Update app.py

app.py

@@ -1,4 +1,5 @@
 import datetime
+
 import numpy as np
 import pandas as pd
 import plotly.graph_objects as go
@@ -7,90 +8,42 @@ import tensorflow as tf
 import yfinance as yf
 from sklearn.preprocessing import MinMaxScaler
 from prophet import Prophet
-import os
 
 # Configuration de la page
-st.set_page_config(
-    page_title="Prédiction des Cours MSFT",
-    page_icon="📈",
-    layout="wide",
-    initial_sidebar_state="expanded"
-)
-
-# CSS personnalisé pour un design moderne
+st.set_page_config(page_title="Prédiction MSFT", layout="wide")
+
+# En-tête
 st.markdown("""
     <style>
     .main-title {
         font-size: 2.5rem;
-        font-weight: 700;
-        color: #1E3A8A;
-        margin-bottom: 1rem;
-        text-align: center;
-    }
-    .section-header {
-        font-size: 1.8rem;
-        font-weight: 600;
-        color: #2563EB;
-        margin-top: 2rem;
-        margin-bottom: 1rem;
-    }
-    .info-box {
-        background-color: #F8FAFC;
-        padding: 1rem;
-        border-radius: 8px;
-        border-left: 4px solid #2563EB;
-        margin-bottom: 1rem;
-    }
-    .stButton>button {
-        background-color: #2563EB;
-        color: white;
-        border-radius: 8px;
-        padding: 0.5rem 1rem;
-    }
-    .stButton>button:hover {
-        background-color: #1E40AF;
-        color: white;
-    }
-    .sidebar .sidebar-content {
-        background-color: #F1F5F9;
+        font-weight: bold;
+        color: #2E86C1;
     }
     </style>
+    <div class='main-title'>📈 Prédiction des Cours de l'Action Microsoft (MSFT)</div>
 """, unsafe_allow_html=True)
 
-# En-tête
-st.markdown("<div class='main-title'>📈 Prédiction des Cours de l'Action Microsoft (MSFT)</div>", unsafe_allow_html=True)
-st.markdown("<div class='info-box'>Analyse et prévisions des cours de Microsoft (MSFT) basées sur des modèles de Deep Learning (RNN) et Neural Prophet. Personnalisez les paramètres dans la barre latérale pour explorer les données et les prédictions.</div>", unsafe_allow_html=True)
-
 # Barre latérale
-with st.sidebar:
-    st.header("⚙️ Paramètres")
-    period = st.selectbox("Période des données", ["4y", "3y", "2y", "1y"], index=0)
-    model_choice = st.radio("Modèle de prédiction", ["RNN", "Neural Prophet"], index=0)
-    steps = st.slider("Jours à prédire", min_value=1, max_value=30, value=15, step=1)
-    st.markdown("### 📊 Indicateurs Techniques")
-    show_sma = st.checkbox("Moyennes Mobiles (SMA)", value=True)
-    show_rsi = st.checkbox("RSI", value=True)
-    show_macd = st.checkbox("MACD", value=True)
-    show_table = st.checkbox("Afficher le tableau des prédictions", value=True)
-    download_csv = st.checkbox("Télécharger les prédictions (CSV)", value=True)
-
-# Fonction pour charger les données
+st.sidebar.title("🔧 Paramètres de Prédiction")
+st.sidebar.markdown("## 📈 Indicateurs techniques")
+show_sma = st.sidebar.checkbox("Afficher SMA (20/50/200)", value=True)
+show_rsi = st.sidebar.checkbox("Afficher RSI", value=True)
+show_macd = st.sidebar.checkbox("Afficher MACD", value=True)
+model_choice = st.sidebar.radio("Modèle utilisé", ["RNN", "Neural Prophet"])
+steps = st.sidebar.slider("Jours à prédire", 1, 30, 15)
+show_table = st.sidebar.checkbox("Afficher les valeurs prédictives", True)
+download_csv = st.sidebar.checkbox("Téléchargement CSV", True)
+
+
+# Données historiques
 @st.cache_data(ttl=3600)
-def load_data(period):
-    try:
-        end_date = datetime.datetime.now().strftime('%Y-%m-%d')
-        start_date = (datetime.datetime.now() - pd.Timedelta(days=365*int(period[0]))).strftime('%Y-%m-%d')
-        data = yf.download("MSFT", start=start_date, end=end_date)[['Close']]
-        if data.empty:
-            raise ValueError("Aucune donnée disponible pour MSFT.")
-        return data
-    except Exception as e:
-        st.error(f"❌ Erreur lors du chargement des données : {str(e)}")
-        st.stop()
+def load_data():
+    return yf.download("MSFT", start="2020-01-01", end=datetime.datetime.now().strftime('%Y-%m-%d'))[['Close']]
+
 
