Update kennis_streamlit.py
This commit is contained in:
KennisFx
+164
-10
@@ -37,7 +37,10 @@ st.markdown("---")
|
||||
|
||||
# ------------------ Sidebar: Inputs & opciones ------------------
|
||||
st.sidebar.header("Entradas (táctica / swing)")
|
||||
uploaded = st.sidebar.file_uploader("Sube CSV histórico (opcional). Columnas requeridas: date,cot_long,cot_short,fed_prob,retail_pct,target_up", type=["csv"])
|
||||
uploaded = st.sidebar.file_uploader(
|
||||
"Sube CSV histórico (opcional). Columnas requeridas: date,cot_long,cot_short,fed_prob,retail_pct,target_up",
|
||||
type=["csv"]
|
||||
)
|
||||
st.sidebar.markdown("O ingresa la fila live abajo:")
|
||||
|
||||
par = st.sidebar.selectbox(
|
||||
@@ -71,7 +74,7 @@ def fit_bayesian_logit(X, y, prior_var=0.5, maxiter=200, tol=1e-8):
|
||||
n, p = X.shape
|
||||
beta = np.zeros(p)
|
||||
prior_prec = np.eye(p) / prior_var
|
||||
H = None
|
||||
H = np.eye(p) * 1e-6
|
||||
for i in range(maxiter):
|
||||
eta = X.dot(beta)
|
||||
p_vec = sigmoid(eta)
|
||||
@@ -87,12 +90,15 @@ def fit_bayesian_logit(X, y, prior_var=0.5, maxiter=200, tol=1e-8):
|
||||
beta = beta + delta
|
||||
if np.linalg.norm(delta) < tol:
|
||||
break
|
||||
cov = np.linalg.inv(H)
|
||||
# final H may be singular in degenerate data; add jitter defensivo
|
||||
try:
|
||||
cov = np.linalg.inv(H)
|
||||
except np.linalg.LinAlgError:
|
||||
cov = np.linalg.pinv(H)
|
||||
return beta, cov
|
||||
|
||||
def to_excel_bytes(df):
|
||||
out = BytesIO()
|
||||
# pandas con openpyxl como engine — openpyxl debe estar en requirements.txt
|
||||
with pd.ExcelWriter(out, engine="openpyxl") as writer:
|
||||
df.to_excel(writer, index=False, sheet_name="signal")
|
||||
return out.getvalue()
|
||||
@@ -114,8 +120,8 @@ else:
|
||||
fed_demo = np.clip(np.random.normal(60, 12, size=N), 0, 100)
|
||||
retail_demo = np.clip(np.random.normal(50, 12, size=N), 0, 100)
|
||||
net_demo = cot_long_demo - cot_short_demo
|
||||
z_net_demo = (net_demo - net_demo.mean()) / (net_demo.std() if net_demo.std()>0 else 1)
|
||||
true_score = 0.8*z_net_demo + 1.5*((fed_demo - 50)/50) - 0.5*((retail_demo - 50)/50)
|
||||
z_net_demo = (net_demo - net_demo.mean()) / (net_demo.std() if net_demo.std() > 0 else 1)
|
||||
true_score = 0.8 * z_net_demo + 1.5 * ((fed_demo - 50) / 50) - 0.5 * ((retail_demo - 50) / 50)
|
||||
prob_demo = sigmoid(true_score)
|
||||
target_demo = (np.random.rand(N) < prob_demo).astype(int)
|
||||
df = pd.DataFrame({
|
||||
@@ -162,7 +168,6 @@ with st.spinner("Calibrando modelo bayesiano táctico (MAP + Laplace)..."):
|
||||
beta_map, cov_post = fit_bayesian_logit(X_train, y_train, prior_var=prior_var)
|
||||
except Exception as e:
|
||||
st.error("Fallo en calibración del modelo: " + str(e))
|
||||
# fallback: coeficientes neutros
|
||||
beta_map = np.zeros(len(feature_cols))
|
||||
cov_post = np.eye(len(feature_cols)) * 1.0
|
||||
|
||||
