Update learning_hub/adaptive_hub.py

learning_hub/adaptive_hub.py

@@ -1,6 +1,6 @@
 # ==============================================================================
 # 🧠 learning_hub/adaptive_hub.py 
-# (V52.0 - GEM-Architect: Structural DNA Link)
+# (V53.0 - GEM-Architect: Structure-Aware Core)
 # ==============================================================================
 
 import json
@@ -14,21 +14,16 @@ from typing import Dict, Any, List, Optional
 from ml_engine.processor import SystemLimits
 
 class StrategyDNA:
-    """
-    هيكلية البيانات لكل استراتيجية.
-    تم إزالة scanner_weights لأن الفلتر الجديد يعتمد على المنطق الهيكلي (Structural Logic).
-    """
     def __init__(self, name, model_weights, ob_settings, filters, guard_settings=None):
         self.name = name
-        self.model_weights = model_weights  # أوزان النماذج (Titan, Sniper, etc.)
+        self.model_weights = model_weights  # أوزان النماذج (Titan, Sniper, Structure)
         self.ob_settings = ob_settings      # إعدادات دفتر الطلبات
         self.filters = filters              # فلاتر L1 (Thresholds)
-        self.guard_settings = guard_settings if guard_settings else {} # إعدادات الحراس
+        self.guard_settings = guard_settings if guard_settings else {} 
         
         self.stats = {"wins": 0, "losses": 0, "win_rate": 0.0}
 
     def to_dict(self):
-        # نقوم بتحويل الكائن إلى قاموس للتخزين، نتجاهل أي حقول قديمة
         return {
             "name": self.name,
             "model_weights": self.model_weights,
@@ -41,17 +36,15 @@ class StrategyDNA:
 class AdaptiveHub:
     def __init__(self, r2_service=None):
         self.r2 = r2_service
-        self.dna_file_key = "learning/strategic_dna_v4.json" # V4 for structural support
+        # قمنا بتحديث مفتاح الملف لضمان عدم تحميل إعدادات قديمة متعارضة
+        self.dna_file_key = "learning/strategic_dna_v5_struct.json" 
         self.current_market_regime = "RANGE"
         self.strategies: Dict[str, StrategyDNA] = {}
         
-        # معدل التعلم التكتيكي
         self.TACTICAL_LEARNING_RATE = 0.05 
-        
-        print("🧠 [AdaptiveHub V52.0] Structural Strategy Core Initialized.")
+        print("🧠 [AdaptiveHub V53.0] Structure-Aware Core Initialized.")
 
     async def initialize(self):
-        """تحميل الـ DNA من R2 أو إنشاء الافتراضي"""
         print(f"📥 [AdaptiveHub] Loading Strategy DNA from R2...")
         try:
             if self.r2:
@@ -66,7 +59,6 @@ class AdaptiveHub:
             else:
                 self._create_default_dna()
                 
-            # تطبيق الإعدادات فوراً (Hot Reload)
             self._inject_current_parameters()
             
         except Exception as e:
@@ -75,38 +67,39 @@ class AdaptiveHub:
             self._create_default_dna()
 
     def _create_default_dna(self):
-        """إنشاء الإعدادات الافتراضية الذكية المتوافقة مع الفلتر الهيكلي"""
-        
+        """
+        إنشاء الإعدادات الافتراضية مع دعم وزن الهيكل (Structure Weight)
+        """
         default_guards = {
-            "hydra_crash": 0.60, "hydra_giveback": 0.70,
+            "hydra_crash": 0.85, "hydra_giveback": 0.70,
             "legacy_v2": 0.95, "legacy_v3": 0.95
         }
 
-        # ملاحظة: l1_min_score هنا يمثل "نسبة الثقة" (0.0 - 1.0)
-        # سيتم تحويلها لاحقاً إلى درجة رقمية للفلتر (-50 إلى +100)
+        # ملاحظة: تم استبدال 'patterns' بـ 'structure' في model_weights
 