 # Fonction pour calculer les indicateurs techniques
 def compute_indicators(df):
-    df = df.copy()
     df['SMA20'] = df['Close'].rolling(window=20).mean()
     df['SMA50'] = df['Close'].rolling(window=50).mean()
     df['SMA200'] = df['Close'].rolling(window=200).mean()
@@ -108,175 +61,200 @@ def compute_indicators(df):
 
     df['Buy_RSI'] = df['RSI'] < 30
     df['Sell_RSI'] = df['RSI'] > 70
+
     df['Buy_MACD'] = (df['MACD'] > df['Signal']) & (df['MACD'].shift(1) <= df['Signal'].shift(1))
     df['Sell_MACD'] = (df['MACD'] < df['Signal']) & (df['MACD'].shift(1) >= df['Signal'].shift(1))
+
     df['Buy_Signal'] = df['Buy_RSI'] | df['Buy_MACD']
     df['Sell_Signal'] = df['Sell_RSI'] | df['Sell_MACD']
 
     return df
 
-# Fonction pour les prédictions Prophet
+
 def predict_with_prophet(df, steps):
-    try:
-        df_prophet = df.reset_index()[['Date', 'Close']].rename(columns={'Date': 'ds', 'Close': 'y'})
-        model = Prophet(daily_seasonality=True, yearly_seasonality=True, weekly_seasonality=True)
-        model.fit(df_prophet)
-        future = model.make_future_dataframe(periods=steps, freq='B')
-        forecast = model.predict(future)
-        forecast_filtered = forecast[['ds', 'yhat']].tail(steps).set_index('ds')
-        forecast_filtered.columns = ['Prix Prédit']
-        return forecast_filtered, model, forecast
-    except Exception as e:
-        st.error(f"❌ Erreur lors de la prédiction avec Prophet : {str(e)}")
-        st.stop()
-
-# Fonction pour les prédictions RNN
-def predict_with_rnn(df, steps, model_path="models/model_rnn_MSFT.h5"):
-    try:
-        if not os.path.exists(model_path):
-            raise FileNotFoundError(f"Le modèle RNN ({model_path}) est introuvable.")
-        model = tf.keras.models.load_model(model_path)
-        scaler = MinMaxScaler()
-        scaled_data = scaler.fit_transform(df[['Close']])
-        last_60_days = scaled_data[-60:]
-        prediction_list = []
-        input_seq = last_60_days.copy()
-        for _ in range(steps):
-            pred = model.predict(input_seq.reshape(1, -1, 1), verbose=0)[0]
-            prediction_list.append(pred)
-            pred = pred.reshape(1, 1)
-            input_seq = np.append(input_seq[1:], pred, axis=0)
-        predictions = scaler.inverse_transform(np.array(prediction_list))
-        future_dates = pd.date_range(start=df.index[-1] + pd.Timedelta(days=1), periods=steps, freq='B')
-        return pd.DataFrame(predictions, columns=["Prix Prédit"], index=future_dates)
-    except Exception as e:
-        st.error(f"❌ Erreur lors de la prédiction avec RNN : {str(e)}")
-        st.stop()
-
-# Chargement des données
-data = load_data(period)
+    df = df.copy()
+    if 'Date' not in df.columns or 'Close' not in df.columns:
+        df = df.rename(columns={'ds': 'Date', 'y': 'Close'})
+
+    df_prophet = df.reset_index()[['Date', 'Close']]
+    df_prophet.columns = ['ds', 'y']
+
+    model = Prophet(daily_seasonality=True)
+    model.fit(df_prophet)
+
+    future = model.make_future_dataframe(periods=steps)
+    forecast = model.predict(future)
+
+    forecast_filtered = forecast[['ds', 'yhat']].set_index('ds').tail(steps)
+    forecast_filtered.columns = ['Prix Prédit']
+    return forecast_filtered, model, forecast
+
+
+data = load_data()
+
+if data.empty:
+    st.error("❌ Échec du chargement des données. Aucune donnée disponible pour MSFT.")
+    st.stop()
+
 data = compute_indicators(data)
 