@@ -171,11 +176,15 @@ live = {"cot_long": float(cot_long), "cot_short": float(cot_short), "fed_prob":
|
||||
aug = pd.concat([df.head(1).copy(), pd.DataFrame([live])], ignore_index=True)
|
||||
live_feat = build_features(aug, s_cot_local=s_cot).iloc[-1]
|
||||
x_live = live_feat[feature_cols].fillna(0).values
|
||||
net = live_feat["net"]
|
||||
net = float(live_feat["net"])
|
||||
|
||||
# Posterior sampling + predicción (defensiva)
|
||||
try:
|
||||
samples = np.random.multivariate_normal(beta_map, cov_post, size=4000)
|
||||
# ensure cov_post is symmetric PSD (small jitter)
|
||||
cov_post = np.array(cov_post)
|
||||
cov_post = 0.5 * (cov_post + cov_post.T)
|
||||
jitter = 1e-8 * np.eye(cov_post.shape[0])
|
||||
samples = np.random.multivariate_normal(beta_map, cov_post + jitter, size=4000)
|
||||
sample_probs = sigmoid(samples.dot(x_live))
|
||||
p_mean = float(sample_probs.mean())
|
||||
p_low = float(np.percentile(sample_probs, 2.5))
|
||||
@@ -216,4 +225,149 @@ def narrative_tactical_simplificada(p_mean, p_low, p_high, conviction, decision_
|
||||
Devuelve (texto_simple, texto_tecnico).
|
||||
"""
|
||||
# Frases simples y directas
|
||||
prob_text = f"P({par}
|
||||
prob_text = f"P({par} ↑) ≈ {p_mean*100:.1f}% (IC95%: {p_low*100:.1f}%–{p_high*100:.1f}%). Convicción: {conviction}/100."
|
||||
if decision_flag == "buy":
|
||||
simple = (
|
||||
"Recomendación: **Comprar / Abrir posición larga (táctica)**.\n\n"
|
||||
"Por qué (simple): la probabilidad de subida es alta y hay soporte estructural. "
|
||||
"Se sugiere entrar de forma gradual y controlar el riesgo con stops."
|
||||
)
|
||||
elif decision_flag == "sell":
|
||||
simple = (
|
||||
"Recomendación: **Vender / Abrir posición corta (táctica)**.\n\n"
|
||||
"Por qué (simple): la probabilidad favorece la baja y la convicción es suficiente para una operación táctica. "
|
||||
"Usa stops ajustados y tamaño reducido."
|
||||
)
|
||||
else:
|
||||
simple = (
|
||||
"Recomendación: **No operar (esperar)**.\n\n"
|
||||
"Por qué (simple): la probabilidad está cerca de equilibrio y la incertidumbre es elevada; mejor esperar confirmación."
|
||||
)
|
||||
|
||||
# Construimos el texto técnico (audit-friendly) — compacto
|
||||
fed_s = x_live[3]
|
||||
cot_s = x_live[0]
|
||||
retail_s = x_live[4]
|
||||
|
||||
tech_lines = []
|
||||
tech_lines.append(f"Resumen técnico — activo: {par}")
|
||||
tech_lines.append(f"- Probabilidad bayesiana P({par} ↑) = {p_mean*100:.1f}% (IC95%: {p_low*100:.1f}%–{p_high*100:.1f}%). Convicción: {conviction}/100.")
|
||||
# Macro
|
||||
if fed_s > 0.4:
|
||||
tech_lines.append("- Macro: FedWatch con sesgo hawkish → favorece USD fuerte en el corto plazo.")
|
||||
elif fed_s < -0.4:
|
||||
tech_lines.append("- Macro: FedWatch dovish → presión a la baja para USD.")
|
||||
else:
|
||||
tech_lines.append("- Macro: FedWatch neutral/moderado → macro no es el driver dominante ahora.")
