dataframe['count_buys'] = 0
@@ -1391,3 +1396,38 @@ class Zeus_8_3_2_B_4_2(IStrategy):
                 down_pct_values[i] = 100 * (dataframe['close'].iloc[i] - dataframe['close'].iloc[i - shift_value]) / \
                                      dataframe['close'].iloc[i - shift_value]
         return down_pct_values
+
+    def apply_regression_derivatives(self, dataframe: DataFrame, column: str = 'close', window: int = 50, degree: int = 3):
+        df = dataframe.copy()
+        deriv1 = []
+        deriv2 = []
+
+        for i in range(len(df)):
+            if i < window:
+                deriv1.append(np.nan)
+                deriv2.append(np.nan)
+                continue
+
+            y = df[column].iloc[i - window:i].values
+            x = np.arange(window)
+
+            # Régression polynomiale
+            coeffs = np.polyfit(x, y, degree)
+            poly = np.poly1d(coeffs)
+
+            # Dérivées
+            d1 = np.polyder(poly, 1)  # première dérivée
+            d2 = np.polyder(poly, 2)  # seconde dérivée
+
+            # On calcule les valeurs de la dérivée à la dernière bougie
+            val_d1 = d1(window - 1)
+            val_d2 = d2(window - 1)
+
+            deriv1.append(val_d1)
+            deriv2.append(val_d2)
+
+        df['regression_deriv1'] = deriv1
+        df['regression_deriv2'] = deriv2
+
+        return df
+

tools/polynomiale.py

@@ -0,0 +1,109 @@
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as plt
+
+def polynomial_features(series, degree=3, verbose=True):
+    x = np.arange(len(series))
+    y = series.values
+
+    # Fit du polynôme
+    coeffs = np.polyfit(x, y, degree)
+    poly = np.poly1d(coeffs)
+
+    if verbose:
+        print("⚙️ Coefficients (du plus haut degré au plus bas) :")
+        for i, coef in enumerate(coeffs):
+            deg = degree - i
+            print(f"  a{deg} = {coef:.6f}")
+
+        print(f"\n📈 Fonction polynomiale :\n  f(x) = {poly}")
+
+    # ✅ Première dérivée(variation ou pente)
+    #     Positive: la courbe est croissante → tendance haussière.
+    #     Négative: la courbe est décroissante → tendance baissière.
+    #     Proche de 0: la courbe est plate → marché stable ou en transition.
+    #
+    # Applications:
+    # Détecter les points d’inflexion(changement de tendance) quand elle s’annule.\
+    # Analyser la vitesse d’un mouvement(plus elle est forte, plus le mouvement est impulsif).
+    #
+    # ✅ Seconde dérivée(accélération ou concavité)
+    #     Positive: la pente augmente → accélération de la hausse ou ralentissement de la baisse.
+    #     Négative: la pente diminue → accélération de la baisse ou ralentissement de la hausse.
+    #     Changement de signe: indique souvent un changement de courbure, utile pour prévoir des retournements.
+    #
+    # Exemples:
+    #     🟢 Dérivée 1 > 0 et dérivée 2 > 0: tendance haussière qui s’accélère.
+    #     🟡 Dérivée 1 > 0 et dérivée 2 < 0: tendance haussière qui ralentit → essoufflement potentiel.
+    #     🔴 Dérivée 1 < 0 et dérivée 2 < 0: tendance baissière qui s’accélère.
+    #     🟠 Dérivée 1 < 0 et dérivée 2 > 0: tendance baissière qui ralentit → possible bottom.
+    #
+    # Filtrer les signaux: ne prendre un signal haussier que si dérivée1 > 0 et dérivée2 > 0.
+    # Détecter les zones de retournement: quand dérivée1 ≈ 0 et que dérivée2 change de signe.
+
+    # Dérivées
+    deriv1 = 10 * poly.deriv()
+    deriv2 = 100 * deriv1.deriv()
+
+    trend = poly(x)
+    slope = deriv1(x)
+    accel = deriv2(x)
+
+    return trend, slope, accel, poly
+
+def polynomial_tail(series, degree=3, window=50, verbose=True):
+    if len(series) < window:
+        raise ValueError("Not enough data points for the specified window")
+
+    # On garde les N dernières valeurs
+    tail = series[-window:]
+    x = np.arange(window)
+    y = tail.values
+
+    # Fit du polynôme
+    coeffs = np.polyfit(x, y, degree)
+    poly = np.poly1d(coeffs)
+
+    if verbose:
+        print(f"Régression sur les {window} derniers points :")
+        print(poly)
+
+    # Évaluation sur la même fenêtre
+    trend = poly(x)
+    slope = poly.deriv()(x)
+    accel = poly.deriv().deriv()(x)
+
+    return trend, slope, accel, poly
+
+
+# Exemple avec une série synthétique
+np.random.seed(0)
+x = np.linspace(0, 20, 250)
+y = 0.05 * x**3 - x**2 + 2 * x + 5 + np.random.normal(0, 15, size=len(x))
+series = pd.Series(y)
+
+trend, slope, accel, poly = polynomial_features(series, degree=3)
+
+# 🔍 Visualisation
+plt.figure(figsize=(10, 6))
+plt.plot(series, label="Original", alpha=0.5)
+plt.plot(trend, label="Trend (Poly)", linewidth=2)
+plt.plot(slope, label="1st Derivative", linestyle='--')
+plt.plot(accel, label="2nd Derivative", linestyle=':')
+plt.legend()
+plt.title("Régression polynomiale + dérivées")
+plt.grid(True)
+plt.show()
+
+# trend, slope, accel, poly = polynomial_tail(series, degree=3, window=50)
+#
+# # Visualisation de la portion utile
+# plt.figure(figsize=(10, 5))
+# plt.plot(series[-50:].values, label="Original (Last 50)")
+# plt.plot(trend, label="Trend (Poly)", linewidth=2)
+# plt.plot(slope, label="1st Derivative", linestyle='--')
+# plt.plot(accel, label="2nd Derivative", linestyle=':')
+# plt.title("Régression polynomiale sur les 50 dernières valeurs")
+# plt.legend()
+# plt.grid(True)
+# plt.show()