-# Affichage des données historiques
-st.markdown("<div class='section-header'>📊 Données Historiques</div>", unsafe_allow_html=True)
-fig_historical = go.Figure()
-fig_historical.add_trace(go.Scatter(x=data.index, y=data['Close'], mode='lines', name='Cours de clôture', line=dict(color='#2563EB')))
-fig_historical.update_layout(
-    title="Historique du Cours MSFT",
-    xaxis_title="Date",
-    yaxis_title="Prix ($)",
-    template="plotly_white",
-    hovermode="x unified"
-)
-st.plotly_chart(fig_historical, use_container_width=True)
-
-# Prédictions
-st.markdown(f"<div class='section-header'>🔮 Prédictions sur {steps} jours avec {model_choice}</div>", unsafe_allow_html=True)
+st.subheader("📊 Évolution Historique du Cours")
+st.line_chart(data['Close'])
+
+# Normalisation
+scaler = MinMaxScaler()
+scaled_data = scaler.fit_transform(data[['Close']])
+last_60_days = scaled_data[-60:]
+
+# Chargement du modèle
+model_path = "model_lstm_MSFT.h5" if model_choice == "LSTM" else "model_rnn_MSFT.h5"
+model = tf.keras.models.load_model(model_path)
+
+
+# Fonction de prédiction
+def predict_next_days(model, last_sequence, steps=15):
+    prediction_list = []
+    input_seq = last_sequence.copy()
+    for _ in range(steps):
+        pred = model.predict(input_seq.reshape(1, -1, 1), verbose=0)[0]
+        prediction_list.append(pred)
+        pred = pred.reshape(1, 1)
+        input_seq = np.append(input_seq[1:], pred, axis=0)
+    return scaler.inverse_transform(np.array(prediction_list))
+
+
 if model_choice == "Neural Prophet":
-    pred_df, prophet_model, forecast_full = predict_with_prophet(data, steps)
-    # Composants Prophet
-    st.markdown("<div class='info-box'>"
-                "<h4>🧠 Analyse des Composants Prophet</h4>"
-                "Ce graphique décompose les prédictions en : <br>"
-                "- <b>Tendance</b> : Évolution générale du prix.<br>"
-                "- <b>Saisonnalité</b> : Patterns hebdomadaires et annuels.<br>"
-                "- <b>Incertitude</b> : Intervalle de confiance des prédictions."
-                "</div>", unsafe_allow_html=True)
+    data_prophet = data.copy()
+    pred_df, prophet_model, forecast_full = predict_with_prophet(data_prophet, steps)
+
+    st.subheader("📆 Composants Prophet (Tendance, Saison, etc.)")
+
+    # Explication des graphiques Prophet
+    st.markdown("""
+        <div style='border: 1px solid #ccc; padding: 1rem; border-radius: 10px; background-color: #f9f9f9'>
+        <h4>🧠 <u>Explication des Graphiques Prophet</u></h4>
+        - Le **graphique principal** montre les valeurs réelles (points noirs) et les prévisions effectuées par Prophet (ligne bleue), accompagnées d'une **zone d'incertitude** (en bleu clair).
+        - Le **graphique des composantes** détaille la **tendance globale**, les **saisonnalités hebdomadaires et annuelles**, et d'autres patterns identifiés par le modèle.
+        Ces éléments vous permettent de comprendre non seulement où le prix est supposé aller, mais aussi *pourquoi* Prophet fait cette prédiction.
+        </div>
+        """, unsafe_allow_html=True)
+
     fig_components = prophet_model.plot_components(forecast_full)
     st.pyplot(fig_components)
+
+    fig_forecast = prophet_model.plot(forecast_full)
+    st.pyplot(fig_forecast)
+
+
+
 else:
-    pred_df = predict_with_rnn(data, steps)
+    predictions = predict_next_days(model, last_60_days, steps)
+    future_dates = pd.date_range(start=data.index[-1] + pd.Timedelta(days=1), periods=steps)
+    pred_df = pd.DataFrame(predictions, columns=["Prix Prédit"], index=future_dates)
+
+# Visualisation interactive
+st.subheader(f"🔮 Prédiction sur {steps} jours avec {model_choice}")
 