|
||||
# COT
|
||||
if abs(cot_s) < 0.15:
|
||||
tech_lines.append("- Posicionamiento (COT): cercano a neutral — riesgo de sobreacumulación limitado.")
|
||||
elif cot_s >= 0.15:
|
||||
tech_lines.append("- Posicionamiento (COT): sesgo long entre no-commercials — soporte estructural pero atención a toma de ganancias.")
|
||||
else:
|
||||
tech_lines.append("- Posicionamiento (COT): sesgo short — riesgo de short-squeeze si macro gira hawkish.")
|
||||
# Retail
|
||||
if retail_s > 0.15:
|
||||
tech_lines.append("- Retail: minoristas inclinados a comprar — posible señal contraria a corto plazo.")
|
||||
elif retail_s < -0.15:
|
||||
tech_lines.append("- Retail: minoristas inclinados a vender — puede reforzar momentum bajista si lo institucional confirma.")
|
||||
else:
|
||||
tech_lines.append("- Retail: posicionamiento minorista balanceado — no prevalece contrarian ahora.")
|
||||
# Contribuciones (compactas)
|
||||
tech_lines.append("- Descomposición de contribuciones (valores y % firmadas):")
|
||||
for name, pct, val in zip(feature_cols, contrib_pct, x_live):
|
||||
sign = "+" if pct >= 0 else "-"
|
||||
tech_lines.append(f" • {name}: {sign}{abs(pct):.1f}% (valor {val:.3f})")
|
||||
# Razonamiento y ejecución
|
||||
if decision_flag == "buy":
|
||||
tech_lines.append("- Recomendación táctica: acumulación gradual LONG. Ejecución: scale-in 3 tramos; tamaño inicial 0.5–1% notional; stop 1.0–1.5×ATR; R:R ≥ 1:1.5.")
|
||||
elif decision_flag == "sell":
|
||||
tech_lines.append("- Recomendación táctica: considerar SHORT táctico o reducir largos. Ejecución: tamaño reducido; stops ajustados; vigilar noticias.")
|
||||
else:
|
||||
tech_lines.append("- Recomendación táctica: no operar. Esperar confirmación de flujos o ruptura técnica.")
|
||||
tech_lines.append("- Nota: COT es semanal (retardo); combine con order-flow intradía y skew de opciones para ejecución.")
|
||||
|
||||
texto_tecnico = "\n".join(tech_lines)
|
||||
texto_simple = prob_text + "\n\n" + simple
|
||||
return texto_simple, texto_tecnico
|
||||
|
||||
# Obtener textos simple y técnico
|
||||
texto_simple, texto_tecnico = narrative_tactical_simplificada(
|
||||
p_mean, p_low, p_high, conviction, decision_flag, x_live, contrib_pct, feature_cols, par
|
||||
)
|
||||
|
||||
# ------------------ Interfaz: resultado y narrativa ------------------
|
||||
left, right = st.columns([2,3])
|
||||
with left:
|
||||
st.markdown("<div class='card'>", unsafe_allow_html=True)
|
||||
st.markdown(f"<div class='decision'>{decision}</div>", unsafe_allow_html=True)
|
||||
st.markdown(
|
||||
f"<div class='muted'>Probabilidad (media): <strong>{p_mean*100:.1f}%</strong> 95% IC: <strong>{p_low*100:.1f}%–{p_high*100:.1f}%</strong></div>",
|
||||
unsafe_allow_html=True
|
||||
)
|
||||
st.markdown(f"<div class='muted'>Convicción: <strong>{conviction}/100</strong></div>", unsafe_allow_html=True)
|
||||
st.markdown("<hr/>", unsafe_allow_html=True)
|
||||
st.markdown("### Plan táctico (resumen)", unsafe_allow_html=True)
|
||||
if decision_flag == "buy":
|
||||
st.markdown("- Escala en 3 tramos. Tramo inicial 0.5–1% notional.", unsafe_allow_html=True)
