Update app.py

app.py

@@ -267,4 +267,480 @@ class TradingAIDemo:
         except Exception as e:
             self.is_training = False
             error_msg = f"❌ Training error: {str(e)}"
-            print(f"Training error
+            print(f"Training error details: {e}")
+            yield None, error_msg
+    
+    def create_price_chart(self, info):
+        """Create price chart with actions"""
+        if not self.episode_history:
+            # Return empty chart with message
+            fig = go.Figure()
+            fig.update_layout(
+                title="Price Chart - No Data Available",
+                xaxis_title="Time Step",
+                yaxis_title="Price",
+                height=300,
+                template="plotly_white"
+            )
+            return fig
+        
+        prices = [h['price'] for h in self.episode_history]
+        actions = [h['action'] for h in self.episode_history]
+        
+        fig = go.Figure()
+        
+        # Price line
+        fig.add_trace(go.Scatter(
+            x=list(range(len(prices))),
+            y=prices,
+            mode='lines',
+            name='Price',
+            line=dict(color='blue', width=3)
+        ))
+        
+        # Action markers
+        buy_indices = [i for i, action in enumerate(actions) if action == 1]
+        sell_indices = [i for i, action in enumerate(actions) if action == 2]
+        close_indices = [i for i, action in enumerate(actions) if action == 3]
+        
+        if buy_indices:
+            fig.add_trace(go.Scatter(
+                x=buy_indices,
+                y=[prices[i] for i in buy_indices],
+                mode='markers',
+                name='Buy',
+                marker=dict(color='green', size=12, symbol='triangle-up', 
+                          line=dict(width=2, color='darkgreen'))
+            ))
+        
+        if sell_indices:
+            fig.add_trace(go.Scatter(
+                x=sell_indices,
+                y=[prices[i] for i in sell_indices],
+                mode='markers',
+                name='Sell',
+                marker=dict(color='red', size=12, symbol='triangle-down', 
+                          line=dict(width=2, color='darkred'))
+            ))
+        
+        if close_indices:
+            fig.add_trace(go.Scatter(
+                x=close_indices,
+                y=[prices[i] for i in close_indices],
+                mode='markers',
+                name='Close',
+                marker=dict(color='orange', size=10, symbol='x', 
+                          line=dict(width=2, color='darkorange'))
+            ))
+        
+        fig.update_layout(
+            title="Price Chart with Trading Actions",
+            xaxis_title="Step",
+            yaxis_title="Price",
+            height=350,
+            showlegend=True,
+            template="plotly_white"
+        )
+        
+        return fig
+    
+    def create_performance_chart(self):
+        """Create portfolio performance chart"""
+        if not self.episode_history:
+            fig = go.Figure()
+            fig.update_layout(
+                title="Portfolio Performance - No Data Available",
+                height=400
+            )
+            return fig
+        
+        net_worth = [h['net_worth'] for h in self.episode_history]
+        rewards = [h['reward'] for h in self.episode_history]
+        
+        fig = make_subplots(
+            rows=2, cols=1,
+            subplot_titles=['Portfolio Value Over Time', 'Step Rewards'],
+            vertical_spacing=0.15
+        )
+        
+        # Portfolio value
+        fig.add_trace(go.Scatter(
+            x=list(range(len(net_worth))),
+            y=net_worth,
+            mode='lines+markers',
+            name='Net Worth',
+            line=dict(color='green', width=3),
+            marker=dict(size=4)
+        ), row=1, col=1)
+        
+        # Add initial balance reference line
+        if self.env:
+            fig.add_hline(y=self.env.initial_balance, line_dash="dash", 
+                         line_color="red", annotation_text="Initial Balance",
+                         row=1, col=1)
+        
+        # Rewards as bar chart
+        if rewards:
+            fig.add_trace(go.Bar(
