Update app.py

app.py

@@ -2,10 +2,6 @@
 # GOSHAWK ALBION MARKET AI
 # Tek dosyalık, çalıştırılabilir Market Intelligence uygulaması.
 # Gerekli paketler: gradio, lightgbm, pandas, numpy, plotly, requests, scikit-learn, joblib
-#
-# NOT: Bu uygulama Albion Online Data Project (AODP) public API'sini kullanır.
-# Varsayılan sunucu: Avrupa (europe).
-# API dokümantasyonu: https://www.albion-online-data.com/
 
 import os
 import time
@@ -37,9 +33,6 @@ warnings.filterwarnings("ignore")
 # ---------------------------------------------------------------------------
 
 API_BASE = "https://europe.albion-online-data.com/api/v2"
-# Alternatifler:
-# API_BASE = "https://west.albion-online-data.com/api/v2"   # Americas
-# API_BASE = "https://east.albion-online-data.com/api/v2"   # Asia
 
 CITIES = [
     "Bridgewatch",
@@ -108,16 +101,29 @@ MODEL_PATH = os.path.join(MODEL_DIR, "gos_hawk_model.pkl")
 
 PURGE_HOURS = 24
 EMBARGO_HOURS = 24
-# Eşik düşürüldü: public API'den gelen gerçek veri hacmi genellikle sınırlıdır
 MIN_TRAIN_SAMPLES = 150
 
 REQUEST_TIMEOUT = 30
 MAX_RETRIES = 3
 RETRY_BACKOFF = 2
 
-# Public API zaman ölçeği (saat): 6 → 6 saatlik bucket → 4× daha fazla veri noktası
 HISTORY_TIME_SCALE = 6
 
+# ---------------------------------------------------------------------------
+# TAHMİN SINIRLARI (aşırı tahminleri engelle)
+# ---------------------------------------------------------------------------
+
+# 24h'lik gerçekçi max log getiri aralığı (yaklaşık ±%15)
+MAX_LOG_RETURN = 0.15
+MIN_LOG_RETURN = -0.15
+
+# Eğitim target clip (log uzayında)
+TARGET_CLIP_LOWER_Q = 0.02
+TARGET_CLIP_UPPER_Q = 0.98
+
+# Güven eşiği: bu log getirinin altındaki tahminler "belirsiz" sayılır
+LOW_CONFIDENCE_THRESHOLD = 0.02
+
 # ---------------------------------------------------------------------------
 # PUBLIC API ÇAĞRILARI
 # ---------------------------------------------------------------------------
@@ -125,7 +131,7 @@ HISTORY_TIME_SCALE = 6
 
 def safe_request(url: str, params: Optional[dict] = None) -> Optional[list]:
     headers = {
-        "User-Agent": "GOSHAWK-ALBION-MARKET-AI/1.1 (public-api-client)",
+        "User-Agent": "GOSHAWK-ALBION-MARKET-AI/1.2 (public-api-client)",
         "Accept": "application/json",
     }
     for attempt in range(MAX_RETRIES):
@@ -181,16 +187,7 @@ def fetch_current_prices(item_ids: List[str], cities: List[str], qualities: str
     return df
 
 
-def fetch_history(
-    item_ids: List[str],
-    cities: List[str],
-    time_scale: int = 6,
-    qualities: str = "1",
-) -> pd.DataFrame:
-    """
-    AODP /stats/history/ endpoint'inden tarihsel ortalama fiyatları çeker.
-    time_scale=6 → 6 saatlik bucket → 24h'ye göre 4 kat daha fazla nokta.
-    """
+def fetch_history(item_ids: List[str], cities: List[str], time_scale: int = 6, qualities: str = "1") -> pd.DataFrame:
     all_records = []
     chunk_size = 30
     for i in range(0, len(item_ids), chunk_size):
@@ -198,11 +195,7 @@ def fetch_history(
         items_str = ",".join(chunk)
         locations_str = ",".join(cities)
         url = f"{API_BASE}/stats/history/{items_str}.json"
-        params = {
-            "locations": locations_str,
-            "qualities": qualities,
-            "time-scale": time_scale,
-        }
+        params = {"locations": locations_str, "qualities": qualities, "time-scale": time_scale}
         data = safe_request(url, params)
         if data:
             for entry in data:
@@ -304,10 +297,6 @@ def build_features(df: pd.DataFrame) -> pd.DataFrame:
 
     group_cols = ["item_id", "city"]
 
