Update ml_engine/processor.py

ml_engine/processor.py

@@ -1,15 +1,18 @@
-# ml_engine/processor.py (V11.0 - XGBoost Multi-TF Integrated & New Scoring)
-import pandas as pd
-import numpy as np
+# ml_engine/processor.py
+# (V12.0 - Titan Powered Core)
+
 import asyncio
-import json
 import traceback
+import numpy as np
 
-# استيراد المحركات من نفس المجلد
-from .indicators import AdvancedTechnicalAnalyzer
-from .monte_carlo import MonteCarloAnalyzer
-# لا نحتاج لاستيراد ChartPatternAnalyzer هنا لأنه سيأتي جاهزاً من DataManager
-from .strategies import MultiStrategyEngine
+# استيراد محرك Titan الجديد
+try:
+    from ml_engine.titan_engine import TitanEngine
+except ImportError:
+    print("❌ [Processor] لم يتم العثور على titan_engine.py! تأكد من إنشائه.")
+    TitanEngine = None
+
+from ml_engine.monte_carlo import MonteCarloAnalyzer
 
 class MLProcessor:
     def __init__(self, market_context, data_manager, learning_hub):
@@ -17,149 +20,71 @@ class MLProcessor:
         self.data_manager = data_manager
         self.learning_hub = learning_hub
         
-        self.technical_analyzer = AdvancedTechnicalAnalyzer()
-        self.strategy_engine = MultiStrategyEngine(data_manager, learning_hub)
-        self.monte_carlo_analyzer = MonteCarloAnalyzer()
+        # تهيئة المحركات
+        self.titan = TitanEngine() if TitanEngine else None
+        self.mc_analyzer = MonteCarloAnalyzer()
         
-        # استخدام محرك الأنماط المركزي المجهز في DataManager
-        if self.data_manager and self.data_manager.pattern_analyzer:
-            self.pattern_engine = self.data_manager.pattern_analyzer
-        else:
-            self.pattern_engine = None
-            print("⚠️ [MLProcessor] تحذير: محرك الأنماط غير متوفر من DataManager.")
+        # حالة التهيئة
+        self.initialized = False
+
+    async def initialize(self):
+        """تهيئة غير متزامنة لمحرك Titan"""
+        if self.titan and not self.titan.initialized:
+            await self.titan.initialize()
+        self.initialized = True
 
-    async def process_and_score_symbol_enhanced(self, raw_data, preloaded_whale_data: dict = None):
+    async def process_and_score_symbol_enhanced(self, raw_data):
         """
-        المعالجة المركزية للعملة: تجمع الأنماط (4 أطر)، المؤشرات، ومونت كارلو المتقدمة.
+        المعالجة المركزية باستخدام Titan (Layer 2).
+        الآن، Titan هو المسؤول الأول والأخير عن القرار الفني.
         """
-        try:
-            symbol = raw_data.get('symbol')
-            ohlcv_data = raw_data.get('ohlcv') # يجب أن يحتوي على {'15m': [], '1h': [], ...}
+        # ضمان التهيئة
+        if not self.initialized: await self.initialize()
             
-            if not symbol or not ohlcv_data: return None
+        symbol = raw_data.get('symbol')
+        ohlcv_data = raw_data.get('ohlcv') # {'5m': [], '15m': [], ...}
+        
+        if not symbol or not ohlcv_data or not self.titan: return None
 
