feat: Add backtest API endpoints for ML training and strategy testing

backend/app/api/endpoints/backtest.py

@@ -0,0 +1,275 @@
+"""
+백테스트 API 엔드포인트
+
+POST /api/backtest/generate-training-data  — ML 학습 데이터 생성
+POST /api/backtest/run                     — 전략 성과 백테스트
+POST /api/backtest/compare-presets         — 프리셋 비교
+POST /api/backtest/train-model             — 생성된 데이터로 ML 모델 학습
+"""
+
+import asyncio
+import logging
+from datetime import date, datetime
+from typing import Dict, List, Any, Optional
+
+from fastapi import APIRouter, HTTPException, BackgroundTasks
+from pydantic import BaseModel, Field
+
+from app.services.backtest_engine import (
+    BacktestEngine,
+    BacktestConfig,
+    TrainingDataConfig,
+    generate_training_data,
+)
+from app.services.ml_ensemble import get_ensemble
+from app.services.feature_engineering import prepare_training_data, db_data_to_dataframe, extract_features
+
+router = APIRouter()
+logger = logging.getLogger(__name__)
+
+# 전역 변수: 생성된 학습 데이터 임시 저장
+_cached_training_data: Optional[Dict[str, Any]] = None
+
+
+# ── Pydantic 스키마 ────────────────────────────────────────────────────────────
+
+class GenerateTrainingDataRequest(BaseModel):
+    stock_codes: List[str] = Field(..., description="대상 종목 코드 목록")
+    start_date: str = Field(..., description="시작일 (YYYY-MM-DD)")
+    end_date: str = Field(..., description="종료일 (YYYY-MM-DD)")
+    forward_days: int = Field(5, description="N일 후 수익률로 라벨링")
+    up_threshold: float = Field(0.03, description="UP 레이블 임계값 (e.g., 0.03 = +3%)")
+    down_threshold: float = Field(-0.03, description="DOWN 레이블 임계값 (e.g., -0.03 = -3%)")
+    min_samples_per_stock: int = Field(50, description="종목당 최소 샘플 수")
+
+
+class RunBacktestRequest(BaseModel):
+    stock_codes: List[str] = Field(..., description="대상 종목 코드")
+    start_date: str = Field(..., description="시작일 (YYYY-MM-DD)")
+    end_date: str = Field(..., description="종료일 (YYYY-MM-DD)")
+    initial_capital: float = Field(10_000_000, description="초기 자본")
+    strategy_params: Optional[Dict[str, Any]] = Field(None, description="전략 파라미터 (프리셋 값)")
+    max_positions: int = Field(5, description="최대 보유 종목 수")
+    position_size: float = Field(0.2, description="종목당 포지션 비율 (0.2 = 20%)")
+
+
+class ComparePresetsRequest(BaseModel):
+    stock_codes: List[str]
+    start_date: str
+    end_date: str
+    initial_capital: float = 10_000_000
+    presets: List[str] = Field(["conservative", "balanced", "aggressive"], description="비교할 프리셋 목록")
+
+
+# ── API 엔드포인트 ─────────────────────────────────────────────────────────────
+
+@router.post("/generate-training-data")
+async def api_generate_training_data(req: GenerateTrainingDataRequest) -> Dict[str, Any]:
+    """
+    ML 학습 데이터 생성 (TensorFlow/PyTorch 학습용)
+    
+    과거 데이터를 분석하여 "N일 후 +X% 상승 = UP" 형태로 라벨링합니다.
+    생성된 데이터는 /train-model 엔드포인트로 학습할 수 있습니다.
+    """
+    global _cached_training_data
+    
+    try:
+        start_date = datetime.strptime(req.start_date, "%Y-%m-%d").date()
+        end_date = datetime.strptime(req.end_date, "%Y-%m-%d").date()
+    except ValueError:
+        raise HTTPException(status_code=400, detail="날짜 형식 오류 (YYYY-MM-DD 형식 사용)")
+    
+    config = TrainingDataConfig(
+        stock_codes=req.stock_codes,
+        start_date=start_date,
+        end_date=end_date,
+        forward_days=req.forward_days,
+        up_threshold=req.up_threshold,
+        down_threshold=req.down_threshold,
+        min_samples_per_stock=req.min_samples_per_stock,
+    )
+    
+    result = await generate_training_data(config)
+    
+    if "error" in result:
+        raise HTTPException(status_code=500, detail=result["error"])
+    
+    # 데이터 캠싱 (CSV 다운로드용)
+    _cached_training_data = result
+    
+    # DataFrame을 직렬화할 수 없으므로 통계만 반환
+    return {
+        "total_samples": result["total_samples"],
+        "label_distribution": result["label_distribution"],
+        "config": result["config"],
+        "message": "학습 데이터 생성 완료. /train-model로 학습하거나 /download-training-data로 다운로드하세요."
+    }
+
+
+@router.get("/download-training-data")
+async def api_download_training_data():
+    """생성된 학습 데이터 CSV 다운로드"""
+    from fastapi.responses import StreamingResponse
+    import io
+    
+    if _cached_training_data is None or "data" not in _cached_training_data:
+        raise HTTPException(status_code=404, detail="생성된 데이터가 없습니다. 먼저 /generate-training-data를 호출하세요.")
+    
+    df = _cached_training_data["data"]
+    csv_buffer = io.StringIO()
+    df.to_csv(csv_buffer, index=False, encoding="utf-8-sig")
+    csv_buffer.seek(0)
+    
+    return StreamingResponse(
+        iter([csv_buffer.getvalue()]),
+        media_type="text/csv",
+        headers={"Content-Disposition": "attachment; filename=training_data.csv"}
+    )
+
+
+@router.post("/train-model")
+async def api_train_model(background_tasks: BackgroundTasks) -> Dict[str, Any]:
+    """
+    생성된 학습 데이터로 ML 모델 학습 (LightGBM + LSTM + RF)
+    
+    백그라운드에서 실행되며, /ml-ensemble/status로 진행 상황을 확인할 수 있습니다.
