Pipeline

Phases du Pipeline

Phase 1: Préparation des Données

Étape	Outils/Méthodes	Description
Chargement	pd.read_csv()	Import du dataset Bitcoin avec parsing automatique des dates
Nettoyage	pd.dropna() + Masques booléens	Gestion des valeurs manquantes et outliers
Feature Engineering	Volatilité, MACD, Lags Fear_Greed	Création de 15+ indicateurs techniques et décalages temporels
Analyse Univariée	KPSS, ADFuller, ACF/PACF	Tests de stationnarité et analyse d’autocorrélation
Analyse Bivariée	Matrice de corrélation, Lag Analysis	Identification des relations entre features et target
Préprocessing	RobustScaler()	Normalisation robuste aux outliers

Phase 2: Modélisation et Optimisation

Étape	Outils/Méthodes	Description
Création de Séquences	SequenceTransformer	Transformation en séquences temporelles (60 jours)
Split Temporel	TimeSeriesSplit(n_splits=5)	Validation croisée temporelle (80/20)
Architecture Modèle	build_advanced_model()	CNN-LSTM avec couches configurables
Optimisation Hyperparamètres	Optuna (50 essais)	Recherche automatique des meilleurs paramètres (unités, couches, dropout)
Callbacks Intelligents	EarlyStopping, ReduceLROnPlateau	Arrêt précoce et ajustement dynamique du learning rate
Entraînement Final	Adam optimizer, Huber loss	Entraînement sur données complètes (300 epochs)

Phase 3: Évaluation

Étape	Outils/Méthodes	Description
Inverse Scaling	Matrices Dummy + scaler.inverse_transform	Transformation des prédictions en USD
Nettoyage des Données	Masque booléen + np.isnan()	Filtrage des valeurs aberrantes et NaN
Visualisation	matplotlib, plotly	Comparaison graphique prix réel vs prédictions (données nettoyées)
Métriques de Performance	MAE, RMSE, Directionnal Accuracy	Calcul des erreurs en USD et précision directionnelle
Sauvegarde	model.save() + joblib	Export du modèle et du pipeline de préprocessing