Update app.py

app.py

@@ -1,5 +1,5 @@
 import os
-import io
+import time
 import requests
 import numpy as np
 import pandas as pd
@@ -18,7 +18,71 @@ if api_key:
     client = Groq(api_key=api_key)
 
 # ==========================================
-# 📊 2. YARDIMCI FONKSİYONLAR
+# 📡 2. OKX PUBLIC API (Cloudflare engelini aşmak için)
+# ==========================================
+OKX_BASE = "https://www.okx.com/api/v5"
+
+# Cloudflare'in bot algılamasını azaltmak için tarayıcı benzeri başlıklar
+OKX_HEADERS = {
+    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 "
+                  "(KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36",
+    "Accept": "application/json",
+    "Accept-Language": "en-US,en;q=0.9",
+}
+
+def fetch_okx_ticker(inst_id="BTC-USDT"):
+    """OKX'ten anlık fiyat çeker. 3 kez dener, başarısızsa None döner."""
+    for attempt in range(3):
+        try:
+            r = requests.get(
+                f"{OKX_BASE}/market/ticker",
+                params={"instId": inst_id},
+                headers=OKX_HEADERS,
+                timeout=15
+            )
+            r.raise_for_status()
+            d = r.json()["data"][0]
+            return {
+                "last": float(d["last"]),
+                "open24h": float(d["open24h"]),
+                "high24h": float(d["high24h"]),
+                "low24h": float(d["low24h"]),
+                "vol24h": float(d["vol24h"]),
+                "change_pct": (float(d["last"]) / float(d["open24h"]) - 1) * 100
+            }
+        except Exception as e:
+            print(f"OKX ticker attempt {attempt+1} failed: {e}")
+            if attempt < 2:
+                time.sleep(2)
+    return None
+
+def fetch_okx_candles(inst_id="BTC-USDT", bar="1H", limit=100):
+    """OKX'ten mum verisi çeker. 3 kez dener, başarısızsa None döner."""
+    for attempt in range(3):
+        try:
+            r = requests.get(
+                f"{OKX_BASE}/market/candles",
+                params={"instId": inst_id, "bar": bar, "limit": limit},
+                headers=OKX_HEADERS,
+                timeout=15
+            )
+            r.raise_for_status()
+            raw = r.json()["data"]
+            # OKX mum formatı: [ts, open, high, low, close, vol, ...]
+            df = pd.DataFrame(raw, columns=["ts", "open", "high", "low", "close", "vol"])
+            for col in ["open", "high", "low", "close", "vol"]:
+                df[col] = df[col].astype(float)
+            df["ts"] = pd.to_datetime(df["ts"].astype(int), unit="ms")
+            df = df.sort_values("ts").reset_index(drop=True)
+            return df
+        except Exception as e:
+            print(f"OKX candles attempt {attempt+1} failed: {e}")
+            if attempt < 2:
+                time.sleep(2)
+    return None
+
+# ==========================================
+# 📊 3. YARDIMCI FONKSİYONLAR
 # ==========================================
 def compute_rsi(series, period=14):
     delta = series.diff()
@@ -27,36 +91,11 @@ def compute_rsi(series, period=14):
     rs = gain / loss
     return 100 - (100 / (1 + rs))
 
