Upload 2 files

knn_calibrate.py

@@ -0,0 +1,292 @@
+"""
+KNN KALİBRASYON v2 — rastgele arama + genişleyen pencereli walk-forward + gürültü (null) testi.
+
+Kullanım (app.py ile aynı klasörde, internet gerekir):
+    python knn_calibrate.py                          # BTC-USDT 1H, 4000 bar, 120 örnek, 6 dilim
+    python knn_calibrate.py BTC-USDT 1H 6000 200 8   # sembol bar toplam_bar örnek dilim
+    python knn_calibrate.py BTC-USDT 1H 4000 120 6 --no-null --force-save
+
+Dinamik SL/TP (dyn, tpq, slq) de aranan parametrelerdir; sabit SL/TP ile aynı walk-forward'da yarışır.
+
+Neden bu kadar titiz:
+  * KNN eğitim gerektirmez (nedensel) -> tek bir geçmiş geçişi tüm dilimler için geçerlidir.
+  * WALK-FORWARD: dilim k için parametreler yalnızca k'dan ÖNCE tamamen sonuçlanmış işlemlere bakılarak seçilir,
+    sonra dilim k'da test edilir. Birleşik test (OOS) işlemleri "seçim PROSEDÜRÜNÜN" dürüst performansıdır.
+  * Seçim ölçütü kâr faktörü tepe değeri değil, ortalama R'nin ALT GÜVEN SINIRI (ort − hata): az işlemli şanslı
+    kombinasyonlar cezalandırılır. Win rate hedef değil; başa baş win rate her satırda gösterilir.
+  * NULL TESTİ: aynı prosedür, bar blokları karıştırılmış (zaman yapısı yok edilmiş) fiyat üzerinde çalıştırılır.
+    Gürültüde de "iyi" görünüyorsa prosedür kendini kandırıyor demektir.
+  * knn_params.json YALNIZCA test (OOS) ortalama R'si için %95 bootstrap alt sınırı > 0 ise yazılır (--force-save ile zorlanır).
+"""
+import datetime as dt
+import json
+import os
+import sys
+import time
+
+os.environ["APP_NO_LAUNCH"] = "1"
+import numpy as np
+import pandas as pd
+
+import app
+
+MIN_TRAIN_TRADES = 15
+BOOT = 2000
+SPACE = {
+    "K": (7, 11, 15, 21, 31, 45), "edge": (0.10, 0.15, 0.20, 0.30, 0.40, 0.50),
+    "fwd": (3, 5, 8, 12), "move": (0.10, 0.15, 0.25, 0.35), "pool": (400, 800, 1500),
+    "sl": (1.0, 1.5, 2.0, 2.5), "tp": (1.5, 2.0, 2.5, 3.5, 5.0), "thr": (2, 3, 4),
+    "dyn": (0, 1), "tpq": (35, 50, 65), "slq": (60, 75, 90),   # dyn=1: KNN dinamik SL/TP (sl/tp = yedek sabit değerler)
+    # --- v3: giriş filtreleri + zaman çıkışı (skorlar önbellekten gelir, bunlar KNN taramasını yeniden çalıştırmaz) ---
+    "align": (0, 1),                    # 1: piyasa yapısı sinyal yönüne ters ise işlem yok
+    "adx": (0, 15, 20, 25),             # >0: ADX alt sınırı
+    "fee_r": (0.0, 0.30, 0.20, 0.12),   # >0: komisyonun R maliyeti üst sınırı (düşük volatilite = pahalı işlem)
+    "hold": (12, 24, 48),               # zaman çıkışı (bar)
+    # --- v4: formasyon tanıma (KNN özelliği ve/veya teyit oyu). Önbellek anahtarına girer → KNN taraması yeniden çalışır ---
+    "pat": (0, 1),                      # 1: KNN özellik vektörüne mum formasyonları + mum şekli eklenir
+    "pvote": (0, 1),                    # 1: en güçlü mum formasyonu ±1 teyit oyu
+}
+BASELINE = {"K": 15, "edge": 0.15, "fwd": 5, "move": 0.15, "pool": 1500, "sl": 1.5, "tp": 2.5, "thr": 2,
+            "dyn": 1, "tpq": 50, "slq": 75, "align": 0, "adx": 0, "fee_r": 0.0, "hold": 24, "pat": 0, "pvote": 0}
+
+
+# ---------------------------------------------------------------------------
+def fetch_history(inst_id="BTC-USDT", bar="1H", total=4000):
