Update data_manager.py

data_manager.py

@@ -1,4 +1,4 @@
-# data_manager.py (Updated to V9.8 - Sniper Threshold 60%)
+# data_manager.py (Updated to V10.1 - Balanced 53% + MC Fix)
 import os
 import asyncio
 import httpx
@@ -17,11 +17,12 @@ except ImportError:
     print("⚠️ مكتبة pandas_ta غير موجودة. النظام سيفشل.")
     ta = None
 
-# (V9.1) استيراد العقل الحسابي (الذي يحتوي على V9.1 Features)
+# (V10.0) استيراد العقل الحسابي المطور
 from ml_engine.indicators import AdvancedTechnicalAnalyzer
-from ml_engine.monte_carlo import MonteCarloAnalyzer
+# (V10.0) استيراد مونت كارلو المطور
+from ml_engine.monte_carlo import MonteCarloAnalyzer 
 from ml_engine.patterns import ChartPatternAnalyzer
-# (V9.1) استيراد "العقل الذكي" الجديد
+# (V9.1) استيراد "العقل الذكي"
 from ml_engine.ranker import Layer1Ranker 
 
 logging.getLogger("httpx").setLevel(logging.WARNING)
@@ -47,10 +48,10 @@ class DataManager:
         self.market_cache = {}
         self.last_market_load = None
 
-        # (V9.1) استيراد العقل الحسابي (الذي يحتوي على V9.1 Features)
+        # (V10.0) تهيئة العقول الحسابية
         self.technical_analyzer = AdvancedTechnicalAnalyzer()
-        self.monte_carlo_analyzer = MonteCarloAnalyzer()
         self.pattern_analyzer = None
+        self.mc_analyzer = MonteCarloAnalyzer() 
         # (V9.1) تهيئة "العقل الذكي" (النموذج)
         self.layer1_ranker = None 
         
@@ -66,7 +67,6 @@ class DataManager:
             print(f"❌ [DataManager] فشل تهيئة محرك الأنماط V8: {e}")
             self.pattern_analyzer = ChartPatternAnalyzer(r2_service=None)
             
-        # (تهيئة "العقل الذكي" - نموذج الرانكر V9.8)
         print("   > [DataManager] تهيئة الكاشف المصغر (Layer1 Ranker V9.8)...")
         try:
             # (تأكد من أن النموذج V9.8 موجود ومسمى بهذا الاسم)
@@ -81,7 +81,7 @@ class DataManager:
             print(f"❌ [DataManager V9.8] فشل تهيئة الرانكر V9.8: {e}")
             self.layer1_ranker = None 
 
-        print("✅ DataManager initialized - V9.8 (Sniper Threshold 60%)")
+        print("✅ DataManager initialized - V10.1 (Balanced Threshold 53%)")
 
     async def _load_markets(self):
         try:
@@ -173,6 +173,7 @@ class DataManager:
     def _get_minimal_market_context(self):
         return { 'timestamp': datetime.now().isoformat(), 'data_available': False, 'market_trend': 'UNKNOWN', 'btc_sentiment': 'UNKNOWN', 'data_quality': 'LOW' }
 
+
     def _create_dataframe(self, candles: List) -> pd.DataFrame:
         """(V9.1) إنشاء DataFrame (تحتاج 200 شمعة للميزات)"""
         try:
@@ -189,25 +190,26 @@ class DataManager:
 
     async def layer1_rapid_screening(self) -> List[Dict[str, Any]]:
         """
-        الطبقة 1: فحص سريع - (محدث V9.8)
-        - استخدام عتبة القناص 60% (0.60).
+        الطبقة 1: فحص سريع - (محدث V10.1)
+        - إصلاح مونت كارلو المفقود.
+        - استخدام عتبة التوازن 53% (0.53) التي اخترتها.
         """
-        print("📊 الطبقة 1 (V9.8 - Sniper Threshold 60%): بدء الغربلة...")
+        print("📊 الطبقة 1 (V10.1 - Balanced 53% + MC Fix): بدء الغربلة...")
         
