Update ML.py

ML.py

@@ -302,7 +302,7 @@ class MonteCarloAnalyzer:
         """
         try:
             if not ohlcv_data or '1h' not in ohlcv_data or len(ohlcv_data['1h']) < 24:
-                return 0.5
+                return None  # ❌ لا نرجع قيمة افتراضية
             
             # استخدام بيانات 1h و 15m معاً لدقة أفضل
             all_closes = []
@@ -316,7 +316,7 @@ class MonteCarloAnalyzer:
                 all_closes.extend(recent_15m)
             
             if len(all_closes) < 30:
-                return 0.5
+                return None  # ❌ لا نرجع قيمة افتراضية
             
             closes = np.array(all_closes)
             current_price = closes[-1]
@@ -329,7 +329,7 @@ class MonteCarloAnalyzer:
                     log_returns.append(log_return)
             
             if len(log_returns) < 20:
-                return 0.5
+                return None  # ❌ لا نرجع قيمة افتراضية
             
             log_returns = np.array(log_returns)
             mean_return = np.mean(log_returns)
@@ -382,7 +382,7 @@ class MonteCarloAnalyzer:
             
         except Exception as e:
             print(f"❌ خطأ في محاكاة مونت كارلو: {e}")
-            return 0.5
+            return None  # ❌ لا نرجع قيمة افتراضية
     
     def _calculate_trend_adjustment(self, closes):
         """حساب معامل تعديل الاتجاه"""
@@ -789,6 +789,7 @@ class MultiStrategyEngine:
                     market_condition = market_context.get('market_trend', 'sideways_market')
                     optimized_weights = await self.learning_engine.get_optimized_strategy_weights(market_condition)
                 except Exception as e: 
+                    # ❌ لا نستخدم قيم افتراضية، نستخدم الأوزان الأساسية
                     optimized_weights = await self.get_default_weights()
             else:
                 optimized_weights = await self.get_default_weights()
@@ -799,15 +800,16 @@ class MultiStrategyEngine:
             for strategy_name, strategy_function in self.strategies.items():
                 try: 
                     base_score = await strategy_function(symbol_data, market_context)
+                    if base_score is None:  # ❌ إذا فشلت الاستراتيجية، لا نستخدم قيم افتراضية
+                        continue
                     base_scores[strategy_name] = base_score
                     weight = optimized_weights.get(strategy_name, 0.1)
                     weighted_score = base_score * weight
                     strategy_scores[strategy_name] = min(weighted_score, 1.0)
                 except Exception as error:
                     print(f"❌ خطأ في تقييم استراتيجية {strategy_name}: {error}")
-                    base_score = await self._fallback_strategy_score(strategy_name, symbol_data, market_context)
-                    base_scores[strategy_name] = base_score
-                    strategy_scores[strategy_name] = base_score * optimized_weights.get(strategy_name, 0.1)
+                    # ❌ لا نستخدم أي محاكاة أو قيم افتراضية
+                    continue
             
             pattern_analysis = symbol_data.get('pattern_analysis')
             if pattern_analysis: 
@@ -826,11 +828,11 @@ class MultiStrategyEngine:
             
         except Exception as error:
             print(f"❌ خطأ في تقييم الاستراتيجيات: {error}")
-            fallback_scores = await self.get_fallback_scores()
-            return fallback_scores, fallback_scores
+            # ❌ لا نستخدم أي محاكاة
+            return {}, {}
     
     async def get_default_weights(self):
-        """الأوزان الافتراضية للاستراتيجيات"""
+        """الأوزان الافتراضية للاستراتيجيات - هذه ليست محاكاة ولكن أوزان ابتدائية"""
         return {
             'trend_following': 0.15, 
             'mean_reversion': 0.12,
@@ -841,18 +843,6 @@ class MultiStrategyEngine:
             'hybrid_ai': 0.10
         }
     
-    async def get_fallback_scores(self):
-        """الدرجات الاحتياطية عند الخطأ"""
-        return {
-            'trend_following': 0.5, 
-            'mean_reversion': 0.5,
-            'breakout_momentum': 0.5, 
-            'volume_spike': 0.5,
-            'whale_tracking': 0.5, 
-            'pattern_recognition': 0.5,
-            'hybrid_ai': 0.5
-        }
-    
     async def _trend_following_strategy(self, symbol_data, market_context):
         """استراتيجية تتبع الاتجاه"""
         try:
@@ -876,7 +866,8 @@ class MultiStrategyEngine:
             
             return min(score, 1.0)
         except Exception as error:
-            return 0.3
+            print(f"❌ خطأ في استراتيجية تتبع الاتجاه: {error}")
+            return None  # ❌ لا نرجع قيمة افتراضية
     
     def _check_ema_alignment(self, indicators):
         """التحقق من محاذاة المتوسطات المتحركة"""
@@ -912,7 +903,8 @@ class MultiStrategyEngine:
             
             return min(score, 1.0)
         except Exception as error:
-            return 0.3
+            print(f"❌ خطأ في استراتيجية العودة للمتوسط: {error}")
+            return None  # ❌ لا نرجع قيمة افتراضية
     
