# source: https://raw.githubusercontent.com/RoboticAutomations/freqtradestrategies/52c4bd40414645f079a980cf4486dc7af4061efb/AIRA%20-%20open%20code%20v2/strategies/cycle-oscillators/GEAR.py # directory_url: https://github.com/RoboticAutomations/freqtradestrategies/blob/main/AIRA - open code v2/strategies/cycle-oscillators/ # User: RoboticAutomations # Repository: freqtradestrategies # --------------------# Creador> Gregorio.exe (@DickMan16) """ Github_RoboticAutomations_freqtradestrategies__GEAR__20260915_233254 — estrategia FIEL al 'ift_zlrsi_fast_clean' de Gregorio (baseline latch 0.85). ============================================================================================ Indicador: IFT( RSI( ZLEMA(close) ) ) -> oscilador [-1,1] (calco fiel, night_pv/ift_core.py). LIMPIEZA = 'clean latch' con umbral fijo 0.85 (baseline de Gregorio, mantiene el ÚLTIMO extremo (|ift|>=0.85) y ffill -> una ONDA CUADRADA (escalera). Su SIGNO es el estado: +1 = último extremo de SOBRECOMPRA, -1 = último extremo de SOBREVENTA. La señal ES el estado (no hay umbrales que cruzar en una onda cuadrada): reversión a la media, como en ift_core (valle del oscilador -> long, pico -> short). Entra en la barra donde el estado FLIPEA. Todo causal (latch = ffill del pasado), sin repintado (verificado por truncación). ⚠ Se prueba la calidad del indicador antes su comportamiento en todos los regimenes de mercado, continuar con el refinamiento de tanh(k·x³/(x²+δ²)) ya que aveces no define estados. """ from __future__ import annotations import numpy as np import pandas as pd import talib from pandas import DataFrame from freqtrade.strategy import IStrategy, DecimalParameter, IntParameter, BooleanParameter class Github_RoboticAutomations_freqtradestrategies__GEAR__20260915_233254(IStrategy): INTERFACE_VERSION = 3 timeframe = "15m" can_short = True startup_candle_count = 300 process_only_new_candles = True use_exit_signal = True exit_profit_only = False # ── Riesgo: defaults CONSERVADORES — REFINAR con backtest ────────────────── stoploss = -0.06 minimal_roi = {"0": 0.03, "40": 0.015, "120": 0.0} trailing_stop = False # ── Indicador ift_zlrsi + latch baseline (hyperopt-able) ─────────────────── zlema_period = IntParameter(2, 6, default=3, space="buy", optimize=True) rsi_period = IntParameter(5, 14, default=7, space="buy", optimize=True) latch_thresh = DecimalParameter(0.70, 0.95, default=0.85, decimals=2, space="buy", optimize=True) # dirección: True = reversión a la media (fade extremos: sobreventa->long). False = momentum. mean_reversion = BooleanParameter(default=True, space="buy", optimize=False) # REFINAMIENTO opt-in (fase 2): umbral por envolvente adaptativa (mata ranciedad). Default OFF = fiel al baseline. use_envelope = BooleanParameter(default=False, space="buy", optimize=False) env_frac = DecimalParameter(0.45, 0.90, default=0.70, decimals=2, space="buy", optimize=True) env_floor = DecimalParameter(0.20, 0.55, default=0.35, decimals=2, space="buy", optimize=True) env_win = IntParameter(60, 240, default=120, space="buy", optimize=True) # REFINAMIENTO opt-in (fase 2): squash ZONA-MUERTA tanh(k·x³/(x²+δ²)) — cosmético (nitidez/ruido), no crea edge. use_deadzone = BooleanParameter(default=False, space="buy", optimize=False) dz_k = DecimalParameter(0.30, 1.20, default=0.60, decimals=2, space="buy", optimize=True) dz_delta = DecimalParameter(0.80, 2.50, default=1.50, decimals=2, space="buy", optimize=True) # Leverage fijo conservador. 