fix: load_model on hugging face instead mlflow & add some backtest params

const.py

@@ -20,6 +20,23 @@
 PROBA_THRESHOLD: float = 0.51
 PROBA_MIN:       float = 0.50
 
+
+# MANAGEMENT COST
+
+TRANSACTION_COST:  float = 0.0010
+MANAGEMENT_FEE_ANNUAL: float = 0.02
+MIN_STOCKS_OPTIM:  int = 3
+MAX_STOCKS_SELECT: int = 10
+WEIGHT_BOUNDS:     tuple = (0.03, 0.20)
+
+SHARPE_THRESHOLD: float = 0.30
+MAX_DD_THRESHOLD: float = -0.40
+
+BACKTEST_YEARS: int = 2
+
+
+# FEATURES
+
 FEATURE_COLS: list[str] = [
     "rsi_lag1", "macd_lag1", "bb_low_lag1", "bb_mid_lag1",
     "bb_high_lag1", "atr_lag1", "cluster_lag1",
@@ -64,15 +81,6 @@
     "euro_volume", "volume", "open", "high", "low", "close",
 ]
 
-TRANSACTION_COST:  float = 0.0010
-MIN_STOCKS_OPTIM:  int = 3
-MAX_STOCKS_SELECT: int = 10
-WEIGHT_BOUNDS:     tuple = (0.03, 0.20)
-
-SHARPE_THRESHOLD: float = 0.30
-MAX_DD_THRESHOLD: float = -0.40
-
-BACKTEST_YEARS: int = 2
 
 FEATURE_GROUPS = {
     "momentum": [

src/models/model_loader.py

@@ -19,10 +19,8 @@
 from pathlib import Path
 from typing import Any, Optional
 
-import mlflow
 from dotenv import load_dotenv
-from mlflow.exceptions import MlflowException
-from mlflow.tracking import MlflowClient
+from huggingface_hub import hf_hub_download
 
 from const import MODEL_DIR
 from src.utils.logger import setup_logger
@@ -32,50 +30,56 @@
 
 
 # =============================================================================
-# CONFIGURATION
+# CONFIG
 # =============================================================================
 
-MLFLOW_TRACKING_URI = "https://soradata-alphaedge-registry.hf.space"
-MLFLOW_USERNAME = "SORADATA"
-CHAMPION_ALIAS = "champion"
+HF_REPO_ID = "soradata/alphaedge-data"
 LOCAL_MODEL_FILENAME = "ensemble_model.pkl"
 
+
 HF_TOKEN = os.getenv("HF_TOKEN")
-USE_MLFLOW = bool(HF_TOKEN)
+USE_HF_HUB = bool(HF_TOKEN)
 
-if USE_MLFLOW:
-    os.environ["MLFLOW_TRACKING_USERNAME"] = MLFLOW_USERNAME
-    os.environ["MLFLOW_TRACKING_PASSWORD"] = HF_TOKEN
-    mlflow.set_tracking_uri(MLFLOW_TRACKING_URI)
-    logger.info(f"MLflow activé pour le chargement du champion — tracking URI : {MLFLOW_TRACKING_URI}")
+if USE_HF_HUB:
+    logger.info(f"Hugging Face activé pour le chargement du champion depuis : {HF_REPO_ID}")
 else:
     logger.warning("HF_TOKEN absent — chargement en mode local uniquement.")
 
-
 # =============================================================================
-# CHARGEMENT DEPUIS MLFLOW
+# CHARGEMENT DEPUIS HUGGING FACE HUB
 # =============================================================================
 
-def _load_champion_from_mlflow(market_name: str) -> Optional[Any]:
+
+def _load_champion_from_hf_hub(market_name: str) -> Optional[Any]:
     """
-    Charge le modèle aliasé 'champion' depuis le MLflow Model Registry.
+    Charge le modèle 'champion' depuis le dataset persistant Hugging Face.
     Retourne None en cas d'échec (le fallback local prend alors le relais).
     """
-    registered_model_name = f"AlphaEdge_Ensemble_{market_name}"
-    model_uri = f"models:/{registered_model_name}@{CHAMPION_ALIAS}"
+    hf_filename = f"models/{market_name}/champion.pkl"
     try:
-        model = mlflow.pyfunc.load_model(model_uri)
-        logger.info(f"[{market_name}] Champion chargé depuis MLflow : {model_uri}")
+        local_path = hf_hub_download(
+            repo_id=HF_REPO_ID,
+            repo_type="dataset",
+            filename=hf_filename,
+            token=HF_TOKEN
+        )
+
+        with open(local_path, "rb") as f:
+            model = pickle.load(f)
+
+        logger.info(f"[{market_name}] Champion chargé depuis Hugging Face Hub : {hf_filename}")
         return model
-    except MlflowException as exc:
-        logger.warning(f"[{market_name}] Impossible de charger le champion MLflow ({model_uri}) : {exc}")
+    except Exception as exc:
+        logger.warning(
+            f"[{market_name}] Impossible de charger le champion depuis HF Hub ({hf_filename}) : {exc}"
+            )
         return None
 