+                x=list(range(len(rewards))),
+                y=rewards,
+                name='Reward',
+                marker_color=['green' if r >= 0 else 'red' for r in rewards],
+                opacity=0.7
+            ), row=2, col=1)
+        
+        fig.update_layout(height=500, showlegend=False, template="plotly_white")
+        fig.update_yaxes(title_text="Value ($)", row=1, col=1)
+        fig.update_yaxes(title_text="Reward", row=2, col=1)
+        fig.update_xaxes(title_text="Step", row=2, col=1)
+        
+        return fig
+    
+    def create_action_chart(self):
+        """Create action distribution chart"""
+        if not self.episode_history:
+            fig = go.Figure()
+            fig.update_layout(
+                title="Action Distribution - No Data Available",
+                height=300
+            )
+            return fig
+        
+        actions = [h['action'] for h in self.episode_history]
+        action_names = ['Hold', 'Buy', 'Sell', 'Close']
+        action_counts = [actions.count(i) for i in range(4)]
+        
+        colors = ['blue', 'green', 'red', 'orange']
+        
+        fig = go.Figure(data=[go.Pie(
+            labels=action_names,
+            values=action_counts,
+            hole=.4,
+            marker_colors=colors,
+            textinfo='label+percent+value',
+            hoverinfo='label+percent+value'
+        )])
+        
+        fig.update_layout(
+            title="Action Distribution",
+            height=350,
+            annotations=[dict(text='Actions', x=0.5, y=0.5, font_size=16, showarrow=False)],
+            template="plotly_white"
+        )
+        
+        return fig
+    
+    def create_training_progress(self, training_history):
+        """Create training progress visualization"""
+        if not training_history:
+            fig = go.Figure()
+            fig.update_layout(
+                title="Training Progress - No Data Available",
+                height=500
+            )
+            return fig
+        
+        episodes = [h['episode'] for h in training_history]
+        rewards = [h['reward'] for h in training_history]
+        net_worths = [h['net_worth'] for h in training_history]
+        losses = [h.get('loss', 0) for h in training_history]
+        
+        fig = make_subplots(
+            rows=2, cols=2,
+            subplot_titles=['Episode Rewards', 'Portfolio Value',
+                          'Training Loss', 'Moving Average Reward (5)'],
+            specs=[[{}, {}], [{}, {}]]
+        )
+        
+        # Rewards
+        fig.add_trace(go.Scatter(
+            x=episodes, y=rewards, mode='lines+markers',
+            name='Reward', line=dict(color='blue', width=2),
+            marker=dict(size=4)
+        ), row=1, col=1)
+        
+        # Portfolio value
+        fig.add_trace(go.Scatter(
+            x=episodes, y=net_worths, mode='lines+markers',
+            name='Net Worth', line=dict(color='green', width=2),
+            marker=dict(size=4)
+        ), row=1, col=2)
+        
+        # Loss
+        if any(loss > 0 for loss in losses):
+            fig.add_trace(go.Scatter(
+                x=episodes, y=losses, mode='lines+markers',
+                name='Loss', line=dict(color='red', width=2),
+                marker=dict(size=4)
+            ), row=2, col=1)
+        
+        # Moving average reward
+        if len(rewards) > 5:
+            ma_rewards = []
+            for i in range(len(rewards)):
+                start_idx = max(0, i - 4)
+                ma = np.mean(rewards[start_idx:i+1])
+                ma_rewards.append(ma)
+            
+            fig.add_trace(go.Scatter(
+                x=episodes, y=ma_rewards, mode='lines',
+                name='MA Reward (5)', line=dict(color='orange', width=3, dash='dash')
+            ), row=2, col=2)
+        
+        fig.update_layout(
+            height=600, 
+            showlegend=True, 
+            title_text="Training Progress Over Episodes",
+            template="plotly_white"
+        )
+        
+        return fig
+
+# Initialize the demo
+demo = TradingAIDemo()
+
+# Create Gradio interface
+def create_interface():
+    with gr.Blocks(theme=gr.themes.Soft(), title="Visual Trading AI") as interface:
