library(randomForest)


#алгоритм предварительной обработки цен
#0: без изменений
#1: шкалирование в 0-1
#2: приросты
DATA_PREPARATION_TYPE <- 1

#сколько бар используется в каждом обучающем примере
BARS_PER_SAMPLE <- 400

#примерно 4 месяца данных на обучение
TRAIN_NROW <- round(252 * 24 / 12 * 4)

#1 неделя на торговлю на новых данных
FRONTTEST_NROW <- 24 * 5

#сколько раз создавать модели со случайными параметрами на данных из случайного отрезка времени
N_TEST <- 1000

ratesTable <- read.csv("eurusd_h1_4y.csv", sep = ";")

target <- c(diff(ratesTable[, "Open"]), 0)
#Если бы использовалось что-то из High,Low,Close - цель должа бы отставать на 2 бара, так как текущий бар не до конца сформирован, и содержит правильной только цену открытия.
#Предсказания на новых данных следовало бы делать используя предпоследний бар
#target <- c(diff(ratesTable[,"Open"])[-1], 0, 0)

target[target >= 0] <- 1
target[target <  0] <- 0
ratesTable <- data.frame(open = ratesTable[, "Open"], target)

trainTable <-
  matrix(NA,
         nrow = nrow(ratesTable) - BARS_PER_SAMPLE + 1,
         ncol = BARS_PER_SAMPLE + 1)

for (ratesTableRowIt in BARS_PER_SAMPLE:nrow(ratesTable)) {
  startRow <- ratesTableRowIt - BARS_PER_SAMPLE + 1
  endRow <- ratesTableRowIt
  trainTable[ratesTableRowIt - BARS_PER_SAMPLE + 1, 1:BARS_PER_SAMPLE] <-
    ratesTable[startRow:endRow, "open"]
  trainTable[ratesTableRowIt - BARS_PER_SAMPLE + 1, BARS_PER_SAMPLE + 1] <-
    ratesTable[ratesTableRowIt, "target"]
}

Normalize_0_1 <- function(data) {
  dataMin <- min(data)
  dataMax <- max(data)
  return((data - dataMin) / (dataMax - dataMin))
}

if (DATA_PREPARATION_TYPE == 1) {
  for (trainTableRowIt in 1:nrow(trainTable)) {
    trainTable[trainTableRowIt, 1:BARS_PER_SAMPLE] <-
      Normalize_0_1(trainTable[trainTableRowIt, 1:BARS_PER_SAMPLE])
  }
} else if (DATA_PREPARATION_TYPE == 2) {
  for (trainTableRowIt in 1:nrow(trainTable)) {
    trainTable[trainTableRowIt, 2:BARS_PER_SAMPLE] <-
      diff(trainTable[trainTableRowIt, 1:BARS_PER_SAMPLE])
    trainTable[trainTableRowIt, 1] <- 0
  }
}


trainTable <- as.data.frame(trainTable)
colnames(trainTable) <-
  c(paste0("open", BARS_PER_SAMPLE:1), "target")


#функция принимает данные, и возварщает обученную модель. Сюда для исследвания нужно подставлять разные алгоритмы обучения
TrainModel <- function(data, modelParameter1, modelParameter2) {
  tryCatch({
    model <-
     randomForest(target ~ .,
                  data = data,
                  ntree = modelParameter1,
                  mtry = modelParameter2)
    
    # #например нейронка вместо леса
    # library(nnet)
    # model <-
    #   nnet(
    #     x = data[, 1:(ncol(data) - 1)],
    #     y = data[, ncol(data)],
    #     entropy = TRUE,
    #     maxit = modelParameter1, 
    #     MaxNWts = 1000000,
    #     skip = (modelParameter2 == 1),
    #     size = modelParameter2-1,
    #     trace = FALSE
    #   )
    return(model)
  }, error = function(e) {
    
  })
  
  return(NULL)
}

scoreTable <- matrix(NA, ncol=2, nrow=0)

for (testIt in 1:N_TEST) {
  trainStartIndex <-
    round(runif(
      1,
      min = 1,
      max = nrow(trainTable) - TRAIN_NROW - FRONTTEST_NROW + 1
    ))
  trainEndIndex   <- trainStartIndex + TRAIN_NROW - 1
  
  fronttestStartIndex <- trainEndIndex + 1
  fronttestEndIndex   <- fronttestStartIndex + FRONTTEST_NROW - 1
  
  modelParam1 <- round(runif(1, min = 1, max = 10))
  modelParam2 <- round(runif(1, min = 1, max = 5))
  
  model <- TrainModel(trainTable[trainStartIndex:trainEndIndex,], modelParam1, modelParam2)
  if(is.null(model)){
    next
  }
  
  predictionForTrain <- predict(model, trainTable[trainStartIndex:trainEndIndex,])
  predictionForTrain[predictionForTrain >= 0.5] <- 1
  predictionForTrain[predictionForTrain <  0.5] <- 0
  accuracyForTrain <- mean(predictionForTrain == trainTable[trainStartIndex:trainEndIndex, BARS_PER_SAMPLE+1])
  
  predictionForFronttest <- predict(model, trainTable[fronttestStartIndex:fronttestEndIndex,])
  predictionForFronttest[predictionForTrain >= 0.5] <- 1
  predictionForFronttest[predictionForTrain <  0.5] <- 0
  accuracyForFronttest <- mean(predictionForFronttest == trainTable[fronttestStartIndex:fronttestEndIndex, BARS_PER_SAMPLE+1])
  
  scoreTable <- rbind(scoreTable, c(accuracyForTrain, accuracyForFronttest))
  
  cat("Test", testIt, "result:", accuracyForTrain, "/", accuracyForFronttest, "\n")
}

#Результат близкий к 0 - плохо
#Близкий к -1 или 1 - хорошо
cat("Train and fronttest correlation: ", cor(scoreTable)[1,2], "\n")