""" 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()