Update regime_model.py

regime_model.py

@@ -1,111 +1,111 @@
-import ccxt
-import pandas as pd
-import pandas_ta as ta
-import numpy as np
-import joblib
-from sklearn.mixture import GaussianMixture
-from sklearn.preprocessing import StandardScaler
-import os
-
-# Fichiers de sauvegarde
-# Fichiers de sauvegarde sur le Cloud
-REGIME_MODEL_FILE = "H:/Mon Drive/Alpha_Memory/regime_model.pkl"
-REGIME_SCALER_FILE = "H:/Mon Drive/Alpha_Memory/regime_scaler.pkl"
-
-def fetch_macro_data(symbol="BTC/USDT", timeframe="1d", limit=1000):
-    """
-    Récupère l'historique long terme pour comprendre le régime global.
-    On utilise le Bitcoin car c'est lui qui dicte la météo du marché crypto.
-    """
-    print(f"📥 Téléchargement des données macro pour {symbol} ({timeframe})...")
-    exchange = ccxt.binance({'enableRateLimit': True})
-    data = exchange.fetch_ohlcv(symbol, timeframe=timeframe, limit=limit)
-    df = pd.DataFrame(data, columns=["ts", "open", "high", "low", "close", "vol"])
-    df['ts'] = pd.to_datetime(df['ts'], unit='ms')
-    return df
-
-def prepare_regime_features(df):
-    """
-    Calcule les variables (features) qui définissent l'état du marché.
-    Ici on ne cherche pas la direction, mais le "climat" (volatilité, force, panique).
-    """
-    # 1. Volatilité relative (ATR en pourcentage du prix)
-    df["ATR"] = df.ta.atr(length=14)
-    df["ATR_pct"] = (df["ATR"] / df["close"]) * 100
-
-    # 2. Pente de la tendance (Est-ce que l'EMA200 monte ou descend ?)
-    df["EMA200"] = df.ta.ema(length=200)
-    # Pente sur 10 jours
-    df["EMA200_slope"] = (df["EMA200"] / df["EMA200"].shift(10)) - 1 
-
-    # 3. Drawdown (Chute par rapport au plus haut des 14 derniers jours)
-    df["Roll_Max"] = df["close"].rolling(14).max()
-    df["Drawdown"] = (df["close"] / df["Roll_Max"]) - 1
-
-    # 4. Momentum Global
-    df["RSI_Macro"] = df.ta.rsi(length=14)
-
-    # Nettoyage
-    df = df.dropna().copy()
-    
-    # On garde uniquement les colonnes qui intéressent l'IA de Régime
-    features = df[["ATR_pct", "EMA200_slope", "Drawdown", "RSI_Macro"]]
-    return df, features
-
-def train_regime_model():
-    """
-    Entraîne le modèle non-supervisé pour découvrir les régimes de marché.
-    """
-    print("🧠 Démarrage de l'entraînement du Détecteur de Régime (Couche 1)...")
-    
-    df = fetch_macro_data()
-    df, features = prepare_regime_features(df)
-    
-    # L'IA a besoin que les données soient à la même échelle (Standardisation)
-    scaler = StandardScaler()
-    scaled_features = scaler.fit_transform(features)
-    
-    # Création du modèle GMM (On lui demande de trouver 4 régimes distincts)
-    # Par exemple : 0=TREND, 1=RANGE, 2=PANIC, 3=HIGH_VOL (L'ordre sera défini par l'IA)
-    gmm = GaussianMixture(n_components=4, covariance_type='full', random_state=42)
-    gmm.fit(scaled_features)
-    
-    # Sauvegarde des cerveaux
-    joblib.dump(gmm, REGIME_MODEL_FILE)
-    joblib.dump(scaler, REGIME_SCALER_FILE)
-    
-    print(f"✅ Modèle GMM entraîné sur {len(df)} jours et sauvegardé !")
-    
-    # On va afficher les caractéristiques moyennes de chaque régime
-    # pour que tu puisses leur donner un nom (BULL, BEAR, PANIC, RANGE)
-    df['Regime'] = gmm.predict(scaled_features)
-    print("\n📊 CARACTÉRISTIQUES DES RÉGIMES DÉCOUVERTS :")
-    summary = df.groupby('Regime')[["ATR_pct", "EMA200_slope", "Drawdown", "RSI_Macro"]].mean()
-    print(summary)
-    
-    return gmm, scaler
-
-def detect_current_regime(df_latest):
-    """
-    Fonction qui sera appelée par ton bot V8 en temps réel.
-    """
-    if not os.path.exists(REGIME_MODEL_FILE) or not os.path.exists(REGIME_SCALER_FILE):
-        return -1 # Erreur ou modèle non prêt
-        
-    gmm = joblib.load(REGIME_MODEL_FILE)
-    scaler = joblib.load(REGIME_SCALER_FILE)
-    
-    _, features = prepare_regime_features(df_latest)
-    if len(features) == 0:
-        return -1
-        
-    # On prend la toute dernière bougie
-    last_row = features.iloc[[-1]]
-    scaled_row = scaler.transform(last_row)
-    
-    regime = gmm.predict(scaled_row)[0]
-    return regime
-
-if __name__ == "__main__":
-    # Si tu lances ce fichier directement, il va s'entraîner !