-    # time_scale=6 ile saatlik değil 6-saatlik bucket kullanıyoruz.
-    # 1 birim = 6 saat. Bu yüzden lag/chg/ma pencerelerini "bucket" cinsinden
-    # ifade ediyoruz: 1h→1 bucket, 24h→4 bucket, 48h→8 bucket.
-    # Yine de isimleri saat cinsinden bırakıyoruz (anlamlılık için).
     for lag in [1, 3, 6, 12, 24, 48]:
         df[f"lag_{lag}h"] = df.groupby(group_cols)["avg_price"].shift(lag)
 
@@ -315,7 +304,6 @@ def build_features(df: pd.DataFrame) -> pd.DataFrame:
     for chg in [1, 6, 12, 24]:
         df[f"chg_{chg}h"] = df.groupby(group_cols)["log_price"].shift(chg)
 
-    # min_periods yumuşatıldı: daha az NaN, daha çok eğitim örneği
     for window in [6, 12, 24, 48]:
         min_p = max(3, window // 4)
         df[f"ma_{window}h"] = df.groupby(group_cols)["avg_price"].transform(
@@ -336,7 +324,8 @@ def build_features(df: pd.DataFrame) -> pd.DataFrame:
     city_avg = df.groupby(["item_id", "timestamp"])["avg_price"].transform("mean")
     df["city_price_deviation"] = (df["avg_price"] - city_avg) / city_avg.replace(0, np.nan)
 
-    df["target_return_24h"] = df.groupby(group_cols)["log_price"].shift(-4)  # 4 bucket = 24h
+    # Hedef: 4 bucket sonraki log getiri (time_scale=6h → 4*6=24h)
+    df["target_return_24h"] = df.groupby(group_cols)["log_price"].shift(-4)
 
     return df
 
@@ -358,10 +347,6 @@ FEATURE_COLS = [
 
 
 def prepare_model_data(featured_df: pd.DataFrame) -> Tuple[pd.DataFrame, pd.Series, pd.DataFrame]:
-    """
-    Eğitim verisini haz��rlar. 48h lag/ma NaN ise daha kısa pencereden doldurur
-    ki örnek sayısı düşmesin.
-    """
     if featured_df.empty:
         return pd.DataFrame(), pd.Series(dtype=float), pd.DataFrame()
 
@@ -369,10 +354,8 @@ def prepare_model_data(featured_df: pd.DataFrame) -> Tuple[pd.DataFrame, pd.Seri
     df["item_code"] = df["item_id"].astype("category").cat.codes
     df["city_code"] = df["city"].astype("category").cat.codes
 
-    # Target ve temel lag'ler zorunlu
     df = df.dropna(subset=["target_return_24h", "lag_1h", "lag_24h"]).copy()
 