     async def _breakout_momentum_strategy(self, symbol_data, market_context):
         """استراتيجية زخم الاختراق"""
@@ -945,7 +937,8 @@ class MultiStrategyEngine:
             
             return min(score, 1.0)
         except Exception as error:
-            return 0.4
+            print(f"❌ خطأ في استراتيجية زخم الاختراق: {error}")
+            return None  # ❌ لا نرجع قيمة افتراضية
     
     async def _volume_spike_strategy(self, symbol_data, market_context):
         """استراتيجية ارتفاع الحجم"""
@@ -965,14 +958,15 @@ class MultiStrategyEngine:
             
             return min(score, 1.0)
         except Exception as error:
-            return 0.3
+            print(f"❌ خطأ في استراتيجية ارتفاع الحجم: {error}")
+            return None  # ❌ لا نرجع قيمة افتراضية
     
     async def _whale_tracking_strategy(self, symbol_data, market_context):
         """استراتيجية تتبع الحيتان"""
         try:
             whale_data = symbol_data.get('whale_data', {})
             if not whale_data.get('data_available', False):
-                return 0.2
+                return None  # ❌ لا نرجع قيمة افتراضية
             
             whale_signal = await self.data_manager.get_whale_trading_signal(
                 symbol_data['symbol'], whale_data, market_context
@@ -985,9 +979,10 @@ class MultiStrategyEngine:
                 elif whale_signal.get('action') in ['STRONG_SELL', 'SELL']:
                     return min(confidence * 0.8, 1.0)
             
-            return 0.3
+            return None  # ❌ لا نرجع قيمة افتراضية
         except Exception as error: 
-            return 0.2
+            print(f"❌ خطأ في استراتيجية تتبع الحيتان: {error}")
+            return None  # ❌ لا نرجع قيمة افتراضية
     
     async def _pattern_recognition_strategy(self, symbol_data, market_context):
         """استراتيجية التعرف على الأنماط"""
@@ -1009,18 +1004,21 @@ class MultiStrategyEngine:
             
             return min(score, 1.0)
         except Exception as error:
-            return 0.3
+            print(f"❌ خطأ في استراتيجية التعرف على الأنماط: {error}")
+            return None  # ❌ لا نرجع قيمة افتراضية
     
     async def _hybrid_ai_strategy(self, symbol_data, market_context):
         """استراتيجية الهجين الذكية"""
         try:
             score = 0.0
             
-            monte_carlo_probability = symbol_data.get('monte_carlo_probability', 0.5)
-            score += monte_carlo_probability * 0.4
+            monte_carlo_probability = symbol_data.get('monte_carlo_probability')
+            if monte_carlo_probability is not None:
+                score += monte_carlo_probability * 0.4
             
-            final_score = symbol_data.get('final_score', 0.5)
-            score += final_score * 0.3
+            final_score = symbol_data.get('final_score', 0)
+            if final_score > 0:
+                score += final_score * 0.3
             
             if market_context.get('btc_sentiment') == 'BULLISH': 
                 score += 0.15
@@ -1034,48 +1032,8 @@ class MultiStrategyEngine:
             
             return max(0.0, min(score, 1.0))
         except Exception as error:
-            return 0.3
-    
-    async def _fallback_strategy_score(self, strategy_name, symbol_data, market_context):
-        """الدرجة الاحتياطية للاستراتيجيات"""
-        try:
-            base_score = symbol_data.get('final_score', 0.5)
-            
-            if strategy_name == 'trend_following':
-                indicators = symbol_data.get('advanced_indicators', {})
-                if '1h' in indicators:
-                    rsi_value = indicators['1h'].get('rsi', 50)
-                    ema_9 = indicators['1h'].get('ema_9')
-                    ema_21 = indicators['1h'].get('ema_21')
-                    if ema_9 and ema_21 and ema_9 > ema_21 and 40 <= rsi_value <= 60: 
-                        return 0.6
-                return 0.4
-                
-            elif strategy_name == 'mean_reversion':
-                current_price = symbol_data.get('current_price', 0)
-                indicators = symbol_data.get('advanced_indicators', {})
-                if '1h' in indicators:
-                    rsi_value = indicators['1h'].get('rsi', 50)
-                    bb_lower = indicators['1h'].get('bb_lower')
-                    if bb_lower and current_price <= bb_lower * 1.02 and rsi_value < 35: 
-                        return 0.7
-                return 0.3
-                
-            elif strategy_name == 'breakout_momentum':
-                volume_ratio = symbol_data.get('advanced_indicators', {}).get('1h', {}).get('volume_ratio', 0)
-                if volume_ratio > 1.5: 
-                    return 0.6
-                return 0.4
-                
-            elif strategy_name == 'whale_tracking':
-                whale_data = symbol_data.get('whale_data', {})
-                if not whale_data.get('data_available', False): 
-                    return 0.2
-                return 0.3
-                
-            return base_score
-        except Exception as error:
-            return 0.3
+            print(f"❌ خطأ في استراتيجية الهجين الذكية: {error}")
+            return None  # ❌ لا نرجع قيمة افتراضية
 
