Archivos añadidos/actuaizados para comentar el bot con ChatGPT
This commit is contained in:
3
.gitignore
vendored
3
.gitignore
vendored
@@ -13,4 +13,5 @@ __pycache__/
|
||||
# Logs
|
||||
logs/
|
||||
|
||||
# Archivos temporales
|
||||
# Resultados
|
||||
backtest_results/
|
||||
@@ -2,6 +2,7 @@
|
||||
"""
|
||||
Optimizador de parámetros para estrategias
|
||||
"""
|
||||
import os
|
||||
import pandas as pd
|
||||
from typing import Dict, List, Any, Type
|
||||
from itertools import product
|
||||
@@ -18,18 +19,24 @@ class ParameterOptimizer:
|
||||
strategy_class: Type[Strategy],
|
||||
data: pd.DataFrame,
|
||||
initial_capital: float = 10000,
|
||||
commission: float = 0.001):
|
||||
commission: float = 0.001,
|
||||
slippage: float = 0.0005,
|
||||
position_size: float = 0.95):
|
||||
"""
|
||||
Args:
|
||||
strategy_class: Clase de estrategia (no instancia)
|
||||
data: Datos para backtest
|
||||
initial_capital: Capital inicial
|
||||
commission: Comisión por trade
|
||||
slippage: Slippage simulado
|
||||
position_size: Fracción del capital por trade
|
||||
"""
|
||||
self.strategy_class = strategy_class
|
||||
self.data = data
|
||||
self.initial_capital = initial_capital
|
||||
self.commission = commission
|
||||
self.slippage = slippage
|
||||
self.position_size = position_size
|
||||
|
||||
self.results: List[Dict] = []
|
||||
|
||||
@@ -46,21 +53,29 @@ class ParameterOptimizer:
|
||||
}
|
||||
|
||||
Returns:
|
||||
DataFrame con resultados ordenados por retorno
|
||||
DataFrame con resultados (sin ordenar)
|
||||
"""
|
||||
# Limpiar resultados previos
|
||||
self.results = []
|
||||
|
||||
# Generar todas las combinaciones posibles
|
||||
param_names = list(param_grid.keys())
|
||||
param_values = list(param_grid.values())
|
||||
combinations = list(product(*param_values))
|
||||
|
||||
total_tests = len(combinations)
|
||||
log.info(f"Iniciando optimización: {total_tests} combinaciones a probar")
|
||||
log.info(f"🔧 Iniciando optimización: {total_tests} combinaciones")
|
||||
|
||||
# Probar cada combinación
|
||||
successful = 0
|
||||
failed = 0
|
||||
|
||||
for i, values in enumerate(combinations, 1):
|
||||
params = dict(zip(param_names, values))
|
||||
|
||||
log.debug(f"[{i}/{total_tests}] Probando: {params}")
|
||||
# Mostrar progreso cada 10 tests o en el primero
|
||||
if i % 10 == 0 or i == 1 or i == total_tests:
|
||||
log.info(f" [{i}/{total_tests}] Probando: {params}")
|
||||
|
||||
try:
|
||||
# Crear estrategia con estos parámetros
|
||||
@@ -70,7 +85,9 @@ class ParameterOptimizer:
|
||||
engine = BacktestEngine(
|
||||
strategy=strategy,
|
||||
initial_capital=self.initial_capital,
|
||||
commission=self.commission
|
||||
commission=self.commission,
|
||||
slippage=self.slippage,
|
||||
position_size=self.position_size
|
||||
)
|
||||
|
||||
results = engine.run(self.data)
|
||||
@@ -84,30 +101,57 @@ class ParameterOptimizer:
|
||||
'total_trades': results['total_trades'],
|
||||
'win_rate_pct': results['win_rate_pct'],
|
||||
'profit_factor': results['profit_factor'],
|
||||