-# Graphique combiné (historique + prédictions)
-fig_combined = go.Figure()
-fig_combined.add_trace(go.Scatter(x=data.index, y=data['Close'], mode='lines', name='Historique', line=dict(color='#2563EB')))
-fig_combined.add_trace(go.Scatter(x=pred_df.index, y=pred_df['Prix Prédit'], mode='lines+markers', name='Prédictions', line=dict(color='#EF4444')))
+st.markdown(f"""
+ℹ️ <u><b>Prédiction sur {steps} jours :</b></u>  
+Ce graphique montre les cours historiques ainsi que les prédictions du modèle {model_choice}.  
+Les triangles verts 🔺 représentent des **opportunités d'achat** possibles, et les triangles rouges 🔻 des **ventes potentielles**.
+""", unsafe_allow_html=True)
+
+pred_df.index = pd.to_datetime(pred_df.index)
 buy_signals = data[data['Buy_Signal']]
 sell_signals = data[data['Sell_Signal']]
-fig_combined.add_trace(go.Scatter(
-    x=buy_signals.index, y=buy_signals['Close'],
-    mode='markers', name='Signal Achat',
-    marker=dict(color='green', size=10, symbol='triangle-up')
+fig = go.Figure()
+fig.add_trace(go.Scatter(x=data.index, y=data['Close'], mode='lines', name='Historique'))
+fig.add_trace(go.Scatter(x=pred_df.index, y=pred_df['Prix Prédit'], mode='lines+markers', name='Prédictions',
+                         line=dict(color='red')))
+fig.add_trace(go.Scatter(
+    x=buy_signals.index,
+    y=buy_signals['Close'],
+    mode='markers',
+    marker=dict(color='green', size=10, symbol='triangle-up'),
+    name='Signal Achat'
 ))
-fig_combined.add_trace(go.Scatter(
-    x=sell_signals.index, y=sell_signals['Close'],
-    mode='markers', name='Signal Vente',
-    marker=dict(color='red', size=10, symbol='triangle-down')
+
+fig.add_trace(go.Scatter(
+    x=sell_signals.index,
+    y=sell_signals['Close'],
+    mode='markers',
+    marker=dict(color='red', size=10, symbol='triangle-down'),
+    name='Signal Vente'
 ))
-fig_combined.update_layout(
-    title=f"Prédictions ({model_choice}) sur {steps} jours",
-    xaxis_title="Date",
-    yaxis_title="Prix ($)",
-    template="plotly_white",
-    hovermode="x unified"
-)
-st.plotly_chart(fig_combined, use_container_width=True)
-
-# Indicateurs techniques
-st.markdown("<div class='section-header'>📉 Indicateurs Techniques</div>", unsafe_allow_html=True)
-st.markdown("<div class='info-box'>"
-            "Les indicateurs techniques aident à identifier les tendances et opportunités : <br>"
-            "- <b>SMA</b> : Moyennes mobiles (20, 50, 200 jours).<br>"
-            "- <b>RSI</b> : Surachat (>70) ou survente (<30).<br>"
-            "- <b>MACD</b> : Croisements pour détecter des signaux d'achat/vente."
-            "</div>", unsafe_allow_html=True)
+fig.update_layout(xaxis_title='Date', yaxis_title='Prix ($)', template='plotly_white')
+st.plotly_chart(fig, use_container_width=True)
 