+        gr.Markdown("""
+        # 🚀 Visual Trading AI
+        **هوش مصنوعی معامله‌گر بصری - تحلیل چارت‌های قیمت با یادگیری تقویتی عمیق**
+        
+        *این پروژه از شبکه‌های عصبی کانولوشن برای تحلیل بصری نمودارهای قیمت و یادگیری تقویتی برای تصمیم‌گیری معاملاتی استفاده می‌کند.*
+        """)
+        
+        with gr.Row():
+            with gr.Column(scale=1):
+                # Configuration section
+                gr.Markdown("## ⚙️ پیکربندی محیط")
+                
+                with gr.Row():
+                    initial_balance = gr.Slider(
+                        minimum=1000, maximum=50000, value=10000, step=1000,
+                        label="موجودی اولیه ($)", info="میزان سرمایه اولیه برای معامله"
+                    )
+                
+                with gr.Row():
+                    risk_level = gr.Radio(
+                        ["Low", "Medium", "High"], 
+                        value="Medium",
+                        label="سطح ریسک",
+                        info="سطح ریسک پذیری در معاملات"
+                    )
+                
+                with gr.Row():
+                    asset_type = gr.Radio(
+                        ["Stock", "Crypto", "Forex"], 
+                        value="Stock",
+                        label="نوع دارایی",
+                        info="نوع بازار مالی برای شبیه‌سازی"
+                    )
+                
+                with gr.Row():
+                    init_btn = gr.Button(
+                        "🚀 راه‌اندازی محیط معاملاتی", 
+                        variant="primary",
+                        size="lg"
+                    )
+                
+                with gr.Row():
+                    init_status = gr.Textbox(
+                        label="وضعیت راه‌اندازی",
+                        interactive=False,
+                        placeholder="برای شروع، محیط را راه‌اندازی کنید...",
+                        lines=2
+                    )
+            
+            with gr.Column(scale=2):
+                # Status output
+                gr.Markdown("## 📊 وضعیت معاملات")
+                status_output = gr.Textbox(
+                    label="وضعیت اجرا",
+                    interactive=False,
+                    placeholder="وضعیت معاملات اینجا نمایش داده می‌شود...",
+                    lines=4
+                )
+        
+        with gr.Row():
+            gr.Markdown("## 🎮 کنترل معاملات")
+            
+        with gr.Row():
+            # Action controls
+            action_choice = gr.Radio(
+                ["AI Decision", "Buy", "Sell", "Hold", "Close"],
+                value="AI Decision",
+                label="انتخاب اقدام",
+                info="AI Decision: تصمیم خودکار هوش مصنوعی"
+            )
+            
+        with gr.Row():
+            with gr.Column(scale=1):
+                step_btn = gr.Button(
+                    "▶️ اجرای یک قدم", 
+                    variant="secondary",
+                    size="lg"
+                )
+            
+            with gr.Column(scale=1):
+                episode_btn = gr.Button(
+                    "🎯 اجرای یک اپیزود (20 قدم)", 
+                    variant="secondary",
+                    size="lg"
+                )
+        
+        with gr.Row():
+            # Visualization outputs
+            with gr.Column(scale=1):
+                price_chart = gr.Plot(
+                    label="📈 نمودار قیمت و اقدامات"
+                )
+            
+            with gr.Column(scale=1):
+                performance_chart = gr.Plot(
+                    label="💰 عملکرد پرتفولیو"
+                )
+        
+        with gr.Row():
+            with gr.Column(scale=1):
+                action_chart = gr.Plot(
+                    label="🎯 توزیع اقدامات"
+                )
+        
+        with gr.Row():
+            gr.Markdown("## 🎓 آموزش هوش مصنوعی")
+            
+        with gr.Row():
+            with gr.Column(scale=1):
+                num_episodes = gr.Slider(
+                    minimum=10, maximum=200, value=50, step=10,
+                    label="تعداد اپیزودهای آموزش",
+                    info="تعداد دوره‌های آموزشی"
+                )
+                
+                learning_rate = gr.Slider(