-
 # =============================================================================
 # CHARGEMENT DEPUIS LE FALLBACK LOCAL
 # =============================================================================
 
+
 def _local_model_path(market_name: str) -> Path:
     return MODEL_DIR / market_name / LOCAL_MODEL_FILENAME
 
@@ -97,9 +101,6 @@ def _load_champion_from_local(market_name: str) -> Optional[Any]:
         logger.info(f"[{market_name}] Modèle chargé depuis le fallback local : {local_path}")
         return model
     except (pickle.UnpicklingError, EOFError, AttributeError, ModuleNotFoundError) as exc:
-        # Ces erreurs signalent typiquement un fichier corrompu ou une
-        # incompatibilité de version entre l'environnement d'entraînement
-        # et celui d'inférence (classe déplacée/renommée, version sklearn...).
         logger.error(f"[{market_name}] Fichier pickle illisible ou incompatible ({local_path}) : {exc}")
         return None
 
@@ -121,15 +122,15 @@ def load_champion(market_name: str) -> Any:
     Lève une exception si aucun modèle n'est disponible : le pipeline
     ne doit jamais tourner sans modèle.
     """
-    model = _load_champion_from_mlflow(market_name) if USE_MLFLOW else None
+    model = _load_champion_from_hf_hub(market_name) if USE_HF_HUB else None
 
     if model is None:
         model = _load_champion_from_local(market_name)
 
     if model is None:
         raise RuntimeError(
             f"[{market_name}] Aucun modèle champion disponible "
-            "(ni MLflow, ni local). Impossible de générer les signaux."
+            "(ni SUR hf hub, ni local). Impossible de générer les signaux."
         )
 
     return model
@@ -139,13 +140,12 @@ def clear_champion_cache(market_name: Optional[str] = None) -> None:
     """
     Vide le cache de load_champion.
 
-    Utile après une nouvelle promotion (le champion vient de changer sur
-    MLflow) ou dans les tests, pour forcer un rechargement.
-    Note : lru_cache ne permet pas d'invalider une seule clé nativement,
-    donc on vide tout le cache quel que soit `market_name` fourni.
+   Utile après un nouvel entraînement local (le modèle vient de changer) 
+    ou dans les tests, pour forcer un rechargement.
+
     """
     load_champion.cache_clear()
     if market_name:
         logger.info(f"[{market_name}] Cache du champion invalidé.")
     else:
-        logger.info("Cache du champion invalidé pour tous les marchés.")
+        logger.info("Cache du champion invalidé pour tous les marchés.")

src/models/train.py

@@ -30,6 +30,7 @@
 from src.models.ensemble import AlphaEdgeEnsemble
 from src.utils.logger import setup_logger
 from src.utils.metrics import calculate_financial_metrics
+from huggingface_hub import HfApi
 
 
 load_dotenv()
@@ -307,9 +308,26 @@ def _log_and_promote_to_mlflow(
             )
 
             if promote:
+                # Promote Mlflow ui
                 client.set_registered_model_alias(registered_model_name, "champion", model_version.version)
                 result.promoted = True
                 logger.info(f"[{market_name}] PROMOTION v{model_version.version} — {reason}")
+                try:
+                    api = HfApi()
+                    # Save on HF
+                    local_model_path = MODEL_DIR / market_name / "ensemble_model.pkl"
+
+                    api.upload_file(
+                        path_or_fileobj=str(local_model_path),
+                        path_in_repo=f"models/{market_name}/champion.pkl",
+                        repo_id="soradata/alphaedge-data",
+                        repo_type="dataset",
+                        token=HF_TOKEN
+                    )
+                    logger.info(f"[{market_name}] Modèle persistant sauvegardé sur HF Hub ( soradata/alphaedge-data) ")
+                except Exception as e:
+                    logger.error(f"[{market_name}] Sync faillure on Hf Hub : {e}")
+
             else:
                 logger.warning(f"[{market_name}] CHALLENGER REJETÉ — {reason}")