-    # Uzun pencereleri kısa pencereden doldur
     if "lag_48h" in df.columns:
         df["lag_48h"] = df["lag_48h"].fillna(df["lag_24h"])
     if "ma_48h" in df.columns:
@@ -380,13 +363,13 @@ def prepare_model_data(featured_df: pd.DataFrame) -> Tuple[pd.DataFrame, pd.Seri
     if "ma_24h" in df.columns:
         df["ma_24h"] = df["ma_24h"].fillna(df["lag_24h"])
     if "ma_12h" in df.columns:
-        df["ma_12h"] = df["ma_12h"].fillna(df["lag_12h"] if "lag_12h" in df.columns else df["lag_24h"])
+        df["ma_12h"] = df["ma_12h"].fillna(df.get("lag_12h", df["lag_24h"]))
     if "ma_6h" in df.columns:
-        df["ma_6h"] = df["ma_6h"].fillna(df["lag_6h"] if "lag_6h" in df.columns else df["lag_24h"])
+        df["ma_6h"] = df["ma_6h"].fillna(df.get("lag_6h", df["lag_24h"]))
     if "lag_3h" in df.columns:
-        df["lag_3h"] = df["lag_3h"].fillna(df["lag_6h"] if "lag_6h" in df.columns else df["lag_24h"])
+        df["lag_3h"] = df["lag_3h"].fillna(df.get("lag_6h", df["lag_24h"]))
     if "lag_6h" in df.columns:
-        df["lag_6h"] = df["lag_6h"].fillna(df["lag_12h"] if "lag_12h" in df.columns else df["lag_24h"])
+        df["lag_6h"] = df["lag_6h"].fillna(df.get("lag_12h", df["lag_24h"]))
     if "lag_12h" in df.columns:
         df["lag_12h"] = df["lag_12h"].fillna(df["lag_24h"])
 
@@ -400,13 +383,15 @@ def prepare_model_data(featured_df: pd.DataFrame) -> Tuple[pd.DataFrame, pd.Seri
     df["volume_ratio"] = df["volume_ratio"].fillna(1.0)
     df["city_price_deviation"] = df["city_price_deviation"].fillna(0.0)
 
-    # Kalan NaN'ları temizle
     model_df = df.dropna(subset=FEATURE_COLS + ["target_return_24h"]).copy()
 
+    # KRİTİK DÜZELTME: target clip çok daha dar
     if len(model_df) > 100:
-        lower = model_df["target_return_24h"].quantile(0.001)
-        upper = model_df["target_return_24h"].quantile(0.999)
-        model_df["target_return_24h"] = model_df["target_return_24h"].clip(lower, upper)
+        lower = model_df["target_return_24h"].quantile(TARGET_CLIP_LOWER_Q)
+        upper = model_df["target_return_24h"].quantile(TARGET_CLIP_UPPER_Q)
+        model_df["target_return_24h"] = model_df["target_return_24h"].clip(
+            max(lower, MIN_LOG_RETURN), min(upper, MAX_LOG_RETURN)
+        )
 
     X = model_df[FEATURE_COLS].astype("float64")
     y = model_df["target_return_24h"].astype("float64")
@@ -424,23 +409,28 @@ def train_global_model(X: pd.DataFrame, y: pd.Series) -> Optional[lgb.LGBMRegres
     X_train, X_val = X.iloc[:split_idx], X.iloc[split_idx:]
     y_train, y_val = y.iloc[:split_idx], y.iloc[split_idx:]
 
+    # KRİTİK DÜZELTME: daha güçlü regülarizasyon → overfit önleme
     model = lgb.LGBMRegressor(
         objective="regression",
         metric="mae",
         boosting_type="gbdt",
-        num_leaves=31,
-        learning_rate=0.05,
-        n_estimators=500,
-        feature_fraction=0.8,
-        bagging_fraction=0.8,
+        num_leaves=15,              # 31 → 15
+        max_depth=6,                # eklendi
+        min_child_samples=50,       # eklendi
+        learning_rate=0.03,         # 0.05 → 0.03
+        n_estimators=400,
+        feature_fraction=0.7,
+        bagging_fraction=0.7,
         bagging_freq=5,
+        reg_alpha=0.1,              # L1
+        reg_lambda=1.0,             # L2
         verbose=-1,
         random_state=42,
         n_jobs=-1,
     )
 
     callbacks = [
-        lgb.early_stopping(stopping_rounds=50, verbose=False),
+        lgb.early_stopping(stopping_rounds=30, verbose=False),
         lgb.log_evaluation(period=0),
     ]
 
