Passer au contenu
Tous les documents de la bibliothèque

Exporter les prévisions de l’échantillon de test réservé sans fuite de validation

Code Machine Learning for Trading

Résumé

Cet utilitaire prépare les artefacts de prévision pour les notebooks de démonstration en direct en normalisant les noms de colonnes et les formats de date différents dans une structure commune d’horodatage, d’actif et de prévision. Il regroupe les observations dupliquées horodatage-actif et calcule la moyenne de leurs scores. Le chargeur recherche d’abord les sorties de modèles enregistrées dans le dépôt, puis consulte un registre si ces fichiers sont indisponibles.

Le mécanisme de repli du registre privilégie une exécution de modèle associée au meilleur ratio de Sharpe de validation parmi les backtests enregistrés de signal, d’allocation et de mécanismes de gestion du risque, puis exporte les prévisions de l’échantillon de test réservé de cette exécution. Les prévisions exportées restent ainsi distinctes des données de validation utilisées pour sélectionner les configurations, ce qui réduit le risque d’évaluer un modèle sélectionné sur l’échantillon qui a servi à le sélectionner. Si aucun gagnant admissible de backtest n’est enregistré, le mécanisme de repli sélectionne un ensemble de prévisions de l’échantillon de test réservé selon le coefficient d’information moyen pour l’horizon demandé. Ce repli constitue une solution pratique, mais utilise un autre critère de sélection ; le code charge des artefacts et ne prouve pas qu’un modèle sélectionné obtient de bons résultats hors échantillon.

Idées clés

  • Normalisez les colonnes de prévision et les horodatages avant de transmettre les artefacts aux notebooks en aval.
  • Privilégiez les prévisions de l’échantillon de test réservé pour l’évaluation externe lorsque les données de validation ont servi à sélectionner le modèle.
  • Le parcours principal du registre sélectionne une exécution d’entraînement en fonction du Sharpe de validation sur les étapes de backtest spécifiées.
  • Un classement par coefficient d’information sert de solution de repli lorsqu’aucune étape de backtest admissible n’est enregistrée.
  • Le chargeur ne renvoie aucun artefact si ni les fichiers enregistrés dans le dépôt ni une prévision admissible du registre ne sont disponibles.