         if not self.layer1_ranker:
-            print("❌ [V9.8] الرانكر غير مهيأ. إيقاف الغربلة.")
+            print("❌ [V10.1] الرانكر غير مهيأ. إيقاف الغربلة.")
             return []
 
         # الخطوة 1: جلب أفضل 100 عملة حسب الحجم
         volume_data = await self._get_volume_data_optimal()
         if not volume_data: volume_data = await self._get_volume_data_direct_api()
         if not volume_data:
-            print("❌ [V9.8] فشل جلب بيانات الأحجام.")
+            print("❌ [V10.1] فشل جلب بيانات الأحجام.")
             return []
         
         volume_data.sort(key=lambda x: x['dollar_volume'], reverse=True)
         top_100_by_volume = volume_data[:100]
-        print(f"✅ [V9.8] تم تحديد أفضل {len(top_100_by_volume)} عملة. بدء حساب الميزات الذكية...")
+        print(f"✅ [V10.1] تم تحديد أفضل {len(top_100_by_volume)} عملة. بدء حساب الميزات الذكية...")
         
         final_candidates_with_scores = []
         batch_symbols_data = top_100_by_volume
@@ -225,59 +227,76 @@ class DataManager:
             valid_symbol_data_for_ranking.append(symbol_data)
 
         if not valid_symbol_data_for_ranking:
-            print("❌ [V9.8] لا توجد عملات صالحة (تحتاج 200 شمعة 1H).")
+            print("❌ [V10.1] لا توجد عملات صالحة (تحتاج 200 شمعة 1H).")
             return []
 
-        print(f"   🔄 [V9.8] حساب الميزات الذكية لـ {len(valid_symbol_data_for_ranking)} عملة...")
+        print(f"   🔄 [V10.1] حساب الميزات (الذكية + مونت كارلو) لـ {len(valid_symbol_data_for_ranking)} عملة...")
         
-        # الخطوة 3: حساب "الميزات الذكية V9.8"
+        # الخطوة 3: حساب "الميزات الذكية V9.8" (الكاملة)
         all_features_list = []
         symbols_in_order = []
         for symbol_data in valid_symbol_data_for_ranking:
             try:
                 df = self._create_dataframe(symbol_data['ohlcv_1h_raw'])
                 if df.empty: continue
-                # (استدعاء العقل الحسابي V9.8)
+                
+                # (أ. حساب الميزات الذكية V9.8 - من indicators.py)
                 smart_features = self.technical_analyzer.calculate_v9_smart_features(df)
-                if smart_features:
-                    all_features_list.append(smart_features)
-                    symbols_in_order.append(symbol_data)
-            except Exception: pass
+                if not smart_features:
+                    # (فشل حساب الميزات الرئيسية، تجاهل العملة)
+                    continue
+                
+                # 🔴 --- (V10.0 - الإصلاح) --- 🔴
+                # (ب. حساب ميزات مونت كارلو V9.8 - من monte_carlo.py)
+                # (نستخدم آخر 100 شمعة فقط للمحاكاة البسيطة كما في التدريب)
+                closes_np = df['close'].tail(100).to_numpy()
+                mc_features = self.mc_analyzer.generate_1h_price_distribution_simple(closes_np)
+                
+                # (إضافة ميزات مونت كارلو إلى قاموس الميزات)
+                smart_features['mc_prob_gain'] = mc_features['mc_prob_gain']
+                smart_features['mc_var_95_pct'] = mc_features['mc_var_95_pct']
+                # 🔴 --- (نهاية الإصلاح) --- 🔴
+
+                all_features_list.append(smart_features)
+                symbols_in_order.append(symbol_data)
+                
+            except Exception:
+                pass # (تجاهل العملة إذا فشل أي جزء)
         
         if not all_features_list:
-            print("❌ [V9.8] فشل حساب الميزات الذكية.")
+            print("❌ [V10.1] فشل حساب الميزات الذكية.")
             return []
 
