Update main.py

main.py

@@ -1,116 +1,133 @@
-from fastapi import FastAPI
-from pydantic import BaseModel
-import yfinance as yf
-import ta 
-import pandas as pd
-import numpy as np
-from tensorflow.keras.models import load_model
-import joblib
-import warnings
-warnings.filterwarnings('ignore')
-
-app = FastAPI()
-
-# 1. CARGAR TODOS LOS CEREBROS EN LA MEMORIA RAM DEL SERVIDOR
-print("Cargando el Multiverso de IA...")
-MODELOS = {}
-
-# Configuramos la ruta de los archivos que subiste
-CONFIG = {
-    "ORO": {"ticker": "GC=F", "modelo": "cerebro_oro.keras", "scaler": "scaler_oro.pkl"},
-    "NVDA": {"ticker": "NVDA", "modelo": "cerebro_nvda.keras", "scaler": "scaler_nvda.pkl"},
-    "WTI": {"ticker": "CL=F", "modelo": "cerebro_wti.keras", "scaler": "scaler_wti.pkl"},
-    "NASDAQ": {"ticker": "^NDX", "modelo": "cerebro_nasdaq.keras", "scaler": "scaler_nasdaq.pkl"}
-}
-
-# Bucle que enciende las 4 IAs automáticamente
-for activo, config in CONFIG.items():
-    try:
-        MODELOS[activo] = {
-            "ticker": config["ticker"],
-            "modelo": load_model(config["modelo"]),
-            "escalador": joblib.load(config["scaler"])
-        }
-        print(f"✅ {activo} cargado listo para operar.")
-    except Exception as e:
-        print(f"⚠️ Faltan archivos para {activo}. Error: {e}")
-
-class PredictionRequest(BaseModel):
-    symbol: str
-
-@app.post("/predecir")
-def predecir_mercado(req: PredictionRequest):
-    activo_solicitado = req.symbol.upper()
-    
-    # El Traductor Universal que hicimos antes
-    traductor = {
-        "GC=F": "ORO", "XAUUSD=X": "ORO", "ORO": "ORO",
-        "NVDA": "NVDA",
-        "CL=F": "WTI", "WTI": "WTI",
-        "^IXIC": "NASDAQ", "^NDX": "NASDAQ", "NQ=F": "NASDAQ", "NASDAQ": "NASDAQ"
-    }
-    
-    if activo_solicitado not in traductor:
-        return {"error": f"Activo no soportado. Usa uno de estos: {list(MODELOS.keys())}"}
-    
-    id_activo = traductor[activo_solicitado]
-    
-    # Si el archivo no subió bien, evitamos que crashee
-    if id_activo not in MODELOS:
-        return {"error": f"El modelo de {id_activo} no se cargó correctamente en el servidor."}
-
-    ticker = MODELOS[id_activo]["ticker"] 
-    modelo = MODELOS[id_activo]["modelo"]
-    escalador = MODELOS[id_activo]["escalador"]
-    
-    # 🎯 Obtener Precio Vivo
-    try:
-        df_minuto = yf.download(ticker, period="1d", interval="1m", progress=False)
-        if isinstance(df_minuto.columns, pd.MultiIndex):
-            df_minuto.columns = df_minuto.columns.droplevel(1)
-        precio_actual = float(df_minuto['Close'].dropna().iloc[-1])
-    except:
-        precio_actual = 0.0 
-    
-    # 🧠 Obtener Datos para IA
-    df = yf.download(ticker, period="150d", interval="1d", progress=False, auto_adjust=True)
-    if isinstance(df.columns, pd.MultiIndex):
-        df.columns = df.columns.droplevel(1)
-
-    for col in ['Open', 'High', 'Low', 'Close', 'Volume']:
-        df[col] = df[col].astype(float)
-
-    if precio_actual == 0.0:
-        precio_actual = float(df['Close'].dropna().iloc[-1])
-
-    # Calcular Indicadores (Usando la librería 'ta')
-    df['SMA_20'] = ta.trend.sma_indicator(df['Close'], window=20)
-    df['SMA_50'] = ta.trend.sma_indicator(df['Close'], window=50)
