Pietro GiacobazziandDevin AI <158243242+devin-ai-integration[bot]@users.noreply.github.com>
7d329a0591
Co-Authored-By: Devin AI <158243242+devin-ai-integration[bot]@users.noreply.github.com>
112 lines
5.0 KiB
Markdown
112 lines
5.0 KiB
Markdown
# PaPP v2 — Fase 3: modelli
|
||
|
||
> **Modello principale → [`README_mean_reversion.md`](README_mean_reversion.md).**
|
||
> La validazione esterna (sez. 5b) ha mostrato che l'edge **direzionale** non
|
||
> generalizza fuori da EURUSD, mentre la **mean-reversion** sì. Il modeling è
|
||
> quindi orientato sul **rientro alla Mediana**. Questo documento descrive il
|
||
> primo modello (direzionale), tenuto come riferimento metodologico.
|
||
|
||
---
|
||
|
||
# Fase 3 (riferimento): classificatore extra-rendimento direzionale
|
||
|
||
Architettura del modello che prova a prevedere, al momento di un incrocio, se
|
||
l'**extra-rendimento a 10 giorni** (rispetto alla baseline dello stesso regime)
|
||
sarà **positivo o no**. È lo scheletro modulare della Fase 3, già pronto per
|
||
l'export ONNX della Fase 4.
|
||
|
||
> Stato: **scaffolding funzionante end-to-end**. Il modello di riferimento è un
|
||
> baseline volutamente semplice; i risultati attuali confermano che l'edge è
|
||
> debole (vedi sotto) e indicano dove migliorare. L'obiettivo di questa cartella
|
||
> è la **struttura**, non ancora un modello ottimizzato.
|
||
|
||
---
|
||
|
||
## 1. Idea e target
|
||
|
||
- **Target** (binario): `1` se `extra-rendimento a 10g > 0`, altrimenti `0`, dove
|
||
`extra = cret_10(incrocio) − media cret_10 della baseline nello stesso regime`.
|
||
- **Regime** = `trend (sopra/sotto MA365) × tercile(cluster) × tercile(velocità)`.
|
||
- **Feature** (solo informazioni note all'incrocio, nessun esito futuro):
|
||
`dist_med_pct, cluster_pct, cluster_exp, slope_a, slope_b, vel_med, acc_med,
|
||
vol_med` (numeriche) + `pair, dir, trend, dow, month` (categoriche).
|
||
|
||
### Niente leakage (punto chiave)
|
||
Terzili del regime e medie di baseline sono stimati **solo sul training**
|
||
(`labeling.RegimeBaseline.fit`) e applicati a validazione/OOS. Così la label di
|
||
test non usa mai informazione futura.
|
||
|
||
---
|
||
|
||
## 2. Validazione
|
||
|
||
- **Walk-forward espansivo**: train = tutti gli anni fino a T, test = anno T+1,
|
||
scorrendo T (configurabile `min_train_years`, `step_years`).
|
||
- **Hold-out OOS**: tutti gli anni `>= oos_start_year` (default **2020**) sono
|
||
tenuti fuori dal training e usati solo alla fine.
|
||
|
||
Metriche (`evaluate.py`): AUC, accuracy, Brier, e **precisione/lift sul decile a
|
||
probabilità più alta** (uso pratico: si opera solo sui segnali più forti).
|
||
|
||
---
|
||
|
||
## 3. Struttura
|
||
|
||
```
|
||
Modello/
|
||
├── config.yaml tutti i parametri (target, regime, feature, split, modello)
|
||
├── requirements.txt
|
||
├── src/
|
||
│ ├── data.py caricamento CSV + etichetta di regime
|
||
│ ├── labeling.py RegimeBaseline: baseline per regime e target (fit su train)
|
||
│ ├── features.py ColumnTransformer (one-hot + impute), selezione X
|
||
│ ├── splits.py split OOS + walk-forward espansivo
|
||
│ ├── model.py factory modello (hist_gbdt | logistic)
|
||
│ ├── evaluate.py metriche
|
||
│ └── train.py pipeline end-to-end
|
||
├── results/ metriche walk-forward + OOS (modello .joblib non versionato)
|
||
└── data/ i 2 CSV di input (non versionati)
|
||
```
|
||
|
||
## 4. Come eseguire
|
||
|
||
```bash
|
||
pip install -r requirements.txt
|
||
# copia i 2 CSV in ./data (vedi data/README.md), poi:
|
||
cd src
|
||
python train.py # usa ../config.yaml
|
||
python selftest.py # verifiche di correttezza (reproducibilita', anti-leakage, varianti)
|
||
```
|
||
|
||
## 5. Risultati attuali (EURUSD, hold-out 2020+)
|
||
|
||
Con il baseline `hist_gbdt` e tutte le coppie:
|
||
- walk-forward medio **AUC ≈ 0.51**, OOS 2020+ **AUC ≈ 0.52**, lift sul decile ≈ 1.0×.
|
||
|
||
Lettura onesta: **vicino al caso**. È coerente con la Fase 2 (edge direzionali
|
||
piccoli) e ci dà un riferimento pulito e senza leakage da cui partire.
|
||
|
||
### 5b. Validazione esterna multi-simbolo (`src/external_validation.py`)
|
||
Addestrando SOLO su EURUSD e testando su USDJPY/USDCHF/GBPUSD (mai visti):
|
||
- i pattern direzionali "robusti" di EURUSD **non si replicano**: concordanza di
|
||
segno solo **38%**; il modello esterno ha **AUC ≈ 0.48–0.55** (caso) contro
|
||
AUC 0.91 in-sample (memorizzazione) → l'edge direzionale è **specifico di
|
||
EURUSD**, non generale.
|
||
- al contrario la **mean-reversion è universale**: ritorno alla Mediana entro 20g
|
||
nell'**87–90%** dei casi su tutti i simboli, mediana **3 giorni**.
|
||
|
||
Conclusione operativa: il bersaglio "su/giù" non regge fuori campione; il segnale
|
||
generalizzabile e' la **mean-reversion**. Il modeling va orientato lì.
|
||
|
||
## 6. Prossimi miglioramenti previsti
|
||
|
||
- **Restringere ai pattern robusti** (q<0.10): in `config.yaml` valorizzare
|
||
`restrict_pairs` con gli incroci MA121/MA182/MA365 emersi in Fase 2.
|
||
- **Target alternativi**: classificare solo le code (es. extra nel top/bottom 30%)
|
||
invece del semplice segno; oppure regressione sull'extra-rendimento.
|
||
- **Feature aggiuntive**: percentile storico delle metriche (come nel pannello),
|
||
interazioni coppia×regime, stato di mean-reversion in corso.
|
||
- **Calibrazione** delle probabilità e scelta soglia per massimizzare la
|
||
precisione sui segnali operativi.
|
||
- **Fase 4**: export del `Pipeline` in **ONNX** (skl2onnx) e inferenza in MT5.
|