-def load_csv_from_url(url):
-    try:
-        headers = {"User-Agent": "Mozilla/5.0"}
-        r = requests.get(url, headers=headers, timeout=20)
-        r.raise_for_status()
-        df = pd.read_csv(io.StringIO(r.text))
-        return df, None
-    except Exception as e:
-        return None, f"CSV indirilemedi: {e}"
-
-def process_dataframe(df):
-    df.columns = [c.strip().lower() for c in df.columns]
-    col_map = {
-        "date": "date", "datetime": "date", "timestamp": "date",
-        "open": "open", "high": "high", "low": "low",
-        "close": "close", "adj close": "close", "price": "close",
-        "volume": "volume", "vol": "volume"
-    }
-    df = df.rename(columns={c: col_map[c] for c in df.columns if c in col_map})
-
-    if "close" not in df.columns:
-        return None, None, None, f"'close' sütunu bulunamadı. Mevcut sütunlar: {list(df.columns)}"
-
-    for col in ["open", "high", "low", "close", "volume"]:
-        if col in df.columns:
-            df[col] = pd.to_numeric(df[col], errors="coerce")
-
-    df = df.dropna(subset=["close"]).reset_index(drop=True)
-    if len(df) < 50:
-        return None, None, None, "CSV'de en az 50 satır veri olmalı."
+def train_models_from_okx():
+    """OKX'ten çekilen mum verisiyle XGBoost ve KNN modellerini eğitir."""
+    df = fetch_okx_candles(limit=500)
+    if df is None or len(df) < 50:
+        return None, None, None, None
 
     # Teknik göstergeler
     df["ma_5"] = df["close"].rolling(5).mean()
@@ -67,72 +106,74 @@ def process_dataframe(df):
 
     df_model = df.dropna().reset_index(drop=True)
     if len(df_model) < 20:
-        return None, None, None, "Göstergeler hesaplandıktan sonra yeterli veri kalmadı."
-
-    features = ["ma_5", "ma_20", "rsi", "macd"]
-    if "volume" in df_model.columns:
-        features.append("volume")
+        return None, None, None, None
 
+    features = ["ma_5", "ma_20", "rsi", "macd", "vol"]
     X = df_model[features].values
     y = df_model["target"].values
 
-    # --- XGBoost ---
+    # XGBoost
     xgb_model = xgb.XGBClassifier(
         n_estimators=50, max_depth=3, learning_rate=0.1,
         objective="binary:logistic", eval_metric="logloss", random_state=42
     )
     xgb_model.fit(X, y)
 
-    # --- KNN (ölçeklendirme gerekli) ---
+    # KNN (ölçeklendirme gerekli)
     scaler = StandardScaler()
     X_scaled = scaler.fit_transform(X)
     knn_model = KNeighborsClassifier(n_neighbors=5)
     knn_model.fit(X_scaled, y)
 
-    latest = df_model.iloc[-1]
-    metrics = {
-        "last_close": float(latest["close"]),
-        "ma5": float(latest["ma_5"]),
-        "ma20": float(latest["ma_20"]),
-        "rsi": float(latest["rsi"]),
-        "macd": float(latest["macd"]),
-        "features": features,
-    }
-    if "volume" in df_model.columns:
-        metrics["volume"] = float(latest["volume"])
+    return xgb_model, knn_model, scaler, features
+
+# Başlangıçta modelleri OKX verisiyle eğit
+xgb_model, knn_model, scaler, feature_cols = train_models_from_okx()
 
-    return (xgb_model, knn_model, scaler), metrics, features, None
+if xgb_model is None:
+    # OKX erişilemezse fallback: basit dummy modeller
+    print("OKX erişilemedi, dummy modeller kullanılıyor.")
+    dummy_X = np.random.rand(50, 5)
+    dummy_y = np.random.randint(0, 2, 50)
+    xgb_model = xgb.XGBClassifier(n_estimators=10, max_depth=2)
+    xgb_model.fit(dummy_X, dummy_y)
+    scaler = StandardScaler()
+    dummy_X_scaled = scaler.fit_transform(dummy_X)
+    knn_model = KNeighborsClassifier(n_neighbors=5)
+    knn_model.fit(dummy_X_scaled, dummy_y)
+    feature_cols = ["ma_5", "ma_20", "rsi", "macd", "vol"]
 
 # ==========================================
-# 🧠 3. ANALİZ MOTORU (Ensemble: XGB + KNN)
+# 🧠 4. ANALİZ MOTORU (XGB + KNN Ensemble)
 # ==========================================
-def predict_and_analyze(csv_url):
-    if not csv_url:
-        return "Lütfen bir CSV linki giriniz.", {}
+def predict_and_analyze():
+    # 1) OKX'ten canlı veri çek
+    ticker = fetch_okx_ticker()
+    candles = fetch_okx_candles(limit=30)
 