-    df['RSI_14'] = ta.momentum.rsi(df['Close'], window=14)
-    df['MACD'] = ta.trend.macd(df['Close'])
-    df['MACD_Signal'] = ta.trend.macd_signal(df['Close'])
-    df['ATR_14'] = ta.volatility.average_true_range(df['High'], df['Low'], df['Close'], window=14)
-    
-    df.dropna(inplace=True)
-
-    # Preparar matriz final
-    features = ['Open', 'High', 'Low', 'Close', 'Volume', 'SMA_20', 'SMA_50', 'RSI_14', 'MACD', 'MACD_Signal', 'ATR_14']
-    X_live = df.tail(60)[features].values.astype(np.float32)
-
-    X_scaled = escalador.transform(X_live)
-    X_reshaped = np.reshape(X_scaled, (1, 60, len(features)))
-
-    # Predicción
-    prediccion = float(modelo.predict(X_reshaped, verbose=0)[0][0])
-    
-    decision = "LONG (COMPRAR)" if prediccion > 0.5 else "SHORT (VENDER/ESPERAR)"
-    confianza = round(prediccion * 100, 2) if prediccion > 0.5 else round((1 - prediccion) * 100, 2)
-    
-    return {
-        "symbol": req.symbol,
-        "ticker_ia": ticker,
-        "precio_actual": precio_actual,  
-        "decision_ia": decision,
-        "confianza": f"{confianza}%",
-        "probabilidad_matematica": prediccion
+from fastapi import FastAPI
+from pydantic import BaseModel
+import yfinance as yf
+import ta 
+import pandas as pd
+import numpy as np
+from tensorflow.keras.models import load_model
+import joblib
+import warnings
+import os
+
+warnings.filterwarnings('ignore')
+
+app = FastAPI()
+
+print("🚀 Servidor FastAPI encendido. Esperando peticiones de n8n...")
+
+# =========================================================
+# 🚨 TRUCO ANTI-CRASH: Arrancamos con la RAM vacía
+# =========================================================
+MODELOS = {}
+
+# IMPORTANTE: Revisa que estos nombres coincidan EXACTAMENTE con los que subiste
+CONFIG = {
+    "ORO": {"ticker": "GC=F", "modelo": "cerebro_oro_v1.keras", "scaler": "scaler_oro_v1.pkl"},
+    "NVDA": {"ticker": "NVDA", "modelo": "cerebro_nvidia_v1.keras", "scaler": "scaler_nvda.pkl"},
+    "WTI": {"ticker": "CL=F", "modelo": "cerebro_wti.keras", "scaler": "scaler_wti.pkl"},
+    "NASDAQ": {"ticker": "^NDX", "modelo": "cerebro_nasdaq.keras", "scaler": "scaler_nasdaq.pkl"}
+}
+
+# 🚨 NUEVO: El servidor ahora espera recibir el símbolo y el sentimiento
+class PredictionRequest(BaseModel):
+    symbol: str
+    sentimiento: float = 0.0  # Si n8n no manda nada, asume Neutral (0.0)
+
+@app.post("/predecir")
+def predecir_mercado(req: PredictionRequest):
+    activo_solicitado = req.symbol.upper()
+    
+    traductor = {
+        "GC=F": "ORO", "XAUUSD=X": "ORO", "ORO": "ORO",
+        "NVDA": "NVDA",
+        "CL=F": "WTI", "WTI": "WTI", "USOIL": "WTI",
+        "^IXIC": "NASDAQ", "^NDX": "NASDAQ", "NQ=F": "NASDAQ", "NASDAQ": "NASDAQ"
+    }
+    
+    if activo_solicitado not in traductor:
+        return {"error": f"Activo no soportado. Usa uno de estos: {list(CONFIG.keys())}"}
+    
+    id_activo = traductor[activo_solicitado]
+    
+    # =========================================================
+    # 🚨 LAZY LOADING: Solo carga la IA a la RAM si n8n la pide
+    # =========================================================
+    if id_activo not in MODELOS:
+        print(f"🧠 Despertando IA de {id_activo} por primera vez...")