         # الخطوة 4: التنبؤ (التصنيف)
-        print(f"   🧠 [V9.8] إرسال {len(all_features_list)} عملة إلى نموذج الرانكر...")
+        print(f"   🧠 [V10.1] إرسال {len(all_features_list)} عملة إلى نموذج الرانكر...")
         features_dataframe = pd.DataFrame(all_features_list)
         probabilities = self.layer1_ranker.predict_proba(features_dataframe)
         
-        # (الطباعة التشخيصية V9.5 - لا تزال مفيدة)
-        print(f"   🔍 [V9.8 DEBUG] تم استلام {len(probabilities)} نتيجة من الرانكر.")
+        # (الطباعة التشخيصية)
+        print(f"   🔍 [V10.1 DEBUG] تم استلام {len(probabilities)} نتيجة من الرانكر.")
         debug_scores = []
         for i, (symbol_data) in enumerate(symbols_in_order):
             debug_scores.append((symbol_data['symbol'], probabilities[i]))
         debug_scores.sort(key=lambda x: x[1], reverse=True)
-        print("   --- 📋 [V9.8 DEBUG] أعلى 10 درجات خام (قبل الفلترة) ---")
+        print("   --- 📋 [V10.1 DEBUG] أعلى 10 درجات خام (قبل الفلترة) ---")
         for i, (symbol, score) in enumerate(debug_scores[:10]):
             print(f"      {i+1}. {symbol}: {score:.4f}") 
         print("   -------------------------------------------------")
 
-        # الخطوة 5: تجميع النتائج (مع عتبة القناص 60%)
+        # الخطوة 5: تجميع النتائج (مع عتبة التوازن 53%)
         for i, (symbol_data) in enumerate(symbols_in_order):
             score = probabilities[i]
             
-            # 🔴 (V9.8: عتبة القناص 60% - بناءً على نتائجنا) 🔴
-            if score >= 0.60: 
+            # 🔴 (V10.1: عتبة التوازن 53% - بناءً على اختيارك) 🔴
+            if score >= 0.53: 
                 symbol = symbol_data['symbol']
                 print(f"      ✅ {symbol}: نجح (الاحتمالية: {score:.3f})")
                 symbol_data['layer1_score'] = float(score)
-                symbol_data['reasons_for_candidacy'] = ["V9_SMART_RANKER_SNIPER_60"]
+                symbol_data['reasons_for_candidacy'] = ["V9_SMART_RANKER_BALANCED_53"]
                 if 'ohlcv_1h_raw' in symbol_data: del symbol_data['ohlcv_1h_raw'] 
                 final_candidates_with_scores.append(symbol_data)
 
-        print(f"🎯 اكتملت الغربلة (V9.8). تم تأهيل {len(final_candidates_with_scores)} عملة (ثقة >= 60%).")
+        print(f"🎯 اكتملت الغربلة (V10.1). تم تأهيل {len(final_candidates_with_scores)} عملة (ثقة >= 53%).")
         
         if final_candidates_with_scores:
             final_candidates_with_scores.sort(key=lambda x: x['layer1_score'], reverse=True)
@@ -285,7 +304,7 @@ class DataManager:
             for k, candidate in enumerate(final_candidates_with_scores[:5]):
                 print(f"   {k+1}. {candidate['symbol']}: (Score: {candidate.get('layer1_score'):.3f})")
         else:
-            print("⚠️ [V9.8] لم تنجح أي عملة في تجاوز عتبة الثقة 60%. (هذا جيد، النظام حذر)")
+            print("⚠️ [V10.1] لم تنجح أي عملة في تجاوز عتبة الثقة 53%.")
 
         return final_candidates_with_scores[:20]
 
@@ -501,4 +520,4 @@ class DataManager:
         except Exception as e:
             return {'action': 'HOLD', 'confidence': 0.3, 'reason': f'Error: {str(e)}', 'source': 'whale_analysis'}
 
-print("✅ DataManager loaded - V9.8 (Sniper Threshold 60%)")
+print("✅ DataManager loaded - V10.1 (Balanced Threshold 53%)")