-            # 1. تجهيز الهيكل الأساسي للنتيجة
+        try:
+            # 1. 🧠 استدعاء العقل المدبر (Titan Inference)
+            # Titan سيأخذ البيانات الخام، يطبق الهرم المقلوب، ويعطي احتمالية دقيقة
+            titan_result = self.titan.predict(ohlcv_data)
+            titan_score = titan_result.get('score', 0.0)
+
+            # 2. 🎲 تحليل مخاطر إضافي (اختياري للدعم)
+            # يمكننا تشغيل مونت كارلو سريع كـ "رأي ثانٍ" للتأكيد فقط
+            mc_score = 0.5
+            if '1h' in ohlcv_data:
+                 closes = np.array([c[4] for c in ohlcv_data['1h']])
+                 mc_res = self.mc_analyzer.generate_1h_price_distribution_simple(closes)
+                 mc_score = mc_res.get('mc_prob_gain', 0.5)
+
+            # 3. 📊 تجميع النتيجة النهائية
+            # في V12.0، نثق بـ Titan بنسبة 100% لأنه تدرب على كل شيء
+            final_decision_score = titan_score
+            
+            # هيكل النتيجة الموحد
             analysis_result = {
                 'symbol': symbol,
                 'current_price': raw_data.get('current_price', 0.0),
-                'layer1_score': raw_data.get('layer1_score', 0.0),
-                'ohlcv': ohlcv_data, # نحتفظ بالبيانات الخام للرجوع إليها
+                # النتيجة النهائية التي سيعتمد عليها المستكشف والحارس
+                'enhanced_final_score': final_decision_score,
+                
+                # تفاصيل للشفافية والتسجيل
+                'titan_score': titan_score,
+                'mc_validation_score': mc_score,
+                'titan_status': titan_result.get('status', 'UNKNOWN'),
+                
+                # الاحتفاظ بالبيانات لاستخدام الحارس لاحقاً
+                'ohlcv_sample': {tf: data[-1] for tf, data in ohlcv_data.items() if data}
             }
 
-            # 2. تشغيل التحليلات المتقدمة بالتوازي لسرعة الأداء
-            # (أنماط XGBoost، مؤشرات فنية، مونت كارلو المتقدمة)
-            tasks = [
-                self._run_xgboost_patterns(ohlcv_data),
-                self._run_advanced_indicators(ohlcv_data),
-                self._run_advanced_monte_carlo(ohlcv_data)
-            ]
-            patterns, indicators, mc_results = await asyncio.gather(*tasks)
-            
-            analysis_result['pattern_analysis'] = patterns
-            analysis_result['advanced_indicators'] = indicators
-            analysis_result['monte_carlo_distribution'] = mc_results
-            
-            # 3. دمج بيانات الحيتان (إذا توفرت مسبقاً)
-            if preloaded_whale_data and symbol in preloaded_whale_data:
-                analysis_result['whale_data'] = preloaded_whale_data[symbol]
-            else:
-                analysis_result['whale_data'] = {'data_available': False}
-
-            # 4. حساب الدرجة النهائية الموزونة (V11.0 New Weights)
-            final_score = self._calculate_final_weighted_score(analysis_result)
-            analysis_result['enhanced_final_score'] = final_score
-
             return analysis_result
 
         except Exception as e:
-            print(f"❌ [Processor] خطأ فادح في معالجة {symbol}: {e}")
+            print(f"❌ [Processor] خطأ في معالجة {symbol}: {e}")
             traceback.print_exc()
             return None
 
