Skip to content

Latest commit

 

History

History
245 lines (173 loc) · 7.45 KB

README-ADVANCED-FEATURES.md

File metadata and controls

245 lines (173 loc) · 7.45 KB

Fonctionnalités Avancées du Bot de Trading

Ce document présente les nouvelles fonctionnalités avancées ajoutées au bot de trading, ainsi que les instructions pour les utiliser et déployer le bot avec Docker et Kubernetes.

Nouvelles Fonctionnalités

1. Apprentissage par Renforcement (RL)

Le bot intègre désormais un système d'apprentissage par renforcement avancé pour les décisions de trading :

  • Agents spécialisés par régime de marché : Des agents RL sont entraînés pour différents régimes de marché (volatile, stable, bullish, bearish)
  • Multiples algorithmes : Support pour PPO, SAC et TD3
  • Implémentation PyTorch personnalisée : Performance optimisée et contrôle total sur les modèles

2. Analyse de Sentiment Avancée

Le système d'analyse de sentiment combine plusieurs approches pour une meilleure précision :

  • Modèles spécialisés pour la finance : Utilisation de FinBERT et autres modèles de NLP
  • Sources multiples : Agrégation de données de Twitter, NewsAPI, Finnhub
  • Analyse de régime de marché : Détection intelligente des régimes basée sur le sentiment et la volatilité

3. Connexions aux Marchés en Temps Réel

Connexion robuste aux marchés en temps réel :

  • WebSockets performants : Gestion optimisée des connexions avec reconnexion automatique
  • Support multi-timeframes : Analyse sur différentes échelles temporelles (1h, 4h, 1d)
  • Implémentation pour Binance : Prêt à l'emploi pour Binance, extensible à d'autres échanges

4. Backtesting Avancé

Fonctionnalités complètes de backtesting pour évaluer les stratégies :

  • Métriques de performance détaillées : Sharpe ratio, Sortino ratio, drawdowns, etc.
  • Visualisations avancées : Graphiques de performance, heatmaps mensuelles, analyses des trades
  • Comparaison de stratégies : Outils pour comparer différentes approches

Démarrage Rapide

Configuration des Secrets

  1. Copiez le modèle de secrets et ajoutez vos clés API :

    cp config/secrets.env config/secrets.env.local

  2. Éditez le fichier config/secrets.env.local avec vos clés API réelles

Lancement en Mode Backtest

Pour tester une stratégie sur des données historiques :

python src/main_trading_bot.py --backtest --symbol BTCUSDT --start-date 2023-01-01 --end-date 2023-12-31 --strategy hybrid

Options disponibles :

  • --strategy : Choisissez parmi technical, sentiment, rl, ou hybrid
  • --symbol : Le symbole à tester (par défaut: BTCUSDT)
  • --config : Chemin vers un fichier de configuration personnalisé

Lancement en Mode Trading Réel

Pour lancer le bot en mode trading réel :

python src/main_trading_bot.py

Utilisation avec Docker

Construction de l'Image

docker build -t trading-bot:latest .

Exécution avec Docker

docker run -d --name trading-bot \
  --env-file config/secrets.env.local \
  -v $(pwd)/data:/app/data \
  -v $(pwd)/logs:/app/logs \
  -v $(pwd)/saved_models:/app/saved_models \
  -v $(pwd)/results:/app/results \
  -v $(pwd)/config:/app/config \
  trading-bot:latest

Vérification des Logs

docker logs -f trading-bot

Déploiement sur Kubernetes

Prérequis

  • kubectl installé et configuré
  • Cluster Kubernetes accessible
  • Registre Docker configuré

Pousser l'Image vers un Registre

docker tag trading-bot:latest your-registry.com/trading-bot:latest
docker push your-registry.com/trading-bot:latest

Déploiement avec le Script

Le script kubernetes/deploy-trading-bot.sh automatise le déploiement :

cd kubernetes
./deploy-trading-bot.sh --registry your-registry.com --namespace trading

Options disponibles :