'final_equity': results['final_equity'],
|
||||
}
|
||||
|
||||
self.results.append(result_entry)
|
||||
successful += 1
|
||||
|
||||
except Exception as e:
|
||||
log.error(f"Error con parámetros {params}: {e}")
|
||||
log.error(f"❌ Error con {params}: {e}")
|
||||
failed += 1
|
||||
continue
|
||||
|
||||
# Convertir a DataFrame
|
||||
if not self.results:
|
||||
log.error("❌ No se obtuvieron resultados válidos")
|
||||
return pd.DataFrame()
|
||||
|
||||
df_results = pd.DataFrame(self.results)
|
||||
|
||||
# Ordenar por retorno (mejor primero)
|
||||
df_results = df_results.sort_values('total_return_pct', ascending=False)
|
||||
log.success(f"✅ Optimización completa: {successful} exitosos, {failed} fallidos")
|
||||
|
||||
log.success(f"Optimización completa: {len(df_results)} resultados válidos")
|
||||
# Mostrar top 5 por Sharpe Ratio
|
||||
self._print_top_results(df_results, param_names, metric='sharpe_ratio', top_n=5)
|
||||
|
||||
return df_results
|
||||
|
||||
def get_best_params(self, metric: str = 'total_return_pct') -> Dict:
|
||||
def _print_top_results(self, df: pd.DataFrame, param_names: List[str],
|
||||
metric: str = 'sharpe_ratio', top_n: int = 5):
|
||||
"""
|
||||
Muestra los mejores resultados según una métrica
|
||||
"""
|
||||
# Ordenar por la métrica (descendente para la mayoría)
|
||||
ascending = True if metric in ['max_drawdown_pct'] else False
|
||||
df_sorted = df.sort_values(metric, ascending=ascending)
|
||||
|
||||
log.info(f"\n🏆 TOP {top_n} POR {metric.upper()}:")
|
||||
|
||||
for i, (idx, row) in enumerate(df_sorted.head(top_n).iterrows(), 1):
|
||||
param_str = ", ".join([f"{k}={row[k]}" for k in param_names])
|
||||
log.info(f" #{i}: {param_str}")
|
||||
log.info(f" → {metric}: {row[metric]:.2f}, "
|
||||
f"Return: {row['total_return_pct']:.2f}%, "
|
||||
f"Trades: {int(row['total_trades'])}, "
|
||||
f"Win Rate: {row['win_rate_pct']:.1f}%")
|
||||
|
||||
def get_best_params(self, metric: str = 'sharpe_ratio') -> Dict:
|
||||
"""
|
||||
Obtiene los mejores parámetros según una métrica
|
||||
|
||||
Args:
|
||||
metric: Métrica a optimizar ('total_return_pct', 'sharpe_ratio', etc)
|
||||
metric: Métrica a optimizar
|
||||
('sharpe_ratio', 'total_return_pct', 'profit_factor', etc)
|
||||
|
||||
Returns:
|
||||
Diccionario con los mejores parámetros
|
||||
@@ -117,9 +161,8 @@ class ParameterOptimizer:
|
||||
|
||||
df_results = pd.DataFrame(self.results)
|
||||
|
||||
# Ordenar por la métrica elegida
|
||||
# Para drawdown queremos el MENOR (menos negativo = más cercano a 0)
|
||||
if metric in ['max_drawdown_pct']:
|
||||
# Para drawdown, queremos el MENOR (menos negativo)
|
||||
best_idx = df_results[metric].idxmax()
|
||||
else:
|
||||
# Para otras métricas, queremos el MAYOR
|
||||
@@ -127,69 +170,97 @@ class ParameterOptimizer:
|
||||
|
||||
best_result = df_results.loc[best_idx]
|
||||
|
||||
# Extraer solo los parámetros (no las métricas)
|
||||
param_names = [col for col in df_results.columns
|
||||
if col not in ['total_return_pct', 'sharpe_ratio',
|
||||
'max_drawdown_pct', 'total_trades',
|
||||
