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)}")