+# Graphique des indicateurs techniques
+st.subheader("📉 Indicateurs Techniques")
+
+st.markdown("""
+ℹ️ <u><b>Explication :</b></u>  
+Les indicateurs techniques vous aident à identifier les tendances du marché.  
+- **SMA** : Moyennes mobiles à court, moyen et long terme.  
+- **RSI** : Indique si une action est surachetée (>70) ou survendue (<30).  
+- **MACD** : Compare deux moyennes exponentielles et détecte des croisements pour signaler des opportunités.
+""", unsafe_allow_html=True)
+
+# Affichage des moyennes mobiles
 if show_sma:
     fig_sma = go.Figure()
-    fig_sma.add_trace(go.Scatter(x=data.index, y=data['Close'], mode='lines', name='Close', line=dict(color='#2563EB')))
-    fig_sma.add_trace(go.Scatter(x=data.index, y=data['SMA20'], mode='lines', name='SMA20', line=dict(color='#F59E0B')))
-    fig_sma.add_trace(go.Scatter(x=data.index, y=data['SMA50'], mode='lines', name='SMA50', line=dict(color='#10B981')))
-    fig_sma.add_trace(go.Scatter(x=data.index, y=data['SMA200'], mode='lines', name='SMA200', line=dict(color='#EF4444')))
-    fig_sma.update_layout(title="Moyennes Mobiles", xaxis_title="Date", yaxis_title="Prix ($)", template="plotly_white")
+    fig_sma.add_trace(go.Scatter(x=data.index, y=data['Close'], mode='lines', name='Close'))
+    fig_sma.add_trace(go.Scatter(x=data.index, y=data['SMA20'], mode='lines', name='SMA20'))
+    fig_sma.add_trace(go.Scatter(x=data.index, y=data['SMA50'], mode='lines', name='SMA50'))
+    fig_sma.add_trace(go.Scatter(x=data.index, y=data['SMA200'], mode='lines', name='SMA200'))
+    fig_sma.update_layout(title="Moyennes Mobiles", template="plotly_white")
     st.plotly_chart(fig_sma, use_container_width=True)
 
+# RSI
 if show_rsi:
     fig_rsi = go.Figure()
-    fig_rsi.add_trace(go.Scatter(x=data.index, y=data['RSI'], mode='lines', name='RSI', line=dict(color='#F59E0B')))
-    fig_rsi.add_hline(y=70, line_dash='dash', line_color='red', annotation_text="Surachat")
-    fig_rsi.add_hline(y=30, line_dash='dash', line_color='green', annotation_text="Survente")
-    fig_rsi.update_layout(title="RSI (Relative Strength Index)", xaxis_title="Date", yaxis_title="RSI", template="plotly_white")
+    fig_rsi.add_trace(go.Scatter(x=data.index, y=data['RSI'], mode='lines', name='RSI', line=dict(color='orange')))
+    fig_rsi.add_hline(y=70, line_dash='dash', line_color='red')
+    fig_rsi.add_hline(y=30, line_dash='dash', line_color='green')
+    fig_rsi.update_layout(title="RSI (Relative Strength Index)", yaxis_title="RSI", template="plotly_white")
     st.plotly_chart(fig_rsi, use_container_width=True)
 
