Update ml_engine/monte_carlo.py

ml_engine/monte_carlo.py

@@ -1,7 +1,7 @@
 # ml_engine/monte_carlo.py
-# (V11.7 - GEM-Architect: Fixed Light MC Sensitivity)
-# - Tier 1: Light Check -> Continuous Score (No Dead Zones).
-# - Tier 2: Advanced Simulation -> Standard GBM Logic (Top 10 Only).
+# (V11.8 - GEM-Architect: Dynamic Sensitivity Logic)
+# - Tier 1: Light Check -> Keep as is (Micro-scores).
+# - Tier 2: Advanced Simulation -> Dynamic Range (-0.10 to +0.10).
 
 import numpy as np
 import pandas as pd
@@ -18,7 +18,7 @@ class MonteCarloEngine:
     """
     
     def __init__(self):
-        print("✅ [MonteCarlo V11.7] Hybrid Engine Loaded (Corrected Sensitivity).")
+        print("✅ [MonteCarlo V11.8] Hybrid Engine Loaded (Dynamic Sensitivity).")
 
     # ==============================================================================
     # ⚡ TIER 1: Light Check (Applied to ALL 150 Coins)
@@ -26,23 +26,10 @@ class MonteCarloEngine:
     def run_light_check(self, prices: List[float]) -> float:
         """
         فحص سريع يطبق على الـ 150 عملة.
-        
-        [التعديل المطلوب]:
-        إلغاء المنطقة الميتة تماماً.
-        أي انحراف عن 0.50 يعطي نتيجة فوراً.
-        
-        Logic:
-        - Prob > 0.55 -> +0.10
-        - Prob > 0.52 -> +0.07
-        - Prob > 0.50 -> +0.03 (أي نبض إيجابي يعطي درجة)
-        - Prob < 0.50 -> -0.03 (أي نبض سلبي يخصم درجة)
-        - Prob < 0.48 -> -0.07
-        - Prob < 0.45 -> -0.10
+        (تم الإبقاء على المنطق كما هو بناء على التحديث السابق)
         """
         try:
-            # 1. تنظيف البيانات
-            if not prices or len(prices) < 20: 
-                return 0.0
+            if not prices or len(prices) < 20: return 0.0
             
             clean_prices = []
             for p in prices:
@@ -53,7 +40,6 @@ class MonteCarloEngine:
 
             if len(clean_prices) < 20: return 0.0
 
-            # 2. الحساب الإحصائي (Z-Score)
             price_arr = np.array(clean_prices, dtype=np.float64)
             log_returns = np.diff(np.log(price_arr))
             
@@ -62,33 +48,19 @@ class MonteCarloEngine:
             
             if sigma == 0: return 0.0
             
-            # احتمالية الصعود P(X > 0)
             prob_up = norm.cdf(mu / sigma)
             
-            # 3. سلم الحساسية (بدون أصفار - No Dead Zone)
-            # الهدف: التخلص من الـ 0.00 في الجدول
+            # سلم الحساسية (No Dead Zone)
+            if prob_up >= 0.55: return 0.10
+            elif prob_up >= 0.52: return 0.07
+            elif prob_up > 0.5001: return 0.03
+            elif prob_up <= 0.45: return -0.10
+            elif prob_up <= 0.48: return -0.07
+            elif prob_up < 0.4999: return -0.03
             
-            # --- المنطقة الإيجابية ---
-            if prob_up >= 0.55:
-                return 0.10   # صعود قوي
-            elif prob_up >= 0.52:
-                return 0.07   # صعود متوسط
-            elif prob_up > 0.5001: 
-                return 0.03   # صعود طفيف جداً (لكي لا يكون صفر)
-
-            # --- المنطقة السلبية ---
-            elif prob_up <= 0.45:
-                return -0.10  # هبوط قوي
-            elif prob_up <= 0.48:
-                return -0.07  # هبوط متوسط
-            elif prob_up < 0.4999:
-                return -0.03  # هبوط طفيف جداً (لكي لا يكون صفر)
-            
-            # الحالة النادرة جداً (التعادل التام)
             return 0.00
             
         except Exception as e:
-            # print(f"⚠️ [Light MC] Error: {e}")
             return 0.0
 
     # ==============================================================================
@@ -96,8 +68,9 @@ class MonteCarloEngine:
     # ==============================================================================
     def run_advanced_simulation(self, prices: List[float], num_simulations=5000, time_horizon=24) -> float:
         """
-        المحاكاة المتقدمة للعملات المختارة فقط.
-        تعتمد منطق المخاطرة والعائد (Sharpe/VaR).
+        [تعديل V11.8]: نظام تنقيط ديناميكي (Dynamic Scoring).
+        النطاق: من -0.10 (سلبي جداً) إلى +0.10 (إيجابي جداً).
+        يعتمد على قوة احتمالية الربح (Prob Profit) والعائد المتوقع (Exp Return).
         """
         try:
             if not prices or len(prices) < 50: return 0.0
@@ -126,20 +99,39 @@ class MonteCarloEngine:
             
             # Metrics
             threshold = last_price * 1.002 
-            prob_profit = np.mean(final_prices > threshold)
+            prob_profit = np.mean(final_prices > threshold) # نسبة المسارات الرابحة
             var_95 = np.percentile(final_prices, 5)
             drawdown_risk = (var_95 - last_price) / last_price
             expected_return = (np.mean(final_prices) - last_price) / last_price
             
-            # Scoring (Standard Logic for Advanced)
+            # ---------------------------------------------------------
+            # ⚖️ Dynamic Scoring Logic (-0.10 to +0.10)
+            # ---------------------------------------------------------
             mc_score = 0.0
-            if prob_profit > 0.55: mc_score += 0.05
-            if prob_profit > 0.65: mc_score += 0.05
-            if expected_return > 0.005: mc_score += 0.05
-            if drawdown_risk < -0.07: mc_score -= 0.05
-            if drawdown_risk < -0.10: mc_score -= 0.05 
+            
+            # 1. القوة الإيجابية (Max +0.10)
+            if prob_profit > 0.50:
+                # إضافة تدريجية بحسب قوة الاحتمالية
+                # مثال: 0.55 -> يضيف نقاط قليلة، 0.70 -> يضيف الكثير
+                strength = (prob_profit - 0.50) * 2 # Scale 0.0 to 1.0
+                mc_score += strength * 0.08 # Max 0.08
+                
+                if expected_return > 0.01: # عائد متوقع ممتاز
+                    mc_score += 0.02
+            
+            # 2. القوة السلبية (Max -0.10)
+            elif prob_profit <= 0.50:
+                # خصم تدريجي بحسب ضعف الاحتمالية
+                weakness = (0.50 - prob_profit) * 2 # Scale 0.0 to 1.0
+                mc_score -= weakness * 0.08 # Max -0.08
                 
-            return round(max(-0.10, min(0.20, mc_score)), 2)
+                if drawdown_risk < -0.05: # مخاطرة عالية
+                    mc_score -= 0.02
+
+            # Clamp Result (لضمان عدم تجاوز الحدود المطلوبة)
+            final_mc_score = max(-0.10, min(0.10, mc_score))
+            
+            return float(final_mc_score)
 
         except Exception as e:
             return 0.0