@@ -455,6 +445,12 @@ def train_global_model(X: pd.DataFrame, y: pd.Series) -> Optional[lgb.LGBMRegres
 
 
 def predict_24h_returns(model: lgb.LGBMRegressor, latest_features: pd.DataFrame) -> pd.DataFrame:
+    """
+    KRİTİK DÜZELTME:
+    1. Ham tahmin clip'lenir (aşırı değerleri engelle).
+    2. Tahminin mutlak değeri çok küçükse "belirsiz" işaretlenir.
+    3. exp() güvenli aralıkta uygulanır.
+    """
     if latest_features.empty or model is None:
         return pd.DataFrame()
 
@@ -467,11 +463,23 @@ def predict_24h_returns(model: lgb.LGBMRegressor, latest_features: pd.DataFrame)
     if X_pred.empty:
         return pd.DataFrame()
 
-    preds = model.predict(X_pred)
-    result = latest_features.loc[X_pred.index, ["item_id", "city", "avg_price", "item_count", "volatility_24h"]].copy()
-    result["predicted_log_return_24h"] = preds
-    result["predicted_return_pct"] = (np.exp(preds) - 1) * 100
-    result["predicted_price_24h"] = result["avg_price"] * np.exp(preds)
+    raw_preds = model.predict(X_pred)
+
+    # Ham tahmini güvenli aralığa clip'le
+    clipped_preds = np.clip(raw_preds, MIN_LOG_RETURN, MAX_LOG_RETURN)
+
+    # Yüzdeye çevir
+    pred_return_pct = (np.exp(clipped_preds) - 1) * 100
+
+    result = latest_features.loc[X_pred.index, ["item_id", "city", "avg_price", "item_count", "volatility_24h", "rsi_14", "volume_ratio"]].copy()
+    result["raw_log_pred"] = raw_preds
+    result["clipped_log_pred"] = clipped_preds
+    result["predicted_log_return_24h"] = clipped_preds
+    result["predicted_return_pct"] = pred_return_pct
+    result["predicted_price_24h"] = result["avg_price"] * np.exp(clipped_preds)
+
+    # Belirsizlik göstergesi: |tahmin| < eşik ise "belirsiz"
+    result["is_uncertain"] = np.abs(clipped_preds) < LOW_CONFIDENCE_THRESHOLD
 
     return result
 
@@ -496,12 +504,12 @@ def walk_forward_backtest(featured_df: pd.DataFrame, n_splits: int = 3) -> Dict:
     all_predictions = []
 
     for i in range(n_splits):
-        test_start_idx = test_size * (i + 1) + 4  # 4 bucket purge
+        test_start_idx = test_size * (i + 1) + 4
         test_end_idx = test_start_idx + test_size
         if test_end_idx > len(unique_times):
             break
 
-        train_end_idx = test_start_idx - 8  # 8 bucket embargo+purge
+        train_end_idx = test_start_idx - 8
         if train_end_idx <= 0:
             continue
 
@@ -523,16 +531,21 @@ def walk_forward_backtest(featured_df: pd.DataFrame, n_splits: int = 3) -> Dict:
         model = lgb.LGBMRegressor(
             objective="regression",
             metric="mae",
-            num_leaves=31,
-            learning_rate=0.05,
+            num_leaves=15,
+            max_depth=6,
+            min_child_samples=50,
+            learning_rate=0.03,
             n_estimators=300,
+            reg_alpha=0.1,
+            reg_lambda=1.0,
             verbose=-1,
             random_state=42,
             n_jobs=-1,
         )
         model.fit(X_train, y_train)
 