+# MACD
 if show_macd:
     fig_macd = go.Figure()
-    fig_macd.add_trace(go.Scatter(x=data.index, y=data['MACD'], mode='lines', name='MACD', line=dict(color='#2563EB')))
-    fig_macd.add_trace(go.Scatter(x=data.index, y=data['Signal'], mode='lines', name='Signal', line=dict(color='#F59E0B')))
-    fig_macd.update_layout(title="MACD", xaxis_title="Date", yaxis_title="Valeur", template="plotly_white")
+    fig_macd.add_trace(go.Scatter(x=data.index, y=data['MACD'], mode='lines', name='MACD'))
+    fig_macd.add_trace(go.Scatter(x=data.index, y=data['Signal'], mode='lines', name='Signal'))
+    fig_macd.update_layout(title="MACD", yaxis_title="Valeur", template="plotly_white")
     st.plotly_chart(fig_macd, use_container_width=True)
 
-# Tableau des prédictions
+# Affichage des données
 if show_table:
-    st.markdown("<div class='section-header'>🧾 Tableau des Prédictions</div>", unsafe_allow_html=True)
-    st.dataframe(pred_df.style.format("{:.2f}").background_gradient(cmap='Blues'), use_container_width=True)
+    st.subheader("🧾 Valeurs Prédites")
+    st.dataframe(pred_df.style.format("{:.2f}"))
 
 # Statistiques
-with st.sidebar:
-    st.markdown("### 📊 Statistiques")
-    last_close = float(data['Close'].iloc[-1])
-    last_pred = float(pred_df['Prix Prédit'].iloc[-1])
-    st.metric("Prix actuel", f"{last_close:.2f} $")
-    st.metric("Prix prédit (dernier)", f"{last_pred:.2f} $")
-    variation = last_pred - last_close
-    percent = (variation / last_close) * 100
-    st.metric("Variation", f"{variation:.2f} $", delta=f"{percent:.2f}%")
-
-# Téléchargement CSV
+st.sidebar.markdown("## 📊 Statistiques")
+last_close = float(data['Close'].iloc[-1])
+last_pred = float(pred_df.iloc[-1, 0])
+if isinstance(last_close, pd.Series):
+    last_close = last_close.values[0]
+st.sidebar.metric("Prix actuel", f"{float(last_close):.2f} $")
+
+st.sidebar.metric("Prix prédit (dernier)", f"{pred_df.iloc[-1, 0]:.2f} $")
+variation = last_pred - last_close
+percent = (variation / last_close) * 100
+st.sidebar.metric("Variation", f"{variation:.2f} $", delta=f"{percent:.2f} %")
+
+# Bouton de téléchargement
 if download_csv:
-    csv = pred_df.to_csv(index=True).encode('utf-8')
     st.download_button(
-        label="📥 Télécharger les prédictions (CSV)",
-        data=csv,
-        file_name="msft_predictions.csv",
-        mime="text/csv",
-        use_container_width=True
+        label="📥 Télécharger les prédictions CSV",
+        data=pred_df.to_csv().encode('utf-8'),
+        file_name='predictions_msft.csv',
+        mime='text/csv',
     )
 
-# Pied de page
+# Footer
 st.markdown("""
-    <hr style='margin-top: 2rem;'>
-    <div style='text-align: center; color: #64748B;'>
-        Développé par <strong>Ntonga Babong Lewis</strong> | 2025 ©<br>
-        Propulsé par Streamlit, Prophet, et TensorFlow
+    <hr style='margin-top: 51px;'>
+    <div style='text-align: center;'>
+        Développé par <strong>Ntonga Babong Lewis</strong> - 2025 ⓒ
     </div>
 """, unsafe_allow_html=True)