Étiquettes

Texte intégral
# demo_artifacts.py


```py
from __future__ import annotations

import polars as pl

from utils.paths import get_case_study_source_dir


def normalize_demo_predictions(df: pl.DataFrame, asset_column: str) -> pl.DataFrame:
    """Normalize prediction artifacts to ``timestamp``, ``asset_column``, ``prediction``."""
    rename_map = {}
    # Normalize entity column: accept "asset" or "symbol" as source
    if asset_column not in df.columns:
        if "asset" in df.columns:
            rename_map["asset"] = asset_column
        elif "symbol" in df.columns:
            rename_map["symbol"] = asset_column
    if "prediction" not in df.columns and "y_score" in df.columns:
        rename_map["y_score"] = "prediction"
    # Normalize legacy "date" column to canonical "timestamp"
    if "date" in df.columns and "timestamp" not in df.columns:
        rename_map["date"] = "timestamp"
    if rename_map:
        df = df.rename(rename_map)

    required = {"timestamp", asset_column, "prediction"}
    if required - set(df.columns):
        raise ValueError(
            f"Prediction artifact missing required columns: {required - set(df.columns)}"
        )

    ts = df["timestamp"]
    if ts.dtype == pl.Utf8:
        df = df.with_columns(pl.col("timestamp").str.to_date())
    elif ts.dtype in (pl.Datetime, pl.Date):
        df = df.with_columns(pl.col("timestamp").dt.date())

    return (
        df.select(["timestamp", asset_column, "prediction"])
        .group_by(["timestamp", asset_column])
        .agg(pl.col("prediction").mean().alias("prediction"))
        .sort([asset_column, "timestamp"])
    )


def load_demo_predictions(strategy_id: str, horizon: int, asset_column: str) -> pl.DataFrame | None:
    """Load prediction artifacts for live-demo notebooks.

    Searches committed model directories first, then falls back to the
    content-addressed registry (run_log/predictions/) which is the
    primary output of the model training pipeline. The registry fallback
    returns the sealed **holdout** split — the once-touched out-of-sample
    set — never validation, so a deployment export never ships predictions
    from the data used to select the model.
    """
    import os
    import sqlite3
    from pathlib import Path

    source_dir = get_case_study_source_dir(strategy_id)
    models_dir = source_dir / "models"
    candidates = [
        models_dir / "gbm" / f"fwd_ret_{horizon}d" / "predictions.parquet",
        models_dir / "linear" / f"fwd_ret_{horizon}d" / "predictions.parquet",
        models_dir / "deep_learning" / f"fwd_ret_{horizon}d" / "predictions.parquet",
        models_dir / "tabular_dl" / f"fwd_ret_{horizon}d" / "predictions.parquet",
    ]

    # Also check seeded predictions in ML4T_OUTPUT_DIR (CI / test mode)
    output_dir = os.environ.get("ML4T_OUTPUT_DIR", "")
    if output_dir:
        seeded_dir = Path(output_dir) / strategy_id / "models"
        candidates.append(seeded_dir / f"predictions_reg_{horizon}d.parquet")

    for path in candidates:
        if not path.exists():
            continue
        df = pl.read_parquet(path)
        has_time = "date" in df.columns or "timestamp" in df.columns
        has_entity = "asset" in df.columns or "symbol" in df.columns
        has_score = "y_score" in df.columns or "prediction" in df.columns
        if not (has_time and has_entity and has_score):
            continue
        return normalize_demo_predictions(df, asset_column)

    # Fall back to registry — export the sealed HOLDOUT prediction set, never
    # validation. A deployment bridge that exported validation predictions would
    # be backtesting on the data used to select the model (leakage). The holdout
    # is the once-touched out-of-sample set, so it is the only honest thing to
    # ship to an external backtester.
    #
    # Pick that holdout by the *selected winner*, not by raw IC: the selected configuration is
    # the cross-stage validation-Sharpe rank-1 config, pooling the selection
    # stages (signal/allocation/risk_overlay). cost_sensitivity is a
    # perturbation, not a selection axis, and the holdout stage is the sealed
    # set itself, so both are excluded. The winner's training run owns exactly
    # one holdout prediction set (the "one holdout per case study" rule), which
    # is what we export. This also derives the label/horizon from the winner
    # rather than trusting the caller's `horizon`. The IC-sorted query is kept
    # only as a fallback for case studies that have predictions but no backtest
    # stages recorded.
    registry_db = source_dir / "run_log" / "registry.db"
    if registry_db.exists():
        conn = sqlite3.connect(str(registry_db))
        pred_hash = None
        winner = conn.execute(
            """SELECT ps.training_hash
               FROM backtest_runs br
               JOIN backtest_metrics bm ON br.backtest_hash = bm.backtest_hash
               JOIN prediction_sets ps ON br.prediction_hash = ps.prediction_hash
               WHERE br.stage IN ('signal', 'allocation', 'risk_overlay')
               ORDER BY bm.sharpe DESC LIMIT 1""",
        ).fetchone()
        if winner:
            row = conn.execute(
                """SELECT prediction_hash FROM prediction_sets
                   WHERE training_hash = ? AND split = 'holdout'
                   ORDER BY prediction_hash LIMIT 1""",
                (winner[0],),
            ).fetchone()
            if row:
                pred_hash = row[0]
        if pred_hash is None:
            label = f"fwd_ret_{horizon}d"
            row = conn.execute(
                """SELECT ps.prediction_hash
                   FROM prediction_sets ps
                   JOIN training_runs tr ON ps.training_hash = tr.training_hash
                   JOIN prediction_metrics pm ON ps.prediction_hash = pm.prediction_hash
                   WHERE tr.label = ? AND ps.split = 'holdout'
                   ORDER BY pm.ic_mean DESC LIMIT 1""",
                (label,),
            ).fetchone()
            if row:
                pred_hash = row[0]
        conn.close()
        if pred_hash:
            pred_path = source_dir / "run_log" / "predictions" / pred_hash / "predictions.parquet"
            if pred_path.exists():
                df = pl.read_parquet(pred_path)
                return normalize_demo_predictions(df, asset_column)

    return None

```

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: MIT

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.