-        preds = model.predict(X_test)
+        raw_preds = model.predict(X_test)
+        preds = np.clip(raw_preds, MIN_LOG_RETURN, MAX_LOG_RETURN)
 
         mae = mean_absolute_error(y_test, preds)
         rmse = np.sqrt(mean_squared_error(y_test, preds))
@@ -566,7 +579,7 @@ def walk_forward_backtest(featured_df: pd.DataFrame, n_splits: int = 3) -> Dict:
         sim_df = pd.concat(all_predictions)
         total_cost_rate = SETUP_FEE_RATE + TRANSACTION_TAX_RATE
         sim_df["net_return"] = sim_df["actual_return"] - total_cost_rate
-        sim_df["trade_signal"] = sim_df["predicted_return"] > 0
+        sim_df["trade_signal"] = sim_df["predicted_return"] > LOW_CONFIDENCE_THRESHOLD
         sim_trades = sim_df[sim_df["trade_signal"]].copy()
 
         if len(sim_trades) > 0:
@@ -606,7 +619,6 @@ class DataPipeline:
         self._backtest_cache = None
         self.data_source = "PUBLIC_API_EUROPE"
 
-        # Diskte kayıtlı model varsa yükle
         if _HAS_JOBLIB and os.path.exists(MODEL_PATH):
             try:
                 self.model = joblib.load(MODEL_PATH)
@@ -661,7 +673,7 @@ class DataPipeline:
             self.status_message = (
                 f"Yetersiz örnek: {len(X)} (min {MIN_TRAIN_SAMPLES}). "
                 f"Toplam tarihsel satır: {len(self.featured_df)}. "
-                f"Daha fazla veri için HISTORY_TIME_SCALE=1 deneyin."
+                f"HISTORY_TIME_SCALE=1 deneyin."
             )
             return False
 
@@ -670,17 +682,17 @@ class DataPipeline:
             self.status_message = "Model eğitimi başarısız."
             return False
 
-        # Kaydet
         if _HAS_JOBLIB:
             try:
                 joblib.dump(self.model, MODEL_PATH)
                 self.status_message = (
-                    f"Model eğitildi ve kaydedildi ({len(X)} örnek). Kaynak: Public API (EU)."
+                    f"Model eğitildi ve kaydedildi ({len(X)} örnek). "
+                    f"Tahminler ±%15 aralığına sınırlandırıldı."
                 )
             except Exception as e:
                 self.status_message = f"Model eğitildi ancak kaydedilemedi: {e}"
         else:
-            self.status_message = f"Model eğitildi ({len(X)} örnek). Kaynak: Public API (EU)."
+            self.status_message = f"Model eğitildi ({len(X)} örnek). Tahminler ±%15 aralığına sınırlandırıldı."
 
         self.last_update = dt.datetime.now()
         return True
@@ -693,7 +705,6 @@ class DataPipeline:
         latest["item_code"] = latest["item_id"].astype("category").cat.codes
         latest["city_code"] = latest["city"].astype("category").cat.codes
 
-        # En son satırlar için feature NaN olabilir → kısmi doldur
         for col in FEATURE_COLS:
             if col not in latest.columns:
                 latest[col] = 0.0
@@ -709,7 +720,15 @@ class DataPipeline:
         else:
             preds["spread"] = np.nan
 
-        preds["confidence"] = (1.0 - preds["volatility_24h"].clip(0, 0.2) / 0.2).fillna(0.5).clip(0, 1)
+        # Gelişmi�� güvenilirlik: volatilite + RSI aşırı bölge + volume
+        vol_score = (1.0 - preds["volatility_24h"].clip(0, 0.2) / 0.2).fillna(0.5)
+        rsi_penalty = ((preds["rsi_14"] - 50).abs() / 50).clip(0, 1).fillna(0.5) * 0.2
+        vol_ratio_score = preds["volume_ratio"].clip(0, 2).fillna(1.0) / 2
+        base_conf = vol_score * 0.6 + vol_ratio_score * 0.4 - rsi_penalty
+        # Belirsiz tahminleri cezalandır
+        certainty_penalty = preds["is_uncertain"].astype(float) * 0.4
+        preds["confidence"] = (base_conf - certainty_penalty).clip(0, 1).fillna(0.3)
+
         total_cost = SETUP_FEE_RATE + TRANSACTION_TAX_RATE
         preds["net_return_pct"] = preds["predicted_return_pct"] - (total_cost * 100)
 