|
||||
st.markdown("- Stop: 1.0–1.5×ATR o por debajo de soporte técnico.", unsafe_allow_html=True)
|
||||
st.markdown("- Target: R:R ≥ 1:1.5.", unsafe_allow_html=True)
|
||||
elif decision_flag == "sell":
|
||||
st.markdown("- Reducir exposiciones largas o iniciar cortos pequeños (0.5–1%).", unsafe_allow_html=True)
|
||||
st.markdown("- Stops estrictos; vigila comunicados macro.", unsafe_allow_html=True)
|
||||
else:
|
||||
st.markdown("- No operar. Esperar señal clara o confirmación de flujos.", unsafe_allow_html=True)
|
||||
st.markdown("</div>", unsafe_allow_html=True)
|
||||
|
||||
with right:
|
||||
fig = go.Figure(go.Indicator(
|
||||
mode="gauge+number",
|
||||
value=p_mean*100,
|
||||
number={'suffix': '%'},
|
||||
domain={'x': [0,1], 'y': [0,1]},
|
||||
title={'text': f"P({par} ↑)"},
|
||||
gauge={
|
||||
'axis': {'range': [0,100]},
|
||||
'bar': {'color': "#0f2742"},
|
||||
'steps': [
|
||||
{'range':[0,40], 'color':'#d9534f'},
|
||||
{'range':[40,60], 'color':'#f0ad4e'},
|
||||
{'range':[60,100], 'color':'#2a9d8f'}
|
||||
],
|
||||
}
|
||||
))
|
||||
st.plotly_chart(fig, use_container_width=True)
|
||||
|
||||
st.markdown("### Resumen contextual — versión simple", unsafe_allow_html=True)
|
||||
st.markdown(f"<div class='card'><div class='explain'>{texto_simple.replace(chr(10), '<br/>')}</div></div>", unsafe_allow_html=True)
|
||||
|
||||
with st.expander("Ver explicación técnica (detalle para analistas)"):
|
||||
st.markdown(f"<div class='card'><div class='explain'>{texto_tecnico.replace(chr(10), '<br/>')}</div></div>", unsafe_allow_html=True)
|
||||
|
||||
# ------------------ Tabla de componentes y coeficientes ------------------
|
||||
st.markdown("### Componentes (valores normalizados) y coeficientes MAP")
|
||||
comp_df = pd.DataFrame({
|
||||
"Componente": feature_cols,
|
||||
"Valor (normalizado)": [f"{v:.4f}" for v in x_live],
|
||||
"beta_MAP": [f"{float(b):.4f}" for b in beta_map],
|
||||
"Contribución firmada (%)": [f"{float(c):.1f}%" for c in contrib_pct]
|
||||
})
|
||||
st.table(comp_df)
|
||||
|
||||
# ------------------ Exportar resultado ------------------
|
||||
out_df = pd.DataFrame([{
|
||||
"par": par, "cot_long": cot_long, "cot_short": cot_short, "net": net,
|
||||
"fed_prob": fed_prob, "retail_pct": retail_pct,
|
||||
"p_mean": p_mean, "p_2.5": p_low, "p_97.5": p_high,
|
||||
"conviction": conviction, "decision": decision
|
||||
}])
|
||||
|
||||
try:
|
||||
excel_bytes = to_excel_bytes(out_df)
|
||||
st.download_button("Exportar resultado (Excel)", data=excel_bytes, file_name=f"kennis_{par.replace('/','')}_signal.xlsx")
|
||||
except Exception as e:
|
||||
st.error("Error exportando Excel: " + str(e))
|
||||
|
||||
st.markdown("---")
|
||||
st.markdown("<div class='small'>Implementación: Logistic bayesiano táctico (MAP + Laplace). Suba CSV con 'target_up' para calibración real y backtests. Uso profesional: combine con price feed y motor de ejecución.</div>", unsafe_allow_html=True)
|
||||
st.markdown("© Kennis FX Markets — Institutional Bayesian Intelligence Engine", unsafe_allow_html=True)
|
||||
|
||||
Reference in New Issue
Block a user