  • --registry : Spécifie le registre Docker (défaut: localhost:5000)
  • --tag : Spécifie le tag de l'image (défaut: latest)
  • --namespace : Spécifie le namespace Kubernetes (défaut: default)
  • --config : Spécifie le fichier de config Kubernetes (défaut: trading-bot-deployment.yaml)
  • --secrets : Spécifie le fichier de secrets (défaut: ../config/secrets.env)

Vérification du Déploiement

kubectl get pods -n trading -l app=trading-bot
kubectl logs -f -l app=trading-bot -n trading

Configuration Avancée

Structure du Fichier de Configuration

Le fichier config/bot_config.json définit les paramètres du bot :

{
  "trading": {
    "symbols": ["BTCUSDT", "ETHUSDT"],
    "timeframes": ["1h", "4h", "1d"],
    "initial_capital": 10000,
    "leverage": 1.0,
    "transaction_fee": 0.001,
    "frequency_seconds": 60,
    "dry_run": true
  },
  "risk": {
    "max_position_size": 0.2,
    "max_drawdown": 0.1,
    "stop_loss_pct": 0.05,
    "take_profit_pct": 0.1
  },
  "strategy": {
    "default": "hybrid",
    "weights": {
      "technical": 0.4,
      "sentiment": 0.3,
      "rl": 0.3
    }
  },
  "sentiment": {
    "update_interval_minutes": 60,
    "sources": ["newsapi", "finnhub"]
  },
  "rl": {
    "model_dir": "saved_models/rl_agents",
    "use_market_regime": true,
    "default_agent": "default_agent",
    "model_type": "PPO"
  }
}

Configuration des Stratégies

Stratégie Technique

La stratégie technique utilise des indicateurs comme RSI, MACD et moyennes mobiles. Personnalisez ces paramètres dans le fichier src/core/backtest_strategies.py.

Stratégie Sentiment

La stratégie basée sur le sentiment utilise l'analyse de sentiment des actualités et réseaux sociaux. Configurez les sources et paramètres dans config/bot_config.json.

Stratégie RL

La stratégie RL utilise des agents d'apprentissage par renforcement. Vous pouvez entraîner vos propres agents et les spécifier dans la configuration.

Stratégie Hybride

La stratégie hybride combine les trois approches précédentes avec des poids configurables dans le fichier config/bot_config.json.

Développement et Extension

Ajouter un Nouvel Échange

Pour ajouter un nouvel échange, créez une classe qui hérite de BaseMarketConnector dans le dossier src/services/market_data/.

Entraîner un Nouvel Agent RL

Pour entraîner un nouvel agent RL :

from src.models.rl.advanced_rl_agent import RLAgentManager

# Créer l'environnement et les données d'entraînement
agent_manager = RLAgentManager(model_dir='saved_models/rl_agents')
agent = agent_manager.create_agent(
    agent_id='my_custom_agent',
    env=my_trading_env,
    model_type='PPO'
)
agent_manager.train_agent(
    agent_id='my_custom_agent',
    total_timesteps=100000
)

Personnaliser l'Analyse de Sentiment

Pour personnaliser l'analyse de sentiment, vous pouvez modifier les classes dans src/models/sentiment/ ou entraîner votre propre modèle avec la méthode train_custom_model de la classe AdvancedSentimentModel.

Dépannage

Problèmes de Connexion à l'API

Vérifiez que vos clés API sont correctement configurées dans le fichier config/secrets.env.local.

Erreurs de Déploiement Kubernetes

  • Vérifiez que les secrets sont bien créés : kubectl get secrets -n your-namespace
  • Vérifiez les logs du pod : kubectl logs -f -l app=trading-bot -n your-namespace
  • Vérifiez les événements du pod : kubectl describe pod -l app=trading-bot -n your-namespace

Problèmes de Performance

Si vous rencontrez des problèmes de performance avec le bot, essayez de :

  • Réduire le nombre de symboles surveillés
  • Augmenter l'intervalle entre les mises à jour de sentiment
  • Réduire la fréquence de trading