tools/polynomiale2.py

@@ -0,0 +1,42 @@
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as plt
+
+def rolling_polyfit_curves(series, degree=3, window=50, step=10):
+    curves = []  # Liste des courbes
+    positions = []  # Index de départ pour chaque courbe
+
+    for i in range(window, len(series), step):
+        y = series[i - window:i].values
+        x = np.arange(window)
+        coeffs = np.polyfit(x, y, degree)
+        poly = np.poly1d(coeffs)
+        curve = poly(x)
+        curves.append(curve)
+        positions.append(i)
+
+    return curves, positions
+
+# Exemple d'utilisation
+
+# Exemple avec une série synthétique
+np.random.seed(0)
+x = np.linspace(0, 20, 250)
+y = 0.05 * x**3 - x**2 + 2 * x + 5 + np.random.normal(0, 15, size=len(x))
+series = pd.Series(y)
+
+# series = pd.Series(np.sin(np.linspace(0, 10*np.pi, 300)) + np.random.normal(0, 0.2, 300))
+curves, positions = rolling_polyfit_curves(series, degree=3, window=50, step=10)
+
+# Visualisation
+plt.figure(figsize=(12, 6))
+plt.plot(series.values, label="Original")
+
+for curve, pos in zip(curves, positions):
+    x_global = np.arange(pos - 50, pos)
+    plt.plot(x_global, curve, alpha=0.6)
+
+plt.title("Régressions polynomiales glissantes (chaque 10 bougies sur 50 précédentes)")
+plt.legend()
+plt.grid(True)
+plt.show()