Create app.py

app.py

@@ -0,0 +1,177 @@
+import streamlit as st
+import yfinance as yf
+import pandas as pd
+import numpy as np
+import matplotlib.pyplot as plt
+from sklearn.model_selection import train_test_split
+from tensortrade.env import TradingEnvironment
+from tensortrade.data import DataFeed, Stream
+from tensortrade.strategies import StableBaselinesTradingStrategy
+from tensortrade.agents import PPOAgent, A2CAgent, DQNAgent
+from tensortrade.instruments import USD, BTC
+from tensortrade.wallets import Wallet, Portfolio
+import json
+
+# تنظیمات Streamlit
+st.set_page_config(page_title="TensorTrade Pro", layout="wide")
+st.title("TensorTrade Advanced Trading System")
+
+# ======================== تنظیمات سایدبار ========================
+with st.sidebar:
+    st.header("📊 تنظیمات داده")
+    data_source = st.radio("منبع داده:", ["Yahoo Finance", "آپلود فایل CSV"])
+    
+    if data_source == "Yahoo Finance":
+        ticker = st.text_input("نماد (مثال: BTC-USD)", "BTC-USD")
+        start_date = st.date_input("تاریخ شروع", pd.to_datetime("2020-01-01"))
+        end_date = st.date_input("تاریخ پایان", pd.to_datetime("2023-01-01"))
+    else:
+        uploaded_file = st.file_uploader("فایل CSV را آپلود کنید", type="csv")
+        date_col = st.text_input("ستون تاریخ (Date)", "Date")
+        price_col = st.text_input("ستون قیمت پایانی (Close)", "Close")
+
+    st.header("⚙️ تقسیم داده")
+    train_size = st.slider("درصد داده آموزش", 50, 90, 70)
+    val_size = st.slider("درصد داده اعتبارسنجی", 5, 30, 15)
+    test_size = 100 - train_size - val_size
+    st.write(f"داده تست: {test_size}%")
+
+    st.header("🧠 پارامترهای مدل")
+    model_name = st.selectbox("الگوریتم", ["PPO", "A2C", "DQN"])
+    
+    st.subheader("ساختار شبکه عصبی")
+    num_layers = st.slider("تعداد لایه‌های پنهان", 1, 5, 2)
+    hidden_units = st.text_input("تعداد نورون‌ها در هر لایه (جدا با کاما)", "64, 32")
+    activation = st.selectbox("تابع فعالسازی", ["relu", "tanh", "sigmoid"])
+    learning_rate = st.number_input("نرخ یادگیری", 0.0001, 0.1, 0.001, step=0.0001)
+
+    st.header("📉 پارامترهای بکتست")
+    initial_balance = st.number_input("موجودی اولیه (USD)", 1000, 1000000, 10000)
+
+# ======================== پردازش داده ========================
+@st.cache_data
+def load_data():
+    if data_source == "Yahoo Finance":
+        data = yf.download(ticker, start=start_date, end=end_date)
+        data = data[['Open', 'High', 'Low', 'Close', 'Volume']]
+    else:
+        data = pd.read_csv(uploaded_file)
+        data[date_col] = pd.to_datetime(data[date_col])
+        data.set_index(date_col, inplace=True)
+        data = data[[price_col]]
+        data.columns = ['Close']
+    
+    train_data, temp_data = train_test_split(data, train_size=train_size/100, shuffle=False)
+    val_data, test_data = train_test_split(temp_data, test_size=test_size/(test_size+val_size), shuffle=False)
+    return train_data, val_data, test_data
+
+try:
+    train_data, val_data, test_data = load_data()
+    st.success("✅ داده‌ها با موفقیت بارگذاری شدند!")
+    
+    st.subheader("📈 نمودار قیمت")
+    fig, ax = plt.subplots()
+    ax.plot(train_data['Close'], label='آموزش')
+    ax.plot(val_data['Close'], label='اعتبارسنجی')
+    ax.plot(test_data['Close'], label='تست')
+    ax.legend()
+    st.pyplot(fig)
+
+    # ======================== ساخت محیط معاملاتی ========================
+    def create_environment(data):
+        price = Stream('close', data['Close'].values)
+        feed = DataFeed([price])
+        
+        portfolio = Portfolio(
+            USD,
+            wallets=[
+                Wallet(exchange=None, instrument=USD, balance=initial_balance),
+                Wallet(exchange=None, instrument=BTC, balance=0)
+            ]
+        )
+        
+        return TradingEnvironment(
+            portfolio=portfolio,
+            feed=feed,
+            window_size=20,
+            action_scheme='discrete',
+            reward_scheme='risk-adjusted'
+        )
+
+    env_train = create_environment(train_data)
+    env_val = create_environment(val_data)
+    env_test = create_environment(test_data)
+
+    # ======================== آموزش مدل ========================
+    if st.button("🚀 شروع آموزش و بکتست"):
+        net_arch = [int(x.strip()) for x in hidden_units.split(',')]
+        
+        agent_class = {
+            "PPO": PPOAgent,
+            "A2C": A2CAgent,
+            "DQN": DQNAgent
+        }[model_name]
+
+        strategy = StableBaselinesTradingStrategy(
+            environment=env_train,
+            agent_class=agent_class,
+            agent_params={
+                'policy': 'MlpPolicy',
+                'policy_kwargs': {
+                    'net_arch': net_arch,
+                    'activation_fn': eval(f"torch.nn.{activation}")
+                },
+                'learning_rate': learning_rate
+            }
+        )
+        
+        with st.spinner("در حال آموزش مدل..."):
+            strategy.train(steps=5000)
+            strategy.save("trained_model")
+        
+        with st.spinner("در حال اعتبارسنجی..."):
+            val_performance = strategy.run(env_val)
+        
+        with st.spinner("در حال اجرای بکتست نهایی..."):
+            test_performance = strategy.run(env_test)
+        
+        st.subheader("📊 نتایج نهایی")
+        col1, col2, col3 = st.columns(3)
+        with col1:
+            st.metric("سود/زیان (Train)", f"{env_train.portfolio.performance.profit_loss:.2f}%")
+        with col2:
+            st.metric("سود/زیان (Val)", f"{val_performance['profit_loss']:.2f}%")
+        with col3:
+            st.metric("سود/زیان (Test)", f"{test_performance['profit_loss']:.2f}%")
+        
+        st.subheader("📈 نمودار ارزش پرتفوی")
+        fig, ax = plt.subplots()
+        ax.plot(env_train.portfolio.performance.net_worth, label='آموزش')
+        ax.plot(val_performance['net_worth'], label='اعتبارسنجی')
+        ax.plot(test_performance['net_worth'], label='تست')
+        ax.legend()
+        st.pyplot(fig)
+        
+        st.subheader("💾 ذخیره مدل")
+        with open("trained_model.zip", "rb") as f:
+            st.download_button(
+                label="دانلود مدل آموزش‌دیده",
+                data=f,
+                file_name="trading_model.zip",
+                mime="application/zip"
+            )
+        
+        config = {
+            "hidden_layers": net_arch,
+            "activation": activation,
+            "learning_rate": learning_rate
+        }
+        st.download_button(
+            label="دانلود تنظیمات مدل",
+            data=json.dumps(config),
+            file_name="model_config.json",
+            mime="application/json"
+        )
+
+except Exception as e:
+    st.error(f"❌ خطا: {str(e)}")