@@ -751,6 +770,7 @@ def get_dashboard_metrics():
         "Ortalama Fiyat": f"{df['avg_price'].mean():.0f} silver",
         "Ortalama Hacim": f"{df['item_count'].mean():.1f}",
         "Model Durumu": "Eğitildi" if pipeline.model else "Eğitilmedi",
+        "Tahmin Sınırı": f"±%{MAX_LOG_RETURN * 100:.0f}",
         "Son Güncelleme": pipeline.last_update.strftime("%Y-%m-%d %H:%M") if pipeline.last_update else "—",
     }
     return pd.DataFrame(list(metrics.items()), columns=["Metrik", "Değer"])
@@ -807,11 +827,13 @@ def get_prediction_table():
         bins=[-1, 10, 50, 200, np.inf],
         labels=["Düşük", "Orta", "İyi", "Yüksek"]
     ).astype(str)
+    # Belirsiz tahminleri işaretle
+    preds["Not"] = np.where(preds["is_uncertain"], "⚠️ Belirsiz", "")
 
     cols = [
         "Ürün", "Şehir", "Mevcut Fiyat", "Tahmini Fiyat (24s)",
         "Tahmini Değişim %", "Güvenilirlik", "Spread", "Likidite",
-        "Net Getiri % (maliyet sonrası)"
+        "Net Getiri % (maliyet sonrası)", "Not"
     ]
     return preds[cols].sort_values("Tahmini Değişim %", ascending=False)
 
@@ -1029,7 +1051,7 @@ with gr.Blocks(title="GOSHAWK ALBION MARKET AI", theme=gr.themes.Soft(primary_hu
         *LightGBM tabanlı 24 saatlik fiyat tahmini ve arbitraj analizi.*
 
         **Veri kaynağı:** Public Albion Online Data Project API (`europe.albion-online-data.com`)
-        **Tarihsel veri çözünürlüğü:** 6 saatlik bucket (daha fazla örnek için)
+        **Tahmin sınırı:** ±%15 (aşırı tahminler engellendi)
 
         **⚠️ Risk Uyarısı:** Bu uygulama yatırım tavsiyesi değildir. Model tahminleri belirsizlik içerir ve kesin kazanç garantisi sunmaz. Geçmiş performans gelecek sonuçların göstergesi değildir.
         """
@@ -1044,18 +1066,13 @@ with gr.Blocks(title="GOSHAWK ALBION MARKET AI", theme=gr.themes.Soft(primary_hu
         with gr.TabItem("📊 Dashboard"):
             dashboard_table = gr.Dataframe(label="Özet Metrikler", interactive=False, wrap=True)
             gr.Markdown(
-                "### Kullanım\n"
-                "1. 'Verileri Yenile ve Modeli Eğit' butonuna tıklayın.\n"
-                "2. Public AODP API'sinden gerçek piyasa verileri çekilir.\n"
-                "3. Global LightGBM modeli eğitilir ve `gos_hawk_data/models/` altına kaydedilir.\n"
-                "4. Diğer sekmelerden analizleri inceleyebilirsiniz.\n\n"
-                "### Veri hacmi hakkında\n"
-                "- `time-scale=6` → 6 saatlik bucket kullanılır, 24h'ye göre 4× daha fazla nokta.\n"
-                "- `MIN_TRAIN_SAMPLES=150` → düşük hacimli ürünlerde de model eğitilebilir.\n"
-                "- Hâlâ 'Yetersiz örnek' alıyorsanız `HISTORY_TIME_SCALE=1` (saatlik) deneyin.\n\n"
-                "### Riskler ve Belirsizlikler\n"
+                "### Tahmin Kalibrasyonu\n"
+                "- Model log getiri tahminleri **±0.15 log birimi** (yaklaşık ±%16) ile sınırlandırılmıştır.\n"
+                "- Bu aralığın dışındaki ham tahminler `clip`lenir.\n"
+                "- Tahmin mutlak değeri < 0.02 ise **belirsiz** olarak işaretlenir.\n"
+                "- Güvenilirlik; volatilite, RSI aşırı bölge ve hacim oranına göre hesaplanır.\n\n"
+                "### Riskler\n"
                 "- Model tahminleri **olasılıksaldır**, kesin değildir.\n"
-                "- Albion Online piyasası oyuncu davranışı, güncellemeler ve sezon değişimlerinden etkilenir.\n"
                 "- Backtest sonuçları geçmiş performansı yansıtır; gelecek performansı garanti etmez.\n"
                 "- Spread ve likidite düşükse gerçekleşme fiyatı tahminden sapabilir.\n"
             )
@@ -1066,9 +1083,8 @@ with gr.Blocks(title="GOSHAWK ALBION MARKET AI", theme=gr.themes.Soft(primary_hu
         with gr.TabItem("🔮 24 Saatlik Fiyat Tahmini"):
             prediction_table = gr.Dataframe(label="Tahminler (24 saatlik log getiri modeli)", interactive=False)
             gr.Markdown(
-                "*Güvenilirlik, volatilite tabanlı bir göstergedir. "
-                "Net getiri, %2.5 setup + %8 vergi düşülerek hesaplanmıştır. "
-                "Spread ve likidite düşükse işlem maliyeti artabilir. "
+                "*Net getiri %2.5 setup + %8 vergi düşülerek hesaplanır. "
+                "**Not** sütunundaki ⚠️ Belirsiz işareti, modelin sinyal üretmediği durumları gösterir. "
                 "Bu tahminler garanti değildir.*"
             )
 
