Update ml_model.py

ml_model.py

@@ -1,92 +1,92 @@
-import pandas as pd
-import pandas_ta as ta
-from sklearn.ensemble import RandomForestClassifier
-import joblib
-import os
-
-# Nouveau nom pour forcer la création d'un modèle neuf
-ML_MODEL_FILE = "H:/Mon Drive/Alpha_Memory/ml_model_v9.pkl"
-
-def prepare_ml_features(df):
-    """
-    Extrait la structure du marché (Market Structure).
-    C'est ici qu'on donne la vision 'Pro' au bot.
-    """
-    df = df.copy()
-    
-    # 1. Base technique classique
-    df["RSI"] = df.ta.rsi(length=14)
-    df["EMA50"] = df.ta.ema(length=50)
-    df["ATR"] = df.ta.atr(length=14)
-    
-    # 2. Nouvelles Features V9 PRO (Market Structure & Dynamique)
-    # Distance au plus haut/plus bas des dernières 24h
-    df["High_24h"] = df["high"].rolling(24).max()
-    df["Low_24h"] = df["low"].rolling(24).min()
-    
-    # Ex: 0.05 signifie qu'on est à 5% du plus haut journalier
-    df["Dist_High_24h"] = (df["High_24h"] - df["close"]) / df["close"]
-    df["Dist_Low_24h"] = (df["close"] - df["Low_24h"]) / df["close"]
-    
-    # Distance et pente de l'EMA (Tendance locale)
-    df["EMA_dist"] = (df["close"] - df["EMA50"]) / df["EMA50"]
-    df["EMA_slope"] = (df["EMA50"] / df["EMA50"].shift(5)) - 1
-    
-    # Ratio de Volatilité (L'ATR relativisé au prix)
-    df["ATR_ratio"] = df["ATR"] / df["close"]
-    
-    # Ratio de Volume (Confirmation des pros)
-    df["vol_mean_24"] = df["vol"].rolling(24).mean()
-    df["VOL_ratio"] = df["vol"] / df["vol_mean_24"]
-    
-    # 3. Target (Prédiction de la prochaine bougie)
-    df['target'] = (df['close'].shift(-1) > df['close']).astype(int)
-    
-    # Nettoyage
-    df = df.dropna()
-    
-    # Les 7 piliers de la décision
-    features = [
-        "RSI", "Dist_High_24h", "Dist_Low_24h", 
-        "EMA_dist", "EMA_slope", "ATR_ratio", "VOL_ratio"
-    ]
-    
-    return df[features], df['target']
-
-def train_model(df):
-    """
-    Entraîne le RandomForest avec une limitation stricte pour protéger la RAM.
-    """
-    print("🧠 [V9] Entraînement du Core ML (RandomForest) avec Market Structure...")
-    X, y = prepare_ml_features(df)
-    
-    # Optimisation Quant pour CPU 2 cœurs / 4 threads
-    model = RandomForestClassifier(
-        n_estimators=100, 
-        max_depth=5,       # Anti-overfitting + RAM light
-        min_samples_split=10,
-        n_jobs=-1,         # Utilise 100% du CPU dispo
-        random_state=42
-    )
-    model.fit(X, y)
-    
-    joblib.dump(model, ML_MODEL_FILE)
-    print("✅ [V9] Core ML sauvegardé ! (Spécialiste des Ranges)")
-    return model
-
-def load_model():
-    if os.path.exists(ML_MODEL_FILE):
-        return joblib.load(ML_MODEL_FILE)
-    return None
-
-def predict_prob(model, df):
-    """
-    Renvoie la probabilité (0 à 1) que la prochaine bougie soit verte.
-    """
-    X, _ = prepare_ml_features(df)
-    if len(X) == 0:
-        return 0.5
-    
-    # On isole la toute dernière ligne du marché
-    last_row = X.iloc[[-1]]
+import pandas as pd
+import pandas_ta as ta
+from sklearn.ensemble import RandomForestClassifier
+import joblib
+import os
+
+# Nouveau nom pour forcer la création d'un modèle neuf
+ML_MODEL_FILE = "ml_model_v9.pkl"
+
+def prepare_ml_features(df):
+    """
+    Extrait la structure du marché (Market Structure).
+    C'est ici qu'on donne la vision 'Pro' au bot.
+    """
+    df = df.copy()
+    
+    # 1. Base technique classique
+    df["RSI"] = df.ta.rsi(length=14)
+    df["EMA50"] = df.ta.ema(length=50)
+    df["ATR"] = df.ta.atr(length=14)
+    
+    # 2. Nouvelles Features V9 PRO (Market Structure & Dynamique)
+    # Distance au plus haut/plus bas des dernières 24h
+    df["High_24h"] = df["high"].rolling(24).max()
+    df["Low_24h"] = df["low"].rolling(24).min()
+    
+    # Ex: 0.05 signifie qu'on est à 5% du plus haut journalier
+    df["Dist_High_24h"] = (df["High_24h"] - df["close"]) / df["close"]
+    df["Dist_Low_24h"] = (df["close"] - df["Low_24h"]) / df["close"]
+    
+    # Distance et pente de l'EMA (Tendance locale)
+    df["EMA_dist"] = (df["close"] - df["EMA50"]) / df["EMA50"]
+    df["EMA_slope"] = (df["EMA50"] / df["EMA50"].shift(5)) - 1
+    
+    # Ratio de Volatilité (L'ATR relativisé au prix)
+    df["ATR_ratio"] = df["ATR"] / df["close"]
+    
+    # Ratio de Volume (Confirmation des pros)
+    df["vol_mean_24"] = df["vol"].rolling(24).mean()
+    df["VOL_ratio"] = df["vol"] / df["vol_mean_24"]
+    
+    # 3. Target (Prédiction de la prochaine bougie)
+    df['target'] = (df['close'].shift(-1) > df['close']).astype(int)
+    
+    # Nettoyage
+    df = df.dropna()
+    
+    # Les 7 piliers de la décision
+    features = [
+        "RSI", "Dist_High_24h", "Dist_Low_24h", 
+        "EMA_dist", "EMA_slope", "ATR_ratio", "VOL_ratio"
+    ]
+    
+    return df[features], df['target']
+
+def train_model(df):
+    """
+    Entraîne le RandomForest avec une limitation stricte pour protéger la RAM.
+    """
+    print("🧠 [V9] Entraînement du Core ML (RandomForest) avec Market Structure...")
+    X, y = prepare_ml_features(df)
+    
+    # Optimisation Quant pour CPU 2 cœurs / 4 threads
+    model = RandomForestClassifier(
+        n_estimators=100, 
+        max_depth=5,       # Anti-overfitting + RAM light
+        min_samples_split=10,
+        n_jobs=-1,         # Utilise 100% du CPU dispo
+        random_state=42
+    )
+    model.fit(X, y)
+    
+    joblib.dump(model, ML_MODEL_FILE)
+    print("✅ [V9] Core ML sauvegardé ! (Spécialiste des Ranges)")
+    return model
+
+def load_model():
+    if os.path.exists(ML_MODEL_FILE):
+        return joblib.load(ML_MODEL_FILE)
+    return None
+
+def predict_prob(model, df):
+    """
+    Renvoie la probabilité (0 à 1) que la prochaine bougie soit verte.
+    """
+    X, _ = prepare_ml_features(df)
+    if len(X) == 0:
+        return 0.5
+    
+    # On isole la toute dernière ligne du marché
+    last_row = X.iloc[[-1]]
     return model.predict_proba(last_row)[0][1]