+import ccxt
+import pandas as pd
+import pandas_ta as ta
+import numpy as np
+import joblib
+from sklearn.mixture import GaussianMixture
+from sklearn.preprocessing import StandardScaler
+import os
+
+# Fichiers de sauvegarde
+# Fichiers de sauvegarde sur le Cloud
+REGIME_MODEL_FILE = "regime_model.pkl"
+REGIME_SCALER_FILE = "regime_scaler.pkl"
+
+def fetch_macro_data(symbol="BTC/USDT", timeframe="1d", limit=1000):
+    """
+    Récupère l'historique long terme pour comprendre le régime global.
+    On utilise le Bitcoin car c'est lui qui dicte la météo du marché crypto.
+    """
+    print(f"📥 Téléchargement des données macro pour {symbol} ({timeframe})...")
+    exchange = ccxt.binance({'enableRateLimit': True})
+    data = exchange.fetch_ohlcv(symbol, timeframe=timeframe, limit=limit)
+    df = pd.DataFrame(data, columns=["ts", "open", "high", "low", "close", "vol"])
+    df['ts'] = pd.to_datetime(df['ts'], unit='ms')
+    return df
+
+def prepare_regime_features(df):
+    """
+    Calcule les variables (features) qui définissent l'état du marché.
+    Ici on ne cherche pas la direction, mais le "climat" (volatilité, force, panique).
+    """
+    # 1. Volatilité relative (ATR en pourcentage du prix)
+    df["ATR"] = df.ta.atr(length=14)
+    df["ATR_pct"] = (df["ATR"] / df["close"]) * 100
+
+    # 2. Pente de la tendance (Est-ce que l'EMA200 monte ou descend ?)
+    df["EMA200"] = df.ta.ema(length=200)
+    # Pente sur 10 jours
+    df["EMA200_slope"] = (df["EMA200"] / df["EMA200"].shift(10)) - 1 
+
+    # 3. Drawdown (Chute par rapport au plus haut des 14 derniers jours)
+    df["Roll_Max"] = df["close"].rolling(14).max()
+    df["Drawdown"] = (df["close"] / df["Roll_Max"]) - 1
+
+    # 4. Momentum Global
+    df["RSI_Macro"] = df.ta.rsi(length=14)
+
+    # Nettoyage
+    df = df.dropna().copy()
+    
+    # On garde uniquement les colonnes qui intéressent l'IA de Régime
+    features = df[["ATR_pct", "EMA200_slope", "Drawdown", "RSI_Macro"]]
+    return df, features
+
+def train_regime_model():
+    """
+    Entraîne le modèle non-supervisé pour découvrir les régimes de marché.
+    """
+    print("🧠 Démarrage de l'entraînement du Détecteur de Régime (Couche 1)...")
+    
+    df = fetch_macro_data()
+    df, features = prepare_regime_features(df)
+    
+    # L'IA a besoin que les données soient à la même échelle (Standardisation)
+    scaler = StandardScaler()
+    scaled_features = scaler.fit_transform(features)
+    
+    # Création du modèle GMM (On lui demande de trouver 4 régimes distincts)
+    # Par exemple : 0=TREND, 1=RANGE, 2=PANIC, 3=HIGH_VOL (L'ordre sera défini par l'IA)
+    gmm = GaussianMixture(n_components=4, covariance_type='full', random_state=42)
+    gmm.fit(scaled_features)
+    
+    # Sauvegarde des cerveaux
+    joblib.dump(gmm, REGIME_MODEL_FILE)
+    joblib.dump(scaler, REGIME_SCALER_FILE)
+    
+    print(f"✅ Modèle GMM entraîné sur {len(df)} jours et sauvegardé !")
+    
+    # On va afficher les caractéristiques moyennes de chaque régime
+    # pour que tu puisses leur donner un nom (BULL, BEAR, PANIC, RANGE)
+    df['Regime'] = gmm.predict(scaled_features)
+    print("\n📊 CARACTÉRISTIQUES DES RÉGIMES DÉCOUVERTS :")
+    summary = df.groupby('Regime')[["ATR_pct", "EMA200_slope", "Drawdown", "RSI_Macro"]].mean()
+    print(summary)
+    
+    return gmm, scaler
+
+def detect_current_regime(df_latest):
+    """
+    Fonction qui sera appelée par ton bot V8 en temps réel.
+    """
+    if not os.path.exists(REGIME_MODEL_FILE) or not os.path.exists(REGIME_SCALER_FILE):
+        return -1 # Erreur ou modèle non prêt
+        
+    gmm = joblib.load(REGIME_MODEL_FILE)
+    scaler = joblib.load(REGIME_SCALER_FILE)
+    
+    _, features = prepare_regime_features(df_latest)
+    if len(features) == 0:
+        return -1
+        
+    # On prend la toute dernière bougie
+    last_row = features.iloc[[-1]]
+    scaled_row = scaler.transform(last_row)
+    
+    regime = gmm.predict(scaled_row)[0]
+    return regime
+
+if __name__ == "__main__":
+    # Si tu lances ce fichier directement, il va s'entraîner !
     train_regime_model()