'win_rate_pct', 'profit_factor']]
|
||||
# Extraer solo parámetros (no métricas)
|
||||
metric_cols = ['total_return_pct', 'sharpe_ratio', 'max_drawdown_pct',
|
||||
'total_trades', 'win_rate_pct', 'profit_factor', 'final_equity']
|
||||
param_names = [col for col in df_results.columns if col not in metric_cols]
|
||||
|
||||
best_params = {param: best_result[param] for param in param_names}
|
||||
|
||||
log.info(f"Mejores parámetros según {metric}: {best_params}")
|
||||
log.info(f"\n🎯 MEJORES PARÁMETROS SEGÚN {metric.upper()}:")
|
||||
log.info(f" Parámetros: {best_params}")
|
||||
log.info(f" {metric}: {best_result[metric]:.2f}")
|
||||
log.info(f" Retorno: {best_result['total_return_pct']:.2f}%")
|
||||
log.info(f" Sharpe: {best_result['sharpe_ratio']:.2f}")
|
||||
log.info(f" Max DD: {best_result['max_drawdown_pct']:.2f}%")
|
||||
log.info(f" Trades: {int(best_result['total_trades'])}")
|
||||
|
||||
return best_params
|
||||
|
||||
# ============================================================================
|
||||
# Ejemplo de Uso
|
||||
# ============================================================================
|
||||
|
||||
def get_top_n_params(self, metric: str = 'sharpe_ratio', n: int = 5) -> List[Dict]:
|
||||
"""
|
||||
from src.data.storage import StorageManager
|
||||
from src.strategies.moving_average import MovingAverageCrossover
|
||||
from src.backtest.optimizer import ParameterOptimizer
|
||||
Obtiene los N mejores conjuntos de parámetros
|
||||
|
||||
# Cargar datos
|
||||
storage = StorageManager(...)
|
||||
data = storage.load_ohlcv('BTC/USDT', '1h')
|
||||
Args:
|
||||
metric: Métrica a optimizar
|
||||
n: Número de mejores configuraciones
|
||||
|
||||
# Crear optimizador
|
||||
optimizer = ParameterOptimizer(
|
||||
strategy_class=MovingAverageCrossover, # Clase, no instancia
|
||||
data=data,
|
||||
initial_capital=10000,
|
||||
commission=0.001
|
||||
)
|
||||
|
||||
# Definir parámetros a probar
|
||||
param_grid = {
|
||||
'fast_period': [5, 10, 15, 20, 25],
|
||||
'slow_period': [30, 50, 70, 100, 150],
|
||||
'ma_type': ['sma', 'ema']
|
||||
}
|
||||
|
||||
# Ejecutar optimización (probará 5 × 5 × 2 = 50 combinaciones)
|
||||
results_df = optimizer.optimize(param_grid)
|
||||
|
||||
# Ver mejores resultados
|
||||
print(results_df.head(10))
|
||||
|
||||
# Obtener mejores parámetros
|
||||
best_params = optimizer.get_best_params(metric='sharpe_ratio')
|
||||
print(f"Mejores parámetros: {best_params}")
|
||||
|
||||
# Usar los mejores parámetros
|
||||
best_strategy = MovingAverageCrossover(**best_params)
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 📊 Output esperado:
|
||||
```
|
||||
fast_period slow_period ma_type total_return_pct sharpe_ratio max_drawdown_pct
|
||||
0 15 50 ema 45.20 2.10 -12.30
|
||||
1 10 30 sma 42.80 1.95 -15.20
|
||||
2 20 70 ema 38.50 1.85 -14.10
|
||||
3 5 30 sma 35.20 1.75 -18.50
|
||||
...
|
||||
Returns:
|
||||
Lista de diccionarios con parámetros
|
||||
"""
|
||||
if not self.results:
|
||||
raise ValueError("No hay resultados. Ejecuta optimize() primero.")