-    df, err = load_csv_from_url(csv_url)
-    if err:
-        return err, {}
+    if ticker is None or candles is None:
+        return "❌ OKX API'sine erişilemedi. Cloudflare engellemesi olabilir. Lütfen daha sonra tekrar deneyin.", {}
 
-    models, metrics, features, err = process_dataframe(df)
-    if err:
-        return err, {}
+    last_price = ticker["last"]
+    change_pct = ticker["change_pct"]
+    vol24h = ticker["vol24h"]
 
-    xgb_model, knn_model, scaler = models
+    # 2) Teknik göstergeler
+    close = candles["close"]
+    ma5 = close.rolling(5).mean().iloc[-1]
+    ma20 = close.rolling(20).mean().iloc[-1]
+    rsi = compute_rsi(close, 14).iloc[-1]
+    macd = (close.ewm(span=12).mean() - close.ewm(span=26).mean()).iloc[-1]
 
-    feat_values = [metrics[k] for k in ["ma5", "ma20", "rsi", "macd"]]
-    if "volume" in metrics:
-        feat_values.append(metrics["volume"])
-    feat_arr = np.array([feat_values])
+    # 3) XGBoost ve KNN tahminleri
+    feat_arr = np.array([[ma5, ma20, rsi, macd, vol24h]])
 
-    # XGBoost tahmini
     xgb_prob_up = float(xgb_model.predict_proba(feat_arr)[0][1])
 
-    # KNN tahmini (ölçeklendirilmiş veriyle)
     feat_scaled = scaler.transform(feat_arr)
     knn_prob_up = float(knn_model.predict_proba(feat_scaled)[0][1])
 
-    # Ensemble (ortalama)
+    # 4) Ensemble (ortalama)
     ensemble_prob_up = (xgb_prob_up + knn_prob_up) / 2
     ensemble_prob_down = 1 - ensemble_prob_up
 
@@ -148,11 +189,16 @@ def predict_and_analyze(csv_url):
     prompt = f"""
     Sen uzman bir kripto para analisti ve teknik analiz uzmanısın.
 
-    📊 BTC/USD Son Kapanış (CSV'den): ${metrics['last_close']:,.2f}
-    - RSI (14): {metrics['rsi']:.2f}
-    - MA5: ${metrics['ma5']:,.2f} | MA20: ${metrics['ma20']:,.2f}
-    - MACD: {metrics['macd']:.4f}
-    {f"- Hacim: {metrics['volume']:,.2f}" if 'volume' in metrics else ""}
+    📡 OKX Canlı Verileri (BTC/USDT):
+    - Son Fiyat: ${last_price:,.2f}
+    - 24s Değişim: %{change_pct:+.2f}
+    - 24s Hacim: {vol24h:,.0f} BTC
+    - 24s Yüksek/Düşük: ${ticker['high24h']:,.2f} / ${ticker['low24h']:,.2f}
+
+    📊 Teknik Göstergeler (1H):
+    - RSI (14): {rsi:.2f}
+    - MA5: ${ma5:,.2f} | MA20: ${ma20:,.2f}
+    - MACD: {macd:.4f}
 
     🤖 Model Sonuçları:
     - XGBoost Yükseliş Olasılığı: %{xgb_prob_up*100:.1f}
@@ -161,7 +207,7 @@ def predict_and_analyze(csv_url):
     - Tahmin Yönü: {direction} (Güven: %{confidence:.1f})
 