+    rows, after = [], None
+    while len(rows) < total:
+        p = {"instId": inst_id, "bar": bar, "limit": 100}
+        if after:
+            p["after"] = after
+        raw = app._get("/api/v5/market/history-candles", p)
+        if not raw:
+            break
+        rows += raw
+        after = raw[-1][0]                      # en eski mum -> sonraki sayfa daha eskiyi getirir
+        time.sleep(0.12)
+    cols = ["ts", "o", "h", "l", "c", "vol", "volCcy", "volCcyQuote", "confirm"]
+    df = pd.DataFrame(rows, columns=cols).drop_duplicates("ts")
+    for c in ["o", "h", "l", "c", "vol"]:
+        df[c] = df[c].astype(float)
+    df["confirm"] = df["confirm"].astype(int)
+    df["ts"] = pd.to_datetime(df["ts"].astype(np.int64), unit="ms")
+    df = df[df["confirm"] == 1].sort_values("ts").reset_index(drop=True)
+    return df.tail(total).reset_index(drop=True)
+
+
+def shuffle_blocks(df, block=24, seed=0):
+    """NULL verisi: bar getirilerini bloklar halinde karıştırır (dağılım korunur, zamansal yapı yok olur)."""
+    rng = np.random.default_rng(seed)
+    prev = df["c"].shift(1)
+    rel = pd.DataFrame({k: df[k] / prev for k in ("o", "h", "l", "c")}).iloc[1:].reset_index(drop=True)
+    vol = df["vol"].iloc[1:].reset_index(drop=True)
+    idx = np.arange(len(rel))
+    blocks = [idx[i:i + block] for i in range(0, len(idx), block)]
+    order = np.concatenate([blocks[j] for j in rng.permutation(len(blocks))])
+    rel, vol = rel.iloc[order].reset_index(drop=True), vol.iloc[order].reset_index(drop=True)
+    c = float(df["c"].iloc[0]) * rel["c"].cumprod()
+    pc = np.r_[float(df["c"].iloc[0]), c.to_numpy()[:-1]]
+    out = pd.DataFrame({"ts": df["ts"].iloc[1:].reset_index(drop=True), "o": rel["o"] * pc, "h": rel["h"] * pc,
+                        "l": rel["l"] * pc, "c": c, "vol": vol})
+    out["h"] = out[["o", "h", "l", "c"]].max(axis=1)
+    out["l"] = out[["o", "h", "l", "c"]].min(axis=1)
+    return out
+
+
+def sample_params(rng, n):
+    out = [dict(BASELINE)]                     # 0. örnek = mevcut varsayılanlar (kıyas için)
+    seen = {tuple(BASELINE.values())}
+    while len(out) < n:
+        p = {k: (type(v[0])(rng.choice(v))) for k, v in SPACE.items()}
+        if not p["dyn"]:
+            p["tpq"], p["slq"] = BASELINE["tpq"], BASELINE["slq"]      # dyn=0 iken yüzdelikler anlamsız -> tekrarı önle
+        if p["tp"] <= p["sl"] * 0.5 or tuple(p.values()) in seen:
+            continue
+        seen.add(tuple(p.values()))
+        out.append(p)
+    return out
+
+
+def _set_knn(p):
+    app.KNN_K, app.KNN_MIN_EDGE, app.KNN_FORWARD = p["K"], p["edge"], p["fwd"]
+    app.KNN_MOVE_ATR, app.KNN_POOL_MAX = p["move"], p["pool"]
+    app.KNN_TIERS = app._knn_tiers(p["edge"])
+    app.DYNAMIC_EXITS, app.DYN_TP_PCT, app.DYN_SL_PCT = bool(p["dyn"]), p["tpq"], p["slq"]
+    app.KNN_PATTERN_FEATURES, app.PATTERN_VOTES = bool(p["pat"]), bool(p["pvote"])
+    app.ENTRY_REQUIRE_ALIGN, app.ENTRY_MIN_ADX, app.ENTRY_MAX_FEE_R = False, 0.0, 0.0     # önbellek = FİLTRESİZ skorlar
+
+
+def _set_exec(p):
+    """Skor önbelleğinden bağımsız parametreler: SL/TP, zaman çıkışı, giriş filtreleri."""