|
||||
|
||||
df_results = pd.DataFrame(self.results)
|
||||
|
||||
# Ordenar
|
||||
ascending = True if metric in ['max_drawdown_pct'] else False
|
||||
df_sorted = df_results.sort_values(metric, ascending=ascending)
|
||||
|
||||
# Extraer parámetros
|
||||
metric_cols = ['total_return_pct', 'sharpe_ratio', 'max_drawdown_pct',
|
||||
'total_trades', 'win_rate_pct', 'profit_factor', 'final_equity']
|
||||
param_names = [col for col in df_results.columns if col not in metric_cols]
|
||||
|
||||
top_params = []
|
||||
for idx, row in df_sorted.head(n).iterrows():
|
||||
params = {param: row[param] for param in param_names}
|
||||
top_params.append(params)
|
||||
|
||||
return top_params
|
||||
|
||||
def save_results(self, filename: str = 'backtest_results/optimization_results.csv'):
|
||||
"""
|
||||
Guarda resultados en CSV
|
||||
|
||||
Args:
|
||||
filename: Nombre del archivo (puede incluir ruta)
|
||||
"""
|
||||
if not self.results:
|
||||
log.warning("⚠️ No hay resultados para guardar")
|
||||
return
|
||||
|
||||
# Crear directorio si no existe
|
||||
os.makedirs(os.path.dirname(filename), exist_ok=True)
|
||||
|
||||
df = pd.DataFrame(self.results)
|
||||
|
||||
# Ordenar por Sharpe Ratio antes de guardar
|
||||
df = df.sort_values('sharpe_ratio', ascending=False)
|
||||
|
||||
df.to_csv(filename, index=False)
|
||||
log.success(f"💾 Resultados guardados en: {filename}")
|
||||
log.info(f" Total filas: {len(df)}")
|
||||
|
||||
def compare_metrics(self, metrics: List[str] = None):
|
||||
"""
|
||||
Compara mejores parámetros según diferentes métricas
|
||||
|
||||
Args:
|
||||
metrics: Lista de métricas a comparar
|
||||
"""
|
||||
if not self.results:
|
||||
raise ValueError("No hay resultados. Ejecuta optimize() primero.")
|
||||
|
||||
if metrics is None:
|
||||
metrics = ['sharpe_ratio', 'total_return_pct', 'profit_factor', 'max_drawdown_pct']
|
||||
|
||||
log.info("\n📊 COMPARACIÓN DE MÉTRICAS:")
|
||||
log.info("="*70)
|
||||
|
||||
for metric in metrics:
|
||||
try:
|
||||
best_params = self.get_best_params(metric)
|
||||
log.info("") # Línea en blanco para separar
|
||||
except Exception as e:
|
||||
log.error(f"Error con métrica {metric}: {e}")
|
||||
@@ -262,18 +262,18 @@ class BacktestVisualizer:
|
||||
MÉTRICAS DE PERFORMANCE
|
||||
━━━━━━━━━━━━━━━━━━━━━━━━━
|
||||
|
||||
💰 Capital Inicial: ${self.results['initial_capital']:,.0f}
|
||||
💰 Capital Final: ${self.results['final_equity']:,.0f}
|
||||
📈 Retorno Total: {self.results['total_return_pct']:.2f}%
|
||||
+ Capital Inicial: ${self.results['initial_capital']:,.0f}
|
||||
+ Capital Final: ${self.results['final_equity']:,.0f}
|
||||
↑ Retorno Total: {self.results['total_return_pct']:.2f}%
|
||||
|
||||
📊 Total Trades: {self.results['total_trades']}
|
||||
✅ Trades Ganadores: {self.results['winning_trades']}
|
||||
❌ Trades Perdedores: {self.results['losing_trades']}
|
||||
🎯 Win Rate: {self.results['win_rate_pct']:.2f}%
|
||||
· Total Trades: {self.results['total_trades']}
|
||||
✓ Trades Ganadores: {self.results['winning_trades']}
|
||||
× Trades Perdedores: {self.results['losing_trades']}