-        # 1. BULL: هجومي، يقبل هياكل أقل كمالاً لالتقاط الزخم
+        # 1. BULL: تركيز متوازن بين Titan والهيكل
         self.strategies["BULL"] = StrategyDNA(
             name="BULL",
-            model_weights={"titan": 0.50, "patterns": 0.30, "sniper": 0.20},
+            # Titan: الذكاء الاصطناعي | Structure: الفلتر الهندسي الجديد
+            model_weights={"titan": 0.50, "structure": 0.30, "sniper": 0.20},
             ob_settings={"wall_ratio_limit": 0.60, "imbalance_thresh": 0.5},
-            filters={"l1_min_score": 0.55, "l3_conf_thresh": 0.60}, # 0.55 تعني تساهل متوسط
+            filters={"l1_min_score": 0.55, "l3_conf_thresh": 0.60},
             guard_settings=default_guards
         )
 
-        # 2. BEAR: دفاعي، يتطلب هيكلية مثالية (Structure Score عالي)
+        # 2. BEAR: اعتماد أكبر على الهيكل (Structure) لتجنب الإشارات الكاذبة
         self.strategies["BEAR"] = StrategyDNA(
             name="BEAR",
-            model_weights={"titan": 0.30, "patterns": 0.20, "sniper": 0.50},
+            model_weights={"titan": 0.30, "structure": 0.40, "sniper": 0.30},
             ob_settings={"wall_ratio_limit": 0.30, "imbalance_thresh": 0.7},
-            filters={"l1_min_score": 0.75, "l3_conf_thresh": 0.75}, # 0.75 تعني تطلب عالي
+            filters={"l1_min_score": 0.75, "l3_conf_thresh": 0.75}, 
             guard_settings=default_guards
         )
 
-        # 3. RANGE: متوازن
+        # 3. RANGE: التوازن المثالي
         self.strategies["RANGE"] = StrategyDNA(
             name="RANGE",
-            model_weights={"titan": 0.40, "patterns": 0.40, "sniper": 0.20},
+            model_weights={"titan": 0.40, "structure": 0.40, "sniper": 0.20},
             ob_settings={"wall_ratio_limit": 0.40, "imbalance_thresh": 0.6},
             filters={"l1_min_score": 0.65, "l3_conf_thresh": 0.65},
             guard_settings=default_guards
@@ -115,16 +108,14 @@ class AdaptiveHub:
         # DEAD Mode
         self.strategies["DEAD"] = StrategyDNA(
             name="DEAD",
-            model_weights={"titan": 0.25, "patterns": 0.25, "sniper": 0.25},
+            model_weights={"titan": 0.25, "structure": 0.25, "sniper": 0.25},
             ob_settings={"wall_ratio_limit": 0.20, "imbalance_thresh": 0.8},
-            filters={"l1_min_score": 0.85, "l3_conf_thresh": 0.80}, # تطلب شديد جداً
+            filters={"l1_min_score": 0.85, "l3_conf_thresh": 0.80},
             guard_settings=default_guards
         )
 
     def _load_from_dict(self, data):
-        """تحويل JSON إلى كائنات StrategyDNA"""
         for key, val in data.get("strategies", {}).items():
-            # تنظيف البيانات القديمة إذا وجدت (مثل scanner_weights)
             self.strategies[key] = StrategyDNA(
                 name=val["name"],
                 model_weights=val["model_weights"],
@@ -136,11 +127,7 @@ class AdaptiveHub:
         
         self.current_market_regime = data.get("current_regime", "RANGE")
 
-    # ==========================================================================
-    # ⚡ The Tactical Loop
-    # ==========================================================================
     async def register_trade_outcome(self, trade_data: Dict[str, Any]):
-        """تحديث الإحصائيات الحية"""
         try:
             pnl = trade_data.get('profit_pct', 0.0)
             is_win = pnl > 0
@@ -149,51 +136,41 @@ class AdaptiveHub:
                 active_dna = self.strategies[self.current_market_regime]
                 if is_win: active_dna.stats["wins"] += 1
                 else: active_dna.stats["losses"] += 1
-                
-                # هنا يمكن إضافة منطق تعديل طفيف للأوزان (Micro-adjustments)
-                # لكن التعديل الكبير يأتي من الباكتست
 
         except Exception as e:
             print(f"❌ [AdaptiveHub] Trade Analysis Error: {e}")
             traceback.print_exc()
 