+    app.SL_ATR, app.TP_ATR, app.MAX_HOLD_BARS = p["sl"], p["tp"], int(p["hold"])
+    app.ENTRY_REQUIRE_ALIGN, app.ENTRY_MIN_ADX, app.ENTRY_MAX_FEE_R = bool(p["align"]), float(p["adx"]), float(p["fee_r"])
+
+
+def evaluate_all(df, params, start0, log=True):
+    """Her parametre kümesi için TÜM zamanın işlemlerini üretir (skorlar KNN anahtarına göre önbelleğe alınır)."""
+    n = len(df)
+    ind = app.compute_indicators(df)
+    cache, results = {}, []
+    t0 = time.time()
+    for k, p in enumerate(params):
+        key = (p["K"], p["edge"], p["fwd"], p["move"], p["pool"], p["dyn"], p["tpq"], p["slq"], p["pat"], p["pvote"])
+        if key not in cache:
+            _set_knn(p)
+            ind["_arr"]["knn_F"] = app.knn_features(df, ind, pattern=bool(p["pat"]))
+            ind["_arr"]["knn_y"] = app.knn_labels(df, ind, forward=p["fwd"], move=p["move"])
+            cache[key] = [app._score_at(ind, i) for i in range(start0, n)]
+        _set_exec(p)
+        raw = cache[key]
+        if p["align"] or p["adx"] or p["fee_r"]:
+            raw = [app.apply_entry_filters(sc, ind["_arr"], start0 + j) for j, sc in enumerate(raw)]
+        trades = app.simulate_trades(df, ind, start0, raw, threshold=p["thr"])
+        results.append((p, trades))
+        if log and (k + 1) % 20 == 0:
+            print(f"   {k + 1}/{len(params)} kombinasyon ({time.time() - t0:.0f}s)", flush=True)
+    return results
+
+
+def objective(trades):
+    """Ortalama R'nin alt güven sınırı (ort − hata). İşlem azsa None."""
+    if len(trades) < MIN_TRAIN_TRADES:
+        return None
+    r = np.array([t["r"] for t in trades])
+    return float(r.mean() - r.std(ddof=1) / np.sqrt(len(r)))
+
+
+def summarize(trades, seed=1):
+    if not trades:
+        return None
+    r = np.array([t["r"] for t in trades])
+    pnl = np.array([t["pnl"] for t in trades])
+    gl = abs(pnl[pnl <= 0].sum())
+    rng = np.random.default_rng(seed)
+    bm = rng.choice(r, size=(BOOT, len(r)), replace=True).mean(axis=1)
+    win_r, loss_r = r[pnl > 0], r[pnl <= 0]
+    be = float(abs(loss_r.mean()) / (win_r.mean() + abs(loss_r.mean()))) if len(win_r) and len(loss_r) else float("nan")
+    return {"n": len(r), "wr": float((pnl > 0).mean()), "pf": float(pnl[pnl > 0].sum() / gl) if gl > 0 else float("inf"),
+            "mean_r": float(r.mean()), "ci_lo": float(np.percentile(bm, 2.5)), "ci_hi": float(np.percentile(bm, 97.5)),
+            "ret": float(np.prod(1 + pnl) - 1), "be_wr": be}
+
+
+def walk_forward(results, start0, n, folds):
+    edges = np.linspace(start0, n, folds + 1).astype(int)
+    oos, picks = [], []
+    for k in range(1, folds):
+        cut = edges[k]
+        best = None
+        for p, tr in results:
+            sc = objective([t for t in tr if t["exit_i"] < cut])        # yalnızca tamamen sonuçlanmış geçmiş
+            if sc is not None and (best is None or sc > best[0]):
+                best = (sc, p, tr)
+        if best is None:
+            continue
+        seg = [t for t in best[2] if edges[k] <= t["signal_i"] < edges[k + 1]]
+        oos += seg
+        picks.append((k, best[1], len(seg), summarize(seg)))
