ml_engine/deep_steward.py

# ml_engine/deep_steward.py
# (V1.0 - Deep Steward Production Inference Engine)

import os
import numpy as np
import pandas as pd
import xgboost as xgb
import logging
import traceback
import pandas_ta as ta

class DeepSteward:
    def __init__(self, model_path="ml_models/DeepSteward_Production_V1.json"):
        self.model_path = model_path
        self.model = None
        self.initialized = False
        
        # ⚙️ إعدادات الحساسية (قابل للتعديل من الخارج)
        # أي إشارة خروج بثقة أقل من هذه سيتم تجاهلها
        self.EXIT_THRESHOLD = 0.50
        
        # أسماء الميزات بالترتيب (مهم جداً للمطابقة مع التدريب)
        self.FEATURE_NAMES = [
            'log_ret', 'rel_vol', 'rsi_norm', 'macd_hist', 'roc', 
            'bb_width', 'bb_pct', 'atr_pct', 'dist_ema50', 'dist_ema200',
            'pnl_channel' # القناة 11
        ]

    def initialize(self):
        """تحميل النموذج للذاكرة"""
        try:
            if not os.path.exists(self.model_path):
                print(f"❌ [DeepSteward] Model file not found: {self.model_path}")
                return False

            self.model = xgb.Booster()
            self.model.load_model(self.model_path)
            self.initialized = True
            print(f"✅ [DeepSteward] V1 Loaded successfully. (Threshold: {self.EXIT_THRESHOLD})")
            return True
        except Exception as e:
            print(f"❌ [DeepSteward] Init Failed: {e}")
            return False

    def _engineer_features(self, df: pd.DataFrame, current_price: float, entry_price: float) -> np.ndarray:
        """
        تحويل الشموع الخام إلى ميزات Titan (مطابقة 100% لكود التدريب)
        """
        try:
            # نسخة لتجنب التعديل على الأصل
            df = df.copy()
            
            # التأكد من وجود بيانات كافية
            if len(df) < 200: return None

            # 1. Log Returns
            df['log_ret'] = np.log(df['close'] / df['close'].shift(1))

            # 2. Relative Volume
            vol_sma = df['volume'].rolling(window=50).mean()
            df['rel_vol'] = (df['volume'] - vol_sma) / (vol_sma + 1e-9)

            # 3. RSI (14) - تطبيع
            df['rsi'] = ta.rsi(df['close'], length=14)
            df['rsi_norm'] = df['rsi'] / 100.0

            # 4. MACD (12, 26, 9)
            macd = ta.macd(df['close'], fast=12, slow=26, signal=9)
            # pandas_ta returns columns like MACD_12_26_9, MACDh_12_26_9, MACDs_12_26_9
            # We need the Histogram (MACDh)
            hist_col = [c for c in macd.columns if 'MACDh' in c][0]
            df['macd_hist'] = macd[hist_col]

            # 5. ROC (9)
            df['roc'] = ta.roc(df['close'], length=9) / 100.0 # pandas_ta returns percentage

            # 6. Bollinger Bands (20, 2)
            bb = ta.bbands(df['close'], length=20, std=2)
            # Columns: BBL, BBM, BBU, BBB (Bandwidth), BBP (Percent)
            # We need Width and Percent
            w_col = [c for c in bb.columns if 'BBB' in c][0]
            p_col = [c for c in bb.columns if 'BBP' in c][0]
            
            # تطبيع العرض (pandas_ta يعطيه كنسبة مئوية جاهزة أحياناً، لكن لنتأكد)
            df['bb_width'] = bb[w_col] / 100.0 # إذا كان كبيراً، نقسمه
            df['bb_pct'] = bb[p_col]

            # 7. ATR (14)
            df['atr'] = ta.atr(df['high'], df['low'], df['close'], length=14)
            df['atr_pct'] = df['atr'] / df['close']

            # 8. EMA Distances
            df['ema50'] = ta.ema(df['close'], length=50)
            df['ema200'] = ta.ema(df['close'], length=200)
            df['dist_ema50'] = (df['close'] - df['ema50']) / (df['ema50'] + 1e-9)
            df['dist_ema200'] = (df['close'] - df['ema200']) / (df['ema200'] + 1e-9)

            # 9. PnL Channel (الحالة الحالية)
            # نحسب الربح/الخسارة اللحظية
            current_pnl = (current_price - entry_price) / entry_price
            df['pnl_channel'] = current_pnl

            # تنظيف القيم المفقودة
            df = df.fillna(0)

            # استخراج آخر صف (الوضع الحالي)
            latest_row = df.iloc[-1][self.FEATURE_NAMES]
            
            # تحويل لمصفوفة ثنائية الأبعاد (1, 11)
            # بما أننا دربنا XGBoost على بيانات مسطحة (Flattened) من 64 شمعة
            # هنا نقطة مهمة: هل النموذج الحالي هو XGBoost الذي تدرب على 64 شمعة مسطحة؟
            # أم هو نسخة مبسطة؟
            
            # ⚠️ تصحيح هندسي هام:
            # نموذج XGBoost تدرب على مصفوفة مسطحة لـ 64 شمعة (Flattened Sequence)
            # أي (64 * 11 = 704 ميزة).
            # لذلك يجب أن نأخذ آخر 64 شمعة ونسطحها، وليس شمعة واحدة فقط!
            
            window = df.iloc[-64:][self.FEATURE_NAMES].values # (64, 11)
            if window.shape[0] < 64:
                return None # بيانات غير كافية
                
            # التسطيح (1, 704)
            feature_vector = window.reshape(1, -1)
            
            return feature_vector

        except Exception as e:
            # print(f"⚠️ [DeepSteward] Feature Eng Error: {e}")
            return None

    def analyze_position(self, ohlcv_5m: list, entry_price: float) -> dict:
        """
        تحليل وضع الصفقة الحالي واتخاذ قرار
        """
        if not self.initialized or not self.model:
            return {'action': 'HOLD', 'confidence': 0.0, 'reason': 'Not Initialized'}

        try:
            # تحويل القائمة لـ DataFrame
            df = pd.DataFrame(ohlcv_5m, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume'])
            current_price = float(df['close'].iloc[-1])
            
            # هندسة الميزات
            features = self._engineer_features(df, current_price, entry_price)
            
            if features is None:
                return {'action': 'HOLD', 'confidence': 0.0, 'reason': 'Insufficient Data'}

            # التنبؤ
            dmatrix = xgb.DMatrix(features)
            prob = self.model.predict(dmatrix)[0] # يعيد قيمة بين 0 و 1
            
            # منطق القرار
            # النموذج تدرب على: 1 = EXIT (خطر/هروب)، 0 = HOLD (أمان/صعود)
            
            if prob > self.EXIT_THRESHOLD:
                return {
                    'action': 'EXIT',
                    'confidence': float(prob),
                    'reason': f'DeepSteward Danger Signal ({prob:.1%})'
                }
            else:
                return {
                    'action': 'HOLD',
                    'confidence': float(1 - prob), # ثقة البقاء
                    'reason': f'DeepSteward Safe ({prob:.1%})'
                }

        except Exception as e:
            print(f"❌ [DeepSteward] Inference Error: {e}")
            return {'action': 'HOLD', 'confidence': 0.0, 'reason': f'Error: {e}'}