+    """
+    global _cached_training_data
+    
+    if _cached_training_data is None or "data" not in _cached_training_data:
+        raise HTTPException(status_code=400, detail="학습 데이터가 없습니다. 먼저 /generate-training-data를 호출하세요.")
+    
+    df = _cached_training_data["data"]
+    
+    # 피처와 레이블 분리
+    from app.services.feature_engineering import FEATURE_COLUMNS
+    X_tabular = df[FEATURE_COLUMNS].values
+    y = df["label"].values
+    
+    # LSTM 시퀀스는 간략화 (실제로는 시계열 데이터 필요)
+    # TODO: 실제 구현 시 db_data를 활용하여 X_seq 생성
+    X_seq = np.zeros((len(X_tabular), 60, 5))  # Placeholder
+    
+    async def train_task():
+        ensemble = get_ensemble()
+        metrics = await ensemble.train_async(X_tabular, X_seq, y)
+        logger.info(f"ML 모델 학습 완료: {metrics}")
+    
+    background_tasks.add_task(train_task)
+    
+    return {
+        "status": "training_started",
+        "message": "모델 학습이 백그라운드에서 실행 중입니다. /ml-ensemble/status로 확인하세요.",
+        "total_samples": len(X_tabular)
+    }
+
+
+@router.post("/run")
+async def api_run_backtest(req: RunBacktestRequest) -> Dict[str, Any]:
+    """
+    전략 성과 백테스트 실행
+    
+    과거 데이터로 전략을 실행하여 수익률, MDD, 승률 등을 계산합니다.
+    """
+    try:
+        start_date = datetime.strptime(req.start_date, "%Y-%m-%d").date()
+        end_date = datetime.strptime(req.end_date, "%Y-%m-%d").date()
+    except ValueError:
+        raise HTTPException(status_code=400, detail="날짜 형식 오류")
+    
+    config = BacktestConfig(
+        stock_codes=req.stock_codes,
+        start_date=start_date,
+        end_date=end_date,
+        initial_capital=req.initial_capital,
+        strategy_params=req.strategy_params,
+        max_positions=req.max_positions,
+        position_size=req.position_size,
+    )
+    
+    engine = BacktestEngine()
+    result = await engine.run_backtest(config)
+    
+    # BacktestResult를 dict로 변환
+    from dataclasses import asdict
+    return asdict(result)
+
+
+@router.post("/compare-presets")
+async def api_compare_presets(req: ComparePresetsRequest) -> Dict[str, Any]:
+    """
+    프리셋 비교 백테스트
+    
+    보수적/균형형/공격적 프리셋의 과거 성과를 비교합니다.
+    """
+    try:
+        start_date = datetime.strptime(req.start_date, "%Y-%m-%d").date()
+        end_date = datetime.strptime(req.end_date, "%Y-%m-%d").date()
+    except ValueError:
+        raise HTTPException(status_code=400, detail="날짜 형식 오류")
+    
+    # 프리셋 정의 (frontend/src/utils/strategyPresets.ts와 동기화)
+    PRESETS = {
+        "conservative": {
+            "name": "보수적",
+            "params": {
+                "MEAN_REVERSION_STOP_LOSS_PCT": -5.0,
+                "MEAN_REVERSION_TAKE_PROFIT_PCT": 8.0,
+                "MAX_TOTAL_POSITIONS": 3,
+                "MEAN_REVERSION_RSI_THRESHOLD": 25,
+            }
+        },
+        "balanced": {
+            "name": "균형형",
+            "params": {
+                "MEAN_REVERSION_STOP_LOSS_PCT": -6.0,
+                "MEAN_REVERSION_TAKE_PROFIT_PCT": 12.0,
+                "MAX_TOTAL_POSITIONS": 5,
+                "MEAN_REVERSION_RSI_THRESHOLD": 30,
+            }
+        },
+        "aggressive": {
+            "name": "공격적",
+            "params": {
+                "MEAN_REVERSION_STOP_LOSS_PCT": -8.0,
+                "MEAN_REVERSION_TAKE_PROFIT_PCT": 20.0,
+                "MAX_TOTAL_POSITIONS": 8,
+                "MEAN_REVERSION_RSI_THRESHOLD": 35,
+            }
+        },
+    }
+    
+    results = {}
+    
+    for preset_key in req.presets:
+        if preset_key not in PRESETS:
+            continue
+        
+        preset = PRESETS[preset_key]
+        config = BacktestConfig(
+            stock_codes=req.stock_codes,
+            start_date=start_date,
+            end_date=end_date,
+            initial_capital=req.initial_capital,
+            strategy_params=preset["params"],
+            max_positions=preset["params"]["MAX_TOTAL_POSITIONS"],
+        )
+        
+        engine = BacktestEngine()
+        result = await engine.run_backtest(config)
+        
+        results[preset_key] = {
+            "name": preset["name"],
+            "total_return_pct": result.total_return_pct,
+            "mdd_pct": result.mdd_pct,
+            "win_rate": result.win_rate,
+            "sharpe_ratio": result.sharpe_ratio,
+            "total_trades": result.total_trades,
+            "equity_curve": result.equity_curve,
+        }
+    
+    return {
+        "presets": results,
+        "period": f"{req.start_date} ~ {req.end_date}",
+        "stock_count": len(req.stock_codes),
+    }