|
||||
◎ Win Rate: {self.results['win_rate_pct']:.2f}%
|
||||
|
||||
📉 Max Drawdown: {self.results['max_drawdown_pct']:.2f}%
|
||||
📈 Sharpe Ratio: {self.results['sharpe_ratio']:.2f}
|
||||
💵 Profit Factor: {self.results['profit_factor']:.2f}
|
||||
↓ Max Drawdown: {self.results['max_drawdown_pct']:.2f}%
|
||||
· Sharpe Ratio: {self.results['sharpe_ratio']:.2f}
|
||||
$ Profit Factor: {self.results['profit_factor']:.2f}
|
||||
"""
|
||||
|
||||
ax4.text(0.1, 0.5, metrics_text, fontsize=11,
|
||||
|
||||
100
tests/test_optimizer.py
Normal file
100
tests/test_optimizer.py
Normal file
@@ -0,0 +1,100 @@
|
||||
# test_optimizer.py
|
||||
"""
|
||||
Script para probar el optimizador de parámetros
|
||||
"""
|
||||
import os
|
||||
import sys
|
||||
from dotenv import load_dotenv
|
||||
from pathlib import Path
|
||||
from datetime import datetime, timedelta
|
||||
|
||||
# Añadir raíz del proyecto al path
|
||||
sys.path.insert(0, str(Path(__file__).parent.parent))
|
||||
|
||||
from src.utils.logger import log
|
||||
from src.data.storage import StorageManager
|
||||
from src.strategies import MovingAverageCrossover
|
||||
from src.backtest.optimizer import ParameterOptimizer
|
||||
|
||||
def setup_environment():
|
||||
"""Carga variables de entorno"""
|
||||
env_path = Path(__file__).parent.parent / 'config' / 'secrets.env'
|
||||
load_dotenv(dotenv_path=env_path)
|
||||
|
||||
def test_optimizer():
|
||||
"""
|
||||
Prueba el optimizador con Moving Average Crossover
|
||||
"""
|
||||
log.info("="*70)
|
||||
log.info("🔧 TEST: OPTIMIZADOR DE PARÁMETROS")
|
||||
log.info("="*70)
|
||||
|
||||
# Setup
|
||||
setup_environment()
|
||||
|
||||
# Cargar datos
|
||||
storage = StorageManager(
|
||||
db_host=os.getenv('DB_HOST'),
|
||||
db_port=int(os.getenv('DB_PORT', 5432)),
|
||||
db_name=os.getenv('DB_NAME'),
|
||||
db_user=os.getenv('DB_USER'),
|
||||
db_password=os.getenv('DB_PASSWORD'),
|
||||
)
|
||||
|
||||
log.info("\n📥 Cargando datos...")
|
||||
end_date = datetime.now()
|
||||
start_date = end_date - timedelta(days=60)
|
||||
|
||||
data = storage.load_ohlcv(
|
||||
symbol='BTC/USDT',
|
||||
timeframe='1h',
|
||||
start_date=start_date,
|
||||
end_date=end_date,
|
||||
use_cache=False
|
||||
)
|
||||
|
||||
log.success(f"✓ Datos cargados: {len(data)} velas")
|
||||
|
||||
# Crear optimizador
|
||||
log.info("\n🔧 Creando optimizador...")
|
||||
optimizer = ParameterOptimizer(
|
||||
strategy_class=MovingAverageCrossover,
|
||||
data=data,
|
||||
initial_capital=10000,
|
||||
commission=0.001
|
||||
)
|
||||
|
||||
# Definir parámetros a probar (pequeño para empezar)
|
||||
param_grid = {
|
||||
'fast_period': [5, 10, 15],
|
||||
'slow_period': [30, 50],
|
||||
'ma_type': ['sma', 'ema']
|
||||
}
|
||||
|
||||
log.info(f"\n📊 Grid de parámetros:")
|
||||
log.info(f" fast_period: {param_grid['fast_period']}")
|
||||
log.info(f" slow_period: {param_grid['slow_period']}")
|
||||
log.info(f" ma_type: {param_grid['ma_type']}")
|
||||
log.info(f" Total combinaciones: {3 * 2 * 2} = 12")
|
||||
|
||||
# Optimizar
|
||||
log.info("\n🚀 Iniciando optimización...")