+                    minimum=0.0001, maximum=0.01, value=0.001, step=0.0001,
+                    label="نرخ یادگیری",
+                    info="سرعت یادگیری الگوریتم"
+                )
+                
+                train_btn = gr.Button(
+                    "🤖 شروع آموزش", 
+                    variant="primary",
+                    size="lg"
+                )
+            
+            with gr.Column(scale=2):
+                training_plot = gr.Plot(
+                    label="📊 پیشرفت آموزش"
+                )
+                
+                training_status = gr.Textbox(
+                    label="وضعیت آموزش",
+                    interactive=False,
+                    placeholder="وضعیت آموزش اینجا نمایش داده می‌شود...",
+                    lines=3
+                )
+        
+        with gr.Row():
+            gr.Markdown("## ℹ️ راهنمای استفاده")
+            
+        with gr.Row():
+            with gr.Column(scale=1):
+                gr.Markdown("""
+                **🎯 اقدامات ممکن:**
+                - **Hold (0)**: حفظ وضعیت فعلی
+                - **Buy (1)**: باز کردن پوزیشن خرید
+                - **Sell (2)**: افزایش سایز پوزیشن
+                - **Close (3)**: بستن پوزیشن فعلی
+                
+                **📈 معیارهای عملکرد:**
+                - **Reward**: امتیاز دریافتی از محیط
+                - **Net Worth**: ارزش کل پرتفولیو
+                - **Balance**: موجودی نقدی
+                - **Position**: سایز پوزیشن فعلی
+                """)
+            
+            with gr.Column(scale=1):
+                gr.Markdown("""
+                **🔧 نحوه استفاده:**
+                1. محیط ��ا راه‌اندازی کنید
+                2. اقدامات تکی یا اپیزودها را اجرا کنید
+                3. عملکرد را در نمودارها مشاهده کنید
+                4. هوش مصنوعی را آموزش دهید
+                5. نتایج را تحلیل کنید
+                
+                **⚠️ توجه:**
+                این یک شبیه‌ساز آموزشی است و برای معاملات واقعی طراحی نشده است.
+                """)
+        
+        # Event handlers
+        init_btn.click(
+            demo.initialize_environment,
+            inputs=[initial_balance, risk_level, asset_type],
+            outputs=[init_status]
+        )
+        
+        step_btn.click(
+            demo.run_single_step,
+            inputs=[action_choice],
+            outputs=[price_chart, performance_chart, action_chart, status_output]
+        )
+        
+        episode_btn.click(
+            demo.run_episode,
+            inputs=[],
+            outputs=[price_chart, performance_chart, action_chart, status_output]
+        )
+        
+        train_btn.click(
+            demo.train_agent,
+            inputs=[num_episodes, learning_rate],
+            outputs=[training_plot, training_status]
+        )
+        
+        gr.Markdown("""
+        ## 🏗 معماری فنی
+        
+        **🎯 هسته هوش مصنوعی:**
+        - **پردازش بصری**: شبکه عصبی کانولوشن (CNN) برای تحلیل نمودارهای قیمت
+        - **یادگیری تقویتی**: الگوریتم Deep Q-Network (DQN) برای تصمیم‌گیری
+        - **تجربه replay**: ذخیره و بازیابی تجربیات برای یادگیری پایدار
+        
+        **🛠 فناوری‌ها:**
+        - **یادگیری عمیق**: PyTorch
+        - **محیط شبیه‌سازی**: محیط اختصاصی معاملاتی
+        - **رابط کاربری**: Gradio
+        - **ویژوالیزیشن**: Plotly, Matplotlib
+        - **پردازش داده**: NumPy, Pandas
+        
+        **📊 ویژگی‌های کلیدی:**
+        - تحلیل بصری نمودارهای قیمت
+        - یادگیری خودکار استراتژی‌های معاملاتی
+        - نمایش زنده عملکرد و تصمیم‌ها
+        - کنترل دستی و خودکار
+        - آنالیز جامع عملکرد
+        
+        *توسعه داده شده توسط Omid Sakaki - 2024*
+        """)
+    
+    return interface
+
+# Create and launch interface
+if __name__ == "__main__":
+    print("🚀 Starting Visual Trading AI Application...")
+    print("📊 Initializing components...")
+    
+    interface = create_interface()
+    
+    print("✅ Application initialized successfully!")
+    print("🌐 Starting server on http://0.0.0.0:7860")
+    print("📱 You can now access the application in your browser")
+    
+    # Launch with better configuration
+    interface.launch(
+        server_name="0.0.0.0",
+        server_port=7860,
+        share=False,
+        show_error=True,
+        debug=True
+    )