     Türkçe bir teknik analiz raporu hazırla. Şu başlıklar bulunsun:
-    1. 🎯 Model Yorumu (XGBoost ve KNN'in karşılaştırmalı mantığı, ensemble neden kullanılır)
+    1. 🎯 Model Yorumu (XGBoost ve KNN'in karşılaştırmalı mantığı)
     2. 📈 Teknik Analiz (RSI, MA, MACD; destek/direnç)
     3. 💡 İşlem Stratejisi (Long/Short, stop-loss, take-profit, risk yönetimi)
 
@@ -183,49 +229,40 @@ def predict_and_analyze(csv_url):
         analysis_result = "GROQ_API_KEY bulunamadı! Hugging Face Secrets'a ekleyin."
 
     header = (
-        f"**Son Kapanış: ${metrics['last_close']:,.2f}** | RSI: {metrics['rsi']:.1f} | "
-        f"MA5: ${metrics['ma5']:,.0f} | MA20: ${metrics['ma20']:,.0f}\n\n"
+        f"**OKX Canlı: ${last_price:,.2f}** (%{change_pct:+.2f}) | RSI: {rsi:.1f} | "
+        f"MA5: ${ma5:,.0f} | MA20: ${ma20:,.0f}\n\n"
         f"**XGB:** %{xgb_prob_up*100:.1f} | **KNN:** %{knn_prob_up*100:.1f} | "
         f"**Ensemble:** %{ensemble_prob_up*100:.1f}\n\n---\n\n"
     )
     return header + analysis_result, prob_dict
 
 # ==========================================
-# 🎨 4. GRADIO ARAYÜZÜ
+# 🎨 5. GRADIO ARAYÜZÜ
 # ==========================================
 with gr.Blocks(theme=gr.themes.Soft(primary_hue="orange", secondary_hue="slate")) as demo:
     gr.Markdown(
         """
-        # ₿ BTC/USD XGBoost + KNN & Groq AI Tahmin Radarı (CSV Linki)
-        Bir CSV linki girin; kod dosyayı indirir, **XGBoost** ve **KNN** modellerini eğitir, ensemble tahmini üretir ve **Groq** analiz raporu hazırlar.
+        # ₿ BTC/USD XGBoost + KNN & Groq AI Tahmin Radarı (OKX Canlı)
+        Fiyat ve mum verileri **OKX halka açık API**'sinden otomatik çekilir. **XGBoost + KNN** ensemble tahmini yapar, **Groq** analiz raporu üretir.
         """
     )
 
     with gr.Row():
         with gr.Column():
-            gr.Markdown("### 🔗 CSV Linki")
-            url_input = gr.Textbox(
-                label="CSV URL",
-                placeholder="https://.../btc_usd.csv",
-                value=""
-            )
+            analyze_btn = gr.Button("🔄 OKX'ten Veri Çek ve Analiz Et", variant="primary", size="lg")
             gr.Markdown(
                 """
-                **İpucu**: `yfinance` ile indirdiğiniz CSV'yi GitHub'a yükleyip "Raw" linkini buraya yapıştırın.
+                **Not**: OKX API'si Cloudflare koruması altındadır. Kod, tarayıcı benzeri User-Agent ve 3 deneme mekanizması içerir.
                 """
             )
-            submit_btn = gr.Button("CSV'yi İndir ve Analiz Et", variant="primary")
 
         with gr.Column():
-            gr.Markdown("### 📈 Model Tahminleri (XGB + KNN)")
-            prob_output = gr.Label(label="Olasılık Dağılımı")
-
-            gr.Markdown("### 🧠 Groq Yapay Zeka Analiz Raporu")
-            analysis_output = gr.Markdown(value="CSV linkini girip butona basın.")
+            prob_output = gr.Label(label="Model Tahminleri (XGB + KNN)")
+            analysis_output = gr.Markdown(value="Butona basarak OKX'ten canlı veri çekip analizi başlatın.")
 
-    submit_btn.click(
+    analyze_btn.click(
         fn=predict_and_analyze,
-        inputs=[url_input],
+        inputs=[],
         outputs=[analysis_output, prob_output]
     )