|
||||
results_df = optimizer.optimize(param_grid)
|
||||
|
||||
# Mostrar resultados
|
||||
log.info("\n📊 RESULTADOS COMPLETOS:")
|
||||
print(results_df.to_string(index=False))
|
||||
|
||||
# Mejores parámetros
|
||||
log.info("\n🏆 ANÁLISIS:")
|
||||
best_params = optimizer.get_best_params(metric='sharpe_ratio')
|
||||
|
||||
# Guardar resultados (OPCIONAL - ya se guarda por defecto)
|
||||
optimizer.save_results()
|
||||
|
||||
storage.close()
|
||||
|
||||
log.success("\n✅ TEST COMPLETADO")
|
||||
|
||||
if __name__ == "__main__":
|
||||
test_optimizer()
|
||||
96
tests/test_visualizer.py
Normal file
96
tests/test_visualizer.py
Normal file
@@ -0,0 +1,96 @@
|
||||
# test_visualizer.py
|
||||
"""
|
||||
Script para probar las visualizaciones
|
||||
"""
|
||||
import os
|
||||
import sys
|
||||
from dotenv import load_dotenv
|
||||
from pathlib import Path
|
||||
from datetime import datetime, timedelta
|
||||
|
||||
# Añadir raíz del proyecto al path
|
||||
sys.path.insert(0, str(Path(__file__).parent.parent))
|
||||
|
||||
from src.utils.logger import log
|
||||
from src.data.storage import StorageManager
|
||||
from src.strategies import MovingAverageCrossover
|
||||
from src.backtest import BacktestEngine
|
||||
from src.backtest.visualizer import BacktestVisualizer
|
||||
|
||||
def setup_environment():
|
||||
"""Carga variables de entorno"""
|
||||
env_path = Path(__file__).parent.parent / 'config' / 'secrets.env'
|
||||
load_dotenv(dotenv_path=env_path)
|
||||
|
||||
def test_visualizer():
|
||||
"""
|
||||
Prueba las visualizaciones con un backtest
|
||||
"""
|
||||
log.info("="*70)
|
||||
log.info("📊 TEST: VISUALIZACIONES")
|
||||
log.info("="*70)
|
||||
|
||||
# Setup
|
||||
setup_environment()
|
||||
|
||||
# Cargar datos
|
||||
storage = StorageManager(
|
||||
db_host=os.getenv('DB_HOST'),
|
||||
db_port=int(os.getenv('DB_PORT', 5432)),
|
||||
db_name=os.getenv('DB_NAME'),
|
||||
db_user=os.getenv('DB_USER'),
|
||||
db_password=os.getenv('DB_PASSWORD'),
|
||||
)
|
||||
|
||||
log.info("\n📥 Cargando datos...")
|
||||
end_date = datetime.now()
|
||||
start_date = end_date - timedelta(days=60)
|
||||
|
||||
data = storage.load_ohlcv(
|
||||
symbol='BTC/USDT',
|
||||
timeframe='1h',
|
||||
start_date=start_date,
|
||||
end_date=end_date,
|
||||
use_cache=False
|
||||
)
|
||||
|
||||
log.success(f"✓ Datos cargados: {len(data)} velas")
|
||||
|
||||
# Ejecutar backtest
|
||||
log.info("\n🧪 Ejecutando backtest...")
|
||||
strategy = MovingAverageCrossover(fast_period=15, slow_period=50, ma_type='sma')
|
||||
|
||||
engine = BacktestEngine(
|
||||
strategy=strategy,
|
||||
initial_capital=10000,
|
||||
commission=0.001,
|
||||
position_size=0.95
|
||||
)
|
||||
|
||||
results = engine.run(data)
|
||||
|
||||
log.info(f" Retorno: {results['total_return_pct']:.2f}%")
|
||||
log.info(f" Trades: {results['total_trades']}")
|
||||
|
||||
# Crear visualizador
|
||||
log.info("\n📊 Generando visualizaciones...")
|
||||
viz = BacktestVisualizer(results, data)
|
||||
|
||||
# Generar todos los gráficos
|
||||
viz.generate_all_plots('backtest_results')
|
||||
|
||||
log.info("\n💡 Los gráficos se guardaron en: backtest_results/")
|
||||
log.info(" Archivos generados:")
|
||||
log.info(" - equity_curve.png")
|
||||
log.info(" - drawdown.png")
|
||||
log.info(" - returns_distribution.png")
|
||||
log.info(" - trades_chart.png")
|
||||
log.info(" - dashboard.png")
|
||||
|
||||
storage.close()
|
||||
|
||||
log.success("\n✅ TEST COMPLETADO")
|
||||
log.info("\n👀 Abre la carpeta 'backtest_results/' para ver los gráficos")
|
||||
|
||||
if __name__ == "__main__":
|
||||
test_visualizer()
|
||||
Reference in New Issue
Block a user