-    # ==========================================================================
-    # 💉 Parameter Injection (The Critical Link)
-    # ==========================================================================
     def _inject_current_parameters(self):
         """
-        نقل الإعدادات من الـ DNA النشط إلى SystemLimits
-        مع تحويل القيم النسبية إلى قيم مطلقة للفلتر الهيكلي.
+        نقل الإعدادات إلى SystemLimits.
+        الخدعة هنا: نقوم بتعيين وزن الهيكل (structure) إلى L2_WEIGHT_PATTERNS
+        لأن المعالج (Processor) يستخدم هذا المتغير لحساب الدرجة الهجينة.
         """
         if self.current_market_regime not in self.strategies:
             return
 
         active_dna = self.strategies[self.current_market_regime]
         
-        print(f"💉 [AdaptiveHub] Injecting Structural DNA for: {self.current_market_regime}")
+        print(f"💉 [AdaptiveHub] Injecting DNA for: {self.current_market_regime}")
         
-        # 1. حقن أوزان الطبقة الثانية (L2 Weights)
+        # 1. حقن أوزان L2
         mw = active_dna.model_weights
         total_w = sum(mw.values()) if sum(mw.values()) > 0 else 1.0
         
         SystemLimits.L2_WEIGHT_TITAN = mw.get("titan", 0.4) / total_w
-        SystemLimits.L2_WEIGHT_PATTERNS = mw.get("patterns", 0.3) / total_w
-        # نستخدم مفتاح 'patterns' مؤقتاً لوزن الهيكل إذا لم نضف مفتاحاً خاصاً
         
-        # 2. 🔥 حقن عتبة الفلتر الهيكلي (L1 Score Threshold)
-        # القيمة المخزنة في DNA هي نسبة (0.0 - 1.0) قادمة من الباكتست
-        # القيمة المطلوبة في DataManager هي درجة (-100 إلى +100)
-        # معادلة التحويل: (Ratio * 100) - 20
-        # مثال: 0.65 -> (65) - 20 = 45 درجة مطلوبة
+        # 🔥 التعديل الجوهري: نستخدم وزن 'structure' بدلاً من 'patterns'
+        # ونضعه في المتغير الذي يقرأه المعالج (Processor)
+        SystemLimits.L2_WEIGHT_PATTERNS = mw.get("structure", 0.3) / total_w
+        
+        # 2. حقن عتبة الفلتر الهيكلي
         thresh_ratio = active_dna.filters.get("l1_min_score", 0.65)
         raw_score_limit = (thresh_ratio * 100.0) - 20.0
-        
         SystemLimits.L1_MIN_AFFINITY_SCORE = raw_score_limit
         
-        # 3. حقن النظام الحالي
+        # 3. باقي الإعدادات
         SystemLimits.CURRENT_REGIME = self.current_market_regime
-        
-        # 4. حقن باقي الإعدادات
         SystemLimits.L3_CONFIDENCE_THRESHOLD = active_dna.filters.get("l3_conf_thresh", 0.65)
         SystemLimits.L4_OB_WALL_RATIO = active_dna.ob_settings.get("wall_ratio_limit", 0.4)
         
@@ -204,9 +181,6 @@ class AdaptiveHub:
             SystemLimits.LEGACY_V2_PANIC_THRESH = gs.get('legacy_v2', 0.95)
             SystemLimits.LEGACY_V3_HARD_THRESH = gs.get('legacy_v3', 0.95)
 
-    # ==========================================================================
-    # 🎮 Utilities
-    # ==========================================================================
     def update_market_regime(self, new_regime: str):
         if new_regime in self.strategies:
             self.current_market_regime = new_regime
@@ -217,13 +191,13 @@ class AdaptiveHub:
         dna = self.strategies.get(self.current_market_regime)
         if not dna: return "System Initializing..."
         
-        # حساب القيمة المحقونة للعرض
         thresh_ratio = dna.filters.get('l1_min_score', 0)
-        raw_limit = (thresh_ratio * 100.0) - 20.0
         
+        # عرض الحالة مع الأوزان الجديدة
         return (f"Regime: {self.current_market_regime} | "
-                f"L1 Req: {raw_limit:.1f}pts ({thresh_ratio:.0%}) | "
-                f"Titan W: {dna.model_weights.get('titan'):.2f}")
+                f"L1 Thresh: {thresh_ratio:.0%} | "
+                f"Titan: {dna.model_weights.get('titan'):.2f} | "
+                f"Struct: {dna.model_weights.get('structure'):.2f}")
 
     async def _save_state_to_r2(self):
         if not self.r2: return