-    async def _run_xgboost_patterns(self, ohlcv_data):
-        """تشغيل محرك الأنماط الجديد على كافة الأطر الزمنية المتاحة"""
-        if not self.pattern_engine or not self.pattern_engine.initialized:
-            return {'pattern_confidence': 0.0, 'details': {}}
-        try:
-            # المحرك الجديد يعيد نتيجة مجمعة جاهزة
-            return await self.pattern_engine.detect_chart_patterns(ohlcv_data)
-        except Exception as e:
-            print(f"⚠️ خطأ في تحليل الأنماط: {e}")
-            return {'pattern_confidence': 0.0, 'details': {'error': str(e)}}
-
-    async def _run_advanced_indicators(self, ohlcv_data):
-        """حساب المؤشرات الفنية المتقدمة لأهم الأطر الزمنية"""
-        indicators = {}
-        try:
-            # نركز على 1h و 4h للتحليل الفني العام
-            for tf in ['1h', '4h']:
-                if tf in ohlcv_data and len(ohlcv_data[tf]) >= 50:
-                    df = self._create_dataframe(ohlcv_data[tf])
-                    indicators[tf] = self.technical_analyzer.calculate_all_indicators(df, tf)
-        except Exception: pass
-        return indicators
-
-    async def _run_advanced_monte_carlo(self, ohlcv_data):
-        """تشغيل محاكاة مونت كارلو المتقدمة (GARCH+LGBM) على إطار الساعة"""
-        try:
-            # نستخدم النسخة المتقدمة (المرحلة 2+3) بدلاً من البسيطة
-            return await self.monte_carlo_analyzer.generate_1h_distribution_advanced(ohlcv_data)
-        except Exception: return None
-
-    def _calculate_final_weighted_score(self, analysis):
-        """
-        (V11.0) حساب الدرجة النهائية بالأوزان الجديدة:
-        - التحليل الفني: 85% (أنماط 40%، مؤشرات 30%، مونت كارلو 30% من الـ 85%)
-        - الحيتان: 10%
-        - الأخبار: 5%
-        """
-        try:
-            # 1. المكون الفني (Total Technical Score)
-            pattern_score = analysis.get('pattern_analysis', {}).get('pattern_confidence', 0.0)
-            
-            # حساب درجة المؤشرات (متوسط بسيط لبعض المؤشرات الرئيسية كمثال)
-            inds = analysis.get('advanced_indicators', {}).get('1h', {})
-            rsi = inds.get('rsi', 50)
-            macd = inds.get('macd_hist', 0)
-            ind_score = 0.5
-            if rsi > 50: ind_score += 0.1
-            if macd > 0: ind_score += 0.1
-            # (يمكن تعقيد هذا الجزء أكثر لاحقاً)
-            
-            # درجة مونت كارلو
-            mc_prob = analysis.get('monte_carlo_distribution', {}).get('probability_of_gain', 0.5)
-            mc_score = max(0.0, min(1.0, (mc_prob - 0.5) * 2.0)) # تطبيع إلى 0-1
-
-            # دمج المكون الفني (85% من الإجمالي)
-            technical_sub_score = (pattern_score * 0.40) + (ind_score * 0.30) + (mc_score * 0.30)
-            weighted_technical = technical_sub_score * 0.85
-
-            # 2. مكون الحيتان (10%)
-            whale_score = 0.0
-            whale_data = analysis.get('whale_data', {})
-            if whale_data.get('data_available'):
-                # نفترض وجود درجة ثقة جاهزة من 0 لـ 1
-                whale_score = whale_data.get('confidence_score', 0.5) 
-            weighted_whale = whale_score * 0.10
-
-            # 3. مكون الأخبار (5%)
-            news_score = 0.5 # محايد افتراضياً
-            # (سيتم تحديث هذا الجزء لاحقاً عند توفر تحليل الأخبار الحقيقي)
-            weighted_news = news_score * 0.05
-
-            # الدرجة النهائية
-            return weighted_technical + weighted_whale + weighted_news
-
-        except Exception as e:
-            # print(f"⚠️ خطأ في حساب الدرجة النهائية: {e}")
-            return analysis.get('layer1_score', 0.0) * 0.85 # عودة للدرجة الأولية
-
-    def _create_dataframe(self, candles):
-        if not candles: return pd.DataFrame()
-        df = pd.DataFrame(candles, columns=['ts', 'open', 'high', 'low', 'close', 'volume'])
-        df[['open', 'high', 'low', 'close', 'volume']] = df[['open', 'high', 'low', 'close', 'volume']].astype(float)
-        df['ts'] = pd.to_datetime(df['ts'], unit='ms')
-        df.set_index('ts', inplace=True)
-        return df
-
-print("✅ ML Processor loaded - V11.0 (XGBoost Multi-TF & New Weights)")
+print("✅ ML Processor V12.0 (Titan Core) loaded.")