#!/usr/bin/env python3 """ Adaptation dynamique des paramètres selon la volatilité (ATR) Principe: La volatilité change tout. - Haute volatilité: Trailing large, RSI extrême, SL large - Basse volatilité: Trailing serré, RSI resserré, SL serré """ import pandas as pd import numpy as np from typing import Dict class DynamicParameterAdapter: """Adapte les paramètres de trading selon la volatilité du marché""" def __init__(self, base_params: Dict[str, float]): """ Args: base_params: Paramètres de base à adapter - trailing_pct: % de trailing stop de base - rsi_oversold: RSI oversold de base - rsi_overbought: RSI overbought de base - sl_atr_mult: Multiplicateur SL de base """ self.base_params = base_params.copy() def calculate_atr_pct(self, df: pd.DataFrame, period: int = 14) -> float: """ Calcule l'ATR en % du prix Args: df: DataFrame avec colonnes high, low, close period: Période ATR (défaut 14) Returns: ATR en % du prix actuel """ if len(df) < period + 1: return 1.0 # Valeur par défaut si pas assez de données high = df['high'].values low = df['low'].values close = df['close'].values # True Range tr1 = high - low tr2 = np.abs(high - np.roll(close, 1)) tr3 = np.abs(low - np.roll(close, 1)) tr = np.maximum(tr1, np.maximum(tr2, tr3)) # ATR = moyenne mobile du TR atr = pd.Series(tr).rolling(period).mean().iloc[-1] # ATR en % du prix actuel current_price = close[-1] atr_pct = (atr / current_price) * 100 return atr_pct def adapt_params(self, df: pd.DataFrame) -> Dict[str, float]: """ Adapte les paramètres selon l'ATR actuel Args: df: DataFrame avec données de marché Returns: Dict avec paramètres adaptés """ # Calculer ATR actuel atr_pct = self.calculate_atr_pct(df) # Paramètres de base base_trailing = self.base_params['trailing_pct'] base_rsi_os = self.base_params['rsi_oversold'] base_rsi_ob = self.base_params['rsi_overbought'] base_sl_mult = self.base_params['sl_atr_mult'] # ADAPTATION SELON ATR # ATR < 0.5% = Très basse volatilité # ATR 0.5-1.5% = Volatilité normale # ATR 1.5-3.0% = Haute volatilité # ATR > 3.0% = Extrême volatilité if atr_pct < 0.5: # TRÈS BASSE VOLATILITÉ # Serrer tout: prendre profits vite, RSI resserré trailing_mult = 0.5 # Trailing 2x plus serré rsi_adjustment = 5 # RSI plus proche du centre (35/65 au lieu de 30/70) sl_mult = 0.8 # SL plus serré elif atr_pct < 1.5: # VOLATILITÉ NORMALE # Paramètres standard trailing_mult = 1.0 rsi_adjustment = 0 sl_mult = 1.0 elif atr_pct < 3.0: # HAUTE VOLATILITÉ # Laisser respirer: trailing large, RSI extrême trailing_mult = 1.5 # Trailing 50% plus large rsi_adjustment = -5 # RSI plus extrême (25/75 au lieu de 30/70) sl_mult = 1.3 # SL plus large else: # EXTRÊME VOLATILITÉ # Très large, pour ne pas se faire sortir par le bruit trailing_mult = 2.0 # Trailing 2x plus large rsi_adjustment = -10 # RSI très extrême (20/80) sl_mult = 1.5 # SL très large # Appliquer les ajustements adapted_params = { 'trailing_pct': min(0.35, max(0.05, base_trailing * trailing_mult)), 'rsi_oversold': max(20, min(35, base_rsi_os + rsi_adjustment)), 'rsi_overbought': max(65, min(80, base_rsi_ob - rsi_adjustment)), 'sl_atr_mult': max(0.5, min(2.5, base_sl_mult * sl_mult)), 'atr_pct': atr_pct, # Pour info/debug 'volatility_regime': self._get_regime_label(atr_pct) } return adapted_params def _get_regime_label(self, atr_pct: float) -> str: """Retourne le label du régime de volatilité""" if atr_pct < 0.5: return "VERY_LOW_VOL" elif atr_pct < 1.5: return "NORMAL_VOL" elif atr_pct < 3.0: return "HIGH_VOL" else: return "EXTREME_VOL" def test_adapter(): """Test de l'adaptateur""" # Simuler des données dates = pd.date_range('2024-01-01', periods=100, freq='5T') # Scénario 1: Basse volatilité print("=" * 80) print("TEST 1: BASSE VOLATILITÉ") print("=" * 80) df_low = pd.DataFrame({ 'timestamp': dates, 'high': 100 + np.random.randn(100) * 0.2, # Variation ±0.2$ 'low': 100 + np.random.randn(100) * 0.2, 'close': 100 + np.random.randn(100) * 0.2 }) base_params = { 'trailing_pct': 0.15, 'rsi_oversold': 30, 'rsi_overbought': 70, 'sl_atr_mult': 1.0 } adapter = DynamicParameterAdapter(base_params) adapted = adapter.adapt_params(df_low) print(f"ATR: {adapted['atr_pct']:.2f}%") print(f"Regime: {adapted['volatility_regime']}") print(f"Trailing: {adapted['trailing_pct']:.2%} (base: {base_params['trailing_pct']:.2%})") print(f"RSI: {adapted['rsi_oversold']:.0f}/{adapted['rsi_overbought']:.0f} (base: {base_params['rsi_oversold']}/{base_params['rsi_overbought']})") print(f"SL mult: {adapted['sl_atr_mult']:.2f} (base: {base_params['sl_atr_mult']:.2f})") # Scénario 2: Haute volatilité print("\n" + "=" * 80) print("TEST 2: HAUTE VOLATILITÉ") print("=" * 80) df_high = pd.DataFrame({ 'timestamp': dates, 'high': 100 + np.random.randn(100) * 2.0, # Variation ±2$ 'low': 100 + np.random.randn(100) * 2.0, 'close': 100 + np.random.randn(100) * 2.0 }) adapter = DynamicParameterAdapter(base_params) adapted = adapter.adapt_params(df_high) print(f"ATR: {adapted['atr_pct']:.2f}%") print(f"Regime: {adapted['volatility_regime']}") print(f"Trailing: {adapted['trailing_pct']:.2%} (base: {base_params['trailing_pct']:.2%})") print(f"RSI: {adapted['rsi_oversold']:.0f}/{adapted['rsi_overbought']:.0f} (base: {base_params['rsi_oversold']}/{base_params['rsi_overbought']})") print(f"SL mult: {adapted['sl_atr_mult']:.2f} (base: {base_params['sl_atr_mult']:.2f})") print("\n" + "=" * 80) if __name__ == '__main__': test_adapter()