XauBot/docs/arsitektur-ai/01-HMM-Regime-Detector.md

HMM (Hidden Markov Model) — Regime Detector

File: src/regime_detector.py Model: models/hmm_regime.pkl Library: hmmlearn.GaussianHMM

---

Apa Itu HMM?

Hidden Markov Model (HMM) adalah model statistik yang mengidentifikasi kondisi tersembunyi (hidden states) dari data yang dapat diamati. Dalam konteks trading, HMM mendeteksi 3 kondisi pasar (regime) yang tidak terlihat langsung dari harga:

graph LR
    A["Data Pasar<br/>Return, Volatilitas, Volume"] --> B["HMM<br/>GaussianHMM 3-state"]
    B --> C["Low Volatility<br/>🟢 TRADE"]
    B --> D["Medium Volatility<br/>🟡 REDUCE"]
    B --> E["High Volatility<br/>🔴 SLEEP"]

---

3 State Pasar

State	Label	Rekomendasi	Efek pada Trading
0	Low Volatility	TRADE	Lot normal, semua filter aktif
1	Medium Volatility	REDUCE	Lot dikurangi, entry lebih ketat
2	High Volatility / Krisis	SLEEP	Tidak boleh trading — terlalu berisiko

---

Cara Kerja

Input Features (3 fitur)

features = [
    "returns",      # Perubahan harga (%)
    "volatility",   # Volatilitas rolling (standar deviasi)
    "volume_change" # Perubahan volume (%)
]

Proses Training

class MarketRegimeDetector:
    def __init__(self,
        n_regimes=3,           # 3 state
        lookback_periods=500,  # 500 bar untuk training
        retrain_frequency=20,  # Retrain setiap 20 bar baru
        covariance_type="full",
        random_state=42,
    ):
        self.hmm = GaussianHMM(
            n_components=3,
            covariance_type="full",
            n_iter=100,
            random_state=42,
        )

Proses Deteksi

# 1. Siapkan data 500 bar terakhir
X = df[["returns", "volatility", "volume_change"]].to_numpy()

# 2. Fit model (atau load dari .pkl)
self.hmm.fit(X)

# 3. Prediksi state saat ini
state = self.hmm.predict(X)[-1]  # State terakhir

# 4. Hitung probabilitas tiap state
probs = self.hmm.predict_proba(X)[-1]
# Contoh: [0.85, 0.10, 0.05] = 85% low vol

---

Output: RegimeState

@dataclass
class RegimeState:
    regime: MarketRegime       # LOW/MEDIUM/HIGH_VOLATILITY atau CRISIS
    confidence: float          # Probabilitas state terpilih (0-1)
    probabilities: Dict        # Probabilitas semua state
    volatility: float          # Level volatilitas saat ini
    recommendation: str        # "TRADE", "REDUCE", atau "SLEEP"

---

Integrasi dengan Sistem

graph TD
    A["HMM Regime Detector"] --> B{"Regime?"}
    B -->|LOW VOL| C["✅ TRADE<br/>Lot normal, semua filter aktif"]
    B -->|MEDIUM VOL| D["⚠️ REDUCE<br/>Lot dikurangi, entry lebih ketat"]
    B -->|HIGH VOL| E["🛑 SLEEP<br/>Blokir semua entry baru"]
    C --> F["Entry Filter #2"]
    D --> F
    E -->|Blokir| G["Skip — tidak boleh trading"]

Penggunaan dalam main_live.py:

• Regime SLEEP → blokir semua entry baru (Filter #2)
• Regime memengaruhi lot sizing — SmartRiskManager mengurangi lot pada medium volatility
• Regime dicatat di setiap trade log untuk analisis historis

---

Penyimpanan Model

• Format: .pkl (pickle)
• Lokasi: models/hmm_regime.pkl
• Ukuran: ~50-100 KB
• Retrain: Otomatis setiap 20 bar baru ATAU melalui AutoTrainer setiap 7 hari
• Auto-retrain dipicu juga saat: Akurasi deteksi turun atau distribusi return berubah signifikan

---

Konfigurasi

Dari src/config.py → RegimeConfig:

Parameter	Nilai	Keterangan
n_regimes	3	Jumlah state HMM
lookback_periods	500	Bar untuk training HMM
retrain_frequency	20	Retrain setiap 20 bar baru