+    base = [t for t in results[0][1] if t["signal_i"] >= edges[1]]
+    return oos, picks, base
+
+
+def final_pick(results):
+    best = None
+    for p, tr in results:
+        sc = objective(tr)
+        if sc is not None and (best is None or sc > best[0]):
+            best = (sc, p, tr)
+    return best
+
+
+def procedure(df, n_samples, folds, seed=7, log=True):
+    n = len(df)
+    start0 = app.WARMUP_BARS + app.KNN_MIN_POOL + max(SPACE["fwd"])
+    params = sample_params(np.random.default_rng(seed), n_samples)
+    results = evaluate_all(df, params, start0, log)
+    oos, picks, base = walk_forward(results, start0, n, folds)
+    return {"results": results, "oos": oos, "picks": picks, "base": base, "final": final_pick(results), "n": n, "start0": start0}
+
+
+def _pdesc(p):
+    ex = f"DİNAMİK TP%{p['tpq']}/SL%{p['slq']} (yedek {p['sl']}/{p['tp']})" if p["dyn"] else f"SABİT SL/TP={p['sl']}/{p['tp']}"
+    pt = f"formasyon[KNN={'+' if p['pat'] else '-'} oy={'+' if p['pvote'] else '-'}] "
+    flt = pt + f"filtre[yapı={'uyumlu' if p['align'] else '-'} ADX≥{p['adx']} fee≤{p['fee_r']}R] tutuş={p['hold']}"
+    return f"K={p['K']} edge={p['edge']} fwd={p['fwd']} move={p['move']} pool={p['pool']} {ex} eşik={p['thr']} {flt}"
+
+
+def _fmt(s):
+    if not s:
+        return "—"
+    return (f"n={s['n']:<3d} WR=%{s['wr'] * 100:4.1f} (başa baş %{s['be_wr'] * 100:4.1f}) PF={min(s['pf'], 99):4.2f} "
+            f"getiri={s['ret'] * 100:+.1f}% ort.R={s['mean_r']:+.3f} [%95 GA {s['ci_lo']:+.3f}…{s['ci_hi']:+.3f}]")
+
+
+def main():
+    args = [a for a in sys.argv[1:] if not a.startswith("--")]
+    flags = {a for a in sys.argv[1:] if a.startswith("--")}
+    inst = args[0] if len(args) > 0 else "BTC-USDT"
+    bar = args[1] if len(args) > 1 else "1H"
+    total = int(args[2]) if len(args) > 2 else 4000
+    n_samples = int(args[3]) if len(args) > 3 else 200
+    folds = int(args[4]) if len(args) > 4 else 6
+
+    print(f"{inst} {bar}: {total} bar indiriliyor...")
+    df = fetch_history(inst, bar, total)
+    print(f"{len(df)} bar: {df['ts'].iloc[0]} → {df['ts'].iloc[-1]}")
+    print(f"\n[1/2] GERÇEK veri: {n_samples} kombinasyon, {folds} dilimli walk-forward")
+    real = procedure(df, n_samples, folds)
+    oos, base = summarize(real["oos"]), summarize(real["base"])
+    print("\n── Dilim dilim seçilen parametreler (her biri yalnızca geçmişe bakarak) ──")
+    for k, p, m, s in real["picks"]:
+        print(f"  dilim {k}: {_pdesc(p)} → test {_fmt(s)}")
+    print("\n── BİRLEŞİK TEST (OOS) ──")
+    print("  Kalibre prosedür :", _fmt(oos))
+    print("  Sabit varsayılan :", _fmt(base))
+    sz = app.apply_position_sizing(real["oos"])
+    if sz:
+        print(f"  Boyutlandırma    : çeyrek-Kelly+DD → getiri {sz['total_return'] * 100:+.1f}% maks.DD {sz['max_dd'] * 100:.1f}% PF={min(sz['pf'], 99):.2f} "
+              f"({sz['n_active']}/{sz['n']} işlem açık) | sabit %{app.SIZE_RISK_BASE * 100:.0f} risk → getiri {sz['flat_return'] * 100:+.1f}% "
+              f"maks.DD {sz['flat_max_dd'] * 100:.1f}% PF={min(sz['flat_pf'], 99):.2f}")