@@ -1076,7 +1092,7 @@ with gr.Blocks(title="GOSHAWK ALBION MARKET AI", theme=gr.themes.Soft(primary_hu
             arbitrage_table = gr.Dataframe(label="Arbitraj Fırsatları (işlem maliyetleri dahil)", interactive=False)
             gr.Markdown(
                 "*Net kâr; alışta %2.5 setup fee, satışta %2.5 setup + %8 transaction tax düşülerek hesaplanmıştır. "
-                "Seyahat maliyeti ve zaman riski dahil değildir. Caerleon'a giriş/çıkış riski ayrıca değerlendirilmelidir.*"
+                "Seyahat maliyeti ve zaman riski dahil değildir.*"
             )
 
         with gr.TabItem("📈 Model Performansı"):
@@ -1088,9 +1104,8 @@ with gr.Blocks(title="GOSHAWK ALBION MARKET AI", theme=gr.themes.Soft(primary_hu
             simulation_table = gr.Dataframe(label="İşlem Simülasyonu (maliyetler sonrası)", interactive=False)
             gr.Markdown(
                 "*Walk-forward backtest kronolojik split kullanır; purge ve embargo uygulanır. "
-                "Baseline, 'fiyat değişmez' (getiri=0) varsayımıdır. "
-                "Simülasyon yalnızca modelin pozitif getiri öngördüğü işlemleri içerir. "
-                "Gerçek işlemlerde slippage ve rekabet nedeniyle sonuçlar farklı olabilir.*"
+                "Baseline 'fiyat değişmez' varsayımıdır. Simülasyon yalnızca modelin güven eşiğinin üzerinde "
+                "pozitif getiri öngördüğü işlemleri içerir.*"
             )
 
         with gr.TabItem("🗄️ Veri Yönetimi"):
@@ -1098,7 +1113,6 @@ with gr.Blocks(title="GOSHAWK ALBION MARKET AI", theme=gr.themes.Soft(primary_hu
                 "Veriler `gos_hawk_data/` dizininde CSV olarak saklanır.\n\n"
                 "**API Kaynağı:** Public AODP API — `europe.albion-online-data.com/api/v2`\n"
                 "**Endpoint'ler:** `/stats/prices/` (anlık), `/stats/history/` (tarihsel)\n"
-                "**Rate-limit:** dakikada ~60 istek (public)\n"
                 "**Model dosyası:** `gos_hawk_data/models/gos_hawk_model.pkl`\n"
             )
             csv_files = gr.Dataframe(