 class MLProcessor:
     def __init__(self, market_context, data_manager, learning_engine):
@@ -1112,8 +1070,9 @@ class MLProcessor:
                 base_analysis['advanced_indicators'] = advanced_indicators
                 
                 monte_carlo_probability = await self.monte_carlo_analyzer.predict_1h_probability(raw_data['ohlcv'])
-                base_analysis['monte_carlo_probability'] = monte_carlo_probability
-                base_analysis['monte_carlo_details'] = self.monte_carlo_analyzer.simulation_results
+                if monte_carlo_probability is not None:
+                    base_analysis['monte_carlo_probability'] = monte_carlo_probability
+                    base_analysis['monte_carlo_details'] = self.monte_carlo_analyzer.simulation_results
                 
                 pattern_analysis = await self.pattern_analyzer.detect_chart_patterns(raw_data['ohlcv'])
                 base_analysis['pattern_analysis'] = pattern_analysis
@@ -1140,7 +1099,9 @@ class MLProcessor:
                 base_analysis['enhanced_final_score'] = enhanced_score
                 
                 print(f"✅ اكتمل التحليل المتقدم لـ {symbol}:")
-                print(f"   📊 النهائي: {enhanced_score:.3f} | 🎯 مونت كارلو: {monte_carlo_probability:.3f}")
+                print(f"   📊 النهائي: {enhanced_score:.3f}")
+                if monte_carlo_probability is not None:
+                    print(f"   🎯 مونت كارلو: {monte_carlo_probability:.3f}")
                 print(f"   🎯 نمط: {pattern_analysis.get('pattern_detected')} (ثقة: {pattern_analysis.get('pattern_confidence', 0):.2f})")
                 
                 return base_analysis
@@ -1174,23 +1135,46 @@ class MLProcessor:
     def _calculate_enhanced_final_score(self, analysis):
         """حساب الدرجة النهائية المحسنة"""
         try:
-            base_score = analysis.get('final_score', 0.5)
-            monte_carlo_score = analysis.get('monte_carlo_probability', 0.5)
+            base_score = analysis.get('final_score', 0)
+            monte_carlo_score = analysis.get('monte_carlo_probability', 0)
             pattern_confidence = analysis.get('pattern_analysis', {}).get('pattern_confidence', 0)
-            strategy_confidence = analysis.get('strategy_confidence', 0.3)
+            strategy_confidence = analysis.get('strategy_confidence', 0)
             
-            enhanced_score = (
-                base_score * 0.25 +
-                monte_carlo_score * 0.30 +
-                pattern_confidence * 0.25 +
-                strategy_confidence * 0.20
-            )
+            # استخدام فقط البيانات المتاحة
+            components = []
+            weights = []
+            
+            if base_score > 0:
+                components.append(base_score)
+                weights.append(0.25)
+            
+            if monte_carlo_score > 0:
+                components.append(monte_carlo_score)
+                weights.append(0.30)
+            
+            if pattern_confidence > 0:
+                components.append(pattern_confidence)
+                weights.append(0.25)
+            
+            if strategy_confidence > 0:
+                components.append(strategy_confidence)
+                weights.append(0.20)
+            
+            if not components:
+                return 0  # ❌ لا توجد بيانات صالحة
+            
+            # حساب المتوسط المرجح
+            total_weight = sum(weights)
+            if total_weight == 0:
+                return 0
+                
+            enhanced_score = sum(comp * weight for comp, weight in zip(components, weights)) / total_weight
             
             return min(enhanced_score, 1.0)
             
         except Exception as e:
             print(f"❌ خطأ في حساب الدرجة المحسنة: {e}")
-            return analysis.get('final_score', 0.5)
+            return analysis.get('final_score', 0)
     
     async def process_and_score_symbol(self, raw_data):
         """المعالجة الأساسية للرمز"""
@@ -1202,7 +1186,7 @@ class MLProcessor:
                 return None
             
             current_price = raw_data.get('current_price', 0)
-            layer1_score = raw_data.get('layer1_score', 0.5)
+            layer1_score = raw_data.get('layer1_score', 0)
             reasons = raw_data.get('reasons_for_candidacy', [])
             
             final_score = layer1_score
@@ -1242,7 +1226,9 @@ class MLProcessor:
             pattern = candidate.get('pattern_analysis', {}).get('pattern_detected', 'no_pattern')
             
             print(f"   {i+1}. {candidate['symbol']}:")
-            print(f"      📊 النهائي: {score:.3f} | 🎯 مونت كارلو: {mc_score:.3f}")
+            print(f"      📊 النهائي: {score:.3f}")
+            if mc_score > 0:
+                print(f"      🎯 مونت كارلو: {mc_score:.3f}")
             print(f"      🎯 استراتيجية: {strategy} | نمط: {pattern}")
         
         return top_candidates
@@ -1263,4 +1249,4 @@ def safe_json_parse(json_string):
             print(f"❌ فشل تحليل JSON بعد الإصلاح: {e}")
             return None
 
-print("✅ ML Processor loaded - Fixed NoneType Errors & Enhanced Analysis")
+print("✅ ML Processor loaded - No Default Values & Enhanced Analysis")