40x = validar liquidación aparte. leverage_value = 3.0 # ========================================================================= # ift_zlrsi — calco fiel de Gregorio (ZLEMA -> RSI -> Inverse Fisher). Causal. # ========================================================================= @staticmethod def _ift_zlrsi(close: pd.Series, zlema_period: int, rsi_period: int, dz_k: float = None, dz_delta: float = 1.5) -> pd.Series: lag = (int(zlema_period) - 1) // 2 zlema_adj = 2.0 * close - close.shift(lag) # zero-lag EMA (adelanta) zlema = talib.EMA(zlema_adj.to_numpy(dtype=float), timeperiod=int(max(2, zlema_period))) rsi = talib.RSI(zlema, timeperiod=int(max(2, rsi_period))) x = np.clip((rsi / 100.0) * 10.0 - 5.0, -5.0, 5.0) # RSI -> [-5, 5] if dz_k is not None: # ZONA-MUERTA (fisher-mod, opt-in): tanh(k·x³/(x²+δ²)) — chato cerca de 0 (mata ruido/jitter), # agudo en los extremos. Autocontenida (no necesita el UKF). COSMÉTICO: desacopla nitidez de # ruido pero NO crea edge (empata al IFT plano en 15m real, ver fisher-mod). arg = float(dz_k) * (x ** 3) / (x ** 2 + float(dz_delta) ** 2 + 1e-12) ift = np.tanh(arg) else: ift = np.tanh(x) # IFT PLANO = (e^{2x}-1)/(e^{2x}+1). Baseline Gregorio. return pd.Series(ift, index=close.index).fillna(0.0) @staticmethod def _clean_latch(ift: pd.Series, thresh: float) -> pd.Series: """BASELINE Gregorio: mantiene el último extremo (|ift|>=thresh) y ffill. Onda cuadrada. Causal.""" ext = ift.abs() >= float(thresh) return ift.where(ext).ffill().fillna(0.0) @staticmethod def _clean_latch_envelope(ift: pd.Series, frac: float, floor: float, win: int) -> pd.Series: """REFINAMIENTO opt-in: umbral = max(floor, frac·envolvente_trailing(|ift|)) — mata ranciedad. Causal.""" env = ift.abs().rolling(int(win), min_periods=1).max() thr = np.maximum(float(floor), float(frac) * env.to_numpy()) ext = ift.abs().to_numpy() >= thr return ift.where(pd.Series(ext, index=ift.index)).ffill().fillna(0.0) def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame: c = dataframe["close"].astype(float) _dzk = self.dz_k.value if self.use_deadzone.value else None ift = self._ift_zlrsi(c, self.zlema_period.value, self.rsi_period.value, dz_k=_dzk, dz_delta=self.dz_delta.value) if self.use_envelope.value: latch = self._clean_latch_envelope(ift, self.env_frac.value, self.env_floor.value, self.env_win.value) else: latch = self._clean_latch(ift, self.latch_thresh.value) dataframe["ift_zlrsi"] = ift dataframe["ift_latch"] = latch # onda cuadrada (escalera) dataframe["ift_state"] = np.sign(latch.to_numpy()) # +1 sobrecompra-últ / -1 sobreventa-últ return dataframe def _flips(self, dataframe: DataFrame): """Barras donde el ESTADO flipea (la señal en una onda cuadrada). Causal (usa i e i-1).""" st = dataframe["ift_state"] prev = st.shift(1).fillna(0.0) to_os = (st < 0) & (prev >= 0) # nuevo extremo de SOBREVENTA to_ob = (st > 0) & (prev <= 0) # nuevo extremo de SOBRECOMPRA return to_os, to_ob def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame: to_os, to_ob = self._flips(dataframe) vol = dataframe["volume"] > 0 if self.mean_reversion.value: # fade: sobreventa -> LONG, sobrecompra -> SHORT (como ift_core) long_sig, short_sig = to_os, to_ob else: # momentum: sobrecompra -> LONG, sobreventa -> SHORT long_sig, short_sig = to_ob, to_os dataframe.loc[long_sig & vol, ["enter_long", "enter_tag"]] = (1, "ift_state_long") dataframe.loc[short_sig & vol, ["enter_short", "enter_tag"]] = (1, "ift_state_short") return dataframe def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame: to_os, to_ob = self._flips(dataframe) # Sale al flip OPUESTO (stop-and-reverse) — el mismo evento que abre la contraria. if self.mean_reversion.value: dataframe.loc[to_ob, ["exit_long", "exit_tag"]] = (1, "ift_flip_ob") dataframe.loc[to_os, ["exit_short", "exit_tag"]] = (1, "ift_flip_os") else: dataframe.loc[to_os, ["exit_long", "exit_tag"]] = (1, "ift_flip_os") dataframe.loc[to_ob, ["exit_short", "exit_tag"]] = (1, "ift_flip_ob") return dataframe def leverage(self, pair: str, current_time, current_rate: float, proposed_leverage: float, max_leverage: float, entry_tag, side: str, **kwargs) -> float: return float(min(self.leverage_value, max_leverage)) plot_config = { "main_plot": {}, "subplots": { "IFT ZLRSI + latch 0.85 (baseline · onda cuadrada) — la señal es el ESTADO": { "ift_zlrsi": {"color": "#9e9e9e", "width": 2}, }, "latch 0.85 ": { "ift_latch": {"color": "#e91e63", "width": 2}, }, "IFT ZLRSI": { "ift_state": {"color": "#3949ab", "width": 2}, }, }, }