+        
+        archivo_mod = CONFIG[id_activo]["modelo"]
+        archivo_scl = CONFIG[id_activo]["scaler"]
+        
+        if not os.path.exists(archivo_mod) or not os.path.exists(archivo_scl):
+            return {"error": f"¡Falta el archivo {archivo_mod} o {archivo_scl} en Hugging Face!"}
+            
+        try:
+            MODELOS[id_activo] = {
+                "ticker": CONFIG[id_activo]["ticker"],
+                "modelo": load_model(archivo_mod),
+                "escalador": joblib.load(archivo_scl)
+            }
+        except Exception as e:
+            return {"error": f"Error al cargar la IA de {id_activo}: {str(e)}"}
+
+    ticker = MODELOS[id_activo]["ticker"] 
+    modelo = MODELOS[id_activo]["modelo"]
+    escalador = MODELOS[id_activo]["escalador"]
+    
+    # 🎯 Obtener Precio Vivo
+    try:
+        df_minuto = yf.download(ticker, period="1d", interval="1m", progress=False)
+        if isinstance(df_minuto.columns, pd.MultiIndex):
+            df_minuto.columns = df_minuto.columns.droplevel(1)
+        precio_actual = float(df_minuto['Close'].dropna().iloc[-1])
+    except:
+        precio_actual = 0.0 
+    
+    # 🧠 Obtener Datos para IA
+    df = yf.download(ticker, period="150d", interval="1d", progress=False, auto_adjust=True)
+    if isinstance(df.columns, pd.MultiIndex):
+        df.columns = df.columns.droplevel(1)
+
+    for col in ['Open', 'High', 'Low', 'Close', 'Volume']:
+        df[col] = df[col].astype(float)
+
+    if precio_actual == 0.0:
+        precio_actual = float(df['Close'].dropna().iloc[-1])
+
+    # Calcular Indicadores Técnicos
+    df['SMA_20'] = ta.trend.sma_indicator(df['Close'], window=20)
+    df['SMA_50'] = ta.trend.sma_indicator(df['Close'], window=50)
+    df['RSI_14'] = ta.momentum.rsi(df['Close'], window=14)
+    df['MACD'] = ta.trend.macd(df['Close'])
+    df['MACD_Signal'] = ta.trend.macd_signal(df['Close'])
+    df['ATR_14'] = ta.volatility.average_true_range(df['High'], df['Low'], df['Close'], window=14)
+    
+    # =========================================================
+    # 🚨 INYECTAMOS EL SENTIMIENTO RECIBIDO DESDE N8N
+    # =========================================================
+    df['Sentimiento'] = req.sentimiento
+
+    df.dropna(inplace=True)
+
+    # 🚨 Matriz final con las 12 VARIABLES 🚨
+    features = ['Open', 'High', 'Low', 'Close', 'Volume', 'SMA_20', 'SMA_50', 'RSI_14', 'MACD', 'MACD_Signal', 'ATR_14', 'Sentimiento']
+    X_live = df.tail(60)[features].values.astype(np.float32)
+
+    X_scaled = escalador.transform(X_live)
+    X_reshaped = np.reshape(X_scaled, (1, 60, len(features)))
+
+    # Predicción
+    prediccion = float(modelo.predict(X_reshaped, verbose=0)[0][0])
+    
+    decision = "LONG (COMPRAR)" if prediccion > 0.5 else "SHORT (VENDER/ESPERAR)"
+    confianza = round(prediccion * 100, 2) if prediccion > 0.5 else round((1 - prediccion) * 100, 2)
+    
+    return {
+        "symbol": req.symbol,
+        "ticker_ia": ticker,
+        "precio_actual": precio_actual,  
+        "decision_ia": decision,
+        "confianza": f"{confianza}%",
+        "probabilidad_matematica": prediccion,
+        "sentimiento_aplicado": req.sentimiento # Te lo devuelvo para que confirmes que llegó bien
     }