+        print(f"  Risk limitleri   : VaR95={sz['var95_r'] if sz['var95_r'] is None else round(sz['var95_r'], 2)}R "
+              f"CVaR95={sz['cvar95_r'] if sz['cvar95_r'] is None else round(sz['cvar95_r'], 2)}R · vetolar: {sz['vetoes'] or 'yok'} "
+              f"· sıradaki işlem: {sz['next']['veto'] or 'AÇIK (risk %%%.2f)' % (sz['next']['risk'] * 100)}")
+
+    null = None
+    if "--no-null" not in flags:
+        print(f"\n[2/2] NULL testi (bar blokları karıştırılmış fiyat; aynı prosedür)")
+        nl = procedure(shuffle_blocks(df), n_samples, folds, log=False)
+        null = summarize(nl["oos"])
+        print("  Null OOS         :", _fmt(null))
+
+    fin = real["final"]
+    print("\n── DÜRÜST HÜKÜM ──")
+    evidence = bool(oos and oos["ci_lo"] > 0 and oos["n"] >= 30 and oos["pf"] > 1.0 and oos["ret"] > 0)
+    pos = [s for _, _, _, s in real["picks"] if s]
+    if pos and sum(1 for s in pos if s["mean_r"] > 0) < len(pos) / 2:
+        print(f"  ⚠ Test dilimlerinin yarısından fazlasında ort. R ≤ 0 ({sum(1 for s in pos if s['mean_r'] > 0)}/{len(pos)} pozitif): kâr birkaç dilime sıkışmış.")
+        evidence = False
+    if null and null["mean_r"] > 0.05:
+        print(f"  ⚠ Null testinde bile ort. R {null['mean_r']:+.3f}: prosedür gürültüden 'kâr' üretiyor, sonuçlara temkinli yaklaş.")
+        evidence = evidence and oos["mean_r"] > null["mean_r"] + 0.05
+    if evidence:
+        print(f"  ✔ OOS ort. R %95 alt sınırı > 0 ({oos['ci_lo']:+.3f}) ve ≥30 işlem: istatistiksel kanıt VAR (garanti değil, rejim değişebilir).")
+    else:
+        print("  ✘ Kalibre edilmiş sistemin OOS kârlılığı için yeterli istatistiksel kanıt YOK." + (" (--force-save: yine de yazılıyor)" if "--force-save" in flags else " Parametreler dosyaya yazılmaz."))
+    if fin:
+        p = fin[1]
+        print(f"  Tüm veride en iyi (iyimser, in-sample): {_pdesc(p)} → {_fmt(summarize(fin[2]))}")
+        if evidence or "--force-save" in flags:
+            out = {"instrument": inst, "bar": bar, "bars": len(df), "created": dt.datetime.now().isoformat(timespec="seconds"),
+                   "params": {"KNN_K": p["K"], "KNN_MIN_EDGE": p["edge"], "KNN_FORWARD": p["fwd"], "KNN_MOVE_ATR": p["move"],
+                              "KNN_POOL_MAX": p["pool"], "SL_ATR": p["sl"], "TP_ATR": p["tp"], "SIGNAL_THRESHOLD": float(p["thr"]),
+                              "DYNAMIC_EXITS": bool(p["dyn"]), "DYN_TP_PCT": p["tpq"], "DYN_SL_PCT": p["slq"],
+                              "MAX_HOLD_BARS": int(p["hold"]), "ENTRY_REQUIRE_ALIGN": bool(p["align"]),
+                              "ENTRY_MIN_ADX": float(p["adx"]), "ENTRY_MAX_FEE_R": float(p["fee_r"]),
+                              "KNN_PATTERN_FEATURES": bool(p["pat"]), "PATTERN_VOTES": bool(p["pvote"])},
+                   "oos": oos, "null_oos": null}
+            path = os.path.join(os.path.dirname(os.path.abspath(__file__)), "knn_params.json")
+            with open(path, "w", encoding="utf-8") as f:
+                json.dump(out, f, indent=2, ensure_ascii=False)
+            print(f"  → {path} yazıldı. app.py bir sonraki açılışta bu parametreleri otomatik yükler.")
+
+
+if __name__ == "__main__":
+    main()